Bundle Adjustment
预备知识:
1. 问题定义
已知:一系列图片以及图片内对应的特征点匹配关系
图片: 特征点:
待求:特征点的3d位置以及图片对应的相机位姿
3d点位置: 相机位姿:
误差函数:
其中,是特征点位置
是地图点重投影位置,
仅当在当前帧能够看到该地图点时。
2. g2o相关API介绍
而由于BA问题为计算机视觉中经典问题,对于其节点和边等关系都已在g2o中实现了,但是为了深入理解还是按照自定义的方式进行介绍。
2.1 节点
在BA问题中不仅需要对相机运动位姿进行优化,还需要优化地图中的三维点。因此节点有两种类型分别为6自由度的位姿和3维坐标点代表的地图点。
位姿:
地图点:
2.1.1 位姿
在重载函数中稍有不同的在于位姿的更新由于其并非欧式空间,因此需要采用特殊的更新方式,这里既可以采用四元数进行更新也可以采用旋转矩阵,其在更新量较小时是等价的。因此函数实现为
virtual void oplusImpl(const number_t* update_) {
Eigen::Map<const Vector6> update(update_);
setEstimate(SE3Quat::exp(update)*estimate());
}
整体实现的其他部分和曲线拟合中的节点并无区别,整体代码如下。
class G2O_TYPES_SBA_API VertexSE3Expmap : public BaseVertex<6, SE3Quat>{
public:
EIGEN_MAKE_ALIGNED_OPERATOR_NEW
VertexSE3Expmap();
bool read(std::istream& is);
bool write(std::ostream& os) const;
virtual void setToOriginImpl() {
_estimate = SE3Quat();
}
virtual void oplusImpl(const number_t* update_) {
Eigen::Map<const Vector6> update(update_);
setEstimate(SE3Quat::exp(update)*estimate());
}
};
2.1.2 地图点
地图点采用3维坐标表达,处于欧式空间中,因此和曲线拟合中的例子并无差别,不再赘述。整体实现如下:
class G2O_TYPES_SBA_API VertexSBAPointXYZ : public BaseVertex<3, Vector3>
{
public:
EIGEN_MAKE_ALIGNED_OPERATOR_NEW
VertexSBAPointXYZ();
virtual bool read(std::istream& is);
virtual bool write(std::ostream& os) const;
virtual void setToOriginImpl() {
_estimate.fill(0);
}
virtual void oplusImpl(const number_t* update)
{
Eigen::Map<const Vector3> v(update);
_estimate += v;
}
};
2.2 边
在BA问题中,边的约束存在于相机位姿和M个地图点之间,由于相机位姿存在于非欧空间中,因此其在计算误差和一阶导数部分需要进行重定义。
重载函数:
- void computeError() 计算当前误差
- virtual void linearizeOplus() 计算线性化一阶导数
误差计算:
这里的误差主要指的是重投影误差,即3D点点投影到相机坐标系下与实际特征点之间的坐标差值。因此误差计算步骤如下:
- 转换到相机坐标系
- 利用相机模型转换到像素坐标系(无畸变)
- 计算特征点位置和重投影位置差值
void computeError()
{
// 获得对应相机位姿
const VertexSE3Expmap* v1 = static_cast<const VertexSE3Expmap*>(_vertices[1]);
// 获得对应3D地图点
const VertexSBAPointXYZ* v2 = static_cast<const VertexSBAPointXYZ*>(_vertices[0]);
// 获得相机参数
const CameraParameters * cam = static_cast<const CameraParameters *>(parameter(0));
// 获得当前测量值
Vector2 obs(_measurement);
// 重投影到相机坐标系下,然后相减得到误差
_error = obs-cam->cam_map(v1->estimate().map(v2->estimate()));
}
误差函数的一阶导数计算
由于姿态处于非欧空间内,不能采用简单的数值求导的方法进行求解。因此需要自行定义误差函数的导数以便于在迭代中进行求解计算。这里设计到了在BA问题中,误差函数对地图点和对姿态的求导,这部分内容在博客中有较为详细的推导过程,其结果也和代码相互印证。
对地图点求导的雅克比
对相机位姿求导的雅克比
virtual void linearizeOplus()
{
// 关联帧的姿态
VertexSE3Expmap * vj = static_cast<VertexSE3Expmap *>(_vertices[1]);
SE3Quat T(vj->estimate());
// 地图点
VertexSBAPointXYZ* vi = static_cast<VertexSBAPointXYZ*>(_vertices[0]);
// 地图点的位置,世界坐标系
Vector3 xyz = vi->estimate();
// 地图点位置,相机坐标系
Vector3 xyz_trans = T.map(xyz);
// 中间变量提前计算好
number_t x = xyz_trans[0];
number_t y = xyz_trans[1];
number_t z = xyz_trans[2];
number_t z_2 = z*z;
// 相机参数
const CameraParameters * cam = static_cast<const CameraParameters *> (parameter(0));
// 相机参数,中间变量
Matrix<number_t,2,3,Eigen::ColMajor> tmp;
tmp(0,0) = cam->focal_length;
tmp(0,1) = 0;
tmp(0,2) = -x/z*cam->focal_length;
tmp(1,0) = 0;
tmp(1,1) = cam->focal_length;
tmp(1,2) = -y/z*cam->focal_length;
// 对地图点求导,雅克比矩阵
_jacobianOplusXi = -1./z * tmp * T.rotation().toRotationMatrix();
// 对位姿求导,雅克比矩阵
_jacobianOplusXj(0,0) = x*y/z_2 *cam->focal_length;
_jacobianOplusXj(0,1) = -(1+(x*x/z_2)) *cam->focal_length;
_jacobianOplusXj(0,2) = y/z *cam->focal_length;
_jacobianOplusXj(0,3) = -1./z *cam->focal_length;
_jacobianOplusXj(0,4) = 0;
_jacobianOplusXj(0,5) = x/z_2 *cam->focal_length;
_jacobianOplusXj(1,0) = (1+y*y/z_2) *cam->focal_length;
_jacobianOplusXj(1,1) = -x*y/z_2 *cam->focal_length;
_jacobianOplusXj(1,2) = -x/z *cam->focal_length;
_jacobianOplusXj(1,3) = 0;
_jacobianOplusXj(1,4) = -1./z *cam->focal_length;
_jacobianOplusXj(1,5) = y/z_2 *cam->focal_length;
}
因此,整体的边实现如下:
class G2O_TYPES_SBA_API EdgeProjectXYZ2UV : public BaseBinaryEdge<2, Vector2, VertexSBAPointXYZ, VertexSE3Expmap>{
public:
EIGEN_MAKE_ALIGNED_OPERATOR_NEW;
EdgeProjectXYZ2UV();
bool read(std::istream& is);
bool write(std::ostream& os) const;
void computeError() {
const VertexSE3Expmap* v1 = static_cast<const VertexSE3Expmap*>(_vertices[1]);
const VertexSBAPointXYZ* v2 = static_cast<const VertexSBAPointXYZ*>(_vertices[0]);
const CameraParameters * cam
= static_cast<const CameraParameters *>(parameter(0));
Vector2 obs(_measurement);
_error = obs-cam->cam_map(v1->estimate().map(v2->estimate()));
}
virtual void linearizeOplus()
{
VertexSE3Expmap * vj = static_cast<VertexSE3Expmap *>(_vertices[1]);
SE3Quat T(vj->estimate());
VertexSBAPointXYZ* vi = static_cast<VertexSBAPointXYZ*>(_vertices[0]);
Vector3 xyz = vi->estimate();
Vector3 xyz_trans = T.map(xyz);
number_t x = xyz_trans[0];
number_t y = xyz_trans[1];
number_t z = xyz_trans[2];
number_t z_2 = z*z;
const CameraParameters * cam = static_cast<const CameraParameters *>(parameter(0));
Matrix<number_t,2,3,Eigen::ColMajor> tmp;
tmp(0,0) = cam->focal_length;
tmp(0,1) = 0;
tmp(0,2) = -x/z*cam->focal_length;
tmp(1,0) = 0;
tmp(1,1) = cam->focal_length;
tmp(1,2) = -y/z*cam->focal_length;
_jacobianOplusXi = -1./z * tmp * T.rotation().toRotationMatrix();
_jacobianOplusXj(0,0) = x*y/z_2 *cam->focal_length;
_jacobianOplusXj(0,1) = -(1+(x*x/z_2)) *cam->focal_length;
_jacobianOplusXj(0,2) = y/z *cam->focal_length;
_jacobianOplusXj(0,3) = -1./z *cam->focal_length;
_jacobianOplusXj(0,4) = 0;
_jacobianOplusXj(0,5) = x/z_2 *cam->focal_length;
_jacobianOplusXj(1,0) = (1+y*y/z_2) *cam->focal_length;
_jacobianOplusXj(1,1) = -x*y/z_2 *cam->focal_length;
_jacobianOplusXj(1,2) = -x/z *cam->focal_length;
_jacobianOplusXj(1,3) = 0;
_jacobianOplusXj(1,4) = -1./z *cam->focal_length;
_jacobianOplusXj(1,5) = y/z_2 *cam->focal_length;
}
CameraParameters * _cam;
};
2.3 优化流程
2.3.1 求解器初始化
在g2o内部已经定义好了求解器的类型为 BlockSolver_6_3 ,表示问题中节点维度最大是7而约束维度为3
// 定义求解器
g2o::SparseOptimizer optimizer;
optimizer.setVerbose(false);
// BA线性求解BlockSolver_6_3,含义为节点维度为6 边的维度为3
std::unique_ptr<g2o::BlockSolver_6_3::LinearSolverType> linearSolver;
// 选择不同的求解器,如果结构是稀疏的则选择稀疏求解器,稠密结构则选择稠密求求解
// 合理的利用H矩阵的稀疏性能够极大提高求解速度
if (DENSE) {
linearSolver = g2o::make_unique<g2o::LinearSolverDense<g2o::BlockSolver_6_3::PoseMatrixType>>();
} else {
linearSolver = g2o::make_unique<g2o::LinearSolverCholmod<g2o::BlockSolver_6_3::PoseMatrixType>>();
}
// 选择迭代策略,通常还是L-M算法居多
g2o::OptimizationAlgorithmLevenberg* solver = new g2o::OptimizationAlgorithmLevenberg(
g2o::make_unique<g2o::BlockSolver_6_3>(std::move(linearSolver))
);
optimizer.setAlgorithm(solver);
2.3.2 构造图结构
位姿节点
- 赋予每一个节点id
- 设置前两帧位姿固定(避免优化过程中尺度发生改变)
- 设置初始值
- 添加到图结构中
g2o::VertexSE3Expmap * v_se3 = new g2o::VertexSE3Expmap();
v_se3->setId(vertex_id);
// 前两帧id的位姿是固定的,在优化过程中不变
if (i<2)
{
v_se3->setFixed(true);
}
// 将需要优化的位姿信息添加到图结构中
v_se3->setEstimate(pose);
optimizer.addVertex(v_se3);
地图点节点
由于矩阵的稀疏性可以将矩阵分解成为姿态相关和地图点相关,由于地图点往往很多,则先求解较小的矩阵姿态相关矩阵,然后再利用已有信息求地图点相关矩阵。因此需要设置地图点节点为边缘,便于在矩阵分解时区分。
- 赋予每一个节点id
- 设置初始值
- 设置为边缘化
- 添加到图结构中
// 3D点节点
g2o::VertexSBAPointXYZ * v_p = new g2o::VertexSBAPointXYZ();
// 设置id
v_p->setId(point_id);
// 设置为边缘化,和姿态节点区分便于稀疏求解
v_p->setMarginalized(true);
// 初始值+噪声
v_p->setEstimate(true_points.at(i)
+ Vector3d(g2o::Sampler::gaussRand(0., 1),
g2o::Sampler::gaussRand(0., 1),
g2o::Sampler::gaussRand(0., 1)));
约束边
- 设置当前边连接的地图点和相机位姿
- 设置测量值
- 设置测量值的信息矩阵(权重)
- 设置鲁棒核函数
- 添加到图结构中
g2o::EdgeProjectXYZ2UV * e = new g2o::EdgeProjectXYZ2UV();
// 设置关联的3D地图点和当前帧
e->setVertex(0, dynamic_cast<g2o::OptimizableGraph::Vertex*>(v_p));
e->setVertex(1, dynamic_cast<g2o::OptimizableGraph::Vertex*>
(optimizer.vertices().find(j)->second));
e->setMeasurement(z);
e->information() = Matrix2d::Identity();
// 是否使用鲁棒核,使用huber鲁棒核能有效抑制外点干扰
if (ROBUST_KERNEL)
{
g2o::RobustKernelHuber* rk = new g2o::RobustKernelHuber;
e->setRobustKernel(rk);
}
// 添加到优化器中
e->setParameterId(0, 0);
optimizer.addEdge(e);
2.3.3 求解
optimizer.initializeOptimization();
optimizer.setVerbose(true);
optimizer.optimize(10);
3. 代码实现
由于代码实现较长,同样只给出github链接,每一步都有详细的注释。
4. 小结
BA优化问题和之前的曲线优化在结构上并没有太大的区别,这得益于g2o实现中的高度模板化的代码结构,使得不同问题能在同样的框架下进行求解。当然由于问题的特殊性,总是有不同之处,总结主要的不同点如下:
- 节点状态更新不能只是简单的相加
- 求导不能采用数值求导,需要重载函数从新定义雅克比矩阵
- 前两帧的位姿保持固定,避免尺度不断变化
- 设置地图点节点为边缘点