视觉SLAM十四讲之回环检测(第二版)

最新推荐文章于 2023-07-28 02:06:10 发布

纷繁中淡定

最新推荐文章于 2023-07-28 02:06:10 发布

阅读量1.9k

点赞数

本文链接：https://blog.csdn.net/qq_36170626/article/details/101623401

版权

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

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

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

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

5.1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

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）

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)

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&#

关注