计算机视觉的李代数

最新推荐文章于 2024-06-04 16:16:17 发布

shchojj

最新推荐文章于 2024-06-04 16:16:17 发布

阅读量824

点赞数

分类专栏： rigid registration

原文链接：http://ethaneade.com/lie_groups.pdf

版权

rigid registration 专栏收录该内容

22 篇文章 7 订阅

订阅专栏

http://ethaneade.com/lie_groups.pdf

《Lie Groups for Computer Vision》

2.1、矩阵群（matrix groups）：

李群G（Lie group）既是光滑可微流形（manifold），也是一个群（group）。本文档设计的李群都是实矩阵群，也就是每一个元素都是实数。群的乘法和反运算和矩阵的乘法和反运算类似。因为每个群都可以由一个nxn的非奇异指定子类表示，自由度一般都不到n^2.

2.2、李代数(Lie Algebra)：

假定李群G表示在 $\mathbb{R}^{n\times n}$ ，并且自由度是 $k$ 。李代数 $\mathfrak{g}$ 是关于李群 $G$ 恒等微分变换空间-切空间（tangent space）。该切空间是由基元素 $\left \{G_1,\cdots ,G_k \right \}$ 组成的 $k$ 维向量空间，这些基元素也称之为generators。李代数 $\mathfrak{g}$ 的元素在 $\mathbb{R}^{n\times n}$ 内表示成一个矩阵的形式，但基本的运算是标量间的加法和乘法，而不是矩阵的乘法。

对于这样的李代数 $\mathfrak{g}$ ，我们将一个系数为 $\mathbf{c}$ ，且表示为向量generators $\left \{ G_i \right \}$ 的线性组合写成 $alg\left ( \mathbf{c} \right )$ ：

$alg:\mathbb{R}^{k}\rightarrow \mathfrak{g}\subset \mathbb{R}^{n\times n}$ (1)

$alg\left ( \mathbf{c} \right )\equiv \sum_{i=1}^{k}\mathbf{c}_{i}G_{i}$ (2)

我们用 $alg^{-1}$ 表示（2）线性组合的唯一逆。切向量 $\mathbf{c}$ 实际上是一个n×n矩阵，这可能看起来令人困惑，但它总是可以被认为(和表示)为生成器generators $\left \{ G_i \right \}$ 的系数向量。

2.3、指数(Exponential)映射和对数(Logarithm)：

指数映射是将Lie group中的元素映射到Lie algebra中。直观地说，群流形（group manifold）沿着代数（algebra）中切向量（tangent vector）指定的微分方向映射到代数。对于矩阵群（matrix group），指数映射（exponential map）就是简单的矩阵求幂（matrix exponentiation）:

$exp:\mathfrak{g}\rightarrow G$ (3)

$exp\left ( x \right ) = \mathbf{I} + x+\frac{1}{2!}x^2+\frac{1}{3!}x^3+\cdots +\frac{1}{i!}x^i+\cdots$ (4)

公式（4）就是指数函数的泰勒级数。

对于下面描述的几个群，指数映射（exponential map）具有闭合形式。它总是一个连续的映射。指数映射的倒反变换就是对数:

$exp\left ( log\left ( X \right ) \right )=X$ (5)

对数通常不是处处连续的，但在恒等式附近总是连续的。注意，对于大多数群，包括所有具有紧凑子群(比如旋转)的组，exp和log都不是单射的。

2.4、流行上的插值：

指数映射和对数为插值或混合变换提供了一种直观的方法。假设 $X,Y\in G$ 是两个变换， $t \in \left [ 0, 1 \right ]\subset \mathbb{R}$ 是对应的插值系数。函数 $f$ 通过沿着它们之间的测地线(geodesic)稳定移动，将这两种变换混合在一起:

$f:G\times G\times \mathbb{R}\rightarrow G$ (6) 两个子群的操作加上一个尺度系数变换到另一个李群

$f\left ( X, Y,t \right ) = exp\left ( t \cdot log\left ( Y \cdot X^{-1} \right ) \right )\cdot X$ (7) 李群操作后经过log变成李代数，李代数与标量操还是李代数，然后经过exp操作重新变成李群。

$\Rightarrow f\left ( X,Y,0 \right ) = X$ (8)如果子群X插值系数为0，还是它本身

$\Rightarrow f\left ( X,Y,1 \right ) = Y$ (9) 如果子群X插值系数是1，它就变换成了子群Y

$\Rightarrow f\left ( X,Y,\frac{1}{2} \right )\cdot X^{-1} = Y \cdot f\left ( X,Y,\frac{1}{2} \right )^{-1}$ (10)子群X插值系数为1/2，那么也可以从子群Y插值回来

2.5、伴随表示（adjoint）：

已知 $a,b \in \mathfrak{g}$ 为切向量，即李代数， $X \in G$ 是一个群元素。我们如何选择 $b$ 使得公式（11）成立？

$exp\left ( b \right )\cdot X = X \cdot exp(a)$ (11)

两边同时乘以 $X^{-1}$ 得到 $X$ 共轭：

$exp\left ( b \right ) = X \cdot exp(a)\cdot X^{-1}$ (12)

然后可以通过对数运算得到 $b$ ：

$b = log\left ( X\cdot exp\left ( a \right )\cdot X^{-1} \right )$ (13)

实际上，利用伴随表示也可以得到相同的结果。 $G\subset \mathbb{R}^{n\times n}$ 是具有k个自由度的实群，在 $\mathfrak{g}$ 上的线性变换群有一个同构表示，称为伴随（adjoint）:

$X \in G$ (14) $X$ 是一个群

$a \in \mathfrak{g}$ (15) $a$ 是一个代数

$Adj_{X}:\mathfrak{g}\rightarrow \mathfrak{g}$ (16) 伴随是一个从代数到代数的操作

$Adj_{X}\left (a \right )=X \cdot a\cdot X^{-1} \in \mathfrak{g}$ (17) $a$ 的伴随矩阵和公式12是不是很像

伴随表示的元素通常写成k x k矩阵，通过乘法作用于 $\mathfrak{g}$ 中元素的系数向量。

伴随表示保留了 $G$ 群的结构

$X,Y \in G$ (18)

$Adj_{X \cdot Y}=Adj_{X }\cdot Adj_{Y}$ (19)

$Adj_{X^{-1}}=Adj_{X }^{-1}$ (20)

回到伴随矩阵 $b$ 的问题，

$b = Adj_{X}\left (a \right )$ (21)

$\Rightarrow exp\left ( b \right ) = X \cdot exp(a)\cdot X^{-1}$ (22)这不就是公式（12）么

$\Rightarrow exp\left ( b \right )\cdot X = X \cdot exp(a)$ （23）公式（11）推出来了

因此，伴随是切向量通过群元素变换的雅可比矩阵

$c \in \mathbb{R}^{k}$ （24）

$X \in G$ （25）

$f:G\times \mathbb{R}^{k}\rightarrow \mathbb{R}^{k}$ （26）

$f\left ( X, c \right ) = alg^{-1}\left ( log\left ( X\cdot exp\left ( alg\left ( c \right ) \right ) \cdot X^{-1} \right ) \right )$ （27）

$\frac{\partial f }{\partial c}|_{c=0}=Adj_{X}$ （28）雅克比矩阵

2.6、在 $\mathbb{R}^{n \times n}$ 群的作用

给定在 $\mathbb{R}^{n \times n}$ 的 $G$ 群矩阵表示，乘法对向量空间 $\mathbb{R}^{n}$ (也就是投影空间 $\mathbb{P}^{n-1}$ )有一个自然作用:

$X \in G$ (29)

$X:\mathbb{R}^{n}\rightarrow \mathbb{R}^{n}$ (30)

$X\left ( \mathbf{v} \right ) = X \cdot \mathbf{v}$ (31)

对于下面描述的群，这个由矩阵乘法产生的群作用，在二维或三维欧式空间或投影空间中的点或线上产生一个变换。例如， $SE\left ( 2 \right )$ 元素在 $\mathbb{P}^{2}$ (二维平面在 $\mathbb{R}^{3}$ 中为齐次坐标)上的群作用是平面坐标的旋转和平移。

该恒等式周围的群微分作用的雅可比矩阵，可以用代数的 $k$ 生成器简单地计算:

$p \in \mathbb{R}^{n}$ (32) group action

$c \in \mathbb{R}^{k}$ (33) 切向量

$f\left ( \mathbf{c},p \right ) \equiv exp\left ( alg\left ( \mathbf{c} \right ) \right ) \cdot \mathbf{p}$ (34)不明白为什么要先转成代数后转回李群

$\frac{\partial f}{\partial \mathbf{c}}|_{c=0}=\left ( G_{1} \cdot \mathbf{p}|G_{2} \cdot \mathbf{p}|\cdots G_{k} \cdot \mathbf{p} \right ) \in \mathbb{R}^{n \times k}$ (35)群微分的雅克比矩阵可以由代数的 $k$ 生成器

3、 $SO\left ( 2 \right )$

3.1、描述

$SO\left ( 2 \right )$ 在2D平面上的旋转群，它只有一个自由度:旋转角度。群是可交换的。逆由转置给出:

$X \in SO\left ( 2 \right ) \subset \mathbb{R}^{2 \times 2}$ (36) 2维旋转矩阵

$X^{-1}=X^{T}$ (37)

3.2、李代数（Lie Algebra）

李代数 $\mathfrak{so}\left ( 2 \right )$ 由一个反对称元素生成，对应的微分旋转：

$G_{1}=\bigl(\begin{smallmatrix} 0 & -1 \\ 1 & 0 \end{smallmatrix}\bigr)$ (38) 二维旋转群的generated

3.3、指数映射（exponential map）

从李代数 $\mathfrak{so}\left ( 2 \right )$ 到李群 $SO\left ( 2 \right )$ 的指数映射是简单的2D旋转：

$exp\left ( alg\left ( \theta \right ) \right ) = exp \bigl(\begin{smallmatrix} 0 & -\theta \\ \theta & 0 \end{smallmatrix}\bigr) = \bigl(\begin{smallmatrix} cos\theta & -sin\theta \\ sin\theta & cos\theta \end{smallmatrix}\bigr)$ (39)李代数到李群的指数映射不就是旋转矩阵么

对数是由 $SO\left ( 2 \right )$ 的一个元素简单地计算出来的

3.4、伴随表示

那么 $SO\left ( 2 \right )$ 的伴随表示是平凡的:

$X = \bigl(\begin{smallmatrix} a & -b\\ b & a \end{smallmatrix}\bigr) \in SO\left ( 2 \right ), a^{2} + b^{2} = 1$ (40)不清楚是怎么来的，2D平面上的旋转群

$Adj_{X}\left ( alg\left ( \theta \right ) \right ) = X \cdot alg\left ( \theta \right ) \cdot X^{-1}$ (41)

$=\bigl(\begin{smallmatrix} 0 & -\theta\\ \theta & 0 \end{smallmatrix}\bigr)$ (42)直接计算

$=alg\left ( \theta \right )$ (43) 可以通过公式（39）得出

$\Rightarrow Adj_{X} = \mathbf{I}$ (44)

4、 $SE\left ( 2 \right )$

4.1、描述

$SE\left ( 2 \right )$ 是在2D平面的刚体变换群，半直积 $SO\left ( 2 \right ) \bowtie \mathbb{R}^{2}$ (符号不对，半直积符号打不出来，凑合着用)，它有三个自由度:两个用于平移，一个用于旋转。子组包含 $SO\left ( 2 \right )$ 。

$\mathbf{R} \in SO\left ( 2 \right )$ (45)

$t \in \mathbb{R}^{2}$ (46)

$X=\bigl(\begin{smallmatrix} R&t \\ 0& 1 \end{smallmatrix}\bigr) \in SE\left ( 2 \right ) \subset\mathbb{R}^{3\times 3}$ (47)

$X^{-1} =\bigl(\begin{smallmatrix} R^{T} & -R^{T}t\\ 0 & 1 \end{smallmatrix}\bigr)$ (48)

4.2 李代数（Lie Algebra）

李代数 $\mathfrak{se}\left ( 2 \right )$ 有三个生成器（generators）：

4.3 指数映射（Exponential Map）

从 $\mathfrak{se}\left ( 2 \right )$ 到 $SE\left ( 2 \right )$ 的指数映射是一个闭型：

$v =\bigl(\begin{smallmatrix} x\\ y\\ \theta \end{smallmatrix}\bigr) \in \mathbb{R}^{3}$ (50) 三个自由度，两个平移，一个旋转

$R\equiv \bigl(\begin{smallmatrix} cos\theta & -sin\theta\\ sin\theta & cos\theta \end{smallmatrix}\bigr)$ (51) 旋转矩阵

$V = \bigl(\begin{smallmatrix} \frac{sin\theta}{\theta} & -\frac{1-cos\theta}{\theta} \\ \frac{1-cos\theta}{\theta} & \frac{sin\theta}{\theta} \end{smallmatrix}\bigr)$ (52)

$exp\left ( alg\left ( v \right ) \right ) = exp\bigl(\begin{smallmatrix} 0 & -\theta & x\\ \theta & 0 & y\\ 0 & 0 & 0 \end{smallmatrix}\bigr)=\bigl(\begin{smallmatrix} R & V \cdot\binom{x}{y} \\ 0 & 1 \end{smallmatrix}\bigr)$ (53)分块运算

当 $\theta$ 很小时， $V$ 的元素用泰勒级数计算(见第11节)。

4.4 伴随表示（Adjoint Representation）

$X = \bigl(\begin{smallmatrix} R & t \\ 0 & 1 \end{smallmatrix}\bigr) \in SE\left ( 2 \right )$ (54)

$Adj_{X} = \bigl(\begin{smallmatrix} R & \binom{t_{1}}{-t_{0}}\\ 0 & 1 \end{smallmatrix}\bigr)$ (55)

5、 $Sim\left ( 2 \right )$

5.1、描述

$Sim\left ( 2 \right )$ 是二维平面上保持方向的相似性变换的组，即半直积 $SE\left ( 2 \right ) \bowtie \mathbb{R}^{*}$ 。它有四个自由度:两个用于平移，一个用于旋转，还有一个用于缩放。子组包括 $SE\left ( 2 \right )$ 和 $\mathbb{R}^{*}$ 。

$X=\bigl(\begin{smallmatrix} R & t\\ 0 & s^{-1} \end{smallmatrix}\bigr) \in Sim\left ( 2 \right ) \subset \mathbb{R}^{3\times3}$ (56)

$X^{-1} = \bigl(\begin{smallmatrix} R^{T} & -sR^{T}t \\ 0 & s \end{smallmatrix}\bigr)$ (57)

5.2、李代数（Lie Algebra）

李代数 $\mathfrak{sim}\left ( 2 \right )$ 有4个生成器generators：

$G_{1} =\bigl(\begin{smallmatrix} 0 & 0 & 1 \\ 0 & 0 & 0\\ 0 & 0 & 0 \end{smallmatrix}\bigr)$ 、 $G_{2} =\bigl(\begin{smallmatrix} 0 & 0 & 0 \\ 0 & 0 & 1\\ 0 & 0 & 0 \end{smallmatrix}\bigr)$ 、 $G_{3} =\bigl(\begin{smallmatrix} 0 & -1 & 0 \\ 1 & 0 & 0\\ 0 & 0 & 0 \end{smallmatrix}\bigr)$ 、 $G_{4} =\bigl(\begin{smallmatrix} 0 & 0 & 0 \\ 0 & 0 & 0\\ 0 & 0 & -1\end{smallmatrix}\bigr)$ (58) 放缩这个不太明白估计和 $s^{-1}$ 有关

5.3 指数映射（Exponential Map）

从李代数 $\mathfrak{sim}\left ( 2 \right )$ 到群 $Sim\left ( 2 \right )$ 的指数映射的闭型：

$v =\bigl(\begin{smallmatrix} x\\ y\\ \theta\\ \lambda \end{smallmatrix}\bigr) \in \mathbb{R}^{4}$ (59) 两个平移、一个旋转、一个放缩

$R\equiv \bigl(\begin{smallmatrix} cos\theta & -sin\theta\\ sin\theta & cos\theta \end{smallmatrix}\bigr)$ (60) 旋转矩阵

$A\equiv \frac{sin\theta}{\theta}$ (61)

$B \equiv \frac{1-cos\theta}{\theta}$ (62)

$C \equiv \frac{\theta-sin\theta}{\theta^{3}}$ (63)

$\alpha \equiv \frac{\lambda^{2}}{\lambda^{2}+\theta^{2}}$ (64)

$s \equiv e^{\lambda}$

$X \equiv \alpha \left ( \frac{1-s^{-1}}{\lambda} \right )+\left(1-\alpha \right )\left(A- \lambda B \right )$ (65)

$Y \equiv \alpha \left ( \frac{s^{-1} -1 + \lambda}{\lambda^{2}} \right )+\left(1-\alpha \right )\left(B- \lambda C \right )$ (66)

$V = \bigl(\begin{smallmatrix} X & -\theta Y \\ \theta Y & X \end{smallmatrix}\bigr)$ (67)

$exp\left ( alg\left ( v \right ) \right ) = exp\bigl(\begin{smallmatrix} 0 & -\theta & x\\ \theta & 0 & y\\ 0 & 0 & -\lambda \end{smallmatrix}\bigr)=\bigl(\begin{smallmatrix} R & V \cdot\binom{x}{y} \\ 0 & s^{-1} \end{smallmatrix}\bigr)$ (68)

当 $\theta$ 或 $\lambda$ 较小时，用泰勒级数计算 $V$ 的元素(见第11节)

5.4 伴随表示（Adjoint Representation）

$X = \bigl(\begin{smallmatrix} R & t \\ 0 & 1 \end{smallmatrix}\bigr) \in Sim\left ( 2 \right )$ (69)

$Adj_{X} =\bigl(\begin{smallmatrix} sR & & s \cdot\bigl(\begin{smallmatrix} t_{1} & -t_{0}\\ -t_{0} & -t_{1} \end{smallmatrix}\bigr)& \\ 0 & 0 & 1 & 0 \\ 0 & 0 & 0 & 1 \\ & & & \end{smallmatrix}\bigr)$ (70)

6、 $Aff\left ( 2 \right )$

6.1、描述

$Aff\left ( 2 \right )$ 是二维平面上保持方向的仿射变换的组。它有6个自由度:两个用于平移，一个用于旋转，一个用于缩放，一个用于拉伸，一个用于剪切。子组包括 $Sim\left ( 2 \right )$ 和 $\mathbb{R}^{*}$ 。

$X=\bigl(\begin{smallmatrix} A & t\\ 0 &1 \end{smallmatrix}\bigr) \in Aff\left ( 2 \right ) \subset \mathbb{R}^{3\times3}$ (71)

$X^{-1} = \bigl(\begin{smallmatrix} A^{-1} & -A^{-1}t \\ 0 & 1 \end{smallmatrix}\bigr)$ (72)

6.2、李代数（Lie Algebra）

李代数 $\mathfrak{aff}\left ( 2 \right )$ 有6个生成器generators：

$G_{4} =\bigl(\begin{smallmatrix} 1 & 0 & 0 \\ 0 & 1 & 0\\ 0 & 0 & 0\end{smallmatrix}\bigr)$ 、 $G_{5} =\bigl(\begin{smallmatrix} 1 & 0 & 0 \\ 0 & -1 & 0\\ 0 & 0 & 0\end{smallmatrix}\bigr)$ 、 $G_{6} =\bigl(\begin{smallmatrix} 0 & 1 & 0 \\ 1 & 0 & 0\\ 0 & 0 & 0\end{smallmatrix}\bigr)$ (74) 与 $\mathfrak{sim}\left ( 2 \right )$ 差异蛮大的，一个放缩、一个拉伸、一个剪切

6.3 指数映射（Exponential Map）

从李代数 $\mathfrak{aff}\left ( 2 \right )$ 到群 $Aff\left ( 2 \right )$ 不是闭型，它可以用任何一般的矩阵指数程序来计算。对数也是如此。

6.4 伴随表示（Adjoint Representation）

$X = \bigl(\begin{smallmatrix} A & t \\ 0 & 1 \end{smallmatrix}\bigr) =\begin{pmatrix} a & b & x\\ c & d & y\\ 0 & 0 & 1 \end{pmatrix} \in Aff\left ( 2 \right )$ (75)

$E\equiv \begin{pmatrix} 1 & 0 & 0 & 0 & 0 & 0\\ 0& 1& 0& 0& 0& 0\\ 0 & 0 & 0 & \frac{1}{\sqrt{2}} & \frac{1}{\sqrt{2}} & 0\\0 & 0& -\frac{1}{\sqrt{2}}& 0& 0& \frac{1}{\sqrt{2}}\\ 0& 0& \frac{1}{\sqrt{2}}& 0& 0& \frac{1}{\sqrt{2}}\\ 0& 0& 0& \frac{1}{\sqrt{2}}& -\frac{1}{\sqrt{2}}& 0\end{pmatrix} \in \mathbb{R}^{6\times 6}$ (76)

$f\equiv \frac{1}{ad-bc}$ (77)

$C\equiv \begin{pmatrix} a \cdot A^{-T} & b \cdot A^{-T}\\ c \cdot A^{-T} & d \cdot A^{-T} \end{pmatrix} \in \mathbb{R}^{4 \times 4}$ (78)

$\equiv f\begin{pmatrix} ad & -ac & bd & -bc\\ -ab & a^{2} & -b^{2} & ab\\ cd & -c^{2} & d^{2} & -cd\\ -bc & ac & -bd & ad \end{pmatrix}$ (79)

$T\equiv \bigl(\begin{smallmatrix} x & y & 0 & 0\\ 0 & 0 & x & y \end{smallmatrix}\bigr) \in \mathbb{R}^{2\times 4}$ (80)

$Adj_{X} = E^{T}\begin{pmatrix} A & -T \cdot C\\ 0 & C \end{pmatrix}E$ (81)

明确的写出积：

$Adj_{X}=\begin{pmatrix} a& b & fy\left(a^{2}+b^{2} \right ) -fx\left(ac+bd \right ) & -x & fy\left(2ab \right )-fx\left(ad+bc \right ) & fx\left(ac-bd \right )-fy\left(a^{2}-b^{2}) \right )\\ c& d & fy\left(ac+bd \right )-fx\left(c^{2}+d^{2} \right ) & -y & fy \left(ab+cd \right )-fx\left(2cd \right ) & fx\left(c^{2}-d^{2} \right )-fy\left(ac-bd \right )\\ 0& 0 & \frac{f}{2}\left(a^{2}+b^{2}+c^{2}+d^{2} \right ) & 0 & f\left(ab+cd \right ) & \frac{f}{2}\left(-a^{2}+b^{2}-c^{2}+d^{2} \right )\\ 0& 0 & 0 &1 & 0 &0 \\ 0& 0 & f\left(ac+bd \right ) & 0 & f\left(ad+bc \right ) & f\left(bd-ac \right )\\ 0& 0 & \frac{f}{2}\left(-a^{2}-b^{2}+c^{2}+d^{2} \right ) & 0 & f \left(cd -ab \right) & \frac{f}{2}\left(a^{2}-b^{2}-c^{2}+d^{2} \right ) \end{pmatrix}$ (82)

7、 $SL\left ( 3 \right )$

7.1、描述

$SL\left ( 3 \right )$ 是单位行列式线性变换群，二维投影平面上的单应变换。它有8个自由度:两个用于平移，一个用于旋转，一个用于缩放，一个用于拉伸，一个用于剪切，两个投影变换。子组包括 $Aff\left ( 2 \right )$ 和 $SO\left ( 3 \right )$ 。

$H \in SL\left ( 3 \right ) \subset \mathbb{R}^{3\times3}$ (83)

$det\left ( H \right ) =1$ (84)

7.2、李代数（Lie Algebra）

李代数 $\mathfrak{sl}\left ( 3 \right )$ 有8个生成器generators，所有的迹都是0：

$G_{4} =\bigl(\begin{smallmatrix} 1 & 0 & 0 \\ 0 & 1 & 0\\ 0 & 0 & -2\end{smallmatrix}\bigr)$ 、 $G_{5} =\bigl(\begin{smallmatrix} 1 & 0 & 0 \\ 0 & -1 & 0\\ 0 & 0 & 0\end{smallmatrix}\bigr)$ 、 $G_{6} =\bigl(\begin{smallmatrix} 0 & 1 & 0 \\ 1 & 0 & 0\\ 0 & 0 & 0\end{smallmatrix}\bigr)$ (86) 一个放缩、一个拉伸、一个剪切

$G_{7} =\bigl(\begin{smallmatrix} 0 & 0 & 0 \\ 0 & 0 & 0\\ 1 & 0 & 0\end{smallmatrix}\bigr)$ 、 $G_{8} =\bigl(\begin{smallmatrix} 0 & 0 & 0 \\ 0 & 0 & 0\\ 0 & 1 & 0\end{smallmatrix}\bigr)$ (87)两个投影变换

7.3 指数映射（Exponential Map）

从李代数 $\mathfrak{sl}\left ( 3 \right )$ 到群 $SL\left ( 3 \right )$ 不是闭型，它可以用任何一般的矩阵指数程序来计算。对数也是如此。注意，任何无迹方阵的指数都是一个具有单位行列式的矩阵。

7.4 伴随表示（Adjoint Representation）

首先，我们将李代数 $\mathfrak{sl}\left ( 3 \right )$ 元素写做3×3矩阵、9个元素向量，以行大数的顺序写入元素。因此，对 $h\in\mathfrak{sl}\left ( 3 \right )$ 和 $H\in SL\left ( 3 \right )$ ,共轭 $H \cdot h \cdot H^{-1}$ 表示为在元素 $h$ 上的线性映射 $C_{H}$ 。Pre-和post-分别应用alg和alg−1的矩阵表示，并给出了伴随表示。

$\left [ alg \right ]\equiv \begin{pmatrix} 0 & 0 & 0 & 1 & 1 & 0 & 0 & 0\\ 0 & 0 & -1 & 0 & 0 & 1 & 0 & 0\\ 1 & 0 & 0 & 0 & 0 & 0 & 0 & 0\\ 0 & 0 & 1 & 0 & 0 & 1 & 0 & 0\\ 0 & 0 & 0 & 1 & -1 & 0 & 0 & 0\\ 0 & 1 & 0 & 0 & 0 & 0 & 0 & 0\\ 0 & 0 & 0 & 0 & 0 & 0 & 1 & 0\\ 0 & 0 & 0 & 0 & 0 & 0 & 0 & 1\\ 0 & 0 & 0 & -2 & 0 & 0 & 0 & 0 \end{pmatrix} \in \mathbb{R}^{9\times 8}$ (88)

$\left [ alg^{-1} \right ]\equiv \begin{pmatrix} 0 & 0 & 1 & 0 & 0 & 0 & 0 & 0 & 0\\ 0 & 0 & 0 & 0 & 0 & 1 & 0 & 0 & 0\\ 0 & -\frac{1}{2} & 0 & \frac{1}{2} & 0 & 0 & 0 & 0 & 0\\ \frac{1}{2} & 0 & 0 & 0 & \frac{1}{2} & 0 & 0 & 0 & 0\\ \frac{1}{2} & 0 & 0 & 0 & -\frac{1}{2} & 0 & 0 & 0 & 0\\ 0 & \frac{1}{2} & 0 & \frac{1}{2} & 0 & 0 & 0 & 0 & 0\\ 0 & 0 & 0 & 0 & 0 & 0 & 1 & 0 & 0\\ 0 & 0 & 0 & 0 & 0 & 0 & 0 & 1 & 0 \end{pmatrix} \in \mathbb{R}^{8 \times 9}$ (89)

$C_{H}\equiv \begin{pmatrix} H_{11}H^{-T} & H_{12}H^{-T} & H_{13}H^{-T}\\ H_{21}H^{-T} & H_{22}H^{-T} & H_{23}H^{-T}\\ H_{31}H^{-T} & H_{32}H^{-T} & H_{33}H^{-T} \end{pmatrix}$ (90)

$Adj_{H} = [alg^{-1}] \cdot C_{H} \cdot [alg]$ (91)

8、 $SO\left ( 3 \right )$

8.1、描述

$SO\left ( 3 \right )$ 在三维空间中的旋转群，由单位行列式的3x3正交矩阵表示。它有3个自由度:：每个可微分旋转轴各一个。逆由转置给出:

$R \in SO\left ( 3 \right ) \subset \mathbb{R}^{3\times3}$ (92)

$R^{-1} = R^{T}$ (93)

$det\left ( R \right ) =1$ (94)

8.2、李代数（Lie Algebra）

李代数 $\mathfrak{so}\left ( 3 \right )$ 是3x3的反对称矩阵，每个的微分旋转都有一个生成器generators：

$G_{1} =\bigl(\begin{smallmatrix} 0 & 0 & 0 \\ 0 & 0 & -1\\ 0 & 1 & 0 \end{smallmatrix}\bigr)$ 、 $G_{2} =\bigl(\begin{smallmatrix} 0 & 0 & 1 \\ 0 & 0 & 0\\ -1 & 0 & 0 \end{smallmatrix}\bigr)$ 、 $G_{3} =\bigl(\begin{smallmatrix} 0 & -1 & 0 \\ 1 & 0 & 0\\ 0 & 0 & 0 \end{smallmatrix}\bigr)$ (95) 3个平移

映射 $alg:\mathbb{R}^{3}\rightarrow \mathfrak{so}\left(3 \right )$ 将3个向量发送到它们的斜矩阵:

$w \equiv \begin{pmatrix} a\\ b\\ c \end{pmatrix} \in \mathbb{R}^{3}$ (96)

$alg\left ( w \right ) =w_{X}$ 、 (97)

$=\bigl(\begin{smallmatrix} 0 & -c & b \\ c & 0 & -a\\ -b & a & 0\end{smallmatrix}\bigr)$ (98)

8.3 指数映射（Exponential Map）

从李代数 $\mathfrak{so}\left ( 3 \right )$ 到群 $SO\left ( 3 \right )$ 是闭型(也称为罗德里格斯公式)，切向量 $w$ 可以解释为旋转的轴角表示:它的指数是绕 $w/\left \| w \right \|$ 轴旋转的 $\left \| w \right \|$ 弧度。

$w \in \mathbb{R}^{3}$ (99)

$\theta \equiv \sqrt{w^{T}w}$ (100)

$exp\left ( alg w \right )=exp\left(w_{X} \right )$ (101)

$=\mathbf{I}+w_{x}+\frac{1}{2!}w_{X}^{2}+\frac{1}{3!}w_{X}^{3}+\cdots$ (102)

$=\mathbf{I}+\left ( \frac{sin\theta}{\theta} \right )w_{x}+\left ( \frac{1-cos\theta}{\theta^{2}} \right )w_{X}^{2}$ (103)

式102中的高阶项由于 $w_{X}^{3} = -\theta^{2}w_{X}$ 而收缩。当 $\theta$ 很小时， $R$ 的系数用泰勒级数计算(见第11节)。

给定旋转矩阵 $R \in SO \left(3 \right )$ ，先确定 $cos \theta = \frac{1}{2}\left(tr\left(R \right )-1 \right )$ 即可计算出对数，再由对称差计算 $w$ (见公式103第二项)。

8.4 伴随表示（Adjoint Representation）

由于叉乘的性质， $SO\left ( 3 \right )$ 的伴随表示实际上与旋转矩阵的表示相同:

$R \in SO\left(3 \right )$ (104)

$a,b \in \mathbb{R}^{3}$ (105)

$\left (R\cdot a_{X}\cdot R^{T} \right ) \cdot b = R \cdot \left(a \times R^{T} \cdot b \right )$ (106)

$= \left(R \cdot a \right )\times b$ (107)

$= \left(R \cdot a \right )_{X}\cdot b$ (108)

$\Rightarrow R\cdot a_{X}\cdot R^{T} =\left(R \cdot a \right )_{X}$ (109)

$\Rightarrow Adj_{R}=R$ (110)

9、 $SE\left ( 3 \right )$

9.1、描述

$SE\left (3 \right )$ 是在3D平面的刚体变换群，半直积 $SO\left ( 3 \right ) \bowtie \mathbb{R}^{3}$ (符号不对，半直积符号打不出来，凑合着用)，它有6个自由度:三个用于平移，三个用于旋转。子组包含 $SE\left ( 2 \right )$ 和 $SO\left ( 3 \right )$ 。

$R \in SO\left ( 3 \right )$ (111)

$t \in \mathbb{R}^{3}$ (112)

$X=\begin{pmatrix} R & t\\ 0 & 1 \end{pmatrix} \in SE\left(3 \right ) \subset\mathbb{R}^{4 \times 4}$ (113)

$X^{-1}=\begin{pmatrix} R & -R^{T}t\\ 0 & 1 \end{pmatrix}$ (114)

9.2、李代数（Lie Algebra）

李代数 $\mathfrak{se}\left ( 3 \right )$ 有6个生成器generators：

$G_{1} =\begin{pmatrix} 0 & 0 & 0 & 1\\ 0 & 0 & 0 & 0\\ 0 & 0 & 0 & 0\\ 0 & 0 & 0 & 0 \end{pmatrix}$ 、 $G_{2} =\begin{pmatrix} 0 & 0 & 0 & 0\\ 0 & 0 & 0 & 1\\ 0 & 0 & 0 & 0\\ 0 & 0 & 0 & 0 \end{pmatrix}$ 、 $G_{3} =\begin{pmatrix} 0 & 0 & 0 & 0\\ 0 & 0 & 0 & 0\\ 0 & 0 & 0 & 1\\ 0 & 0 & 0 & 0 \end{pmatrix}$ (115) 3个平移

$G_{4} =\begin{pmatrix} 0 & 0 & 0 & 0\\ 0 & 0 & 1 & 0\\ 0 & -1 & 0 & 0\\ 0 & 0 & 0 & 0 \end{pmatrix}$ 、 $G_{5} =\begin{pmatrix} 0 & 0 & -1 & 0\\ 0 & 0 & 0 & 0\\ 1 & 0 & 0 & 0\\ 0 & 0 & 0 & 0 \end{pmatrix}$ 、 $G_{6} =\begin{pmatrix} 0 & 1 & 0 & 0\\ -1 & 0 & 0 & 0\\ 0 & 0 & 0 & 0\\ 0 & 0 & 0 & 0 \end{pmatrix}$ (116) 3个旋转

映射 $alg:\mathbb{R}^{3}\rightarrow \mathfrak{se}\left(3 \right )$ :

$u,w \in \mathbb{R}^{3}$ (117)

$alg\begin{pmatrix} u\\ w \end{pmatrix}= \begin{pmatrix} w_{X} & u\\ 0 & 0 \end{pmatrix}$ (118)

9.3 指数映射（Exponential Map）

从李代数 $\mathfrak{se}\left ( 3 \right )$ 到群 $SE\left ( 3 \right )$ 是闭型:

$u,w \in \mathbb{R}^{3}$ (119)

$\theta \equiv \sqrt{w^{T}w}$ (120)

$exp\left ( alg \binom{u }{w}\right )=exp \begin{pmatrix} w_{x} & u\\ 0 & 0 \end{pmatrix}$ (121)

$=\mathbf{I}+\begin{pmatrix} w_{x} & u\\ 0 & 0 \end{pmatrix}+\frac{1}{2!}\begin{pmatrix} w_{X}^{2} & w_{X} u\\ 0 & 0 \end{pmatrix}+\frac{1}{3!}\begin{pmatrix} w_{X}^{2} & w_{X}^{2}u\\ 0 & 0 \end{pmatrix}+\cdots$ (122)

$=\begin{pmatrix} exp \left( w_{X} \right ) & V\cdot u\\ 0 & 1 \end{pmatrix}$ (123)

$V\equiv \mathbf{I} +\left(\frac{1-cos\theta}{\theta^{2}} \right )w_{X}+\left(\frac{\theta-sin\theta}{\theta^{3}} \right )w_{X}^{2}$ (124)

注意，旋转块是根据公式103计算的。当 $\theta$ 很小时， $V$ 的系数用泰勒级数计算(见第11节)。

$V$ 的逆也可以写成封闭形式:

$V^{-1}\equiv \mathbf{I} -\frac{1}{2}w_{X}+\frac{1}{\theta^{2}}\left ( 1- \frac{\theta sin\theta}{2\left(1-cos\theta \right )}\right )w_{X}^{2}$ (125)

$\begin{pmatrix} R & t\\ 0 & 1 \end{pmatrix}\in SE\left(3 \right )$ 的对数可以通过首先计算 $w=alg^{-1}\left(log \left(R \right ) \right )$ ,然后计算 $u=V^{-1}\cdot t$

9.4 伴随表示（Adjoint Representation）

$X = \begin{pmatrix} R & t\\ 0 & 1 \end{pmatrix} \in SE\left(3 \right )$ (126)

$Adj_{X} = \begin{pmatrix} R & t_{X}R\\ 0 & R \end{pmatrix} \in \mathbb{R}^ {6\times 6}$ (127)

10、 $Sim\left ( 3 \right )$

10.1、描述

$Sim\left (3 \right )$ 这是三维空间中的一组相似变换，半直积 $SE\left ( 3 \right ) \bowtie \mathbb{R}^{3}$ (符号不对，半直积符号打不出来，凑合着用)，它有7个自由度:三个用于平移，三个用于旋转，一个放缩。子组包含 $Sim\left ( 2 \right )$ 和 $SE\left ( 3 \right )$ 。

$R \in SO\left ( 3 \right )$ (128)

$t \in \mathbb{R}^{3}$ (129)平移

$s \in \mathbb{R}^{+}$ (130)

$X=\begin{pmatrix} R & t\\ 0 & s^{-1} \end{pmatrix} \in Sim\left(3 \right ) \subset\mathbb{R}^{4 \times 4}$ (131)

$X^{-1}=\begin{pmatrix} R^{T} & -sR^{T}t\\ 0 & s \end{pmatrix}$ (132)

9.2、李代数（Lie Algebra）

李代数 $\mathfrak{se}\left ( 3 \right )$ 有7个生成器generators：

$G_{7} =\begin{pmatrix} 0 & 0 & 0 & 0\\ 0 & 0 & 0 & 0\\ 0 & 0 & 0 & 0\\ 0 & 0 & 0 & -1 \end{pmatrix}$ (135)

10.3 指数映射（Exponential Map）

从李代数 $\mathfrak{sim}\left ( 3 \right )$ 到群 $Sim\left ( 3 \right )$ 是闭型:

$v=\begin{pmatrix} u\\ w\\ \lambda \end{pmatrix} \in \mathbb{R}^{7}$ (136)

$\theta \equiv \sqrt{w^{T}w}$ (137)

$A\equiv \frac{sin\theta}{\theta}$ (138)

$B\equiv \frac{1-cos\theta}{\theta^{2}}$ (139)

$C \equiv \frac{1-A}{\theta^{2}}$ (140)

$D \equiv \frac{\frac{1}{2}-B}{\theta^{2}}$ (141)

$s^{-1} \equiv e^{-\lambda}$ (142)

$\alpha \equiv \frac{\lambda^{2}}{\lambda^{2}+\theta^{2}}$ (143)

$\beta \equiv \frac{s^{-1}-1+\lambda}{\lambda^{2}}$ (144)

$\gamma \equiv \frac{\frac{1}{2}-\beta}{\lambda}$ (145)

$X\equiv \frac{1-s^{-1}}{\lambda}$ (146)

$Y\equiv \alpha \cdot \beta +\left(1-\alpha \right )\cdot \left(B-\lambda C \right )$ (147)

$Z\equiv \alpha \cdot \gamma +\left(1-\alpha \right )\cdot \left(C-\lambda D \right )$ (148)

$R\equiv \mathbf{I}+Aw_{X} +Bw_{X}^{2}$ (149)

$V\equiv X\mathbf{I}+Yw_{X} +Zw_{X}^{2}$ (150)

$exp\left ( alg\left ( v \right )\right )=exp \begin{pmatrix} w_{X} & u\\ 0 & -\lambda \end{pmatrix}=\begin{pmatrix} R & V \cdot u\\ 0 & s^{-1} \end{pmatrix}$ (151)

当 $\theta$ 或 $\lambda$ 很小时， $R$ 和 $V$ 的系数应用泰勒级数计算(见11节)。

注意，旋转块是根据公式103计算的。当 $\theta$ 很小时， $V$ 的系数用泰勒级数计算(见第11节)。

10.4 伴随表示（Adjoint Representation）

$X = \begin{pmatrix} R & t\\ 0 & s^{-1} \end{pmatrix} \in Sim\left(3 \right )$ (152)

$Adj_{X} = \begin{pmatrix} sR & st_{X}R & -st\\ 0 & R & 0\\ 0 & 0 & 1 \end{pmatrix} \in \mathbb{R}^ {7\times 7}$ (153)

11 泰勒级数

这是上述方程中系数的泰勒级数，当参数接近于零时:

$\frac{sin\theta}{\theta} = 1 - \frac{\theta^{2}}{6} + \frac{\theta^{4}}{120}-\frac{\theta^{6}}{5040}+O\left( \theta ^{8}\right)$ (154)

$\approx 1-\frac{\theta^{2}}{6}\left(1-\frac{\theta^{2}}{20} \left(1-\frac{\theta^{2}}{42} \right ) \right)$ (155)

$\frac{1-cos\theta}{\theta^{2}} = \frac{1}{2} - \frac{\theta^{2}}{24} + \frac{\theta^{4}}{720}-\frac{\theta^{6}}{40320}+O\left( \theta ^{8}\right)$ (156)

$\approx \frac{1}{2} \left(1 -\frac{\theta^{2}}{12}\left(1-\frac{\theta^{2}}{30} \left(1-\frac{\theta^{2}}{56} \right ) \right) \right )$ (157)

$\frac{1-sin\theta}{\theta^{3}} = \frac{1}{6} - \frac{\theta^{2}}{120} + \frac{\theta^{4}}{5040}-\frac{\theta^{6}}{362880}+O\left( \theta ^{8}\right)$ (158)

$\approx \frac{1}{6} \left(1 -\frac{\theta^{2}}{20}\left(1-\frac{\theta^{2}}{42} \left(1-\frac{\theta^{2}}{72} \right ) \right) \right )$ (159)

$\frac{\frac{1}{2}-\frac{1-cos\theta}{\theta^{2}}}{\theta^{3}} = \frac{1}{24} - \frac{\theta^{2}}{720} + \frac{\theta^{4}}{40320}-\frac{\theta^{6}}{3628800}+O\left( \theta ^{8}\right)$ (160)

$\approx \frac{1}{24} \left(1 -\frac{\theta^{2}}{30}\left(1-\frac{\theta^{2}}{56} \left(1-\frac{\theta^{2}}{90} \right ) \right) \right )$ (161)

$\frac{1}{\theta^{2}}\left(1-\frac{\theta sin\theta}{2\left(1-cos\theta \right )} \right)= \frac{1}{12} - \frac{\theta^{2}}{720} + \frac{\theta^{4}}{30240}-\frac{\theta^{6}}{1209600}+O\left( \theta ^{8}\right)$ (162)

$\approx \frac{1}{12} \left(1 +\frac{\theta^{2}}{60}\left(1+\frac{\theta^{2}}{42} \left(1+\frac{\theta^{2}}{40} \right ) \right) \right )$ (163)

$\frac{1-e^{-\lambda}}{\lambda} = 1-\frac{\lambda}{2}+\frac{\lambda^{2}}{6}-\frac{\lambda^{3}}{24}+O\left(\lambda^{4} \right)$ (164)

$\approx 1-\frac{\lambda}{2}\left(1 - \frac{\lambda}{3} \left(1-\frac{\lambda}{4} \right )\right)$ (165)

$\frac{e^{-\lambda}-1+\lambda}{\lambda^{2}} = \frac{1}{2}-\frac{\lambda}{6}+\frac{\lambda^{2}}{24}-\frac{\lambda^{3}}{120}+O\left(\lambda^{4} \right)$ (166)

$\approx\frac{1}{2} \left( 1-\frac{\lambda}{3}\left(1 - \frac{\lambda}{4} \left(1-\frac{\lambda}{5} \right )\right)\right )$ (167)

$\frac{\frac{1}{2}-\frac{e^{-\lambda}-1+\lambda}{\lambda^{2}} }{\lambda}= \frac{1}{6}-\frac{\lambda}{24}+\frac{\lambda^{2}}{120}-\frac{\lambda^{3}}{720}+O\left(\lambda^{4} \right)$ (168)

$\approx\frac{1}{6} \left( 1-\frac{\lambda}{4}\left(1 - \frac{\lambda}{5} \left(1-\frac{\lambda}{6} \right )\right)\right )$ (169)

shchojj

关注

0
点赞
踩
3

收藏

觉得还不错? 一键收藏
0
评论
计算机视觉的李代数

http://ethaneade.com/lie_groups.pdf《Lie Groups for Computer Vision》矩阵群（matrix groups）：李群G（Lie group）既是光滑可微流形（manifold），也是一个群（group）。本文档设计的李群都是实矩阵群，也就是每一个元素都是实数。群的乘法和反运算和矩阵的乘法和反运算类似。因为每个群都可以由一个nxn的非奇异指定子类表示，自由度一般都不到n^2.李代数(Lie Algebra)：假定李群G表示在，并且
复制链接

扫一扫