1.Introduction
-
点云表示
Nx3的矩阵,或者Nx(3+D)的矩阵,D:点的额外特征
-
点云获取设备
- lidar
- RGB-D
- CAD Models
- Depth from Images
-
点云的应用领域
- 机器人,自动驾驶
- 定位:SLAM,闭环检测,点云匹配
- 感知:目标检测,分类
- 三维重建
- 消费设备
- 人脸识别(Face Id)
- 手势识别
- 体态识别
- 机器人,自动驾驶
-
3D信息的其他表示形式
- Mesh 普遍应用在游戏领域,机器人领域不常用
- Voxel Grid
- Octree
-
点云表示的优点
- 数学上表示简单
- 含有3D信息
-
点云表示的缺点
- 稀疏 从激光雷达采集的点云,远处的点很稀疏,近处的点很密集
- 没有规律 无法像图像那样简单的最近邻搜索
- 没有纹理信息
- 无序 很难使用深度学习
- 旋转不变
2.Principle Component Analysis(PCA)
三维PCA | 二维PCA |
---|---|
-
使用PCA找到点云的主方向
-
PCA的应用
- 降维
- 曲面法向量估计
- 关键点检测
- 特征提取
-
一些概念
-
向量点乘,就是一个向量投影到另一个向量上的长度
-
矩阵向量相乘, 线性加和
-
矩阵的SVD分解
M = U ∗ Σ ∗ V ∗ M=U*\Sigma*V^* M=U∗Σ∗V∗,其中, U , V ∗ U,V^* U,V∗是正交矩阵(旋转矩阵), Σ \Sigma Σ是对角阵,元素是 M M M的特征值的平方根,按照从大到小的顺序排列;
如下图所示,一个圆 经过一个 M M M处理,就是,先经过一个 V ∗ V^* V∗,做一个旋转,经过一个 Σ \Sigma Σ,各个维度上的一个缩放,圆变成了椭圆,最后经过一个 U U U,旋转一下,得到最后的结果
-
-
谱定理Spectral Theorem
对阵矩阵A的分解
-
瑞丽商Rayleigh Quotients
根据SVD的那个解释图,瑞丽商表示对称矩阵A可以把x缩放多少倍,最大特征值倍到最小特征值倍 -
PCA
证明过程也可以看机器学习课程笔记(notes/pdf_notes)
-
Input: x i ∈ R n , i = 1 , 2 , 3 , . . . , m x_i\in R^n,i=1,2,3,...,m xi∈Rn,i=1,2,3,...,m
-
output: 主成分向量 z 1 , z 2 , . . . , z k ∈ R n , k < = n z_1,z_2,...,z_k\in R^n,k<=n z1,z2,...,zk∈Rn,k<=n
-
Q:哪些是最主要的成分?
A:把数据投影到这个方向上,方差最大的就是最主要的成分
-
Q:怎样获取第二、第三重要的成分?
A:将第一主成分去掉,再找一次主成分,得到第二主成分,以此类推
-
下面会有详细解释
-
-
Principle Component Analysis - Proof
-
将数据做归一化处理,因为只关心数据的方向,和中心点无关
-
PCA就是找到一个方向 z ∈ R n , ∣ ∣ z ∣ ∣ 2 = 1 z\in R^n,||z||_2=1 z∈Rn,∣∣z∣∣2=1,投影之后方差最大, 所以先投影,得到 α i \alpha_i αi(标量)
-
投影之后计算方差(归一化后,均值为0),写成矩阵形式
-
最大化这个方差
-
调用瑞丽商公式
-
调用谱定理
-
应用到PCA
-
-
PCA - Summary
- 给定数据 x i ∈ R n , i = 1 , 2 , 3 , . . . , m x_i\in R^n,i=1,2,3,...,m xi∈Rn,i=1,2,3,...,m,PCA的流程
- 归一化
- 计算协方差矩阵然后对其进行SVD分解
- 主方向是 U r U_r Ur的列向量,前n列,就是前n个主方向(Eigenvector of 𝑋 = Eigenvector of 𝐻)
-
PCA实际上是一个换基底的过程
-
PCA - 降维
给定数据 x i ∈ R n , i = 1 , 2 , 3 , . . . , m x_i\in R^n,i=1,2,3,...,m xi∈Rn,i=1,2,3,...,m,使用PCA提取出来 l l l个主成分 z 1 , z 2 , . . . , z l , z j ∈ R n {z_1,z_2,...,z_l},z_j\in R^n z1,z2,...,zl,zj∈R