特征值和特征向量应用于躯干倾角的提取

近期读文献发现一种计算点云倾角的方法，大致为：
1、计算目标所关联到的点云群组的质心；
2、计算协方差矩阵；
3、对协方差矩阵计算特征值和特征向量；
4、最大特征值对应的特征向量方向为躯干的延长方向。

其中，每个点云表示为：

质心计算公式为：

协方差计算如下：

协方差计算得到一个三维矩阵。

至此，协方差计算环节已无障碍，有关特征值和其对应的特征向量计算方法，基本都有成熟模块。

通过最大特征值对应的特征向量，计算指定夹角，（笔者关注的是躯干和天花板所成夹角）
计算方式为：

至此， 全路打通。

但是，有个困惑一直存在，为什么最大特征值对应的向量就能表征主体的倾角呢？

其实这个问题困惑了一段时间，也忍住没有请教其他人……

谜团逐渐解开……

这得从我们接触线性代数时的第一个公式说起：

如上图，在左右对等情况下，复杂的矩阵是可以通过特征值表征的，也就是A矩阵可以通过lamda表征。那么主成分分析是什么呢？大概就是提取前几个较大特征值对应特征向量的部分。

至于特征值小的部分，为什么就可以忽略呢？

回到以前泰勒展开等，其实每个阶数也就是特征向量的意思，越往后的数值远小于阶数小的数值，因此可以忽略。

那么为什么特征以及对应的特征向量可以表征矩阵呢？
拿一个最简单的方程：

线性关系用矩阵表征自不必多说，所以上述公式就是一个简单的矩阵。
对该矩阵计算求解得到：

这个简单的表示和上述是等价的，其中x和y就是我们所说的特征向量，数值即为特征值，由图可知，4为特征值较大的一个，其方向为该矩阵的主要方向。
仔细想想，向量（4,1）的方向是不是和x轴更加接近，而稍微偏离y值呢？

类比到多维，道理一致。
至此，最大特征值对应的方向为主要方向，这个困惑基本解开。

参考文献：《CN112386248A-人体跌倒的检测方法、装置、设备及计算机可读存储介质》