20.校准相机——SVD技巧第1部分，SVD技巧第2部分，SVD技巧第3部分_2

最新推荐文章于 2023-09-04 16:42:16 发布

Tom Boom

最新推荐文章于 2023-09-04 16:42:16 发布

阅读量651

点赞数 1

分类专栏：机器视觉技术文章标签：机器视觉

机器视觉技术专栏收录该内容

80 篇文章 90 订阅

订阅专栏

SVD技巧第1部分

SVD技巧第2部分

SVD技巧第3部分

SVD技巧第1部分

all right。我们来看一下解。这里我假设只有两点，点1和点n中间有很多点。okay。我得到矩阵A乘以m等于0（如图1）。矩阵A有多大? Well，它有12个列（如图2）。right? 因为有12 ms（如图3），

1 2 3

它有多少行? 它有2乘以n, n是点的个数。所以它是一个2n×12的矩阵（如图）。M就是M×1的向量，这是长度为2n的0向量。okay? 现在我们来解这个。一步一步来。all right。

这就是我们的目标，right? 我们说过，我们想要一个最小化Am的单位向量。使Am最小的m的单位向量。我们来做奇异值分解（如图）我假设你们之前见过，至少在某些地方见过。但是这个想法是任何矩阵都可以分解成这种UDV转置格式，其中V是真正的正交矩阵。所以在我们的例子中，它可能是一个12×12矩阵。U是一个更大的矩阵。它说，正交，但我应该，可以更精确。每一列都是正交的，在这个例子中是2n×12。最重要的是，D是一个对角矩阵。所以它只有对角线上的值按照绝对值递减的顺序来写。从最大的D到最小的，all right? 所以我们要写A等于UDV转置。

所以最小化Am等于最小化UDV转置m，明白了吗? 到目前为止，除了使用Matlab中的奇异值分解代码之外，没有其他重要的事情。这是第一个有点棘手的部分，即UDV转置m的模等于DV转置m的模（如图1）。为什么? 这U只是单位向量。right? U和V也是由正交的单位向量组成的。所以它们相乘不会改变矩阵的大小，这就是为什么这些大小是相同的。这也是为什么m的模等于转置m的模（如图3）。

1 2

对于那些思考这些的人，V在这个特殊的例子中是正交的。在这种情况下，12×12矩阵。你可以把它想象成一个旋转矩阵。所以当你旋转一个向量时，你不会改变它的大小。所以m的模等于V转置m的模。这就意味着，我们不需要最小化UDV的转置m，我们只要最小化DV的转置m，而不是受制于m等于1，受制于V的转置m等于1。明白了吗?

SVD技巧第2部分

现在你可能会问，为什么要做这个变换? 这是为什么。我们来做一些很酷的替换。所以我们在最小化DV转置m，我们把y = v转置m代入。现在我们求Dy的最小值。根据y = 1的大小。right? 因为等于y。它的大小是1。okay。

所以y是一个单位向量。为什么? 为什么不呢? 不，没关系。因为它是。all right? 但是想想。all right? 在这里。记住，D是一个对角矩阵，它的元素是递减的。的最小值是多少? 什么时候是最小值? 当 y 把它所有的权值都放进去时，它就是最小值，记住y是单位向量，就在最后一个元素里，all right? 所以在D是递减阶对角线矩阵的前提下，求Dy最小值的最佳y就是0 0 0 0 1，okay。这是使Dy最小化的 y 。既然我们定义，那么。为什么?

记得我说过V是正交的。right。所以当V正交时，它的转置就是它的逆。所以如果，它的逆就是V，所以。现在我们已经用 y 表示出了 m，但是 V 和 y，但是记住。Y 等于0,0,0...一直到0,1 。这就意味着这个方程只是把V中的最后一列提出来。All right，因为如果我取一个矩阵，我把它乘以一个向量它从0到1。这个1乘以最后一列。我把最后一列提出来。

SVD技巧第3部分

So，是最后一列。这里的东西，只是因为我们之前所说的A，这些奇异值，即d，Well，A的奇异值的平方根是和 V的列是A的转置矩阵的特征向量。所以，我可以给你们看这个，它实际上很漂亮，我想说，但是如果我把它写出来，因为A是我们知道的写成UDV转置。okay。A转置A，就是这个转置，就是VD转置U转置。Well，okay，U是一个正交向量（如图），所以U的转置也是U的逆，所以这是一个恒等式，okay，这就消去了。D转置D，Well，D是一个对角矩阵，所以D转置D就是，我把它叫做D平方，它就是平方的值，okay? V转置V，我只是写A转置A等于VD方V转置，这就是特征分解（eigen-decomposition）的方程，V是，A转置A的特征向量。通过拉出最后一个，我拉出特征向量A转置A的最小值。