Thesis - RWTH Aachen University
Thesis - RWTH Aachen University
Thesis - RWTH Aachen University
Erfolgreiche ePaper selbst erstellen
Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.
C.3 Radial Basis Function Netze 199<br />
zwei korrespondierende Bildpunkte mit Pixelkoordinaten K1 � U und K2 � U folgende Beziehung gilt:<br />
K1 � U (K −1 ) T S( K2� PK1Orig) K2<br />
K1 R−1 K −1 K2� U = 0 (C.54)<br />
mit K2<br />
K1 R−1 die Rotationsmatrix des Kamerakoordinatensystems in der ersten Aufnahme bezüglich<br />
der zweiten Aufnahme und<br />
⎛<br />
S( K2PK1Orig) � = ⎝<br />
0 −zK1Orig yK1Orig<br />
zK1Orig 0 −xK1Orig<br />
−yK1Orig xK1Orig 0<br />
Der mittlere Teil von Gleichung C.54 ist ausschließlich von den intrinsischen und extrinsischen Kameraparametern<br />
abhängig und kann in einer Matrix F, der so genannten Fundamentalmatrix (Fundamental<br />
Matrix), zusammengefasst werden:<br />
F = (K −1 ) T S( K2 � PK1Orig) K2<br />
K1 R−1 K −1<br />
⎞<br />
⎠<br />
(C.55)<br />
Die epipolare Linie in der zweiten Kameraaufnahme, die dem Pixelpunkt mit Bildkoordinaten K1 �u in<br />
der ersten Aufnahme entspricht, ist dann aus Gleichung C.54:<br />
mit<br />
ɛK 1 �u(u, v) : au + bv + c = 0 (C.56)<br />
(a, b, c) T = K1 �u T F<br />
Der Abstand eines Bildpunktes aus der zweiten Aufnahme zur epipolaren Linie beträgt in diesem<br />
Fall:<br />
d(ɛK1 �u, K2 �ui) = | a K2ui + b K2vi + c<br />
√ | (C.57)<br />
a2 + b2 Für zwei korrespondierende Bildpunkte gilt:<br />
C.3 Radial Basis Function Netze<br />
d(ɛK 1 �u, K2 �u) = 0 (C.58)<br />
Ein wichtiger Anwendungsbereich von künstlichen neuronalen Netzen ist das Schätzen des Verlaufs<br />
einer Funktion y(�xi) aus einer Menge von Daten. Die Berechnung der Näherung stützt sich auf eine<br />
aus m Wertepaaren (�xi, yi) bestehenden Trainingsmenge. Da die Ausgabe yi der Funktion für jeden<br />
Vektor �xi benötigt wird, lässt sich die Schätzung als ein überwachtes Lernverfahren implementieren.<br />
Eine Möglichkeit, um die Schätzung zu realisieren, ist die Darstellung der Funktion als eine Kombination<br />
von einfachen Modellen, so genannten Basisfunktionen, wobei die Anzahl von Basisfunktionen<br />
unabhängig von der Größe der Trainingsmenge ist. So kann beispielsweise die Funktion f(�x) mit<br />
einer linearen Kombination von b Basisfunktionen φi(�x) angenähert werden:<br />
�y(�x) =<br />
b�<br />
wiφi(�x) (C.59)<br />
i=1