安裝Ceres:
sudo apt-get install liblapack-dev libsuitesparse-dev libcxsparse3.1.2 libgflags-dev libgoogle-glog-dev libgtest-dev
然後cd 進cerse
mkdir build
cd build
cmake ..
make -j8
sudo make install
實踐:已知帶有噪聲的x,y, 我們想要求得參數a,b,c
/**********************
* @FileName: main.cpp
* @Author: Liu
* @DateTime: 2019-06-26 09:20:10
* @Description: the test for ceres curve fitting
**********************/
#include<iostream>
#include<opencv2/core/core.hpp>
#include<ceres/ceres.h>
#include<chrono>
using namespace std;
struct CURVE_FITTING_COST//定義一個CostFunction模型
{
CURVE_FITTING_COST(double x,double y):_x(x),_y(y){}
template <typename T>
bool operator()(const T* const abc,T* residual) const//模型參數:3維 ,殘差
{
//y-exp(ax^2+bx+c)
residual[0]=T(_y)-ceres::exp(abc[0]*T(_x)*T(_x)+abc[1]*T(_x)+abc[2]);
return true;
}
const double _x,_y;
};
int main(int argc,char** argv)
{
double a=1.0,b=2.0,c=1.0; //真實參數值
int N=100; //100個數據點
double w_sigma=1.0; //噪聲sigma的值
cv::RNG rng; //opencv隨機數產生器
double abc[3]; //a,b,c的參數估計值
vector<double> x_data,y_data;//數據
cout<<"generating data:"<<endl;
for(int i=0;i<N;i++)
{
double x=i/100.0;
x_data.push_back(x);
y_data.push_back(exp(a*x*x+b*x+c)+rng.gaussian(w_sigma));
cout<<x_data[i]<<" "<<y_data[i]<<endl;
}
//構建最小二乘問題
/*
problem.AddResidualBlock()將誤差項添加到目標函數中,由於優化需要梯度,有以下選擇:
(1)使用Ceres自動求導(Auto Diff)
(2)使用數值求導 (Numeric Diff)
(3)自行推導解析的導數形式
*/
ceres::Problem problem;
for(int i=0;i<N;i++)
{
//向問題中添加誤差項 problem.AddResidualBlock()
//使用自動求導ceres::AutoDiffCostFunction<> 需要指定誤差項和優化變量的維度,這裏的誤差是標量,維度爲1;優化的是a,b,c三個量,維度爲3. ,核函數,不使用,爲空;待估計參數
problem.AddResidualBlock(new ceres::AutoDiffCostFunction<CURVE_FITTING_COST,1,3>(new CURVE_FITTING_COST(x_data[i],y_data[i])),nullptr,abc);
}
//配置求解器
ceres::Solver::Options options;
options.linear_solver_type=ceres::DENSE_QR;//增量方程如何求解
options.minimizer_progress_to_stdout=true;//輸出到cout
ceres::Solver::Summary summary;//優化信息
chrono::steady_clock::time_point t1=chrono::steady_clock::now();//優化前的時間
ceres::Solve(options,&problem,&summary);//開始優化
chrono::steady_clock::time_point t2=chrono::steady_clock::now();//優化後的時間
chrono::duration<double> time_used=chrono::duration_cast<chrono::duration<double>>(t2-t1);
cout<<"solve time cost="<<time_used.count()<<" senconds."<<endl;
//輸出結果
cout<<summary.BriefReport()<<endl;
cout<<"estimated a,b,c= ";
for ( auto a:abc )
{
cout<<a<<" ";
}
cout<<endl;
}
CMakeLists文件
cmake_minimum_required(VERSION 2.8)
project(ceres)
set(CMAKE_BUILD_TYPE "Release")
set(CMAKE_CXX_FLAGS "-std=c++11")
list(APPEND CMAKE_MODULE_PATH ${PROJECT_SOURCE_DIR}/cmake_modules)
find_package(Ceres REQUIRED)
include_directories(${CERES_INCLUDE_DIRS})
find_package(OpenCV REQUIRED)
#include_directories(${OpenCV_DIRS})
add_executable(ceres_node main.cpp)
target_link_libraries(ceres_node ${CERES_LIBRARIES} ${OpenCV_LIBS})
編譯與運行:
mkdir build
cd build
cmake ..
make
./ceres_node
總結:
/*
使用Ceres求解非線性優化問題,一共分爲三個部分:
1、 第一部分:構建cost fuction,即代價函數,也就是尋優的目標式。這個部分需要使用擬函數(functor)這一技巧來實現,做法是定義一個cost function的結構體,在結構體內重載()運算符,具體實現方法後續介紹。
2、 第二部分:通過代價函數構建待求解的優化問題。
3、 第三部分:配置求解器參數並求解問題,這個步驟就是設置方程怎麼求解、求解過程是否輸出等,然後調用一下Solve方法。
*/
第一部分:構造代價函數結構體
struct CURVE_FITTING_COST//定義一個CostFunction模型
{
CURVE_FITTING_COST(double x,double y):_x(x),_y(y){}
template <typename T>
bool operator()(const T* const abc,T* residual) const//模型參數:3維 ,殘差
{
//y-exp(ax^2+bx+c)
residual[0]=T(_y)-ceres::exp(abc[0]*T(_x)*T(_x)+abc[1]*T(_x)+abc[2]);
return true;
}
const double _x,_y;
};
這裏的使用了仿函數的技巧,即在CostFunction結構體內,對()進行重載,這樣的話,該結構體的一個實例就能具有類似一個函數的性質,在代碼編寫過程中就能當做一個函數一樣來使用。
關於仿函數,這裏再多說幾句,對結構體、類的一個實例,比如Myclass類的一個實例Obj1,如果Myclass裏對()進行了重載,那Obj1被創建之後,就可以將Obj1這個實例當做函數來用,比如Obj(x)
ostFunction結構體中,對括號符號重載的函數中,傳入參數有兩個,一個是待優化的變量x,另一個是殘差residual,也就是代價函數的輸出。重載了()符號之後,CostFunction就可以傳入AutoDiffCostFunction方法來構建尋優問題了。
第二部分:通過代價函數構建待求解的優化問題
ceres::Problem problem;
for(int i=0;i<N;i++)
{
//向問題中添加誤差項 problem.AddResidualBlock()
//使用自動求導ceres::AutoDiffCostFunction<> 需要指定誤差項和優化變量的維度,這裏的誤差是標量,維度爲1;優化的是a,b,c三個量,維度爲3. ,核函數,不使用,爲空;待估計參數
problem.AddResidualBlock(new ceres::AutoDiffCostFunction<CURVE_FITTING_COST,1,3>(new CURVE_FITTING_COST(x_data[i],y_data[i])),nullptr,abc);
}
這一部分就是待求解的優化問題的構建過程,使用之前結構體創建一個實例,由於使用了仿函數技巧,該實例在使用上可以當做一個函數。基於該實例new了一個CostFunction結構體,這裏使用的自動求導,將之前的代價函數結構體傳入,第一個1是輸出維度,即殘差的維度,第二個3是輸入維度,即待尋優參數abc的維度。分別對應之前結構體中的residual和x。
向問題中添加誤差項,本問題比較簡單,添加一次就行(有的問題要不斷多次添加ResidualBlock以構建最小二乘求解問題)。這裏的參數NULL是指不使用核函數,&x表示abc是待尋優參數。
第三部分:配置問題並求解問題
//配置求解器
ceres::Solver::Options options;
options.linear_solver_type=ceres::DENSE_QR;//增量方程如何求解
options.minimizer_progress_to_stdout=true;//輸出到cout
ceres::Solver::Summary summary;//優化信息
chrono::steady_clock::time_point t1=chrono::steady_clock::now();//優化前的時間
ceres::Solve(options,&problem,&summary);//開始優化
chrono::steady_clock::time_point t2=chrono::steady_clock::now();//優化後的時間
chrono::duration<double> time_used=chrono::duration_cast<chrono::duration<double>>(t2-t1);
cout<<"solve time cost="<<time_used.count()<<" senconds."<<endl;
//輸出結果
cout<<summary.BriefReport()<<endl;
cout<<"estimated a,b,c= ";
//for ( auto a:abc )
for(int i=0;i<3;i++)
{
cout<<abc[i]<<" ";
}
這一部分很好理解,創建一個Option,配置一下求解器的配置,創建一個Summary。最後調用Solve方法,求解。