雷达系列论文翻译（一）：Least-Squares Fitting of Two 3-D Point Sets

Least-Squares Fitting of Two 3-D Point Sets

这是一篇非常老的论文，最关键的点其实是作者关于闭式解退化情况的描述

摘要

两个点集 { p i } \{p_i\} { pi​}和 { p i ′ } \{p_i^{'}\} { pi′​};$i=1,2,...,N$由$p_i^{{}^{\prime }}=R{p}_i+T+N_i$所关联，这里$R$是旋转矩阵，$T$是平移向量，$N_i$是噪声向量。给定 { p i } \{p_i\} { pi​}和 { p i ′ } \{p_i^{'}\} { pi′​}，我们提出了一种算法来找到$R$和$T$的最小二乘解，这个方法基于$3\times 3$矩阵的奇异值分解(SVD)。在计算时间方面，将此算法与两种较早提出的算法进行了比较。

引言

在许多计算机视觉的应用，尤其是使用3-D点对的对应关系[1]来估计刚体的运动参数以及刚体相对于参考坐标系的位姿[2]中，我们遇到了下面的数学问题。我们给定两个3-D点集 { p i } \{p_i\} { pi​}和 { p i ′ } \{p_i^{'}\} { pi′​};$i=1,2,...,N$(这里$p_i$和$p_i^{{}^{\prime }}$是视为$3\times 1$的列矩阵)
$$p_i^{{}^{\prime }}=R{p}_i+T+N_i\text{\hspace{1em}(1)}$$
这里$R$是$3\times 3$的旋转矩阵，$T$是平移向量($3\times 1$的列矩阵)，$N_i$是噪声向量(我们假设旋转是沿着一个通过原点的旋转轴进行的)。我们想要找到一个$R$和$T$来最小化
$${\Sigma }^2=\sum _{i=1}^N||p_i-(R{p}_i+T)|{|}^2\text{\hspace{1em}(2)}$$
Huang,Blostein和Margerum[3]提出了一种用于寻找解的迭代算法，Faugeras和Hebert提出了一种基于四元数的非迭代算法。在本文中，我们提出了一种新的非迭代算法，该算法涉及到$3\times 3$矩阵的奇异值分解(SVD)。我们比较了三种算法的计算时间。

解耦平移和旋转

根据[3]中所述，如果公式(1)的最小二乘解为$\hat{R}$和$\hat{T}$，则 { p i ′ } \{p_i^{'}\} { pi′​}和 { p i ′ ′ ≡ R ^ p i + T ^ } \{p_i^{''} \equiv \hat{R}p_i +\hat{T}\} { pi′′​≡R^pi​+T^}有着相同的质心，也就是说
$$p^{{}^{\prime }}=p^{{}^{\prime \prime }}.\text{\hspace{1em}(3)}$$
这里
$$p^{{}^{\prime }}=\frac{1}{N}\sum _{i=1}^N{p}_i^{{}^{\prime }}.\text{\hspace{1em}(4)}$$
$$p^{{}^{\prime \prime }}=\frac{1}{N}\sum _{i=1}^{N}p$$