给定一组图像,他们可以从不同视点描绘多个3D点,BA可以被定义为根据所有点的相应图像上投影的最优性标准,同时细化描述场景几何形状同时优化场景几何形状的三维信息、相对运动参数和用于获取图像的相机的光学特性的3D坐标的问题。
捆绑调整(BA)归结为最小化像点位置与估计的3D点之间的重投影误差,该误差被表示为大量非线性实值函数的平方和。因此,最小化是使用非线性最小二乘算法实现的。其中,levenberg-Marquardt 被证明是最成功的算法之一,该算法易于实现,并且使用了有效的阻尼策略,使其能够从范围较大的初值快速收敛。通过迭代线性化在当前估计值附近最小化的函数,levenberg-Marquardt算法涉及到线性系统的解,称为法方程(normal function)。当解决捆绑调整框架中出现的最小化问题时,由于不同3D点和相机的参数之间缺乏交互,法方程具有稀疏的块结构。通过使用levenberg–Marquardt算法的稀疏变体,可以利用这一点获得巨大的计算优势,该算法明确利用了法方程零模式(zeros pattern),避免了对零元素的存储和操作。[2]
捆绑调整相当于联合优化一组初始相机和结构参数估计,以找到最准确地预测可用图像集中观察点位置的一组参数。更正式地说,[3]假设在m个视图中可以看到n 个3D三维点,记 是图像上第i 个点在图像j上点的投影。如果点i在图像 j中可见,则二进制变量 等于1,否则表示为0。还假设每个像机j的参数为向量 ,并且每个3D点i为向量来 。捆绑调整最小化了所有3D点和相机参数的总重投影误差,如下公式所示
在哪里 是点i在图像j上的投影,表示由矢量x和y表示的图像点之间的欧式距离。显然,捆绑调整从定义上来说可以容忍缺失的图像投影,并最小化物理意义上的标准。
^B. Triggs; P. McLauchlan; R. Hartley; A. Fitzgibbon (1999). "Bundle Adjustment — A Modern Synthesis". ICCV '99: Proceedings of the International Workshop on Vision Algorithms. Springer-Verlag. pp. 298–372. doi:10.1007/3-540-44480-7_21. ISBN 3-540-67973-1..
^M.I.A. Lourakis and A.A. Argyros (2009). "SBA: A Software Package for Generic Sparse Bundle Adjustment". ACM Transactions on Mathematical Software. 36 (1): 1–30. doi:10.1145/1486525.1486527..
^R.I. Hartley and A. Zisserman (2004). Multiple View Geometry in computer vision (2nd ed.). Cambridge University Press. ISBN 978-0-521-54051-3..
暂无