原來，數學不好的時候，真的很難深入下去做研究。最近的兩個月時間裏，我就邊學習SOCP相關的理論知識，一邊拿它當工具來分析多視角幾何中的問題（包括Triangulation,Homography Estimation等）。接觸到SOCP的起因在於大多多視覺幾何下面的問題通常可以通過建立優化模型來求解，而凸優化又是這類模型中性質最爲優良的一種——它具有全局最優值（因而也是大家研究最多的一種模型）。不例外，有關Triangulation,Homography Estimation的問題都能很好的利用SOCP模型來擬合求解，這相關的基礎性研究工作在Hartley （1995），Fredrik Kahl（2007）等人發表的論文中都有很好的體現。我作爲一個炮灰級的研究者，擔任的工作也僅是站在巨人們的肩膀上，在現有的確定性參數模型上添加一個擾動集（用p範數來限定），把原問題變作一個不確定性優化問題，企圖藉助魯棒優化的思想，把模型的適用空間進一步的泛化，使我們算法在複雜環境下的魯棒性更好，抗噪性更強。
研究中，我自認爲自己最缺乏的就是沒有系統的學習過優化知識，於是，自己搜遍手頭上能找到的與優化相關的資料，到目前爲止，基本熟悉線性和非線性優化，凸優化，魯棒優化等基礎概念，以及單純形算法、內點法、梯度法、牛頓迭代法及LM迭代法等從局部或全局角度求解優化問題的搜索算法，建立了基本的數學優化知識框架。其中，感觸最深的莫過於對二階錐規劃（SOCP）的學習。先貼出關於SOCP概念上定義的圖：
這裏一定要注意，當你確定要用SEDUMI軟件來求解你的SOCP模型時，sedumi(A,b,c,k)中的參數並不是依照
中的參數來設定，而是要弄清楚你定義的cone中哪個錐中的頂點約束，哪個是半徑約束。說直白一點就是sedumi函數中的第一個參數應該是
，第三個參數應該是
（第二個參數在我的模型中通常視作0）。
和上面的說法相同的還有另一種解釋。倘若我們的二階錐優化模型的標準型定義如下：
其中， 
，而
即是
空間中的二階錐。
以上形式定義可以拆分寫成另一種，記
第1行爲
，記
的第1個分量爲
，即
所以有：
其中，
。
由此可以清楚的辨別，約束表達式中二範數不等式中的A與sedumi軟件中設置的參數A有本質的不同了。