多视图几何(4)_算法评价和误差分析

算法评价和误差分析

性能的上下界

单图像误差

$${\epsilon }_{res}=(\frac{1}{2n}\sum _{i=1}^{n}d(x_i^{\prime },{\hat{x}}_i^{\prime }{)}^2{)}^{1/2}$$

双图像误差

$${\epsilon }_{res}=\frac{1}{\sqrt{4n}}(\sum _{i=1}^{n}d(x_i,{\hat{x}}_i{)}^2+\sum _{i=1}^{n}d(x_i,{\hat{x}}_i^{\prime }{)}^2{)}^{1/2}$$

最优估计算法MLE

几何误差的最小化等于MLE，因此任何实现几何误差最小化的算法的目标应该是达到MLE给出的理论界。最小化不同代价函数的其它算法可以根据它与MLE所给出的界的接近程度做性能判断。

一般的估计问题关系到一个由$I{R}^M$到$I{R}^N$的函数$f$，其中$I{R}^M$是参数空间，$I{R}^N$是测量空间。现在考虑一个点$\overline{X}\in I{R}^N$，且存在一个参数向量$\overline{P}\in I{R}^M$使得$f(\overline{P})=\overline{X}$。

令$X$是根据各向同性高斯分布选取的测量向量，其均值为测量真值$\overline{X}$而方差为$N{\sigma }^2$（表示$N$个分量都有方差${\sigma }^2$）。当参数向量$P$的值在$\overline{P}$的领域变换时，函数$f(P)$的值形成$I{R}^N$中过点$\overline{X}$的曲面$S_M$。

给定测量向量$X$，最大似然估计$\hat{X}$是$S_M$上的最接近$X$的点。ML估计算法就是返回该曲面上离$X$最近的点的算法。假定在$\overline{X}$的领域曲面基本上是平面，即切平面可作为他的一个很好的近似，估计$\hat{X}$是到$X$切平面上的垂足。残差是点$X$到估计值$\hat{X}$的距离，$\hat{X}$到$\overline{X}$的距离是最佳估计值到真值的距离。

• $I{R}^N$上总方差为$N{\sigma }^2$的各向同性高斯分布向一个$s$维子空间的投影是总方差为$s{\sigma }^2$的各向同性高斯分布
• 考虑一个估计问题，其中$N$个测量由依赖于$d$个本质参数集的函数模型化。假定每个测量变量有标准差${\sigma }^2$的独立高斯噪声

  • $ML$估计算法的$RMS$残差（测量值到估计值的距离）是
    $${\epsilon }_{res}=E[\parallel \hat{X}-X{\parallel }^2/N{]}^{1/2}=\sigma (1-d/N{)}^{1/2}$$

  • ML估计算法的$RMS$估计误差（估计值到真值的距离）是
    $${\epsilon }_{est}=E[\parallel \hat{X}-X{\parallel }^2/N{]}^{1/2}=\sigma (d/N{)}^{1/2}$$

确定一个算法的正确收敛性

根据MLE的模型，有
$$\parallel X-\overline{X}{\parallel }^2=\parallel X-\hat{X}{\parallel }^2+\parallel \overline{X}-\hat{X}{\parallel }^2$$
在评估采用合成数据的一个算法时，此等式给出一个简单的测试，查看该算法是否已收敛到最优值。如果$\hat{X}$停滞到局部最优解，等式右边大于左边。

估计变换的协方差

比起残差或估计误差，变换本身的准确度如何更值得关心，这是由协方差表示的

协方差的前向传播

• 仿射
  令$v$是$I{R}^M$中的一个具有均值$\overline{v}$和协方差矩阵$\Sigma$的随机向量，假定$f:I{R}^M\to I{R}^N$是一个仿射映射：定义为$f(v)=f(\overline{v})+A(v-\overline{v})$。那么$f(v)$是一个具有均值$f(\overline{v})$和协方差矩阵$A\Sigma A^T$的随机变量。
• 非线性
  令$v$是$I{R}^M$中一个具有均值$\overline{v}$和协方差矩阵$\Sigma$的随机向量，令$f:I{R}^M\to I{R}^N$在$\overline{v}$的领域可微。那么在精确到一阶近似的程度下，$f(v)$是一个具有均值$f(\overline{v})$和协方差矩阵$J\Sigma J^T$的随机变量，其中$J$是$f$的雅克比矩阵在$\overline{v}$的值

协方差的反向传播

• 仿射情形
  令$f:I{R}^M\to I{R}^N$是形为$f(P)=f(\overline{P})+J(P-\overline{P})$的仿射映射，其中$J$的秩等于$M$。令$X$是$I{R}^N$中一个具有均值$\overline{X}=f(\overline{P})$和协方差矩阵$\Sigma$的随机变量。令$f^{-1}\circ \eta :I{R}^N\to I{R}^M$是一个映射，它把测量向量$X$映射到对应于$ML$估计$\hat{X}$的参数集合。那么$\hat{P}=f^{-1}\circ \eta (X)$是一个具有均值$\overline{P}$和协方差矩阵$(J^T{\Sigma }_X^{-1}J{)}^{-1}$的随机变量
• 非线性情形
  令$f:I{R}^M\to I{R}^N$是一个可微映射，而$J$是它在点$\overline{P}$处的雅克比矩阵。假定$J$的秩为$M$。则$f$在$\overline{P}$的领域是一一对应的。令$X$是$I{R}^N$中一个具有均值$\overline{X}=f(\overline{P})$和协方差矩阵${\Sigma }_X$的随机变量。令映射$f^{-1}\circ \eta :I{R}^N\to I{R}^M$是一个映射，把测量向量$X$映射到对应于$ML$估计$\hat{X}$的参数集合。那么在一阶精度下，$\hat{P}=f^{-1}\circ \eta (X)$是一个具有均值$\overline{P}$和协方差矩阵$(J^T{\Sigma }_{X}J{)}^{-1}$的随机变量

超参数化

把协方差反向传播推广到冗余数据集超参数化的情形

• 令$f:I{R}^M\to I{R}^N$是一个可微映射，它将一组参数$\overline{P}$映射到测量向量$X$。令$S_P$是嵌入$I{R}^M$中的过点$\overline{P}$的$d$维光滑流形并使得映射$f$在流形$S_P$上$\overline{P}$的一个领域内是一一对应的，$f$把$\overline{P}$局域地映射到$I{R}^N$上的流形$f(S_P)$。函数$f$有一个局部逆函数，记为$f^{-1}$，它限制在曲面$f(S_P)$上的一个领域内。定义$I{R}^N$上的一个具有均值$\overline{X}$和协方差${\Sigma }_X$的高斯分布，并令$\eta :I{R}^N\to f(S_P)$把$I{R}^N$上的点映射到$f(S_P)$上并在$Mahalanobis$范数$\parallel \cdot {\parallel }_{{\Sigma }_X}$意义下最近的点。$I{R}^N$上具有协方差矩阵${\Sigma }_X$的概率分布通过$f^{-1}\circ \eta$诱导$I{R}^M$上的概率分布，它在一阶精度下的协方差矩阵是
  $${\Sigma }_P=(J^T{\Sigma }_X^{-1}J{)}^{+A}=A(A^T{J}^T{\Sigma }_X^{-1}JA{)}^{-1}{A}^T$$
  其中，$A$的列向量生成$S_P$的过点$\overline{P}$的且空间

• 令可微映射$f:I{R}^M\to I{R}^N$把$\overline{P}$映射到$\overline{X}$，并令$J$为$f$的雅克比矩阵。设$I{R}^N$上一个具有协方差矩阵${\Sigma }_X$的高斯分布定义在$\overline{X}$，令$f^{-1}\circ \eta :I{R}^M\to I{R}^N$是把一个测量$X$映射到约束在局部正交于$J$的零空间的曲面$S_P$上的MLE参数向量$P$的映射，那么$f^{-1}\circ \eta$诱导在$I{R}^M$上的一个分布，他的协方差矩阵在一阶精度下等于
  $${\Sigma }_P=(J^T{\Sigma }_X^{-1}J{)}^{+}$$