基于matlab的机器视觉测量---最小二乘法(9)
最小二乘法是经典的参数稳健估计方法。核心思想是使得估计出的模型与实际数据之间误差的平方和最小(趋于0).直线参数的估计又是最常用的曲线参数估计,稳健估计方法有很多:RANSAC、BaySAC、极大似然法等。这篇文章主要说明如何用最小二乘法估计直线参数。

一群离散观测点,及其最小二乘估计直线方程
直线方程最优拟合
直线方程的形式比较多,如:一般式、点斜式、截距式、斜截式.....。
本文采用直线的斜截式,最小二乘拟合其方程系数。
斜截式:y = kx + b,适用于不垂直于x轴的直线。
1、斜率为k
2、y轴截距为b
根据最小二乘法原理,误差平方和最小,得误差函数:

根据高数中极值定理可知,误差方程一阶导数等于0处取得极值,因此分别对其关于k和b求导,解k,b值使得误差函数取最小值。但是直线斜截式无法表示垂直x轴的直线,如:x = 3。

上面过程繁琐,只适用于直线的最小二乘解。
简单的来说,如果待拟合点集近似排列在一条直线上时,我们可以设直线y = ax + b为其拟合方程,系数A = [a,b]为待求解项,已知:

用矩阵形式表达为:Y = X0A,其中:

要求解A,可在方程两边同时左乘X0的逆矩阵,如果它是一个方阵且非奇异的话。但是,一般情况下X0连方阵都不是,所以我们在此需要用X0构造一个方阵,即方程两边同时左乘X0的转置矩阵,得到方程:

此时,方程的系数矩阵X0TX0为方阵,所以两边同时左乘新系数矩阵X0TX0的逆矩阵,便可求得系数向量A,即:

方程A左边各部分均已知,所以可直接求解得到拟合直线的方程系数向量A。由此得知a,b。
更多推荐
所有评论(0)