SLAM学习——回环检测

1.回环检测

回环检测的关键，就是如何有效的检测出相机经过同一个地方这件事。它关系到我们估计的轨迹和地图在长时间下的正确性。

由于回环检测提供了当前数据与所有历史数据的关联，在跟踪算法丢失后，我们还可以利用重定位。有些时候，我们把仅有前端和局部后端的系统称为VO，把带有回环检测和全局后端的系统称为SLAM。

回环检测的方法：基于里程计的几何关系和基于外观。
基于几何关系是说，当我们发现当前相机运动到了之前的某个位置时，检测它们有没有回环关系。但是由于误差积累的存在，我们往往没办法正确发现“运动到了之前的某个位置附近”这个事实。
基于外观的（主流做法），它和前端、后端的估计都无关，仅根据俩副图像的相似性确定回环检测关系，这种做法摆脱了积累误差，使回环检测模块成为SLAM一个相对独立的模块。

在基于外观回环检测算法中，核心问题是如何计算图像间的相似性。比如对于图像A和图像B，我们要计算它们之间的相似性评分：s(A,B)。如果单单用俩副图像相减然后取范数 $s(A,B)=||A-B||$。但是由于一副图像在不同角度或者不同光线下其结果会相差很多，所以不使用这个函数。

程序判断与实际总有误差，以下是我们的分类结果：

其中假阳性又称为感知偏差，假阴性称为感知变异。为方便，则真阳性(True Positive)简称TP，假阳性称为(False Positive)简称FP，以此类推。当然，所有的结果我们都希望FP和FN尽可能要低。对于某特定算法，我们可以统计它在某个数据集上的TP、FP、FP、FN的出现次数，并统计俩个统计量：准确率Presicion=TP/(TP+FP)和召回率Recall=TP/(TP+FN)。
从上述公式可以得到，准确率描述的是，算法提取的所有回环中确实是真实回环的概率。而召回率是说在所有真实回环中被正确检测出来的概率。一般而言，我们更倾向于提高算法的准确性，稍微牺牲下召回率。如果出现假阳性，那么就会在后端的Pose graph添加错误的边，导致误差不准。

2.词袋模型

1.确定概念，例如一副图像上有人、狗等，那么“人”“狗” 等概念就是Bag-of-Words中的“单词”，许多单词放在一起，组成了“字典”。
2.确定一副图像中出现了哪些在字典中定义的概念——用单词出现的情况(直方图)描述整副图像，转换成向量。
3.比较上一步中的描述的相似程度。

举个例子，若“人”“狗”都在字典里(这里的字典是已经知道的)，不防设为$w_{1}, w_{2}$，假设A图像中有人没狗，则可以描述成：$A=1*w_{1}+0*w_{2}$，由于字典是固定的，那么只需要一个向量就可以描述整副图像了，例如 $A=\begin{bmatrix} 1,0 \end{bmatrix}^{T}$

通过这个词袋模型，我们可以得到俩张图片在这个词袋里面的向量 a,b∈Rw a , b ∈ R w