因为毕设要用Bundle Adjustment 进行数据优化,涉及到优化方法的实现,所以想训练一下编程实现的能力。这篇文章也是参考SLAM14讲,通过高斯牛顿法来完成曲线拟合,从而熟悉高斯牛顿法流程和编程
一、只用eigen库实现
1.1 头文件
#include <iostream>
#include <chrono> //计时模块,非核心代码
#include <opencv2/opencv.hpp>
#include <Eigen/Core>
#include <Eigen/Dense>
1.2 高斯牛顿法原理
设曲线为
y = e x p ( a x 2 + b x + c ) y=exp(ax^2+bx+c) y=exp(ax2+bx+c)
加噪声后为
y = e x p ( a x 2 + b x + c ) + W , W 为 噪 声 y=exp(ax^2+bx+c)+W ,W为噪声 y=exp(ax2+bx+c)+W,W为噪声
获得多个曲线数据点 ( x i , y i ) (x_i,y_i) (xi,yi)。
目标函数为
F = a r g ( a , b , c ) m i n ∑ i = 1 N e i 2 = ( y i − e x p ( a x i 2 + b x i + c ) F=_{arg(a,b,c)}min\sum_{i=1}^Ne_i^2=(y_i-exp(ax_i^2+bx_i+c) F=arg(a,b,c)