• DLT(Direct Linear Transform)算法


    1、DLT定义

               DLT是一个 用于解决包含尺度问题的最小二乘问题 的算法。

              DLT解决问题的标准形式为:

                                   {x_k}{propto}A{y_k}       (1)

             另一种表现形式为:

                             {x_k}={alpha}A{y_k}   或者 {alpha}{x_k}=A{y_k}    (2)

             这种模型在投影几何中会经常遇到。

             例如,针孔相机投影模型,3D点到图像平面的投影关系;

                     两视图几何中的单应性矩阵(Homography);

    2、DLT求解

               因为尺度alpha的存在,因为不能用线性齐次最小二乘法直接求解。

             由(1)(2)式子可知:x_kAy_k的方向是相同的,即叉乘结果为0:

                                      {x_k}{	imes}A{y_k}=0       (3)

                对(3)用叉乘矩阵来表示:

                               {left[{{x_k}}
ight]_	imes}A{y_k}=0      (4)

              对于(4)式,可参考:向量叉乘与叉乘矩阵

              对(4)式进行变型就可以得到一个线性齐次最小二乘求解问题。可以参考:最小二乘法

    3、举例

                              {alpha}{x_k}=A{y_k}

                           {x_k}=left[{egin{array}{*{20}{c}}
{{x_{1k}}}\
{{x_{2k}}}
end{array}}
ight]      {y_k}=left[{egin{array}{*{20}{c}}
{{y_{1k}}}\
{{y_{2k}}}\
{{y_{3k}}}
end{array}}
ight]     

               由公式(4):

                          

               展开:

                           egin{array}{l}
{left[{{x_k}}
ight]_	imes}A{y_k}=;{a_{11}}{x_{2k}}{y_{1k}}-{a_{21}}{x_{1k}}{y_{1k}}+{a_{12}}{x_{2k}}{y_{2k}}\
;;;;;;;;;;;;;;;;;-{a_{22}}{x_{1k}}{y_{2k}}+{a_{13}}{x_{2k}}{y_{3k}}-{a_{23}}{x_{1k}}{y_{3k}}
end{array}

               写成矩阵的形式:

                                     {left[{{x_k}}
ight]_	imes}A{y_k}={b_k}a=0

               其中:

                          {b_k}=left[{egin{array}{*{20}{c}}
{{x_{2k}}{y_{1k}}}\
{-{x_{1k}}{y_{1k}}}\
{{x_{2k}}{y_{2k}}}\
{-{x_{1k}}{y_{2k}}}\
{{x_{2k}}{y_{3k}}}\
{-{x_{1k}}{y_{3k}}}
end{array}}
ight]         a=left[{egin{array}{*{20}{c}}
{{a_{11}}}\
{{a_{21}}}\
{{a_{12}}}\
{{a_{22}}}\
{{a_{13}}}\
{{a_{23}}}
end{array}}
ight]

  • 相关阅读:
    服务器负载均衡的基本功能和实现原理
    二分查找
    TCP的运输连接管理
    linux常用命令
    XX公司在线笔试题编程题之一
    java对象转json格式
    Java多线程并发技术
    进程同步与通信
    单例模式的C++实现
    rsyncd启动脚本
  • 原文地址:https://www.cnblogs.com/monoSLAM/p/5349962.html
Copyright © 2020-2023  润新知