全自动相机在线标定方法

ref: Camera Self-Calibration for Sequential Bayesian Structure From Motion

基于移动未校准相机的连续图像序列作为唯一输入源，通过序列贝叶斯框架进行相机全自动校准。由于校准参数估计引入的非线性特性，采用高斯和滤波器（SOG）将整体非线性变化范围分割为多个近似线性的小段，在估计初期阶段使用多个滤波器覆盖所有近似线性假设。由于多个高斯函数仅需在地图尺寸较小的初始阶段保留，预计其计算复杂度足够低，能够实现实时性能。

ed6444be2fe0e3e8269e5b7a6afcd8c7.png

2b39e4dadae6122883f562027a0aed47.png

f92aa3e5fbabffcbdaa19af1f6233175.png

将每个EKF协方差P 通过测量方程传播并添加 零均值图像噪声R的协方差，得到创新协方差

bd2ab12100742bae2e95f6d9b137d1d5.png

最后，整个滤波器的总体平均值和协方差计算如下：

c0f06571ce3985f285a38bb51db1edd0.png

每当有新测量数据到达时，系统就会通过标准预测-更新扩展卡尔曼滤波方程对每个高斯函数进行更新。因此，SOG算法的核心部分是由多个并行运行的扩展卡尔曼滤波器组成的池。

直观理解SOG滤波器相较于EKF的两大核心优势： 1. 只要高斯函数数量足够大，任何概率密度函数都可以用加权高斯和进行合理近似。这意味着SOG滤波器无需像常规EKF那样假设概率密度函数为高斯分布。 2. 随着高斯函数数量的增加，每个函数对应的置信度P会逐渐减小，这种特性特别有利于保持线性化处理。