• ICCP算法——刚性变换


    在之前的一篇随笔中,通过MATLAB代码实现了ICCP算法中提取等值线和寻找等值线最近点的功能。详情见链接:https://www.cnblogs.com/huangliu1111/p/13089188.html

    1、线段集合距离定义

    根据1999年的文章《Vehicle localization on gravity maps》,接下来,需要实现ICCP中最重要的步骤,即对等值线最近点构成的线段集合进行刚性变换。刚性变换包括旋转R和平移两个步骤。希望通过刚性变换,使INS指示轨迹线段集合与等值线最近点线段集合的距离最小。

    对于线段集合的最近距离描述,该文献直接引用了另一篇1997年的文献《Matching Sets of 3D Line Segments with Application to Polygonal Arc Matching》中的定义。

    利用一个线段的中点坐标a、方向向量b和长度l来描述该线段。线段上的所有点均可用这三个参数来表达。两个线段上相对于中点位置相同的点视为一组相关点,所有相关点间的欧式距离之和用于衡量两个线段之间的距离,相当于“相似程度”。

    2、旋转矩阵和平移向量

    利用旋转矩阵R与线段端点坐标的乘积运算,实现对线段的旋转变换。能够使线段集合距离最小的旋转角度直接通过交叉协方差矩阵S解得(见参考文献《Matching Sets of 3D Line Segments with Application to Polygonal Arc Matching》)。旋转矩阵利用四元数表示。

    在线段的计算和变换过程中,主要考虑线段的中点和线段集合的质心。

    MATLAB代码如下:

    clc;
    clear all;
    xi=[0,-2.5; 2,-1.5; 4.5, 0];
    yi=[1,-0.5; 3,-1; 5,0];
    % 寻找使目标函数最小的变换方式(有权重)
    % 权重:线段长度决定
    w=0;
    w_sum=0;
    N=3;
    for i=1:N-1
        w(i)=((xi(i+1,1)-xi(i,1))^2+(xi(i+1,2)-xi(i,2))^2)^(1/2);     %线段长度
        x(i,1)=(xi(i+1,1)+xi(i,1))/2;
        x(i,2)=(xi(i+1,2)+xi(i,2))/2;
        y(i,1)=(yi(i+1,1)+yi(i,1))/2;
        y(i,2)=(yi(i+1,2)+yi(i,2))/2;
        w_sum=w_sum+w(i); %总长度
    end
    % 质心
    x_center=zeros(1,2);
    y_center=zeros(1,2);
    for i=1:N-1
        x_center(1)=x_center(1)+w(i)*x(i,1);
        x_center(2)=x_center(2)+w(i)*x(i,2);
        y_center(1)=y_center(1)+w(i)*y(i,1);
        y_center(2)=y_center(2)+w(i)*y(i,2);
    end
    x_center=x_center/w_sum;
    y_center=y_center/w_sum;
    % 交叉协方差矩阵
    S=0;
    for i=1:N-1
        S=S+w(i)*((y(i,:)-y_center(1,:))'*(x(i,:)-x_center(1,:)));
    end
    % 求解旋转矩阵
    % 最大特征值
    lamda(1)=((S(1,1)+S(2,2))^2+(S(1,2)-S(2,1))^2)^(1/2);
    lamda(2)=-lamda(1);
    lamda(3)=((S(1,1)-S(2,2))^2+(S(1,2)+S(2,1))^2)^(1/2);
    lamda(4)=-lamda(3);
    lamda_max=max(lamda);
    theta=-2*atan(-(S(1,1)+S(2,2)-lamda_max)/(S(1,2)-S(2,1)));
    % 旋转矩阵R和平移向量t
    R=[cos(theta), -sin(theta);
        sin(theta), cos(theta)];      %关于坐标系原点旋转
    t=y_center'-R*x_center';
    % 变换结果
    for i=1:N
        xis(i,:) = (R*(xi(i,1:2)') +t)';
    end
    plot(xi(:,1),xi(:,2),'o-k');
    hold on;
    plot(yi(:,1),yi(:,2),'*-b');
    hold on;
    plot(xis(:,1),xis(:,2),'*-g');
    hold on;

    变换结果如图所示,黑色为原始轨迹(INS轨迹),蓝色为希望靠近的轨迹(等值线最近点轨迹),绿色为进行刚性变换之后的匹配轨迹:

  • 相关阅读:
    第3次作业:卷积神经网络
    第一次作业:深度学习基础
    CSS基础总结
    Java 9.Spring--AOP
    Java 8.Spring--整合Junit测试
    Java 7.Spring--使用注解
    Java 6.Spring--对象的依赖关系-复杂类型注入
    Java 5.Spring的依赖注入
    Java 4.Spring的对象创建的方法
    Java 3.Spring的对象创建的细节
  • 原文地址:https://www.cnblogs.com/huangliu1111/p/13625826.html
Copyright © 2020-2023  润新知