SVD奇异值分解，求解Homography,Fundamental矩阵

锦书致南辞7

已于 2024-01-31 22:49:28 修改

阅读量663

点赞数 10

分类专栏：视觉惯性slam 文章标签：矩阵线性代数自动驾驶算法

于 2024-01-30 23:40:22 首次发布

本文链接：https://blog.csdn.net/weixin_47180908/article/details/135943606

版权

4 篇文章 0 订阅

订阅专栏

奇异值分解（Singular Value Decomposition，简称SVD）是一种在数学、信号处理和统计学中广泛使用的矩阵分解技术。它可以将任何一个实数或复数矩阵分解为三个特定的矩阵的乘积，这三个矩阵分别是：

左奇异向量矩阵（U）：这是一个单位正交矩阵，它的列向量称为左奇异向量。
奇异值矩阵（Σ，Sigma）：这是一个对角矩阵，其对角线上的元素是非负的实数，称为奇异值。这些奇异值通常按降序排列。奇异值的数量等于原矩阵的行数和列数中的较小者。
右奇异向量矩阵V：这同样是一个单位正交矩阵，它的列向量称为右奇异向量。注意这里的V表示V矩阵的共轭转置。

可以用下面的公式表示

$A=UΣV ^{H}$

使用奇异值分解（SVD）求解单应性矩阵（Homography）和基础矩阵（Fundamental Matrix）是计算机视觉中的常见任务，特别是在图像配准、立体视觉和运动估计等领域。下面是这两种矩阵的求解过程：

单应性矩阵描述了两个视图中平面上点之间的映射关系。给定一组对应点，可以通过解线性方程组来估计单应性矩阵。

建立方程组：对于每一对对应点，可以建立两个线性方程。如果有N对点（N至少为4），则可以构建一个2N×9的矩阵A。
应用SVD：对矩阵A进行SVD分解。
求解单应性矩阵：单应性矩阵H可以从SVD的结果中提取。具体来说，H是与最小奇异值对应的右奇异向量（V矩阵的最后一列），并将其重塑为3×3矩阵。
为什么H的解是与最小奇异值对应的右奇异向量（V矩阵的最后一列）：

在使用奇异值分解（SVD）求解单应性矩阵（Homography）时，选择与最小奇异值对应的右奇异向量（即V矩阵的最后一列）作为解的原因与线性方程组的性质和SVD的数学特性有关。

在超定方程组中，我们通常寻找最小二乘解，即使方程组没有精确解，也可以找到误差最小的解。在SVD的上下文中，与最小奇异值对应的右奇异向量提供了这种最小二乘解。

综上所述，选择与最小奇异值对应的右奇异向量作为单应性矩阵的解，是因为它提供了一个在最小二乘意义上的稳定解，同时考虑到了数据的不确定性和噪声。这种方法在实际应用中通常能得到较好的结果。

最小奇异值的意义：在SVD中，最小奇异值对应于A的最“弱”或最不稳定的方向。当我们寻找解H时，我们希望H在这个最不稳定的方向上有最小的分量，因为这意味着解对输入数据的微小变化不敏感，从而提高了解的稳定性和鲁棒性。

零空间和秩亏缺陷：在理想情况下，如果A的秩比其列数小，那么与最小奇异值对应的向量实际上位于A的零空间中。这意味着这个向量是方程 AH=0 的一个非平凡解。

当我们用SVD来求解单应性矩阵H时，我们实际上是在解一个线性方程组 ��=0AH=0，其中A是根据对应点对建立的矩阵，H是我们要求解的单应性矩阵。这个方程组通常是超定的（即方程的数量多于未知数），并且在理想情况下没有精确的非零解（因为这意味着所有方程都完美满足，这在现实中几乎不可能）。

SVD将矩阵A分解为三个矩阵的乘积：A=UΣV。在这里：U 和 V 是正交矩阵。Σ 是对角矩阵，其对角线上的元素是奇异值，按降序排列。

基础矩阵描述了两个摄像机视图中点的对应关系，是立体视觉和运动估计中的关键概念。

在实际应用中，通常还会涉及到额外的步骤，如使用RANSAC算法来处理异常值，以及对点坐标进行归一化以提高数值稳定性。这些步骤有助于提高求解过程的鲁棒性和准确性。

关注