3D图像重建中Bundle Adjustment的推导与实现

介绍

捆集调整（Bundle Adjustment）是一种利用来自多台相机的图像数据同时优化相机位置和姿态以及 3D 点位置的技术。该技术历史相当悠久，于 1958 年由 DC Brown1 首次提出。

最初这是美国空军正在进行的从航拍照片中恢复环境的研究，随着视觉SLAM和SfM的传播，它在日常生活中得到了更广泛的应用。

流行的视觉 SLAM（例如 orb-slam2 和 VINS-Mono）使用图形优化库（例如 ceres、gtsam 和 g2o）来解决捆集调整问题。然而，如果没有正确理解内部原理，很有可能无法改善问题或导致原创研究或开发。

在本文中，再一次介绍捆集调整的理论并推导其方程，同时在不依赖库的情况下理解该理论并从头开始在 Python 中实现它，以加深理解。

什么是捆集调整？

下图显示了从多个摄像机（或多次移动同一台摄像机）捕捉物体的情况。该物体具有在每个摄像机图像中可见的特征点*（例如角落）（红点）。

另一方面，如果我们知道这些特征点在3D空间中的3D位置（3D点）和相机姿态，我们就可以进行计算，将3D空间点投影到相机的2D图像平面上（浅蓝色点）。

然而，最初我们只知道 3D 点位置和相机位姿的近似值。因此，投影出的浅蓝色点和实际的红点不匹配。这个错误被称为重投影错误，用红色虚线表示。捆集调整是一种通过最小化该新投影误差来联合优化 3D 点云位置和每个相机位姿的技术。

 在上