EPnP 算法 2

欢迎访问我的博客首页。

---

7. 附录

---

7.1 数学期望与协方差矩阵

---

  设 Z 是离散型随机变量 X, Y 的函数 Z = g(X, Y)（g 是连续函数），那么，Z 是一个一维随机变量。假设离散型随机变量 (X, Y) 的分布律为 P { X = x i , Y = y i } = p i j P\{X = x_i, Y = y_i\} = p_{ij} P{X=xi​,Y=yi​}=pij​，i，j = 1, 2, …。则有

$$E(Z)=E[g(X,Y)]=\sum _{j=1}^{\infty }\sum _{i=1}^{\infty }g(x_i,y_i)p_{ij}\text{\hspace{1em}(7.1.1)}$$

  设 n 维随机变量 $(X_1,X_2,\cdots ,X_n)$ 的二阶混合中心距 c i j = C o v ( X i , X j ) = E { [ X i − E ( X i ) ] [ X j − E ( X j ) ] } c_{ij} = Cov(X_i, X_j) = E\{[X_i - E(X_i)] [X_j - E(X_j)]\} cij​=Cov(Xi​,Xj​)=E{[Xi​−E(Xi​)][Xj​−E(Xj​)]}，i，j = 1，2，…，n 都存在，则矩阵

$$C=\left[\begin{array}{cccc}{c}_{11}& c_{12}& \cdots & c_{1n}\\ c_{21}& c_{22}& \cdots & c_{2n}\\ ⋮& ⋮& & ⋮\\ c_{n1}& c_{n2}& \cdots & c_{nn}\end{array}\right]\text{\hspace{1em}(7.1.2)}$$

为 n 维随机变量 $(X_1,X_2,\cdots ,X_n)$ 的协方差矩阵。由于 $c_{ij}=c_{ji}(i\ne j;i,j=1,2,...,n)$，所以这个矩阵是一个对称矩阵。

  一般，n 维随机变量的分布是不知道的，或者是太复杂，以致在数学上不易处理，因此在实际应用中协方差矩阵就显得重要了。

7.2 三维坐标的协方差矩阵

---

  有 n 个去质心的三维空间坐标 $(x_i,y_i,z_i)$，$i\in [1,n]$。我们可以把这 n 个三维坐标看成三维随机变量 $(X,Y,Z)$，其取值为

$$A=\left[\begin{array}{c}{\vec{x}}^T\\ {\vec{y}}^T\\ {\vec{z}}^T\end{array}\right]=\left[\begin{array}{cccc}{x}_1& x_2& \dots & x_n\\ y_1& y_2& \dots & y_n\\ z_1& z_2& \dots & z_n\end{array}\right]\text{\hspace{1em}(7.2.1)}$$

因为 X 取 $x_i$ 时 Y 取 $y_i$，Z 取 $z_i$，所以这三个随机变量不相互独立，任意两个随机变量也不相互独立。随机变量 X 与随机变量 Y 的协方差

C o v ( X , Y ) = E { [ X − E ( X ) ] [ Y − E ( Y ) ] } (7.2.2) Cov(X, Y) = E\{[X - E(X)] [Y - E(Y)]\} \tag{7.2.2} Cov(X,Y)=E{[X−E(X)][Y−E(Y)]}(7.2.2)

因为去质心坐标的均值为 0，所以 E(X) = E(Y) = 0。于是公式 (7.2.2) 可以写成

$$Cov(X,Y)=E(XY)\text{\hspace{1em}(7.2.3)}$$

  根据公式 (7.1.1)，公式 (7.2.3) 可以写成

$$Cov(X,Y)=\sum _{i=1}^n{x}_i{y}_i\frac{1}{n}=\frac{1}{n}{\vec{x}}^T\cdot \vec{y}\text{\hspace{1em}(7.2.4)}$$

这是因为 X 和 Y 不相互独立：X 取 $x_i$ 时 Y 取 $y_i$，且 X 在 n 个值 $x_1,x_2,\dots ,x_n$ 的取值概率相等。同理，$Cov(X,Z)=\frac{1}{n}{\vec{x}}^T\cdot \vec{z}$，$Cov(Y,Z)=\frac{1}{n}{\vec{y}}^T\cdot \vec{z}$。

  根据公式 (7.1.2) 和公式 (7.2.4)，三维随机变量 $(X,Y,Z)$ 的协方差矩阵是

$$C=\frac{1}{n}A{A}^T\text{\hspace{1em}(7.2.5)}$$

7.3 齐次质心坐标的性质

---

  1. 已知 ${\mathbf{p}}^w={\sum }_{i=1}^4({\alpha }_i{\mathbf{c}}_i^w)$，证明 ${\mathbf{p}}^c={\sum }_{i=1}^4({\alpha }_i{\mathbf{c}}_i^c)$。

  证明：假设世界坐标系到相机坐标系的变换是 $(R,\vec{t})$，于是 ${\sum }_{i=1}^4({\alpha }_i{\mathbf{c}}_i^c)={\sum }_{i=1}^4[{\alpha }_i(R{\mathbf{c}}_i^w+\vec{t})]=R{\sum }_{i=1}^4({\alpha }_i{c}_i^w)+\vec{t}{\sum }_{i=1}^4{\alpha }_i=R{\mathbf{p}}^w+\vec{t}={\mathbf{p}}^c$。

  2. 已知 ${\bar{\mathbf{p}}}^c={\sum }_{i=1}^4({\alpha }_i{\bar{\mathbf{c}}}_i^c)$，证明 ${\mathbf{p}}^c={\sum }_{i=1}^4({\alpha }_i{\mathbf{c}}_i^c)$。

  证明：假设质心坐标是 $\mathbf{G}$。因为 ${\mathbf{p}}^c-\mathbf{G}={\sum }_{i=1}^4[{\alpha }_i({\mathbf{c}}_i^c-\mathbf{G})]={\sum }_{i=1}^4({\alpha }_i{\mathbf{c}}_i^c)-\mathbf{G}{\sum }_{i=1}^4{\alpha }_i={\sum }_{i=1}^4({\alpha }_i{\mathbf{c}}_i^c)-\mathbf{G}$，所以 ${\mathbf{p}}^c={\sum }_{i=1}^4({\alpha }_i{\mathbf{c}}_i^c)$。

7.4 透视投影与正交投影

---

  物体在点光源下的投影称为透视投影；物体在平行光线下的投影称为正交投影，如物体在阳光的投影。焦距越大，相机的投影越接近正交投影。

7.5 范数

---

  假设 $\mathbf{x}=[x_1,x_2,\cdots ,x_n{]}^T$，则 $\mathbf{x}$ 的 p 范数

$$||\mathbf{x}|{|}_p=(|x_1{|}^p+|x_2{|}^p+\cdots +|x_n{|}^p{)}^{\frac{1}{p}}$$

注意，上标表示指数，下标表示范数。当 p = 2 时，二范数 $||\mathbf{x}|{|}_2$ 通常简写为 $||\mathbf{x}||$。假设 $\mathbf{v}=[x,y,z{]}^T$，则它具备一下性质

$$\{\begin{array}{rl}||\mathbf{v}||& =(x^2+y^2+z^2{)}^{\frac{1}{2}}\\ ||\mathbf{v}|{|}^2& ={\mathbf{v}}^T\mathbf{v}=x^2+y^2+z^2\\ ||a\mathbf{v}|{|}^2& =a^2(x^2+y^2+z^2)\\ ||{\mathbf{v}}_1+{\mathbf{v}}_2|{|}^2& =||{\mathbf{v}}_1|{|}^2+||{\mathbf{v}}_2|{|}^2+2{{\mathbf{v}}_1}^T{\mathbf{v}}_2\\ ||a_1{\mathbf{v}}_1+a_2{\mathbf{v}}_2|{|}^2& =a_1^2{{\mathbf{v}}_1}^T{\mathbf{v}}_1+2a_1{a}_2{{\mathbf{v}}_1}^T{\mathbf{v}}_2+a_2^2{{\mathbf{v}}_2}^T{\mathbf{v}}_2\end{array}$$

8. 参考文献

---

1. EPnP 论文，洛桑联邦理工学院。
2. EPnP，知乎专栏。
3. EPnP，知乎专栏。
4. PCA，CSDN。
5. 豪斯霍尔德变换法的 QR 分解，CSDN。