回环检测-学习笔记

由于前端里程计只考虑相邻两帧之间的运动，这样产生的误差会传递到下一时刻。使用后端优化利用尽量多的数据消除了部分误差，但为了使地图更加精确，需要回环检测，保证全局一致性。

准确率：在所有判断是回环中，实际与判断一致的比率（准确率是指判断是否准确）

召回率：在所有事实是回环中，实际与判断一致的比率（召回率是指在事实中选中了的概率）

词袋模型（单词，字典）

字典的生成使用了K-means聚类算法

步骤：

1. 随机选择k个中心点

2. 计算每个样本到最小重心点的距离，最小的为它的归类

3. 重新计算每个类的中心点

为了方便查找，使用k叉树进行聚类。

#include "DBoW3/DBoW3.h"
#include <opencv2/core/core.hpp>
#include <opencv2/highgui/highgui.hpp>
#include <opencv2/features2d/features2d.hpp>
#include <iostream>
#include <vector>
#include <string>

using namespace cv;
using namespace std;

/***************************************************
 * 本节演示了如何根据data/目录下的十张图训练字典
 * ************************************************/

int main( int argc, char** argv ) {
    // read the image 
    cout<<"reading images... "<<endl;
    vector<Mat> images; 
    for ( int i=0; i<10; i++ )
    {
        string path = "./data/"+to_string(i+1)+".png";
        images.push_back( imread(path) );
    }
    // detect ORB features
    cout<<"detecting ORB features ... "<<endl;
    Ptr< Feature2D > detector = ORB::create();
    vector<Mat> descriptors;
    for ( Mat& image:images )
    {
        vector<KeyPoint> keypoints; 
        Mat descriptor;
        detector->detectAndCompute( image, Mat(), keypoints, descriptor );
        descriptors.push_back( descriptor );
    }
    
    // create vocabulary 
    cout<<"creating vocabulary ... "<<endl;
    DBoW3::Vocabulary vocab;
    vocab.create( descriptors );
    cout<<"vocabulary info: "<<vocab<<endl;
    vocab.save( "vocabulary.yml.gz" );
    cout<<"done"<<endl;
    
    return 0;
}

相似度计算

单词在一幅图像中经常出现，在字典中较少出现，说明区分度很高。

TF-IDF频率-逆文档频率

增加了字典规模后，无关图像的相似性减小