相机模型 非线性优化（笔记）

注：该博客是在学习过程中 对知识点的整理 以方便日后查阅
照片丢掉的是深度信息
小孔成像原理

α是在u轴缩放 α倍， β是在v轴上缩放β倍 单位为 像素/米

归一化平面是说 当 向量（X,Y,Z）T 向量缩放或扩大多少倍后 在p点在相机的投影 是同一点
（同一直线上的投影点是一样的）

相机坐标系和世界坐标系的变换：

双目相机模型原理： （根据三角形相似得出）

RGB-D相机：
结构光 或 飞行时间原理（激光原理）

图像
灰度图（8位整数）
深度图（16位整数）
彩色图（多通道）

批量状态估计问题（batch）
给多 时刻的 u z 推出 x，y :批量
已知t=k 时刻的x，y 求出 t= k+1 时刻的x， y ：递归

批量式（batch）

举例


问题转换：

非线性优化（最小二乘问题）
简单问题：

迭代方式：

确定增量（梯度下降策略）： 一阶或二阶

最速下降发挥碰到zigzag问题(过于贪婪 导致走直角线）
牛顿法迭代次数少，但是Hessian矩阵计算过于复杂

为避免Hessian 矩阵计算 可用方法有：
1。Gauss-Newton
用二阶近似，但是回避Hessian计算：
但H逆可能不存在
2。Levenberg-Marquadt （改善1。方法）