使用SVD计算用于配准两个点集的旋转变换的最小二乘解

最新推荐文章于 2024-07-09 19:30:00 发布

置顶键盘侠阿祖

最新推荐文章于 2024-07-09 19:30:00 发布

阅读量2.9k

点赞数 1

分类专栏：数学三维视觉

数学同时被 2 个专栏收录

2 篇文章 0 订阅

订阅专栏

三维视觉

1 篇文章 0 订阅

订阅专栏

本文介绍了如何利用奇异值分解（SVD）求解两个点集之间的旋转变换，以实现点集的配准。通过优化二范数误差，忽略与旋转无关的项，简化成寻找对称正定矩阵的最大特征值问题。通过SVD分解，找到最优解，从而完成点集的刚体变换。

摘要由CSDN通过智能技术生成

翻译自《A Sampler of Useful Computational Tools for Applied Geometry, Computer Graphics and Image Processing》。

两个点集，记作 $P=\{p_1, p_2, ..., p_n\}$ 和 $Q=\{q_1, q_2, ..., q_n\}$ ，其中 p_i 和 q_i 为对应的匹配点。求解两个点集之间配准（点集通过一个刚性变换后与点集对齐）所需要的刚体变换（这里假设点集中心已对齐即只考虑旋转变换）的问题，可以公式化为一个优化问题，目标函数为

$\sum_{i=1}^{n} \left \| p_i - R q_i \right \|^{2}$ 。

优化目标是最小化这个二范数误差，优化变量为。如果令

$H = \sum_{i=1}^n q_ip_i^\top$ ，

对做SVD得到 $H=U \Sigma V^\top$ ，那么目标函数的最优解即配准两个点集的正交变换矩阵为 $R=VU^\top$ 。下面我们解释其原理。

表示旋转矩阵，有正交性质，所以 $R^\top R = I$ ，因此

$\begin{align} \nonumber \sum_{i=1}^{n} \left \| p_i - R q_i \right \|^{2} &= \sum_{i=1}^n(p_i-R q_i)^\top (p_i-R q_i)) \\ \nonumber &= \sum_{i=1}^n p_i^\top p_i - p_i^\top R q_i - q_i^\top R^\top p_i + q_i^\top R^\top R q_i \\ \nonumber &=\sum_{i=1}^n p_i^\top p_i - p_i^\top R q_i - q_i^\top R^\top p_i + q_i^\top q_i \end{align}$ 。

第一项和最后一项与无关，所以优化可以忽略这两项，那么最小化优化目标可以简化为

$\min_R \sum_{i=1}^n ( - p_i^\top R q_i - q_i^\top R^\top p_i ) =\max_R \sum_{i=1}^n ( p_i^\top R q_i + q_i^\top R^\top p_i )$ 。

由于第二项是标量，所以

$p_i^\top R q_i = (p_i^\top R q_i)^\top = q_i^\top R^\top p_i$ 。

这意味着

$\arg \max_R \sum_{i=1}^n ( p_i^\top R q_i + q_i^\top R^\top p_i ) = \arg \max_R \sum_{i=1}^n ( 2p_i^\top R q_i ) =\arg \max_R \sum_{i=1}^n ( p_i^\top R q_i )$ 。