Pose-Graph Optimization vs Bundle Adjustment

Pose-Graph Optimization和Bundle Adjustment是Visual Odometry中两种重要的优化方式。

1. Pose-Graph Optimization

相机位置可以表示为一幅图像：“点”为相机位置，“边”为相机位置间的刚体运动。

Cost function:　　

其中，e_ij表示边，C_i和C_j是点（即相机位置），Teij表示位置i和j间的变换。Pose-graph optimization寻找能使cost function达到最小的相机位置参数。

• Loop Constraints

 Loop Constraints:（闭环约束，不知道翻译得对不对）：相机运动到t时刻运动到i位置，在t+n时刻再次运动到了i位置，此时即为一个闭环约束。这样的闭环约束减小相距较远的节点间的漂移。

   通过对当前图像与前期图像相似度的评估来寻找闭环约束。

 Loop Detections: 在长时间未找到landmark时，激发对landmark的重新侦测或回到之前标定过的区域。

 Visual Similarity: global image descriptors & local image descriptors

 Global Image Descriptors:用全局图像描述子来计算相似度的典型方法：Visual Words

 图像由一个visual words来描述。两幅图像间的相似性由图像间visual word histograms的距离来计算。Visual word是用整数来表示的高维特征描述子。由于这样的量化，原始的高维描述空间通过k-means聚类划分为一个个不重叠的小单元。这些小单元被称为visual vocabulary。

 该方法在大型图像数据集的相似度计算中非常有效。

Pose-Graph Optimization vs Bundle Adjustment

原文：http://www.cnblogs.com/xiaomingtalent/p/5158520.html