Ceres Solver 非线性优化库使用

* https://www.cnblogs.com/shang-slam/p/6821560.html
* http://blog.csdn.net/liminlu0314/article/details/16808239
* http://ceres-solver.org/features.html
 Ceres Solver是谷歌2010就开始用于解决优化问题的C++库,2014年开源.
 在Google地图,Tango项目,以及著名的SLAM系统OKVIS和Cartographer的优化模块中均使用了Ceres Solver.

 众所周知,最大似然估计(MLE)是许多机器人和计算机视觉应用中使用的估计方法。
 在高斯假设下,MLE转换为非线性最小二乘(NLS)问题。
 存在有效的NLS解决方案,它们是基于迭代求解稀疏线性系统直到收敛。

 在SLAM领域优化问题还可以使用g2o来求解.不过Ceres提供了自动求导功能,虽然是数值求导,
 但可以避免复杂的雅克比计算,目前来看Ceres相对于g2o的缺点仅仅是依赖的库多一些(g2o仅依赖Eigen).
 但是提供了可以直接对数据进行操作的能力,相对于g2o应用在视觉SLAM中,
 更加倾向于通用的数值优化,最重要的是提供的官方资料比较全(看g2o简直受罪...).
 详细的介绍可以参考google的文档:http://ceres-solver.org/features.html

 优化问题的本质是调整优化变量,使得优化变量建模得出的估计值不断接近观测数据(使得目标函数下降),
 是最大似然框架下对优化变量的不断调整,得到优化变量建模得出的估计值在观测条件下的无偏估计过程.

 ObjectiveFunction:目标函数
 ResidualBlock:残差(代价函数的二范数,有时不加区分),多个ResidualBlock组成完整的目标函数;
 CostFunction:代价函数,观测数据与估计值的差,观测数据就是传感器获取的数据,估计值是使用别的方法获取
(例如初始化,ICP,PnP或者匀速模型...)的从优化变量通过建模得出的观测值;例如从对极几何得到的相机位姿,
三角化得到的地图点可以作为优化变量的初始值,但是需要利用坐标系变换和相机模型转化为2D平面上的像素坐标估计值,
与实际测量得到的观测值之间构建最小二乘问题;
ParameterBlock:优化变量;

LossFunction:核函数,用来减小Outlier的影响,对应g2o中的edge->setRobustKernel()

github链接 点击打开链接

#include 
#include 
#include //最小二成非线性优化
#include //计时
#include //文件流

using namespace std;

// [1] 代价函数的计算模型
// 1.定义一个Functor(拟函数/函数对象)类,其中定义的是CostFunction. 需要重载函数调用运算符,
//  从而可以像使用函数一样使用该类对象.(与普通函数相比,能够在类中存储状态,更加灵活)
struct CURVE_FITTING_COST//曲线拟合代价函数
{
    CURVE_FITTING_COST ( double x, double y ) : _x ( x ), _y ( y ) {}//直接赋值   _x = x;     _y  = y;
    /*
     函数 y=exp(a*x^2 +b*x+c) + w//w为噪声
    参差  y-exp(a*x^2 +b*x+c)
     */
    // 残差的计算
    template //必须使用模板类型   通用参数类型
    bool operator() (            // 必须要编写一个重载() 运算
      //所有的输入参数和输出参数都要使用T类型
        const T* const abc,     // 模型参数,有3维
        T* residual ) const      // 残差
    { // T ( _y )  T ( _x ) 强制类型转换
        residual[0] = T ( _y ) - ceres::exp ( abc[0] * T ( _x )  * T ( _x ) + abc[1] * T ( _x ) + abc[2] ); 
	    // y-exp(a * x^2+b * x + c)
        return true;//必须返回ture
    }
     private:   //自添加
  // 观测值
    const double _x, _y;    //常量 double类型  x,y数据
};

int main ( int argc, char** argv )
{
    double a=1.0, b=2.0, c=1.0;   // 真实参数值
    int N=100;                             // 数据点数量
    double w_sigma=1.0;             // 噪声Sigma值  高斯分布方差
    cv::RNG rng;                         // OpenCV随机数产生器
    double abc[3] = {0,0,0};        // abc参数的估计值

    vector x_data, y_data;      // 数据 容器

    stringstream ss;//字符串流
    
    cout<<"生成数据 generating data: "< (  // 模型参数,有3维
                new CURVE_FITTING_COST ( x_data[i],  y_data[i] )//带入误差方差
            ),
            nullptr,            // 核函数,这里不使用,为空
            abc                  // 待估计参数 这里为 数组 输入的为 地址   如果是常量 需要 &x  取地址
        );
    }

    // 配置求解器
    // 这个类有许多字段,每个字段都提供了一些枚举值供用户选择。所以需要时只要查一查文档就知道怎么设置了。
    ceres::Solver::Options options;     // 这里有很多配置项可以填
    options.linear_solver_type = ceres::DENSE_QR;  // QR分解  增量方程如何求解
    options.minimizer_progress_to_stdout = true;   // 优化过程信息 输出到 标志输出
  /** 参数选择
    options.gradient_tolerance = 1e-16;
    options.function_tolerance = 1e-16;
    ...
    梯度阈值 gradient_tolerance.
    相邻两次迭代之间目标函数之差 function_tolerance.
    梯度下降策略 trust_region_strategy 可选levenberg_marquardt,dogleg.
    线性增量方程 HΔx=g 求解方法 linear_solver 可选sparse_schur,dense_schur,sparse_normal_cholesky,
		    视觉SLAM中主要采用稀疏Schur Elimination/ Marginalization的方法(也就是消元法),
		    将地图点的增量边缘化,先求出相机位姿的增量,可以极大地较少计算量,避免H矩阵直接求逆
   稀疏线性代数库 sparse_linear_algebra_library 可选suite_sparse,cx_sparse(ceres编译时需额外编译),
				  cx_sparse相对suite_sparse,更精简速度较慢,但是不依赖BLAS和LAPACK.这个通常选择suite_sparse即可.
  稠密线性代数库  dense_linear_algebra_library 可选eigen,lapack.
  边缘化次序 ParameterBlockOrdering 设置那些优化变量在求解增量方程时优先被边缘化,一般会将较多的地图点先边缘化,
			  不设置ceres会自动决定边缘化次序,这在SLAM里面常用于指定Sliding Window的范围.	
  多线程 这里的设置根据运行平台会有较大不同,对计算速度的影响也是最多的.
		  分为计算雅克比时的线程数num_threads,以及求解线性增量方程时的线程数num_linear_solver_threads.			  
  迭代次数 max_num_iterations,有时迭代多次均不能收敛,可能是初值不理想或者陷入了平坦的区域等等原因,
		      需要设定一个最大迭代次数.			  			  
   */
    ceres::Solver::Summary summary;                // 优化信息
  //优化求解起始时间
    chrono::steady_clock::time_point t1 = chrono::steady_clock::now();
   // 开始优化   
    ceres::Solve ( options, &problem, &summary );
    //优化求解结束时间  
    chrono::steady_clock::time_point t2 = chrono::steady_clock::now();
    chrono::duration time_used = chrono::duration_cast>( t2-t1 );
    cout<<"最小二成法优化时间 solve time cost = "<


你可能感兴趣的:(机器视觉)