Eigen库使用

Eigen是一个只有头文件的轻量级C++矩阵运算库，便于在移动设备或嵌入式设备使用。
官方文档：http://eigen.tuxfamily.org/dox/index.html
构造一个矩阵：

MatrixXf XX(sizeof(down_lips)/sizeof(down_lips[0]), 1); 

用数组构造Matrix矩阵：

float pointX[sizeof(down_lips)/sizeof(down_lips[0])] = {0};
Map<Matrix<float, sizeof(down_lips)/sizeof(down_lips[0]), 1> > X(pointX);

返回矩阵的最值

float left = X.minCoeff();
float right = X.maxCoeff();

矩阵的每一个元素都减去一个标量(就是向量和标量的标量)

X = X.array() - mx;

矩阵对应元素相乘:

 XX = X.array().cwiseProduct(X.array());

求矩阵均值：

float dx2 = XX.mean();

矩阵拼接

MatrixXf M(X.rows(), X.cols()+Y.cols());        // 7 rows, 2 cols
M << X, Y;

换个方向拼接：

MatrixXf M(X.rows()+Y.rows(), X.cols());        // 14 rows, 1 cols
M << X, Y;

计算两个矩阵的内积：

t = M_PINV * RHS;

取矩阵某一个元素的值:

float ax = t.block(0,0,1,1).value();

使用Eigen计算伪逆矩阵(https://www.cnblogs.com/wxl845235800/p/8892681.html):

template<typename _Matrix_Type_>
_Matrix_Type_ pseudoInverse(const _Matrix_Type_ &a, double epsilon =
std::numeric_limits<double>::epsilon())
{
    Eigen::JacobiSVD< _Matrix_Type_ > svd(a ,Eigen::ComputeThinU | Eigen::ComputeThinV);
    double tolerance = epsilon * std::max(a.cols(), a.rows()) *svd.singularValues().array().abs()(0);
    return svd.matrixV() *  (svd.singularValues().array().abs() > tolerance).select(svd.singularValues().array().inverse(), 0).matrix().asDiagonal() * svd.matrixU().adjoint();
}

Eigen矩阵基本运算