基础知识整理记录

1.SVD分解

1.1推导

https://zhuanlan.zhihu.com/p/43578482

1.2 计算

注意：奇异向量是按照奇异值从大到小排列的

 

2.PCA

PCA算法有两种实现方法：基于特征值分解协方差矩阵实现PCA算法、基于SVD分解协方差矩阵实现PCA算法

 

2.pnp

通过一组3d和2d点的匹配关系，估计出相对的变换过程。

PNP的求解有DLT(直接线性变换)、P3P、EPNP和BA优化等方式。

1.1 DLT

增广矩阵[R|t]具有12个未知数，每个特征点对可以提供2个线性约束。

所以最少可以通过6对匹配点来进行线性求解。当≥6对时，构成了超定方程组，此时可以用SVD等方法来求最小二乘解

需要注意的是，这里12个未知数忽略了其中的联系，可能不满足R∈SO(3)，所以可以通过QR分解将结果投影到SO(3)流型上。

 

1.2 P3P

主要是利用的三角形的相似性来进行求解。将3个2D点转化为相机坐标系下的3D点，然后利用3D-3D的关系求解出最后的位姿。

缺点：只利用3个点，其它点对难以利用；如果误匹配则直接GG，对噪声敏感

 

1.3 EPnP

与其他方法相比，EPnP方法的复杂度为O(n)。对于点对数量较多的PnP问题，非常高效，也是ORB-SLAM2中使用的方法。

EPnP引入了控制点，任何一个3D点都可以表示为四个控制点的线性组合。

    问题1：为什么要4个控制点呢？

    加入3个控制点可以满足要求，那么有下面4个方程：

    

   也就是说，c1,c2,c3,aij 分别对应了4个方程，但是未知数是只有3个，超定方程组，只能求出个最小二乘的解

 

2.BA优化

BA(bundle adjustment)指的是同时调整相机姿态和特征点位置，以便从每个特征点反射出的光线(bundles of light rays)，通过调整(adjustment)最后都能通过相机光心。故也有人翻译为光束平差法。BA通常构建为一个最小二乘问题，通过使重投影误差最小化来同时调整相机的位姿和特征点的坐标。

求解最小二乘问题有很多种方式(我相信大家都知道！不知道的请翻十四讲p109),如一阶和二阶梯度下降法，G-N法，L-M法,狗腿(DogLeg)法等

3.单应性矩阵，本征矩阵，基础矩阵

单应性矩阵：表示一个平面到另一个平面的投影映射。x'=Hx

本征矩阵(Essential Matrix)：可以理解为归一化相机坐标系下的基本矩阵，不包含相机本身的信息。

基本矩阵(Fundemental matrix)：描述的是对极几何中两张图像之间匹配特征点的空间位置变化关系 x'Fx=0

单应性矩阵具有平面假设，