VSLAM系列原创09讲 | 如何在线生成BoW词袋向量？原理+代码详解

原文链接：VSLAM系列原创09讲 | 如何在线生成BoW词袋向量？原理+代码详解

本文系ORB-SLAM2原理+代码实战系列原创文章，对应的视频课程见：

ORB-SLAM2总共60讲已经全部上线可观看！

大家好，今天我们继续更新ORB-SLAM2/3系列的原创文章，以小白和师兄对话的形式阐述背景原理+代码解析，喜欢的点个赞分享，支持的人越多，更新越有动力！如有错误欢迎留言指正！

代码注释地址：

https://github.com/electech6/ORB_SLAM2_detailed_comments

VSLAM系列原创01讲 | 深入理解ORB关键点提取：原理+代码

VSLAM系列原创02讲 | ORB描述子如何实现旋转不变性？原理+代码

VSLAM系列原创03讲 | 为什么需要ORB特征点均匀化？

VSLAM系列原创04讲 | 四叉树实现ORB特征点均匀化分布：原理+代码

VSLAM系列原创05讲 | 单目初始化中如何进行特征匹配？原理+代码

VSLAM系列原创06讲 | 地图点投影进行特征匹配

VSLAM系列原创07讲 | 词袋有什么用？ORB特征点构建BoW是否靠谱？

VSLAM系列原创08讲 | 如何离线训练BoW字典？终于搞懂了！

接上回继续。。。

---

在线生成词袋向量

师兄：以上是离线生成训练字典的过程。在ORB-SLAM2中，对于新来的一帧图像，我们会利用上面的离线字典给当前图像在线生成词袋向量。具体流程是这样的：

• 第1步：对新来的一帧图像先提取ORB特征点，特征点描述子和离线字典中的一致。

• 第2步：对于每个特征点的描述子，从离线创建好的字典树中自上而下开始寻找自己的位置，从根节点开始，用该描述子和每个节点的描述子计算汉明距离，选择汉明距离最小的节点作为自己所在的节点，一直遍历到叶子。最终把叶子的单词ID和权重等属性赋予这个特征点。见上图。紫色的线表示 一个特征点从根节点到叶子的搜索过程。在树状结构中，这个过程是非常快的。

小白：图中的level up是什么意思？

师兄：可以简单的将level up理解为搜索范围。每个描述子转化为单词后会包含一个属性叫做单词的节点ID（图中的word’s node id），这个节点ID距离叶子的层级就是level up。以后特征匹配的时候，只在该单词的节点ID内部搜索即可。如果这个level up设置比较大，单词的节点ID会比较靠近根节点，那么搜索范围就会扩大，极端的就是在整个字典树里搜索，那肯定相当慢；但是如果这个level up设置的比较小，单词的节点ID会比较靠近叶子，那么很可能搜不到匹配的特征点。还是拿前面国家机构的例子来类比，比如我想在整个国家寻找一个人（单词），这个单词的节点ID就相当于我的搜索范围，是在某个省级范围还是村级范围搜索。如果是省级范围，那搜索效率就很低，如果是在村级范围，搜索是很快，但是如果要找的人是在隔壁村，那就无法搜索到。因此level up要设置为一个合适的值，在ORB-SLAM2里level up=3。

确定一个特征描述子的单词ID、权重、单词所属的节点（距离叶子深度为level up深度的节点）ID ，对应的实现代码见：

/**
 * @brief 确定一个特征描述子的单词ID和权重，单词所属的节点（距离叶子为level up深度的节点）ID
 * @param[in] feature                 特征描述子
 * @param[in & out] word_id           单词ID
 * @param[in & out] weight            单词权重
 * @param[in & out] nid               单词所属的节点（距离叶子为level up深度的节点）ID
 * @param[in] levelsup                单词距离叶子的深度
 */
template<class TDescriptor, class F>
void Tem