1. Bundle Adjustment

在视觉SLAM笔记（36） 3D-2D: PnP 中提及到了BA
所谓的 Bundle Adjustment，是指从视觉重建中提炼出最优的 3D 模型和相机参数（内参数和外参数）
从每一个特征点反射出来的几束光线（bundles of light rays）
在把相机姿态和特征点空间位置做出最优的调整 (adjustment) 之后
最后收束到相机光心的这个过程，简称为 BA

在以图优化框架的视觉 SLAM 算法里， BA 起到了核心作用
它类似于求解只有观测方程的 SLAM 问题

在最近几年视觉 SLAM 理论的研究中， BA 算法不仅具有很高的精度，也开始具备良好的实时性，能够应用于在线计算的 SLAM 场景中
而在 21 世纪早期，虽然计算机视觉领域的研究者已经开始利用 BA 进行重构
但 SLAM 的研究者

视觉SLAM笔记（52） BA 与图优化相关推荐

视觉SLAM笔记（56）位姿图优化
视觉SLAM笔记(56) 位姿图优化 1. g2o 原生位姿图 2. 李代数上的位姿图优化 3. 关于后端优化 1. g2o 原生位姿图下面来演示使用 g2o 进行位姿图优化首先,用 g2o_vi ...
视觉SLAM笔记（53） g2o 操作后端优化
视觉SLAM笔记(53) g2o 操作后端优化 1. BA 数据集 2. g2o 求解 BA 3. 求解 1. BA 数据集目录下的 common 文件夹是实验的数据集部分它的布局如图所示其中, ...
视觉SLAM笔记（55）位姿图
视觉SLAM笔记(55) 位姿图 1. Pose Graph 的意义 2. Pose Graph 的优化 1. Pose Graph 的意义带有相机位姿和空间点的图优化称为 BA,能够有效地求解大规 ...
视觉SLAM笔记（60）建图
视觉SLAM笔记(60) 建图 1. 概述 2. 用处 1. 概述建图(Mapping),本应该是 SLAM 的两大目标之一因为 SLAM 被称为同时定位与建图之前讨论的都是定位问题,包括通过特 ...
视觉SLAM笔记（54） Ceres 操作后端优化
视觉SLAM笔记(54) Ceres 操作后端优化 1. Ceres 求解 BA 2. 求解 1. Ceres 求解 BA g2o 用 Edges 来保存每一个代价函数,但 Ceres 却是用 Pro ...
视觉SLAM笔记（63） RGB-D 稠密建图
视觉SLAM笔记(63) RGB-D 稠密建图 1. 建立点云地图 2. 点云地图 3. 其他重建方法 1. 建立点云地图所谓点云,就是由一组离散的点表示的地图最基本的点包含 x, y, z 三维 ...
视觉SLAM笔记（61）单目稠密建图
视觉SLAM笔记(61) 单目稠密建图 1. 立体视觉 2. 极线搜索与块匹配 3. 高斯分布的深度滤波器 1. 立体视觉相机,很久以来被认为是只有角度的传感器(Bearing only) 单个图像 ...
视觉SLAM笔记（47）优化 PnP 的结果
视觉SLAM笔记(47) 优化 PnP 的结果 1. 迭代优化 2. 优化边 3. 姿态估计 4. 结果对比 1. 迭代优化尝试 RANSAC PnP 加上迭代优化的方式估计相机位姿看看是否对视 ...
视觉SLAM笔记（57）回环检测
视觉SLAM笔记(57) 回环检测 1. 回环检测的意义 2. 实现方法 3. 准确率和召回率 4. 词袋模型 1. 回环检测的意义前端提供特征点的提取和轨迹.地图的初值而后端负责对这所有的数据进 ...

视觉SLAM笔记（52） BA 与图优化

视觉SLAM笔记（52） BA 与图优化

1. Bundle Adjustment

视觉SLAM笔记（52） BA 与图优化相关推荐

最新文章

热门文章