算法评价和误差分析
1.性能的界定
记号的规定:
- 测量得到的量
- 被估计的量加帽子来表示如 或
- 量的真值用加横杠表示,如 或
单图像误差
2D单应的估计问题在仅给第二幅图像的坐标加噪声的情形下,设有n 组这样的匹配点,RMS( 均方根)残差:
双图像误差
对双图像误差情形,残差是:
最优估计算法(MLE)
结论1 上总方差为 的各向同性高斯分布向一个 维子空间的投影是总方差为 的各向同性高斯分布。
结论2 考虑一个估计问题, 其中 个测量由依赖于 个本质参数集的函数模型化。 假定每个测量变量有标准差 的独立高斯噪声。
(1)ML 估计算法的 RMS 残差(测量值到估计值的距离)是:
(2)ML 估计算法的 RMS估计误差 (估计值到真值的距离)是:
2.变换估计的协方差
求得的变换的不可靠性通常由变换的协方差矩阵获得。因为
是 9 元素的矩阵,它的协方差矩阵是一个 9x9 矩阵。
协方差的前向传播
结论1 令 是 中的一个具有均值 和协方差矩阵 的随机矢量, 假定 是一个仿射映射:定义为 。那么 是一个具有均值 和协方差矩阵 的随机变量。
结论2 令 是 中一个具有均值 和协方差矩阵 的随机矢量,令 在 的邻域可微。那么在精确到一阶近似的程度下, 是一个具均值 和协方差矩阵 的随机变量,其中 是 的雅可比矩阵在 的值。
协方差的反向传播
结论3 协方差的反向输送一仿射情形. 令 是形为 的仿射映射, 其中 的秩等于 。 令 是 中的一个具有均值 和协方差矩阵 的随机变量。 令 是一个映射, 它把测量矢量 映射到对应于 ML 估计 的参数矢量 。那么 是一个具有均值 的随机变量, 其协方差矩阵是:
结论4 协方差的反向输送一非线性情形. 令 是一个可微映射,而 是它在点 处的雅可比矩阵。假定 的秩为 ,则 在 的邻域是一一对应的 .。令 是 中的一个具有均值 和协方差矩阵与 的随机变量。令映射 , 把测量矢量 映射到对应于 ML 估计 的参数矢量 。那么在一阶精度下, 是一个具有均值 和协方差矩阵 的随机变量。
超参数化
结论5 协方差的反向输送一一超参数化情形.。令
是一个可微映射 , 它把一组参数
映射到测量矢量
。令
是嵌入
中的过点
的
维光滑流形并使得映射
在流形
上
的一个邻域内是一一对应的 ,
把
局域地映射到
上的流形
。 函数
有一个局部逆函数,记为
, 它限制在曲面
上
的一个邻域内。定义
上的一个具有均值
和协方差
的高斯分布,并令
把
上的点映射到
上并在 Mahalanobis 范数
意义下最近的点.。
上具有协方差矩阵
的概率分布通过
诱导
上的概率分布, 它在一阶精度下的协方差矩阵是:
其中 是任意 m X d 矩阵, 它的列矢量生成 的过点 的切空间 。
结论6 令可微映射
把
映射到
, 并令
为
的雅可比矩阵。 设
上一个具有协方差矩阵
的高斯分布定义在
, 令
是把一个测量
映到约束在局部正交于
的零空间的曲面
上的 MLE 参数矢量
的映射。那么
诱导
上的一个分布 。它的协方差矩阵在一阶精度下是: