算法评价和误差分析
1.性能的界定
记号的规定:
- x x x测量得到的量
- 被估计的量加帽子来表示如 x ^ \hat{x} x^或 H ^ \hat{H} H^
- 量的真值用加横杠表示,如 x ˉ \bar{x} xˉ或 H ˉ \bar{H} Hˉ
单图像误差
2D单应的估计问题在仅给第二幅图像的坐标加噪声的情形下,设有n 组这样的匹配点,RMS( 均方根)残差:
ε
r
e
s
=
(
1
2
n
∑
i
=
1
n
d
(
x
i
′
,
x
^
i
′
)
2
)
1
/
2
\varepsilon _{res}=(\frac{1}{2n}\sum _{i=1}^nd(x'_i,\hat{x}'_i)^2)^{1/2}
εres=(2n1i=1∑nd(xi′,x^i′)2)1/2
双图像误差
对双图像误差情形,残差是:
ε
r
e
s
=
1
4
n
(
∑
i
=
1
n
d
(
x
i
,
x
^
i
)
2
+
∑
i
=
1
n
d
(
x
i
′
,
x
^
i
′
)
2
)
1
/
2
\varepsilon _{res}=\frac{1}{\sqrt{4n}}(\sum _{i=1}^nd(x_i,\hat{x}_i)^2+\sum _{i=1}^nd(x'_i,\hat{x}'_i)^2)^{1/2}
εres=4n1(i=1∑nd(xi,x^i)2+i=1∑nd(xi′,x^i′)2)1/2
最优估计算法(MLE)
结论1 I R N IR^N IRN上总方差为 N δ 2 N\delta ^2 Nδ2的各向同性高斯分布向一个 s s s维子空间的投影是总方差为 s δ 2 s\delta ^2 sδ2的各向同性高斯分布。
结论2 考虑一个估计问题, 其中 N N N个测量由依赖于 d d d个本质参数集的函数模型化。 假定每个测量变量有标准差 δ \delta δ的独立高斯噪声。
(1)ML 估计算法的 RMS 残差(测量值到估计值的距离)是:
ε
r
e
s
=
E
[
∥
X
^
−
X
∥
/
N
]
1
/
2
=
δ
(
1
−
d
/
N
)
1
/
2
\varepsilon _{res}=E[\left \| \hat{X}- X\right \|/N]^{1/2}=\delta (1-d/N)^{1/2}
εres=E[∥∥∥X^−X∥∥∥/N]1/2=δ(1−d/N)1/2
(2)ML 估计算法的 RMS估计误差 (估计值到真值的距离)是:
ε
e
s
t
=
E
[
∥
X
^
−
X
ˉ
∥
/
N
]
1
/
2
=
δ
(
d
/
N
)
1
/
2
\varepsilon _{est}=E[\left \| \hat{X}- \bar{X}\right \|/N]^{1/2}=\delta (d/N)^{1/2}
εest=E[∥∥∥X^−Xˉ∥∥∥/N]1/2=δ(d/N)1/2
2.变换估计的协方差
求得的变换的不可靠性通常由变换的协方差矩阵获得。因为
H
H
H
是 9 元素的矩阵,它的协方差矩阵是一个 9x9 矩阵。
协方差的前向传播
结论1 令 v v v是 I R M IR^M IRM中的一个具有均值 v ˉ \bar{v} vˉ和协方差矩阵 ∑ \sum ∑的随机矢量, 假定$ f: IRM→IRN 是 一 个 仿 射 映 射 : 定 义 为 是一个仿射映射:定义为 是一个仿射映射:定义为 f(v)= f( \bar{v}) + A( v- \bar{v})$ 。那么 f ( v ) f(v) f(v)是一个具有均值 f ( v ˉ ) f( \bar{v}) f(vˉ)和协方差矩阵$ A\sum A^T $的随机变量。
结论2 令 v v v是 I R M IR^M IRM中一个具有均值 v ˉ \bar{v} vˉ和协方差矩阵 ∑ \sum ∑的随机矢量,令 f : I R M → I R N f: IR^M→IR^N f:IRM→IRN 在 v ˉ \bar{v} vˉ的邻域可微。那么在精确到一阶近似的程度下, f ( v ) f(v) f(v)是一个具均值 f ( v ˉ ) f( \bar{v}) f(vˉ)和协方差矩阵$ J\sum J^T 的 随 机 变 量 , 其 中 的随机变量,其中 的随机变量,其中 J 是 是 是 f 的 雅 可 比 矩 阵 在 的雅可比矩阵在 的雅可比矩阵在\bar{v}$的值。
协方差的反向传播
结论3 协方差的反向输送一仿射情形. 令 f : I R M → I R N f: IR^M→IR^N f:IRM→IRN是形为 f ( P ) = f ( P ˉ ) + J ( P − P ˉ ) f( P ) = f( \bar{P} )+ J(P - \bar{P} ) f(P)=f(Pˉ)+J(P−Pˉ)的仿射映射, 其中 J J J的秩等于 M M M。 令 X X X是 I R N IR^N IRN中的一个具有均值 X ˉ = f ( P ˉ ) \bar{X} = f(\bar{P} ) Xˉ=f(Pˉ)和协方差矩阵 ∑ \sum ∑的随机变量。 令 f − 1 o η : I R N → I R M f^{-1}o\eta :IR^N\rightarrow IR^M f−1oη:IRN→IRM是一个映射, 它把测量矢量 X X X映射到对应于 ML 估计 X ^ \hat{X} X^的参数矢量 P P P。那么 P ^ = f − 1 o η ( X ) \hat{P}=f^{-1}o\eta (X) P^=f−1oη(X)是一个具有均值 P ˉ \bar{P} Pˉ 的随机变量, 其协方差矩阵是: ∑ P = ( J T ∑ x − 1 J ) − 1 {\sum }_P=(J^T{\sum }_{x}^{-1}J)^{-1} ∑P=(JT∑x−1J)−1
结论4 协方差的反向输送一非线性情形. 令 f : I R M → I R N f: IR^M→IR^N f:IRM→IRN是一个可微映射,而 J J J是它在点 P ˉ \bar{P} Pˉ处的雅可比矩阵。假定 J J J的秩为 M M M,则 f f f在 P ˉ \bar{P} Pˉ的邻域是一一对应的 .。令 X X X是 I R N IR^N IRN中的一个具有均值 X ˉ = f ( P ˉ ) \bar{X} = f( \bar{P} ) Xˉ=f(Pˉ)和协方差矩阵与 ∑ X {\sum}_X ∑X的随机变量。令映射 f − 1 o η : I R N → I R M f^{-1}o\eta :IR^N\rightarrow IR^M f−1oη:IRN→IRM, 把测量矢量 X X X映射到对应于 ML 估计 X ^ \hat{X} X^的参数矢量 P P P。那么在一阶精度下, P ^ = f − 1 o η ( X ) \hat{P}=f^{-1}o\eta (X) P^=f−1oη(X)是一个具有均值 P ˉ \bar{P} Pˉ 和协方差矩阵 ( J T ∑ x − 1 J ) − 1 (J^T{\sum }_{x}^{-1}J)^{-1} (JT∑x−1J)−1的随机变量。
超参数化
结论5 协方差的反向输送一一超参数化情形.。令
f
:
I
R
M
→
I
R
N
f: IR^M→IR^N
f:IRM→IRN是一个可微映射 , 它把一组参数
P
ˉ
\bar{P}
Pˉ映射到测量矢量
X
ˉ
\bar{X}
Xˉ。令
S
p
S_p
Sp是嵌入
I
R
M
IR^M
IRM中的过点
P
ˉ
\bar{P}
Pˉ的
d
d
d维光滑流形并使得映射
f
f
f在流形
S
p
S_p
Sp上
P
ˉ
\bar{P}
Pˉ的一个邻域内是一一对应的 ,
f
f
f把
S
p
S_p
Sp局域地映射到
I
R
N
IR^N
IRN上的流形
f
(
S
p
)
f( S_p)
f(Sp)。 函数
f
f
f有一个局部逆函数,记为
f
−
1
f^{-1}
f−1, 它限制在曲面
f
(
S
p
)
f(S_p)
f(Sp)上
X
ˉ
\bar{X}
Xˉ的一个邻域内。定义
I
R
N
IR^N
IRN上的一个具有均值
X
ˉ
\bar{X}
Xˉ和协方差
∑
x
{\sum}_x
∑x的高斯分布,并令
η
:
I
R
N
→
f
(
S
p
)
\eta :IR^N →f( S_p)
η:IRN→f(Sp)把
I
R
N
IR^N
IRN上的点映射到
f
(
S
p
)
f( S_p)
f(Sp) 上并在 Mahalanobis 范数
∥
⋅
∥
∑
x
\left \| \cdot \right \|_{{\sum }_x}
∥⋅∥∑x意义下最近的点.。
I
R
N
IR^N
IRN上具有协方差矩阵
∑
x
{\sum}_x
∑x的概率分布通过
f
−
1
o
η
f^{-1}o\eta
f−1oη诱导
I
R
M
IR^M
IRM上的概率分布, 它在一阶精度下的协方差矩阵是:
∑
P
=
(
J
T
∑
X
−
1
J
)
+
A
=
A
(
A
T
J
T
∑
X
−
1
J
A
)
−
1
A
T
{\sum }_P=(J^T{\sum }_{X}^{-1}J)^{+A}=A(A^TJ^T{\sum }_{X}^{-1}JA)^{-1}A^T
∑P=(JT∑X−1J)+A=A(ATJT∑X−1JA)−1AT
其中 A A A是任意 m X d 矩阵, 它的列矢量生成 S p S_p Sp的过点 P ˉ \bar{P} Pˉ 的切空间 。
结论6 令可微映射
f
:
I
R
M
→
I
R
N
f: IR^M→IR^N
f:IRM→IRN 把
P
ˉ
\bar{P}
Pˉ映射到
X
ˉ
\bar{X}
Xˉ, 并令
J
J
J为
f
f
f的雅可比矩阵。 设
I
R
N
IR^N
IRN上一个具有协方差矩阵
∑
x
{\sum}_x
∑x的高斯分布定义在
X
ˉ
\bar{X}
Xˉ, 令
f
−
1
o
η
:
I
R
N
→
I
R
M
f^{-1}o\eta :IR^N\rightarrow IR^M
f−1oη:IRN→IRM是把一个测量
X
X
X映到约束在局部正交于
J
J
J的零空间的曲面
S
p
S_p
Sp上的 MLE 参数矢量
P
P
P的映射。那么
f
−
1
o
η
f^{-1}o\eta
f−1oη诱导
I
R
M
IR^M
IRM上的一个分布 。它的协方差矩阵在一阶精度下是:
∑
P
=
(
J
T
∑
X
−
1
J
)
+
{\sum }_P=(J^T{\sum }_{X}^{-1}J)^{+}
∑P=(JT∑X−1J)+