1. 什么是回環(huán)檢測

前面有說過累積誤差的問題，前一時刻的誤差會積累到后面，導(dǎo)致畫不成圈圈，如圖12-1所示，而畫圈圈（全局一致性）很重要，所以需要有一個步驟來糾正當(dāng)前的計算偏差。

回環(huán)檢測通過判斷相機(jī)是否經(jīng)過同一個地方來進(jìn)行糾正的，本講介紹的方法是基于外觀的，拿到兩張圖像后，比較兩張圖像的相似度，越高說明越有可能是同一個地方。在評價時更注重算法的準(zhǔn)確率。

2.相似度計算

在計算相似度之前需要定義一個能夠用來描述圖像的量，這個量可以表達(dá)圖像的特征或者屬性，我們可以通過這個量來計算圖像的相似度。在本節(jié)中采用詞袋模型。

詞袋模型是用向量來描述圖像，比如用向量[0,1,1,0,1]來表達(dá)圖像a，其中第i個元素表示圖像是否擁有特征i，向量的維度也就是總的特征數(shù)量由“字典”決定（也可以看成每個特征是字典中的一個單詞，字典從a到z有3000個單詞，那么向量就有3000維，如果某個圖像只具有100個特征，那么除了這100個元素以外，該圖像其他位置的元素值都是0）。

字典生成：前面學(xué)習(xí)了提取ORB特征來描述圖像，在生成字典時，通常會選用一個比較大的圖像數(shù)據(jù)集，用ORB特征描述每一幅圖像，然后使用聚類算法，聚成N類，生成N維的ORB字典。

當(dāng)字典很大時，O(n)的查找效率會很影響使用，為了提升查找效率可以使用k叉樹結(jié)構(gòu)表達(dá)字典。先聚成k類，作為k個根結(jié)點(diǎn)，在根結(jié)點(diǎn)上再對屬于當(dāng)前根結(jié)點(diǎn)的所有圖像聚成k類，作為第二層，依次向下，最后得到的葉子節(jié)點(diǎn)就是詞袋模型中的每個特征（也可以說是字典中的每個單詞）。

相似度計算，最簡單的方法是使用TF-IDF模型，TF計算的是特征i在圖像A中出現(xiàn)的頻率（也就是單詞i，在句子中出現(xiàn)的頻率），

。

IDF是指某個特征在整個字典中出現(xiàn)的頻率越低，則這個特征的區(qū)分度越高（比如一組100張的人臉圖片，提取出來的特征有眼睛、鼻子、嘴巴、蘋果，那么對于這100張圖片來說幾乎每張都有眼睛、鼻子、嘴巴的特征，這些特征出現(xiàn)頻率很高，不能夠?qū)τ谶@組圖片進(jìn)行很好的區(qū)分。然而可能只有20張圖片中有蘋果，所以蘋果這個特征能夠很好的將這20張圖片區(qū)分出來）

。

假設(shè)當(dāng)前字典中有N個單詞，根據(jù)詞袋模型，圖片A就要用N維向量表示，每一維的元素值，是這一維特征的TFIDF值，

，再根據(jù)兩張圖像的向量進(jìn)行距離計算，得到相似度。

3. 后續(xù)處理

兩張圖片的相似度數(shù)值，并不能直接說明是否同一場景，會存在同一個環(huán)境下每個地方都不一樣的情況。在實(shí)際比較時取先驗(yàn)相似度

，表示此時與上一時刻關(guān)鍵幀的相似性，將其他分值根據(jù)這個值進(jìn)行歸一化。認(rèn)為如果當(dāng)前幀與之前某關(guān)鍵幀的相似度超過了當(dāng)前幀與上一幀相似度的3倍，則可能存在回環(huán)。

參考文獻(xiàn)

[1] 《視覺SLAM十四講從理論到實(shí)踐》 高翔，張濤

總結(jié)

以上是生活随笔為你收集整理的视觉slam十四讲 pdf_视觉SLAM十四讲|第12讲 回环检测的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。