安装Ceres:
sudo apt-get install liblapack-dev libsuitesparse-dev libcxsparse3.1.2 libgflags-dev libgoogle-glog-dev libgtest-dev
然后cd 进cerse
mkdir build
cd build
cmake ..
make -j8
sudo make install
实践:已知带有噪声的x,y, 我们想要求得参数a,b,c
/**********************
* @FileName: main.cpp
* @Author: Liu
* @DateTime: 2019-06-26 09:20:10
* @Description: the test for ceres curve fitting
**********************/
#include<iostream>
#include<opencv2/core/core.hpp>
#include<ceres/ceres.h>
#include<chrono>
using namespace std;
struct CURVE_FITTING_COST//定义一个CostFunction模型
{
CURVE_FITTING_COST(double x,double y):_x(x),_y(y){}
template <typename T>
bool operator()(const T* const abc,T* residual) const//模型参数:3维 ,残差
{
//y-exp(ax^2+bx+c)
residual[0]=T(_y)-ceres::exp(abc[0]*T(_x)*T(_x)+abc[1]*T(_x)+abc[2]);
return true;
}
const double _x,_y;
};
int main(int argc,char** argv)
{
double a=1.0,b=2.0,c=1.0; //真实参数值
int N=100; //100个数据点
double w_sigma=1.0; //噪声sigma的值
cv::RNG rng; //opencv随机数产生器
double abc[3]; //a,b,c的参数估计值
vector<double> x_data,y_data;//数据
cout<<"generating data:"<<endl;
for(int i=0;i<N;i++)
{
double x=i/100.0;
x_data.push_back(x);
y_data.push_back(exp(a*x*x+b*x+c)+rng.gaussian(w_sigma));
cout<<x_data[i]<<" "<<y_data[i]<<endl;
}
//构建最小二乘问题
/*
problem.AddResidualBlock()将误差项添加到目标函数中,由于优化需要梯度,有以下选择:
(1)使用Ceres自动求导(Auto Diff)
(2)使用数值求导 (Numeric Diff)
(3)自行推导解析的导数形式
*/
ceres::Problem problem;
for(int i=0;i<N;i++)
{
//向问题中添加误差项 problem.AddResidualBlock()
//使用自动求导ceres::AutoDiffCostFunction<> 需要指定误差项和优化变量的维度,这里的误差是标量,维度为1;优化的是a,b,c三个量,维度为3. ,核函数,不使用,为空;待估计参数
problem.AddResidualBlock(new ceres::AutoDiffCostFunction<CURVE_FITTING_COST,1,3>(new CURVE_FITTING_COST(x_data[i],y_data[i])),nullptr,abc);
}
//配置求解器
ceres::Solver::Options options;
options.linear_solver_type=ceres::DENSE_QR;//增量方程如何求解
options.minimizer_progress_to_stdout=true;//输出到cout
ceres::Solver::Summary summary;//优化信息
chrono::steady_clock::time_point t1=chrono::steady_clock::now();//优化前的时间
ceres::Solve(options,&problem,&summary);//开始优化
chrono::steady_clock::time_point t2=chrono::steady_clock::now();//优化后的时间
chrono::duration<double> time_used=chrono::duration_cast<chrono::duration<double>>(t2-t1);
cout<<"solve time cost="<<time_used.count()<<" senconds."<<endl;
//输出结果
cout<<summary.BriefReport()<<endl;
cout<<"estimated a,b,c= ";
for ( auto a:abc )
{
cout<<a<<" ";
}
cout<<endl;
}
CMakeLists文件
cmake_minimum_required(VERSION 2.8)
project(ceres)
set(CMAKE_BUILD_TYPE "Release")
set(CMAKE_CXX_FLAGS "-std=c++11")
list(APPEND CMAKE_MODULE_PATH ${PROJECT_SOURCE_DIR}/cmake_modules)
find_package(Ceres REQUIRED)
include_directories(${CERES_INCLUDE_DIRS})
find_package(OpenCV REQUIRED)
#include_directories(${OpenCV_DIRS})
add_executable(ceres_node main.cpp)
target_link_libraries(ceres_node ${CERES_LIBRARIES} ${OpenCV_LIBS})
编译与运行:
mkdir build
cd build
cmake ..
make
./ceres_node
总结:
/*
使用Ceres求解非线性优化问题,一共分为三个部分:
1、 第一部分:构建cost fuction,即代价函数,也就是寻优的目标式。这个部分需要使用拟函数(functor)这一技巧来实现,做法是定义一个cost function的结构体,在结构体内重载()运算符,具体实现方法后续介绍。
2、 第二部分:通过代价函数构建待求解的优化问题。
3、 第三部分:配置求解器参数并求解问题,这个步骤就是设置方程怎么求解、求解过程是否输出等,然后调用一下Solve方法。
*/
第一部分:构造代价函数结构体
struct CURVE_FITTING_COST//定义一个CostFunction模型
{
CURVE_FITTING_COST(double x,double y):_x(x),_y(y){}
template <typename T>
bool operator()(const T* const abc,T* residual) const//模型参数:3维 ,残差
{
//y-exp(ax^2+bx+c)
residual[0]=T(_y)-ceres::exp(abc[0]*T(_x)*T(_x)+abc[1]*T(_x)+abc[2]);
return true;
}
const double _x,_y;
};
这里的使用了仿函数的技巧,即在CostFunction结构体内,对()进行重载,这样的话,该结构体的一个实例就能具有类似一个函数的性质,在代码编写过程中就能当做一个函数一样来使用。
关于仿函数,这里再多说几句,对结构体、类的一个实例,比如Myclass类的一个实例Obj1,如果Myclass里对()进行了重载,那Obj1被创建之后,就可以将Obj1这个实例当做函数来用,比如Obj(x)
ostFunction结构体中,对括号符号重载的函数中,传入参数有两个,一个是待优化的变量x,另一个是残差residual,也就是代价函数的输出。重载了()符号之后,CostFunction就可以传入AutoDiffCostFunction方法来构建寻优问题了。
第二部分:通过代价函数构建待求解的优化问题
ceres::Problem problem;
for(int i=0;i<N;i++)
{
//向问题中添加误差项 problem.AddResidualBlock()
//使用自动求导ceres::AutoDiffCostFunction<> 需要指定误差项和优化变量的维度,这里的误差是标量,维度为1;优化的是a,b,c三个量,维度为3. ,核函数,不使用,为空;待估计参数
problem.AddResidualBlock(new ceres::AutoDiffCostFunction<CURVE_FITTING_COST,1,3>(new CURVE_FITTING_COST(x_data[i],y_data[i])),nullptr,abc);
}
这一部分就是待求解的优化问题的构建过程,使用之前结构体创建一个实例,由于使用了仿函数技巧,该实例在使用上可以当做一个函数。基于该实例new了一个CostFunction结构体,这里使用的自动求导,将之前的代价函数结构体传入,第一个1是输出维度,即残差的维度,第二个3是输入维度,即待寻优参数abc的维度。分别对应之前结构体中的residual和x。
向问题中添加误差项,本问题比较简单,添加一次就行(有的问题要不断多次添加ResidualBlock以构建最小二乘求解问题)。这里的参数NULL是指不使用核函数,&x表示abc是待寻优参数。
第三部分:配置问题并求解问题
//配置求解器
ceres::Solver::Options options;
options.linear_solver_type=ceres::DENSE_QR;//增量方程如何求解
options.minimizer_progress_to_stdout=true;//输出到cout
ceres::Solver::Summary summary;//优化信息
chrono::steady_clock::time_point t1=chrono::steady_clock::now();//优化前的时间
ceres::Solve(options,&problem,&summary);//开始优化
chrono::steady_clock::time_point t2=chrono::steady_clock::now();//优化后的时间
chrono::duration<double> time_used=chrono::duration_cast<chrono::duration<double>>(t2-t1);
cout<<"solve time cost="<<time_used.count()<<" senconds."<<endl;
//输出结果
cout<<summary.BriefReport()<<endl;
cout<<"estimated a,b,c= ";
//for ( auto a:abc )
for(int i=0;i<3;i++)
{
cout<<abc[i]<<" ";
}
这一部分很好理解,创建一个Option,配置一下求解器的配置,创建一个Summary。最后调用Solve方法,求解。