slam回环检测方法总结:词袋模型BoW

介绍:

Bag-of-words model (BoW model) 最早出现在自然语言处理（Natural Language Processing）和信息检索（Information Retrieval）领域.。该模型忽略掉文本的语法和语序等要素，将其仅仅看作是若干个词汇的集合，文档中每个单词的出现都是独立的。BoW使用一组无序的单词(words)来表达一段文字或一个文档.。近年来，BoW模型被广泛应用于计算机视觉中。
 

步骤:

1.特征提取；

2.构建字典(所有单词的集合)；

3.确定一帧中有哪些单词,形成词袋向量 (1表示具有该单词，0表示没有)；

4.对比两帧词袋向量的差异,判断回环是否发生.

注:

1.特征提取有常见的提取方法,此处不做过多赘述；

2.构建字典的过程实质上是对目标进行聚类,常见的方法有K-means等；

3.对聚类得到的所有单词,按某种特征进行层层迭代聚类,直到聚类数量到达一定阈值内,得到字典树如下图；

4.词袋向量则为由根节点查找到叶子节点(即单词)的路径,用向量描述；

5.每一帧中,单词出现频率高则区分度高；单词在字典树中出现次数少也代表区分度高；相乘算出每个单词对应的权重；

6.通过范式计算两帧之间的差异；

7.此外,关键帧的选取应该相隔较大或特征区别较大；否则应该对其词袋向量表示进行差异化处理.

验证回环:

1.当前帧与连续几个历史帧都发成闭环,可说明闭环发生的概率大；

2.检测到回环之后,接下来的一些帧将不再检测回环,避免计算资源的浪费；

3.将当前帧的特征放入历史特征或地图中,验证一致性差异.

参考:

https://mp.weixin.qq.com/s/I1QGaLK_JLVhA9mMaJFIoA