回环检测（SLAM十四讲ch12）

概述

       无论在单目、双目还是RGBD中，追踪得到的位姿都是有误差的。随着路径的不断延伸，前面帧的误差会一直传递到后面去，导致最后一帧的位姿在世界坐标系里的误差有可能非常大。除了利用优化方法在局部和全局调整位姿，也可以利用回环检测（loop closure）来优化位姿。

问题的关键是：如何判断两帧图片的相似度。最直观的做法是：特征匹配，比较匹配的数量是否足够多。此时，可以采用词袋模型，用来加速特征匹配。

 

准确率precision和召回率recall

词袋 Bag-of-Words（BoW）

词袋模型（Bag-of-Words，BoW）把特征当成一个个单词，通过比较两张图片中出现的单词是否一致，来判断这两张图片是否是同一场景。
作者：金戈大王
链接：https://www.jianshu.com/p/023e5006499d
來源：简书
简书著作权归作者所有，任何形式的转载都请联系作者获得授权并注明出处。

字典

为了能够把特征归类为单词，我们需要训练一个字典。所谓的字典就是包含了所有可能的单词的集合，为了提高通用性，需要使用海量的数据训练。

聚类 --> k-means

 

字典的训练其实是一个聚类的过程。假设所有图片中共提取了10,000,000个特征，可以使用K-means方法把它们聚成100,000个单词。但是，如果只是用这100,000个单词来匹配的话效率还是太低，因为每个特征需要比较100,000次才能找到自己对应的单词。为了提高效率，字典在训练的过程中构建了一个k个分支，深度为d的树，如下图所示。直观上看，上层结点提供了粗分类，下层结点提供了细分类，直到叶子结点。利用这个树，就可以将时间复杂度降低到对数级别，大大加速了特征匹配。

                                                                          K叉树字典

实践

训练字典需要安装BoW库（DBoW3）https://github.com/rmsalinas/DBoW3

 ./build/feature_training data

 

相似度计算 

./build/loop_closure data

 

TF-IDF（文本检索使用）

关键帧处理