计算极线
opencv函数cv:computeCorrespondEpilines()根据一幅图像中的点列，计算另一幅图像中对应的极线，每条极线以三点(a，b，c)的形式编码，定义为ax+by+c=0
书上两节都叫立体校正，机翻笑嘻了
立体校正
通过校正，两个摄像机的光轴是平行的
立体校正取决于查找两个摄像机之间的旋转矩阵R和平移矢量T
立体校正和单摄像机标定之间区别：
1.立体校正cv::sterepCalibrate()不仅可以算R和T，还可以算畸变矩阵，本征矩阵和基本矩阵
cv::calibrateCamera()得到的结果是相机内参矩阵，畸变系数，旋转向量和平移向量
2.在函数cv::calibrateCamera()中，以摄像机和棋盘视图之间的一系列旋转和平移结束，
而在函数cv::sterepCalibrate()中，我们搜寻单个旋转矩阵和平移向量来联系左右摄像机
先使用cv::calibrateCamera()计算每个摄像机对应的旋转和平移参数，然后将这些参数带入求解两个摄像机之间的旋转和平移矩阵
为了消除每一对棋盘的R和T误差，将R和T参数的中间值作为初始值并采用鲁棒的Levenberg-Marquardt 迭代算法，找到棋盘角点在两个摄像机视图的最小投影误差，返回R和T最终结果。
为了使结果清晰，旋转矩阵被用作到与左摄像机共面的右摄像机上，保证两个像平面平行但不是行对准
两个摄像机几乎不存在完全共面的行对齐的像平面，立体校正的目的使将两个摄像机的像平面重新映射，使二者位于完全相同的平面上，图像行完全对准到前向平行配置
非标定立体校正：Hartley算法
Hartley算法旨在找到将极点映射到无穷远处的单应矩阵，同时使两幅立体图像之间的计算误差最小化，这样可以通过匹配两幅图像之间的对应点实现
避免了计算两个摄像机的内参数，因为内参数隐含在点的匹配中
Hartley算法优点是可以通过观察场景中的点简便的进行在线立体校正，缺点是场景的图像尺寸未知，例如如果用棋盘生成点对，将无从知道棋盘从一端到另一端距离，也无法知道摄像机内参数
即立体重构的非唯一性：不同大小的物体，在焦距和主点不同情况下可能像相同
假设已知基本矩阵，Hartley算法过程：
- 使用基本矩阵，通过F * el=0和er * F=0 分别计算左右极点
- 求单应矩阵Hr将右极点映射到无穷远
- 选择右侧图像原点映射到左侧图像原点，所求单应矩阵将由Hr = G * R * T得到
- 搜寻一个匹配的单应矩阵Hl，将左极点发送到无穷远，并使两图像对齐
已标定的立体校正：Bouguet算法
Bouguet极线校正方法：左右相机成像平面各旋转一半，使得左右图像重投影造成的误差最小，左右视图的共同面积最大。
由cv::stereoRectify()实现