Bundle adjustment 总结

本文介绍了视觉里程计中两种常见的优化方法:基于几何误差的BA(Bundle Adjustment)和基于光度误差的BA。前者利用特征点进行匹配和优化,后者则直接使用像素强度图进行优化。两种方法各有优缺点。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

BA

最小化重投影误差:
X=argmin∑i=1Ni∑j=1Nj∣∣ei,j(X)∣∣X=argmin\sum_{i=1}^{N_i}\sum_{j=1}^{N_j}||e_{i,j}(X)||X=argmini=1Nij=1Njei,j(X)
求解方法:
使用LM算法优化求最优解。每一次迭代中的增量求解为:
δX∗=argmin∣∣J(X)δX+E(X)∣∣+λ∣∣D(X)δX∣∣\delta X^{*}=argmin||J(X)\delta X+E(X)||+\lambda||D(X)\delta X||δX=argminJ(X)δX+E(X)+λD(X)δX
其中需要计算误差矩阵E、雅克比J和海森矩阵D(近似)。

geometric BA

  • 基于特征点
  • 优化变量:X=[Ti,...,pj,...]X=[T_i,...,p_j,...]X=[Ti,...,pj,...]。地图点三维坐标PjP_jPj,相机位姿TiT_iTi
  • LOSS:几何误差
    ei,jg(X)=π(Ti,pj)−qi,je_{i,j}^{g}(X)=\pi (T_i,p_j)-q_{i,j}ei,jg(X)=π(Ti,pj)qi,j
    当前帧三维点pjp_jpj经两帧间转移矩阵TiT_iTi投影至对应相机坐标系,经π\piπ投影至像平面,与匹配点qi,jq_{i,j}qi,j求误差。
  • 不足:基于特征点,导致图像信息利用不足,并且特征匹配存在误差。

photometric BA

  • 直接法,使用所有像素,基于强度图
  • 优化变量:X=[Ti,...,dj,...]X=[T_i,...,d_j,...]X=[Ti,...,dj,...]。逐像素深度djd_jdj,相机位姿TiT_iTi
  • LOSS:光度误差
    ei,jp(X)=Ii(π(Ti,djqj))−Ij(qj)e_{i,j}^{p}(X)=I_i (\pi (T_i,d_jq_j))-I_j(q_{j})ei,jp(X)=Ii(π(Ti,djqj))Ij(qj)
    第j帧的像素由其深度值映射到相机坐标系,经两帧间转移矩阵TiT_iTi投影至帧i的相机坐标系,由π\piπ投影至像平面。两帧由对应像素点的强度图求差值。
  • 不足:易受光照、动态等环境影响。对初始化结果要求高。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值