SfM(三)-- bundle adjustment

在通过本征矩阵E，SVD分解后，我们得到了相机的外参。

前方交汇，我们得到稀疏点的3D坐标。

下面我们需要利用BA来获得精确的R和t.

关于BA，中文的资料不多，一些是对着wiki的翻译，大家可以看到，BA为什么翻译成光束法平差，另外，大家也会知道BA中使用的L-MS算法，高斯牛顿算法等。

下面我们就言归正传：

大家都知道BA是从摄影测量领域引入计算机视觉。在摄影测量中，光束法平差分为自由网和绝对网平差，他们的区别是控制点是否参与平差模型计算流程中，显然，我们常说的BA是自由网平差。

根据小孔成像原理，可以建立矩阵和齐次坐标系来表示3D点和二维像点的观测方程。

建立误差方程，对于该非线性优化问题，其变量包括相机6个外方元素和3D点3个元素。

目标函数：

求解非线性最小二乘，摄影测量中一般使用Gauss-Newton or L-M迭代优化方法。

非线性最小二乘优化

Gauss-Newton

Leverberg-Marquart