ccxcau的专栏

PCA （ Principal Component Analysis ， PCA ）是主成分分析，主要 用于数据降维，对于一系列例子的特征组成的多维向量，多维向量里的某些元素本身没有区分性，比如某个元素在所有的例子中都为1，或者与1差距不大，那么这个元素本身就没有区分性，用它做特征来区分，贡献会非常小。所以我们的目的是找那些变化大的元素，即方差大的那些维，而去除掉那些变化不大的维，从而使特征留下的

在视觉标定中经常碰到这三种超定方程，简单总结下它们的一般解法。线性非齐次方程组Ax=b，b~=0：最小二乘法  在matlab中  可以直接x=A\b，自己一般习惯x=(A'*A)\(A*b)，两者在matlab中处理方法是一样的即   最小二乘法。线性齐次方程组Ax=0：一般用svd分解，后者是求解特征后，得到最小的特征值对应的特征向量为方程组的解，解会有很多组，可以选取归一化的那组。当

在做极线几何约束和运动恢复结构求取深度信息时，碰到了几个齐次方程和超定方程最小二乘解的问题。做一总结：   对于齐次线性方程 A*X =0; 当A的行数大于列数时，就需要求解最小二乘解，在||X||=1的约束下，其最小二乘解为矩阵A'A最小特征值所对应的特征向量。求解方法有两种（matlab）：1.  [ V D] =eig(A' *A); D为A' *A的特征值对角矩阵，

http://www.cnblogs.com/xrwang/archive/2011/03/09/ransac-1.html作者：王先荣    本文翻译自维基百科，英文原文地址是：http://en.wikipedia.org/wiki/ransac，如果您英语不错，建议您直接查看原文。    RANSAC是“RANdom SAmple Consensus（随机抽样

Rotation of a BodyIn motion analysis, it is often necessary to compute the transformation matrix directly from the coordinates of the markers fixed on a moving body. This can be done if more tha

ransac的原理，有一些不错的资料已经详细的叙述，刚开始学习的时候我看的是Marco Zuliani的>，这份资料讲得不错，想要详细了解其原理的同学不妨看看这份资料。本着实用为主的原则，此处，主要描绘具体怎么实现ransac算法。ransac算法的输入为：需要处理的点集；以及可能符合的函数模型, 选择的模型决定了需要计算模型参数的点的个数。ransac算法的输出为：满足某种关系的过滤点集

Finding optimal rotation and translation between corresponding 3D pointsFinding the optimal/best rotation and translation between two sets of corresponding 3D point data, so that they are aligne

http://blog.sina.com.cn/s/blog_5e16f1770100fs38.htmllLaTeX最强大的功能就是显示美丽的数学公式，下面我们来看这些公式是怎么实现的。1、数学公式的前后要加上 $ 或\( 和\)，比如：$f(x) = 3x + 7$ 和\(f(x) = 3x+ 7\) 效果是一样的；如果用 \[ 和 \]，或者使用 $$

1. 几个文件类型:tex---就是tex文件，这个地球人都知道，是文章所在的主要文件bib---参考文献所在的文件bst---参考文献样式文件 .tex 文件的最后加上\bibliography{xxx}，  xxx是bib文件同名，在\bibliography中不需要加载扩展名。2. 模版:如IEEE需要：\bibliogra