前言
【PCL】ICP 源码分析(含链接),需要进一步分析 ICP 源码 RT 实现关键步骤,掌握 SVD 方法,故写下此文。文章精炼,但内容丰富,其过程曲折,总结见下述,参考书目强烈推荐,为博主个人整理,供参考。
补充:奇异值分解(SVD),定义与基本概念、奇异值分解、性质、应用(矩阵近似,数据压缩与噪声去除)。
参考书目
SVD 推导(V 构造、Σ 奇异值、U 构造及其证明,拓展应用)
归纳,含基础理论、几何解释、应用介绍三大部分。需要提前储备线性代数及泛函分析的知识点,整理如下:
特征值,特征向量,基础解系,向量标准化,单位向量,转置矩阵,逆矩阵,正交矩阵,对角矩阵,对称矩阵,实矩阵,向量范数,内积应用,矩阵乘法转置,秩,线性空间,向量维度,正交补,矩阵零空间,行列式,线性变换,齐次线性方程非零解与秩,矩阵范数,向量外积,迹,Schwarz 不等式,矩阵对角化,正定矩阵
总结,奇异值分解和特征值问题紧密联系,对于矩阵 A(m*n),存在 U(m*m),Σ(m*n)(由对角阵与增广行或列组成),V(n*n),满足 A = UΣV'。其中,AA' 特征向量组成 U,特征值组成为 Σ'Σ;A'A 特征向量组成 V,特征值组成为 ΣΣ'(与 AA' 相同,书中推导奇异值矩阵以 A'A 为出发点)。
ICP 历史文献(SVD 方法)
强烈推荐!!R 最优证明,用到 Schwarz 不等式,其中引理推导假设有错误,是对称而非正定,再 SVD 分解,定义最优 R,得证,无需再旋转,完整!!有错误,但还是写得太好,包括假设 R 不符合假设,进一步分情况讨论并处理。
ICP(SVD 为代表的代数方法简单推导,含实现)
高翔《视觉 SLAM 十四讲》从理论到实践,第 7.9、7.10 小节,ICP 与求解 ICP
思路清晰,较通俗,提取了解法,细节上处理不同,省略步骤较多,无详细证明,刚接触的话不好理解。力荐上面的 ICP 历史文献。
小结
对文章内容有不解,请随时留言。