為什麼本質矩陣５自由度，基礎矩陣７自由度，單應矩陣８自由度？

一般的說法是基礎矩陣７自由度是因為一共９個數，秩為２（行列式不是０）減去一個自由度，尺度等價性再減去一個自由度，但是為什麼本質矩陣也滿足上面倆條件但是隻在６的基礎上減去一個自由度呢？

謝邀。

考慮這些矩陣的自由度時，重點在於理解parameterization之後有多少個待定的參數，然後明確一個點，在雙視圖幾何中，fundamental matrix以及essential matrix僅由相機的內參和兩張圖片之間的相對變換決定，與絕對位置沒有關係。接下來理一下這幾個矩陣的自由度問題：

最簡單的homography（單應矩陣），可以將二維射影空間中的一個點變換到中的另一個點。根據射影空間的性質，必然存在一個的矩陣，使得。回顧齊次坐標系的定義，放縮一個點的坐標依然得到這個點本身，所以有。換句話說，在不加任何限制的情況下，僅僅考慮二維射影空間中的變換，一個單應矩陣可由9個參數確定，扣去scale的一個，自由度為8。這個部分很好理解。

2. 接下來考慮fundamental matrix（基礎矩陣）的情況。的推導有兩種方法（Chapter 9 in [1]），本質上都是求解圖片A中的一個點與圖片B中對應的點應該滿足什麼樣的約束。第一種是我個人比較喜歡的逆投影表示，由純矩陣運算推導，過程可以參見這個答案，另一種是幾何方法推導，利用transfer via a plane的方法，利用第二種方法可以比較快地推導出自由度為7。這個方法包含以下三步：

將的一個可能的位置表示為，即通過平面進行射影變換（Chapter 13 in [1]）
這個可能的位置應該與圖片B中的epipole共同組成epipolar line ，因此有。
應該落在上，即，其中。

由1可知，作為一個homography matrix，自由度是8，然而作為一個skew symmetric matrix，秩只有2，由，得知必然為singular matrix，這個額外的條件使得的自由度為7。

3. 最後來看Essential matrix（本質矩陣），也就是題主覺得不解的地方。因為可以理解為的一個特例，其中涉及的兩個投影矩陣都不包含相機內參。注意開頭所說的，雙視圖幾何中絕對位置不重要，所以我們可以不失一般性地假定圖片A位於，旋轉為，圖片B位於，旋轉為。這樣，退化為，而退化為。換言之，我們可以得到。其中有3個自由度，有3個自由度，考慮translation在scale上的等價性減去1個自由度，得到自由度為5。

作為對比，我們看一下究竟是什麼使得的自由度比要少，可以看到其核心就在於去除了兩個相機內參和的影響。在這個答案的結論中，我們得知，也就是。這裡可以看出，一個最簡單的也需要4個參數定義，兩個內參矩陣就是8個參數，哪怕考慮了和的相對關係一共只需要6個參數，加起來也已經14個參數，超過了最後矩陣的9個參數，所以可以用9個參數為起點來考慮。作為對比，在中，和一共6個參數已經比9要小，所以應該以6作為起點來考慮。

另外一個有趣的點是，為什麼和都考慮了scale的等價性，而只有考慮了singularity的限制呢？這個問題我個人的理解是，singularity的約束實際上來自於skew symmetric矩陣的一個特性：前兩個singular value必然相等且第三個singular value為0。在的計算中，一個homography矩陣會使得相乘後的結果矩陣singular value發生變化，進而導致結果矩陣可能出現non-singular的情況，因而需要加上singularity的約束。在的計算中，旋轉矩陣不會改變singular value的值（證明請google之），這使得相乘後的結果依然保持了前兩個singular value相等且第三個singular value為0的性質，singularity得到了保持，也就不需要額外的singularity約束了。

Reference:

[1] Hartley, R., Zisserman, A. (2003). Multiple view geometry in computer vision. Cambridge university press.