2501_90669630的博客

现在我们来推导从世界坐标系到像素坐标系的变换矩阵。假设世界坐标系、相机坐标系、图像坐标系和像素坐标系如下图所示：点P为三维空间上的一点，它在世界坐标系和相机坐标系上的坐标分别为xw​yw​zw​和xc​yc​zc​。点P在图像坐标系上对应点P′，点P′在图像坐标系和像素坐标系上的坐标分别为xy和uv。相机的焦距为f，单位为米m。：为了更加方便地描述，设置相机坐标系的Xc​轴和Yc​轴与图像坐标系的X轴和Y轴以及像素坐标系的U。

曼哈顿距离(Manhattan Distance，也称为 L1 距离)的定义为：在直角坐标系中，两点之间的距离是它们在各坐标轴方向上差的绝对值之和。曼哈顿距离的几何意义是"沿轴向移动的最短路径"，常用于计算两点间的最短可行路径。在 nnn 维空间中，点 A=(a1a2⋮an)A = \begin{pmatrix} a_1 \\ a_2 \\ \vdots \\ a_n \end{pmatrix}A=​a1​a2​⋮an​​​ 和点 B=(b1b2⋮bn)B = \begin{pmatrix} b_1

如下图所示，在计算机视觉任务中，经常需要计算两个点集之间的相似变换。具体地，设存在两个点集 {xi∈Rm}\{\boldsymbol{x_i} \in \Bbb{R}^m\}{xi​∈Rm} 和 {yi∈Rm}\{\boldsymbol{y_i} \in \Bbb{R}^m\}{yi​∈Rm}（mmm 一般取值为 2 或者 3），其中 i=1,2,⋯ ,ni = 1, 2, \cdots, ni=1,2,⋯,n。我们需要求解相似变换参数（旋转矩阵 R\mathbf{R}R，平移向量 t\boldsymbol

透视结构恢复问题的数学模型如下图所示：透视结构恢复的歧义如下图所示。从图中可以看出，xij=MiXj=(MiH−1)(HXj)=M∗X∗x_{ij} = \mathbf{M}_i X_j = (\mathbf{M}_i \mathbf{H}^{-1})(\mathbf{H} X_j) = \mathbf{M}^* X^*xij​=Mi​Xj​=(Mi​H−1)(HXj​)=M∗X∗。因此，估计的投影矩阵 M∗\mathbf{M^*}M∗ 与真实的投影矩阵 M\mathbf{M}M 至多相差一个可逆矩阵

课程视频链接：北京邮电大学_计算机视觉_鲁鹏_第三次课_拟合 和 北京邮电大学_计算机视觉_鲁鹏_第4次课_拟合（RANSAC复习，hough）。如下图所示，设二维平面内存在 nnn 个点 {(xiyi)}i=1n\{ \begin{pmatrix} x_i \\ y_i \end{pmatrix} \}_{i = 1}^{n}{(xi​yi​​)}i=1n​，现需构造最优直线模型来拟合该数据集，下面从三种不同的方法来解决这个问题。对下面所述的各个算法做一个总结图，如下图所示：最小二乘法(Least