从计算机视觉(slam)和摄影测量两个维度进行BA算法原理推导

点击上方“计算机视觉工坊”，选择“星标”

干货第一时间送达

摄影测量作为历史悠久的学科，在3D视觉里面很多算法发挥着重要的作用；而slam 的出现对摄影测量是某种程度上的冲击，但是并不能代表slam领域将会完全取代摄影测量领域，两者应该相互借鉴。以bundle adjustment 为例出发点都是重投影误差，但是slam 雅可比的计算是利用李群，而摄影测量的雅可比的计算是利用共线条件方程(非线性方程）泰勒展开，两者的最终结果相同，但是原理推导上有所差异：

本文从李群和共线方程两个学科角度来解释bundle adjustment,并介绍bundle adjustment后如何精度评定及其pose增量变化在图像上的几何意义，而更多关于bundle adjustment 的代码问题，如：

1. pose 作为const，只优化3D points 和相机内参和畸变系数.

2. 经典的BA，pose和3Dpoints 以及相机内参和畸变系数都优化

3. pose部分参数优化，如只优化translation，固定rotation

4. bundle adjustment 加上GPS 约束

5. bundle adjustment 加上marker 约束

6. bundle adjustment 在没有gps、没有gcp的case加上真实世界中实际物体(如桌子长度)的scale 约束

以上等等可以关注本人“视觉三维重建的关键技术与实现-colmap代码解析”课程视频，具体课程介绍可以扫以下二维码：

本文仅做学术分享，如有侵权，请联系删文。