ransac算法
随机采样一致性:
1.建立初始化模型。确定未知的参数。以单应矩阵为例。
单应矩阵是一个旋转位移矩阵,二维上的某点到某点的矩阵。
2.确定矩阵参数。要确定单应矩阵,要求解八个未知参数(因为归一化后,必有一个系数为1,所以又八个,而不是九个),共需要八个线性方程,对于图像而言,就是需要四个点对。
3.验证模型。再次随机采样,若有足够多的样能被纳入该模型,证明该模型是正确的。否则,就要抛弃该模型,从步骤2重新开始直至通过验证。
随机采样一致性的算法一般与sift结合使用,通常认为该算法迭代次数会十分多,耗时长,而且会陷入局部最优解。
2D SLAM算法
ICP算法:
迭代最近点(Iterative Closest Points, ICP)算法包括两部分:对应点搜索和位姿求解。它的目的是寻求点集之间的匹配关系,求解的结果是两点集之间的平移及旋转量。假设M、P是两个点集,P为待配准点集,M为基准数据点集(可以理解为两个不同坐标系中的点集),其基本原理如下:
1、搜索最近点:取P中一点p(i),在M中找出距离p(i)最近的m(i),则(pi,mi)就构成了一组对应点对集,但是p(i)与m(i)之间存在着某种旋转和平移关系(R,T),这也就是我们要求的。
2、求解变换关系(R,T):n对点(pi,mi)对于n个方程组,那么就一定能运用数学方法求解得出(R,T),但是为了求解更加精确的变换关系,采用了迭代算法。
3、应用变换:对点集P中的每一个点pi运用变换关系得到点集P2,定义函数E,
根据精度要求,定义终止迭代的条件,即E小于一个具体值时终止迭代。(可以把E理解为经过变换后的P2中每个点与M点集中对应点的距离和)。
4、重复迭代:如果某次迭代满足要求,则终止迭代,输出最优(R,T),否则继续迭代,但是要注意一点:在每一次迭代开始时都要重新寻找对应点集。也就是说要把结果变换的Pn带入函数E中继续迭代。
与randsac算法相似。
原文链接:https://blog.csdn.net/qq_26849233/article/details/49050575
奇异值分解
几何意义:
https://blog.csdn.net/W_AYF0726/article/details/80953415