刘浩敏博士讲的BA

BA知识总结
1.什么是标准的BA？
在刘博士的讲解下，我个人总结的大白话是：把相机位姿的优化和特征点的优化都表示为重投影的误差，求解误差和最小时的相机位姿以及特征点坐标。
2.什么是线性最小二乘？

已知直线y=Ax+b，取其二范数

打开二范数（不要问我为什么这么展开，找规律就行）

这里要强调的是展开后的三项分别为x的二次项，一次项和常数项，因为要求最小值，需要对x求导让导数为0，求得x*

3.什么是非线性最小二乘？
函数的形式不一定是直线，可以是任何形式。

老虑到y的形式，我们采用迭代的方式逐渐逼近x的值，此处我们做一个假设，假设一个很小的δx=x1-x，即δx为第一次初始化x1与想x*的差值

现在想仿照线性最小二乘的形式，将非线性函数用近似的直线形式表示为

其中J为Jacobian矩阵

非线性函数也用类似直线的形式表示后，展开二范数

对δx求导，解出δx1值，取x2=x1+δx1，继续求新的δx，经过多次迭代求得x*

再求x*的过程中，有四个比较重要的概念

①Jacobian矩阵

②Hessian矩阵

③normal equation

知道了通过迭代逼近的方法求解，那么到底应该如何求δx呢？
举个例子，假设一共有3个相机，4个特征点，并且规定每一个点对于任何一个相机都是可使的，说白了就是任何一个相机都可以看到4个特征点，对于这个normal equation

其中Jacobian由三个相机和四个特征点组成

由于四个点对每个相机都是可见的，因此，每一个相机所看到的特征点都要有一组初始化的重投影结果，这样的话，初始化的相机与特征点的对应状态12组重投影结果，所以ε的维度是3*4=12