视觉SLAM十四讲之回环检测(第二版)

本文详细探讨了视觉SLAM中的回环检测,包括其在SLAM框架中的位置,关键问题,作用,以及基于外观的检测方法。重点介绍了词袋模型(BOW)、字典创建和相似度计算,并强调了回环检测的准确率和召回率要求。此外,还讨论了后期处理策略,如回环验证方法。
摘要由CSDN通过智能技术生成

视觉SLAM十四讲之回环检测(第二版)

1、SLAM框架:前端、后端、回环检测

前端:提供特征点的提取和轨迹、地图的初值
后端:主要是优化问题
回环检测:解决累积误差

2、回环检测的关键:如何有效解决相机经过同一个地方。

3、回环检测的作用:

a、估计轨迹和地图在长时间的准确性;
b、提供当前数据与历史数据的关联,利用回环检测进行重定位

4、回环检测的方法

a、基于里程计的方法(Odometry based):假设存在回环,在累积误差较大时很难work
b、基于外观的方法(Appearance based):基于图像的相似性,视觉SLAM的主流方法。
//工程应用:对于室外的情况:可以使用GPS进行回环检测

5、基于外观的回环检测方法:核心计算图像的相似性

5.1直接让两副图像表示的矩阵相减,由于光照和相机曝光的影响,不能很好的反映图像的相似性

评价判断图像的相似性好与不好的问题:引入感知偏差和感知变异的问题

6、评价基于外观的回环检测方法:准确率和召回率

回环检测的结果分类:

算法/事实 是回环 不是回环
是回环 真阳性(TP) 假阳性(FP)感知偏差
不是回环 假阴性(FN):感知变异 真阴性(TN)
准确率:precision=TP/(TP+FP):所有回环中确实是真实回环的概率
召回率:recall=TP/(TP+FN):在所有回环中被正确检测出来的概率

SLAM要求:对准确率要求的比较高,对召回相对宽容(没有检测出来的再加上回环验证的方法可以避免)

7、词袋模型(Bag-of-Words,BOW)

强调的是单词的有无,而不关心顺序。
对两个向量通过计算的方法确定图像的相似性。
计算公式:

s(a,b)=1-1/w||a-b||(L1泛数)

8、字典

字典生成问题类似于聚类问题。(无监督机器学习)

K-means算法主要步骤:

1、随机选取K个样本中心点c1,c2,...,ck
2、对每一个样本,计算它与每个中心点之间的距离,取最小的作为它的归类。
3、重新计算每个类的中心点,如果每个中心点变化都很小,则算法收敛,退出,否则返回第二步。
K叉树来表达字典(类似于层次聚类,K-means的直接扩展):构建深度为d,每次分叉为K的树。
容纳的单词个数为:k的d此方

具体做法:

1、在根节点,用K-means把所有样本聚成K类(实际中为保证聚类可以使用K-means++),这样得到第一层。
2、对第一层的每个节点,把属于该节点的样本再聚成K类,得到下一层。
3、依次类推,最后得到叶子层&#
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

纷繁中淡定

你的鼓励是我装逼的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值