我正在研究运动应用程序中的结构，我正在跟踪放置在对象上的许多标记，以确定对象的刚性结构。
该应用实际上是在多个摄像机视图上使用标准的Levenberg-Marquardt优化，并最大限度地减少了预期标记点与2D视图中每个视图中获得的标记点之间的差异。
对于每个标记点和每个视图，以下函数被最小化：
double diff = calculatedXY[index] - observedXY[index]
其中calculateXY值取决于需要通过优化找到的一些未知参数，而ObservationXY是2D中的标记点位置。总的来说，我有（标记点*视图）功能的数量，如上面的那个我希望最小化的功能。
我已经编码了相机的模拟，看到了所有的标记点，但我想知道如何处理这些情况，因为在运行过程中，由于光线，遮挡或者不在摄像机视图中，这些点是不可见的。在应用程序的实际运行中，我将使用网络摄像头来查看对象，因此可能不会立即看到所有标记，并且取决于我的计算机视觉算法的强大程度，我可能无法检测到一直都是标记。
我想在无法观察到标记点的情况下将diff值设置为0（sigma平方差= 0），但是这会使结果偏斜吗？
我注意到的另一件事是，当呈现太多视图时算法不太好。当呈现太多视图时，更有可能估计出错误的解决方案。这是捆绑调整的常见问题，因为当观看太多视图时，达到局部最小值的可能性增加了吗？
答案 0 :(得分：1)
通常的做法是省略与缺失标记相对应的术语。 IE浏览器。如果没有calculateXY-observedXY字词，请勿尝试最小化observedXY。没有必要将任何东西设置为零，你甚至不应该首先考虑这个术语 - 只是跳过它（或者，我想在你的代码中，它相当于将误差设置为零）。
如果您只是在其上投掷大量观察结果，则捆绑调整可能会非常失败。通过首先解决几个视图然后继续添加来逐步构建解决方案。
你可能想尝试某种“健壮”的方法。不使用最小二乘法，而是使用“损失函数”1。即使有少数观察结果不正确，这些也可以使您的优化生存。您仍然可以在Levenberg-Marquardt框架中执行此操作，您只需将损失函数的导数合并到雅可比行列式中。