本文目录
基本矩阵F与本质矩阵E的分析与计算
对于这三个矩阵还有坐标系什么的真是看了忘，忘了看，今日索性一次性将它记下来，下次再忘的时候翻看一下就行了。 如果直接将胶片放置在物体前面，由于光的折射，反射等等现象，在胶片上是成不了像的。但是在物体和胶片之间放上一块挡板，挡板上有一个小孔，它阻挡了大部分的光线，就将这个屏障上的小孔称之为光圈，胶片上就获得了倒立的图像。但是，这个小孔成像存在一个问题，就是，光圈越小曝光时间越长，形成高亮度的图像，，而且太小了，就会产生光的衍射现象，图像也模糊了，光圈大虽然曝光时间短了，可图像变模糊了。对于这样子的相机来进行实时的特征提取等等显然是行不通的，所以就有了透镜系统。在光圈之前加凸透镜，众所周知，凸透镜具有聚焦的功能，这样，成像的速度加快了许多，只需要差不多0.01秒。 当相机为单目的时候，只知道2D的像素坐标，需要通过两视图来估计相机的运动。假设从两张图像中得到了一对匹配好的特征点，如果有若干对这样的匹配点，就可以通过这些二维图像点之间的对应关系，恢复出两帧之间摄像机的运动。两视图的对极几何约束可以用基本矩阵F表示，那么如何得到这个矩阵呢?首先说明一些术语，O1和O2称为光心，O1、O2和P构成的平面称为极平面，p和e1，q和e2称为极线，e1和e2为O1和O2与像素平面的交点称为极点。可以知道的是由于他们都在同一平面上，所以q点的投影必然在pe1这条极限上，而同理p的投影也必然在qe2上（针对于像素平面）。矩阵F表示了第一帧的像素点p与第二帧的像素点q极线之间的映射关系。如何得到F和E，有以下两种方法： 方法一： 这里需要引用两个点的齐次坐标叉乘能够表达一条直线l的系数。可以对其进行证明（ 两点的叉乘表达一条直线 ），直线的方程可以表示为 ，所以该直线可以用向量 进行表示。e2是光心O1在第二帧上的投影，假设光心O1的齐次坐标为 ，转到光心O2的坐标为 ，将O2投影到相机平面，则e2的坐标为 ，q的齐次坐标为 。又因为 所以直线qe2可以表示为 ，由于这里p和q的坐标都用齐次坐标表示，那么（这里的"="是在相差尺度系数的情况下成立的）：设 和 是归一化平面的坐标，所以： ， (1)所以 ，又因为q在直线上，那么 ， 由于K是3*3的矩阵，来说，t的值已经对结果没有影响了，所以上式就变成 ，将 代入，得：又有 ，所以 且 。 方法二： 将（1）式叉乘t，可以得到： ，再将其乘以 ，由于 是一个与t和x2都垂直的向量，所以左边为0，有; ，代入p，q，得 ，综上所述： ， 由于 ，F的秩为2（原因是因为 的秩为2），自由度为7（尺度等价性），使用直接线性变换8点法来进行计算。具体推导出来的就不写了，直接得出 ，A是一个8*9的矩阵， 就是将F矩阵展开的向量。 A中的一行为： ，一共需要8组匹配点 为： 计算过程： （1）构造得到 ; （2）对A进行SVD分解。由于A的秩是8（忽略特征点在同一个平面上的情况），那么它的对角矩阵的值为 ，而 ，右乘 得到 （U和V都是正交矩阵，转置就是它的逆），其列向量形式为：求得的刚好是Af=0，为了求得F只要取V的最后一列就能构造了。 （3）但是，从上面构造的F可能是满秩的，所以需要进一步的求解，将上面构造的F进行SVD分解， ，现在求得的 值应该是有三个大于0的数，由于秩为2，应该将最后一个特征值置为0，为： 最终的F就等于最后一个特征值置为0对角矩阵乘以U和V，为 。 可以通过基本矩阵F得到本质矩阵E， ，也可以通过构造和基本矩阵一样的八点法来得到。由于 ，t有3个自由度，R也有3个自由度，那么它应该有6个自由度，又因为E的尺度等价性，所以E只有5个自由度。 对E进行奇异值分解相当于对 与 的乘积进行分解，乘积奇异值分解有个性质是任何一个矩阵A与正交矩阵相乘，其奇异值保持不变，证明： 由于奇异值是通过计算 的特征值得到的，那么 ，所以奇异值不变。 设 ， 由于 为反对称矩阵，可以证明任意的反对称矩阵都可以用 来表示，又有：所以 ，则本质矩阵就可以写成 （根据尺度等价性，k可以去掉），那么 ，这就可以说明E的奇异值为何是 的形式了。 知道了E的SVD分解形式，R和t也可以相应的分解出来，E和-E是等价的，所以R和t存在两组解： ， ， 最后只要把任意一点带入4种解中，检测该点在两个相机下的深度，就可以确定哪个解是正确的了。 先就写这些吧，之后遇到什么不会或是容易忘记的再补充。 《视觉SLAM十四讲》 高翔 《矩阵分析与应用》 张贤达
矩阵分析与应用的矩阵求逆引理证明有什么错误
需要几个工具： 1. 2-范数和奇异值的关系 2. 子矩阵的2-范数不超过原矩阵的2-范数 3. 最佳低秩逼近和奇异值的关系(Eckart-Young定理) 首先，||A^+||_2 = σ_min(A)^{-1}，||A_1^{-1}||_2 = σ_min(A_1)^{-1} 然后用Eckart-young定理，σ_min(A) = m。
矩阵分析与应用的介绍
矩阵分析与应用将矩阵的分析分为梯度分析、奇异值分析、特征分析、子空间分析与投影分析五大部分，以一种新的体系、系统、全面地介绍矩阵分析的主要理论、方法及应用。全书共10章，内容包括矩阵与线性方程组、特殊矩阵、Toeplitz矩阵、矩阵的变换与分解、梯度分析与最优化、奇异值分析、总体最小二乘方法、特征分析、子空间分析、投影分析。本书取材广泛，内容新颖，理论与应用密切结合。书中介绍了矩阵分析的丰富理论和大量生动应用，可以帮助读者学会如何使用矩阵这一重要数学工具，灵活解决科学和工程技术中的大量问题。本书适合于需要矩阵知识比较多和比较深的理科（数学、物理、力学等）和信息科学与技术（电子、通信、自动控制、计算机、系统工程、模式识别、信号处理等）等各学科有关教师、研究生和科技人员教学、自学或进修之用。书中归纳了矩阵的众多数学性质和大量有关公式，还可作为矩阵手册使用。
矩阵分析与应用的作者简介
张贤达；1946年出生于江西省兴国县。1970年毕业于原西安军事电信工程学院，1982年获哈尔滨工业大学硕士学位，1987年于日本东北大学获工学博士学位。曾在原航空航天部304研究所任高级工程师和研究员多年，1992年9月调入清华大学自动化系任教授，1993年被批准为博士生导师。1999年4月-2002年3月任西安电子科技大学特聘教授。现任清华大学自动化系、清华信息科学与技术国家实验室教授、博士生导师，西安电子科技大学兼职教授、博士生导师。研究方向为信号处理、智能信号处理及其在雷达、通信、音频信号中的应用。曾以第一获奖人获得国家自然科学奖和部级科技进步奖多项，以第一发明人国家发明专利4项。出版学术著作6部、教材1部。1997年，被国家教育部和人事部评为“全国优秀留学回国人员”。
矩阵分析在计算机应用中有何应用
图形变换，如：一，平移二，对称。三，缩放。等。。。都是通过矩阵
图形变换，如：一，平移二，对称。三，缩放。等。。。都是通过矩阵
矩阵分析在计算机中的应用非常多，是一种方便的计算工具，可以以简单的形式表达复杂的公式，比如：数字图像处理、计算机图形学、计算机几何学、人工智能、网络通信、以及一般的算法设计和分析等。矩阵分析与应用将矩阵的分析分为梯度分析、奇异值分析、特征分析、子空间分析与投影分析五大部分。主要内容包括矩阵与线性方程组、特殊矩阵、Toeplitz矩阵、矩阵的变换与分解、梯度分析与最优化、奇异值分析、总体最小二乘方法、特征分析、子空间分析、投影分析。
