zoukankan      html  css  js  c++  java
  • 线段拟合(带拉格朗日乘子,HGL)

    线段特征上的扫描点满足 (1)。本文的线段特征定义为:L: [dL, φL, PLs, PLe]T,如图1所示。其中,dL为笛卡尔坐标系中原点(激光传感器所在位置)到线段的距离, φL为线段特征的倾角,PLs为线段特征起点,PLe为线段特征终点。线段特征在笛卡尔坐标系下方程为:

                                                                                                                                                                              (1)

    其中,dL > 0-π < φL < πxi = ρicosφiyi = ρisinφi

    图1 线段

    前几节中,通过统计学方法划分出若干区域,为了准确提取线段特征,采用带约束的最小二乘法对每个划分区域特征进行特征提取,将(1)式转换为如下形式:

                                                                                                                                                                       (2)

    式中 SE——线段端点。

    将上式改写为矩阵形式有:

                                                                                                                                                            (3)

    其中, , , 。由于α22=1,引入拉格朗日乘子λ,得:

                                                                                                                                                                                                 (4)

    其中,,满足JTCJ=1。令,得:

                                                                                                                                                                                                              (5)

    解上式的广义特征值与广义特征向量,S为一个正定矩阵,待求特征向量J一定对应最小的特征值λ。当αβ确定以后,可以求得:

                                                                                                                                                                                                         (6)

    然后,求出线段特征dL。最后,转换到全局坐标系下。

    文献[1]给出了一种误差传播方法,通过最小化隐含的关系方程F(I,O),给出最终误差(I输入误差,O输出误差)。将误差扩展到协方差矩阵,可以通过输入的协方差矩阵ΣI,得到输出的协方差矩阵ΣL。则有:

                                                                                                                                            (7)

    其中,令:

                                                                                                                                                                                          (8)

    代入最后计算出ΣL

    [1] Haralick R M. Propagating covariance in computer vision[M]. Performance Characterization in Computer Vision. Springer Netherlands, 2000: 95-114.

  • 相关阅读:
    [好文翻译]保卫你的日历
    如何使用PowerShell修改Host文件
    如何使用PowerShell修改注册表
    MSDN文章纠错Automating Microsoft SharePoint 2010 with Windows PowerShell 2.0 (book excerpt)
    如何在PowerShell中得到一个对象的所有属性名和方法名呢?
    Service Object Model
    记录一个问题的解决方法
    STSADM Sync 命令里的 – Ignoreisactive 标志位
    Javascript实现图片位置控制(鼠标拖拽 + 键盘方向键移动)源码分享
    从零开始学习jQuery (六) AJAX快餐【转】
  • 原文地址:https://www.cnblogs.com/hgl0417/p/5853584.html
Copyright © 2011-2022 走看看