前言
先思考一个问题：用两个相机在不同的位置拍摄同一物体，如果两张照片中的景物有重叠的部分，我们有理由相信，这两张照片之间存在一定的对应关系，本节的任务就是如何描述它们之间的对应关系，描述工具是对极几何 ，它是研究立体视觉的重要数学方法。
要寻找两幅图像之间的对应关系，最直接的方法就是逐点匹配，如果加以一定的约束条件对极约束(epipolar constraint)，搜索的范围可以大大减小。
先回顾简单的立体成像系统
对极约束的图示
在标准的双目摄像机中，通过数学正式，两个匹配点在左右视图中行数一样的，列数不一致，所以寻找匹配点从面转到线。这就是对极几何的意义。
更一般的立体成像关系：两个相机的坐标无任何约束关系，相机的内部参数可能不同，甚至是未知的。要刻画这种情况下的两幅图像之间的对应关系，需要引入两个重要的概念——对极矩阵(Epipolar Matrix)和基本矩阵(Fundamental Matrix)。
对极几何概念
对极几何中的重要概念（参考下图）：
极点：极点el:右相机坐标原点在左像平面上的像；极点er:左相机坐标原点在右像平面上的像
极平面：由两个相机坐标原点Ol、Or和物点P组成的平面 (三点确定一平面）
级线：极平面与两个像平面的交线，即plel和prer
级线约束：两极线上点的对应关系
有点烦人，先转移一下话题：What would Pinhead’s eye look like close up?
如果两个人同时看这一景物，将是什么样的呢？
再回到对极几何图上来，通过上面几幅图示，利用对极几何的约束关系，我们可以：
1. 找到物点P在左像平面上的像点pl；
2. 画出极线plel； （平行于坐标轴）
3. 找到极平面Olplel与右像平面的交线，即得极线prer；
4. 像点pl的对应点一定在极一prer上。
两个相机坐标系之间的关系为
由于R是正交矩阵，因此可写为
三向量共面，它们的混合积为零(混合积对应于有向体积)
将向量乘(叉乘)写成矩阵的形式 ，就是同一面中连条直线相乘获取到垂线，然后垂线和面中任意线点乘为0。同时为了将有平面的点表达出来，所以找到在右平面中的直线。
通过进一步的改写，可以得到左像点和右像点之间约束关系(非常简单、漂亮)
显然，左像点pl和右像点pr是通过矩阵E=RS来约束的，我们称矩阵E为本质矩阵(Essential Matrix)，它的基本性质有：
? has rank 2(秩为2)
? depends only on the EXTRINSIC Parameters (R & T)(仅依赖于外部参数R和T)