ORB-SLAM内的卡方检验-Toy模板网

这篇具有很好参考价值的文章主要介绍了ORB-SLAM内的卡方检验。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

Reference:

卡方检验(Chi-square test/Chi-Square Goodness-of-Fit Test)
卡方检验详解分析与实例

1. 概念

卡方值: $\chi^2$ 值表示观察值与理论值之间的偏离程度。计算这种偏离程度的基本思路如下：
1. 设 $O$ 代表某个类别的观察频数， $E$ 代表基于某个假设 $H_0$ 计算出的期望频数， $O$ 与 $E$ 之差称为残差；
2. 残差可以表示某一个类别观察值和理论值的偏离程度，但如果将残差简单相加以表示各类别观察频数与期望频数的差别，则有一定的不足之处。因为残差有正有负，相加后会彼此抵消，综合仍然为 $0$ ，为此可以将残差平方后求和；
3. 另一方面，残差大小是一个相对概念，相对于期望频数为 $10$ 时，期望频数为 $20$ 的残差非常大，但相对于期望频数为 $1000$ 时 $20$ 的残差就很小了。考虑到这一点，人们又将残差平方除以期望频数再求和，以估计观察频数与期望频数的差别。
进行上述操作之后，就得到了常用的 $\chi^2$ 统计量，其计算公式为：
$\chi^{2}=\sum{\frac{(O-E)^{2}}{E}}=\sum_{i=1}^{k}{\frac{(O_{i}-E_{i})^{2}}{E_{i}}}=\sum_{i=1}^{k}{\frac{(O_{i}-n p_{i})^{2}}{n p_{i}}}\quad{\mathrm{(i=1,2,3,...,k)}}$ 其中， $O_i$ 为 $i$ 水平的观察频数， $E_i$ 为 $i$ 水平的期望频数， $n$ 为总频数， $p_i$ 为 $i$ 水平的期望概率， $i$ 水平的期望频数 $E_i$ 等于总频数 $n\times i$ 水平的期望概率 $p_i$ ， $k$ 为单元格数。当 $n$ 比加大时， $\chi^2$ 统计量近似服从 $k - 1$ (计算 $E_i$ 时用到的参数个数)个自由度的卡方分布。

由卡方的计算公式可知，当观察频数与期望频数完全一致时， $\chi^2$ 值为 $0$ ；观察频数与期望频数越接近，两者之间的差异越小， $\chi^2$ 值越小；反之，观察频数与期望频数差别越大，两者之间的差异越大， $\chi^2$ 值越大。换言之，大的 $\chi^2$ 值表明观察频数远离期望频数，即表明远离假设。小的 $\chi^2$ 值表明观察频数接近期望频数，接近假设。因此， $\chi^2$ 是观察频数与期望频数之间距离的一种度量指标，也是假设成立与否的度量指标。如果 $\chi^2$ 值小，研究者就倾向于不拒绝 $H_0$ ；如果 $\chi^2$ 值大，就倾向于拒绝 $H_0$ 。至于 $\chi^2$ 在每个具体研究中究竟要达到什么程度才能拒绝 $H_0$ ，则要借助于卡方分布求出所对应的 $P$ 来确定，这就引出了显著性水平的概念。
显著性水平: 显著性水平是估计总体参数落在某一区间内可能犯错的概率，用 $\alpha$ 表示，即当原假设为正确时，却把它滤掉了的概率或风险，通常取 $\alpha=0.05$ 或 $\alpha=0.01$ 。这表明当做出接受原假设的决定时，其正确的可能性(概率)为 $95\%$ 或 $99\%$ 。

2. 卡方检验的基本思想

卡方检验是以 $\chi^2$ 分布为基础的一种常用假设检验方法，它的无效建设 $H_0$ 是：观察频数与期望频数没有差别。

该检验的基本思想是：首先假设 $H_0$ 成立，基于此前提计算出 $\chi^2$ 的值，它表示观察值与理论值之间的偏离程度。根据 $\chi^2$ 分布及自由度可以确定在 $H_0$ 假设成立的情况下获得当前统计量及更极端情况的概率 $P$ 。如果 $P$ 值很小，说明观察值与理论值偏离程度太大，应当拒绝无效假设，表示比较资料之间有显著差异；否则就不能拒绝无效假设，尚不能认为样本所代表的实际情况和理论假设有差别。

根据自由度和显著性水平查询检验统计量临界值，其中纵轴为自由度，横轴为显著性水平阈值。比如检查单应阵的函数，点到点的重投影误差自由度为 $2$ ，在显著性水平为 $0.05$ 时通过查表得阈值为 $5.99$ ：
ORB-SLAM内的卡方检验

3. 卡方检测示例

为了验证肺癌与吸烟的关系，我们得到如下数据：

是否肺病患者	吸烟	不吸烟	合计	吸烟比例
是	158	169	327	48%
否	82	311	393	20%
合计	240	480	720	33%

首先假设吸烟与肺癌两者之间没有关系(这里应该不用先假设有没关系，越大就是越有关系，越小就是越没有关系，根据数值判断相关性)，我们计算期望值(因为上面吸烟的比例为33%，因此在吸烟与肺癌没有关系的时候，肺癌患者吸烟与不吸烟的比例应该是33%，没有得肺癌的吸烟与不吸烟的比例也应该是33%)：

是否肺病患者	吸烟	不吸烟	合计	吸烟比例
是	109	218	327	33%
否	131	262	393	33%
合计	240	480	720	33%

带入卡方计算公式：
$\chi^2=\frac{(158-109)^2}{109}+\frac{(169-218)^2}{218}+\frac{(82-131)^2}{131}+\frac{(311-262)^2}{262} =60.53$ 自由度的计算方法，可以简单抽象成：(行数-1)*(列数-1)，所以这里的自由度为 $1$ 。

通过查表可得自由度为 $1$ 时，显著性水平为 $0.05$ ，当卡方值小于 $3.84$ 时，可以接受原假设，即变量之间没有相关性。卡方值越小，不相关的概率越大。现在卡方值远大于 $3.84$ ，说明两者不相关的概率很小，即抽烟与肺癌有关。

4. ORB-SLAM2中卡方检测剔除外点的策略

就特征点法的视觉SLAM而言，一般会计算重投影误差。具体而言，记 $\mathbf{u}$ 为特征点的 $2 D$ 位置， $\bar{\mathbf{u}}$ 为由地图点投影到图像上的 $2 D$ 位置。重投影误差为：
$\mathbf{e}=\mathbf{u}-\mathbf{\bar{u}}$ 重投影误差服从高斯分布：
$\mathbf{e}\sim\mathcal{N}(\mathbf{0},\mathbf{\Sigma})$ 其中，协方差 $\mathbf{\Sigma}$ 一般根据特征点提取的金字塔层级决定。具体的，记提取ORB特征时，图像金字塔的每层缩小尺度为 $s$ (ORB-SLAM中为1.2)。在ORB-SLAM中假设第 $0$ 层的标准差为 $p$ 个pixel(ORB-SLAM中设为了1个pixel)；那么，一个在金字塔第 $n$ 层提取的特征的重投影误差的协方差为：
$\boldsymbol{\Sigma}=(s^n\times p)^2\begin{bmatrix}1&0\\ 0&1\end{bmatrix}$ 式 $\mathbf{e}=\mathbf{u}-\mathbf{\bar{u}}$ 中的误差是一个 $2$ 维向量，这里阈值不好设置，就把它变成一个标量，计算向量的内积 $r$ (向量元素的平方和)。但是，这又有一个问题，不同金字塔层的特征点都用同一个阈值，是不是不合理呢？于是，在计算内积的时候，利用协方差进行加权(协方差表达了不确定度)。金字塔层级越高特征点提取精度越低，协方差 $\mathbf{\Sigma}$ 越大，那么就有了：
$r=\mathbf{e}^{T}\mathbf{\Sigma}^{-1}\mathbf{e}$ 利用协方差加权，起到了归一化的作用，具体如上式，可以变为：
$r=(\boldsymbol{\Sigma}^{-\frac{1}{2}}\mathbf{e})^T(\boldsymbol{\Sigma}^{-\frac{1}{2}}\mathbf{e})$ 而：
$(\mathbf\Sigma^{-\frac{1}{2}}\mathbf e)\sim\mathcal N(\mathbf0,\mathbf I)$ 为多维标准正态分布，也就是说不同金字塔层提取的特征，计算的重投影误差都被归一化了，或者说去量纲化了，那么，我们只用一个阈值就可以了。

4.1 示例，卡方检验计算置信度得分: CheckFundamental()、CheckHomography()

根据重投影误差构造统计量 $\chi^2$ ，其值越大，观察结果和期望结果之间的差别越显著，某次计算越可能用到了外点：文章来源地址https://www.toymoban.com/news/detail-460064.html

float Initializer::CheckHomography(const cv::Mat &H21, const cv::Mat &H12, vector<bool> &vbMatchesInliers, float sigma) {
  const int N = mvMatches12.size();

  //取出单应矩阵H各位上的值
  const float h11 = H21.at<float>(0, 0);
  const float h12 = H21.at<float>(0, 1);
  const float h13 = H21.at<float>(0, 2);
  const float h21 = H21.at<float>(1, 0);
  const float h22 = H21.at<float>(1, 1);
  const float h23 = H21.at<float>(1, 2);
  const float h31 = H21.at<float>(2, 0);
  const float h32 = H21.at<float>(2, 1);
  const float h33 = H21.at<float>(2, 2);

  const float h11inv = H12.at<float>(0, 0);
  const float h12inv = H12.at<float>(0, 1);
  const float h13inv = H12.at<float>(0, 2);
  const float h21inv = H12.at<float>(1, 0);
  const float h22inv = H12.at<float>(1, 1);
  const float h23inv = H12.at<float>(1, 2);
  const float h31inv = H12.at<float>(2, 0);
  const float h32inv = H12.at<float>(2, 1);
  const float h33inv = H12.at<float>(2, 2);

  vbMatchesInliers.resize(N);//标记是否是内点
  float score = 0;//置信度得分
  const float th = 5.991;//<---自由度为2(u,v),显著性水平为0.05的卡方分布对应的临界阈值
  const float invSigmaSquare = 1.0 / (sigma * sigma);//信息矩阵,方差平方的倒数

  for (int i = 0; i < N; i++) {//双向投影,计算加权投影误差
    bool bIn = true;

    //step1. 提取特征点对
    const cv::KeyPoint &kp1 = mvKeys1[mvMatches12[i].first];
    const cv::KeyPoint &kp2 = mvKeys2[mvMatches12[i].second];

    const float u1 = kp1.pt.x;
    const float v1 = kp1.pt.y;
    const float u2 = kp2.pt.x;
    const float v2 = kp2.pt.y;

    // Reprojection error in first image
    // x2in1 = H12*x2
    //step2. 计算img2到img1的重投影误差
    const float w2in1inv = 1.0 / (h31inv * u2 + h32inv * v2 + h33inv);
    const float u2in1 = (h11inv * u2 + h12inv * v2 + h13inv) * w2in1inv;
    const float v2in1 = (h21inv * u2 + h22inv * v2 + h23inv) * w2in1inv;
    const float squareDist1 = (u1 - u2in1) * (u1 - u2in1) + (v1 - v2in1) * (v1 - v2in1);
    const float chiSquare1 = squareDist1 * invSigmaSquare;

    //step3. 离群点标记上,非离群点累加计算得分
    if (chiSquare1 > th)
      bIn = false;
    else
      score += th - chiSquare1;

    // Reprojection error in second image
    // x1in2 = H21*x1
    //step4. 计算img1到img2的重投影误差
    const float w1in2inv = 1.0 / (h31 * u1 + h32 * v1 + h33);
    const float u1in2 = (h11 * u1 + h12 * v1 + h13) * w1in2inv;
    const float v1in2 = (h21 * u1 + h22 * v1 + h23) * w1in2inv;
    const float squareDist2 = (u2 - u1in2) * (u2 - u1in2) + (v2 - v1in2) * (v2 - v1in2);
    const float chiSquare2 = squareDist2 * invSigmaSquare;

    //step5. 离群点标记上,非离群点累加计算得分
    if (chiSquare2 > th)
      bIn = false;
    else
      score += th - chiSquare2;

    if (bIn)
      vbMatchesInliers[i] = true;
    else
      vbMatchesInliers[i] = false;
  }

  return score;
}