0

问题：我正在尝试使用 eigen unsupported levenberg marquardt 来找到两个线性方程的最佳参数。当我运行我的代码时，算法会很快收敛到错误的答案。

预期：我使用参数 tFx =13.7、tFy = 13.5、tCx = 0.0、tCy = 0.0 生成了一堆术语 tU、tX、tZ、tY 和 tV。我希望 LM 返回用于生成 tU、tX、tZ、tY 和 tV 的相同值。

观察到：当我在方程上运行 LM 时，它产生 tFx = 13.0，tFy = 13.0，tCx = 0.0，tCy =0.0。

方法：我试图找到以下两个方程的最佳参数集：

  aH(i) = tU - tFx*tX / tZ - tCx;
  aH(i + mObjectPoints.size()) = tV - tFy*tY / tZ - tCy;

我的参数向量是：

double tFx = aP(0);
double tFy = aP(1);
double tCx = aP(2);
double tCy = aP(3);

aH 是我的函数向量。上面的方程产生了一个不依赖于 aP 的常数雅可比行列式。

  aFjac(i, 0) = -1 * tX / tZ;
  aFjac(i, 1) = 0;
  aFjac(i, 2) = -1;
  aFjac(i, 3) = 0;
  aFjac(i + mObjectPoints.size(), 0) = 0;
  aFjac(i + mObjectPoints.size(), 1) = -1*tY/tZ;
  aFjac(i + mObjectPoints.size(), 2) = 0;
  aFjac(i + mObjectPoints.size(), 3) = -1;

我主要按照此处显示的示例使用。在示例中，我使用了以下运算符和 df：

int operator()(const Eigen::VectorXd &aP,        //Input 
                     Eigen::VectorXd &aH) const  //Output 

int df(const InputType &aP, JacobianType& aFjac)

我检查最小值的方式如下：

  Eigen::LevenbergMarquardt<CameraMatrixFunctor> lm(tFunctor);

  lm.parameters.factor = 0.001;
  lm.parameters.maxfev = 500;
  lm.parameters.xtol = 1e-5;



  lm.minimize(tP);

我省略了所有初始化的废话，这样问题就很清楚了。我非常感谢任何帮助，因为此代码不受支持。对这个问题的任何回答只会帮助其他人更好地理解 eigen 不受支持的函数。

4

1 回答 1

0

我的方程式是正确的。如果其他人有这个问题，我建议只是想出一个测试用例。例如，在我的代码中，我只是将方程式简化为

aH(i) = tFx- tCx;
aH(i + mObjectPoints.size()) = tFy - tCy;

然后雅可比变成

aFjac(i, 0) = 1;
aFjac(i, 1) = 0;
aFjac(i, 2) = -1;
aFjac(i, 3) = 0;
aFjac(i + mObjectPoints.size(), 0) = 0;
aFjac(i + mObjectPoints.size(), 1) = 1;
aFjac(i + mObjectPoints.size(), 2) = 0;
aFjac(i + mObjectPoints.size(), 3) = -1;

然后 LM 将参数最小化为正确的值。取决于您将它们初始化为什么。

于 2018-01-05T17:53:46.467 回答