MILD: MULTI-INDEX HASHING FOR APPEARANCE BASED LOOP CLOSURE DETECTION

MILD算法流程

回环检测分为两步，第一步计算图像相速度，第二部基于相似度，使用卡尔曼滤波计算回环的置信度。

图像相似度计算

图像$I_p$和$I_q$之间相似度定义如下： $$\Phi \left(I_p,I_q\right)=\frac{{\sum }_{i=1}^{|F_p||F_q|}\varphi \left(f_i^p,f_j^q\right)}{\left|F_p\right|\left|F_q\right|}$$ 其中，$F_p$和$F_q$是图像中特征的个数，$f_i^p$和$f_j^q$是图像的二进制描述子，二进制描述子之间的距离使用汉明距离。便利所有图像和特征点的算法，计算代价对于大规模数据集是无法接受的。而且当前图像和先前图像中相似度高的很少，便利过程很大一部分是无效的，本文使用多索引哈希（MIH）来加速寻找的过程。

MIH的构造如上图所示，每个特征描述子分成m块，存入不同的哈希表。m足够大的情况下，两个相似的特征描述子必然在某一部分哈希表上相同。基于MIH构造的相似度如下： $${\Phi }^{\prime }\left(I_n,I_k\right)=\frac{{\sum }_{i=1}^{|F_n|}{\sum }_{f_j^k\in {\Omega }_i^n}\varphi \left(f_i^n,f_j^k\right)}{\left|F_n\right|\left|F_k\right|}$$ 其中，${\Omega }_i^n$表示和$f_i^n$有子哈希块相同的特征。

贝叶斯推断

基于得到的图像相似度计算回环置信度。考虑到相近帧的相似性，回环的可能性建立如下模型： $$\{\begin{array}{l}P\left(S_t^i=1|S_t^{i-2:i+2}=1\right)=0.9\\ P\left(S_t^i=1|S_t^{i-2:i+2}=0\right)=0.1\\ P\left(S_t^i=0|S_t^{i-2:i+2}=1\right)=0.1\\ P\left(S_t^i=0|S_t^{i-2:i+2}=0\right)=0.9\end{array}$$ 其中，$S_t^{i-2:i+2}\triangleq \max \left\{S_t^j,j\in [i-2:i+2]\right\}$。回环的置信度如下： $$B(k)=\sum _{j=0}^{1}P\left(S_t^i=k|S_t^{i-2:i+2}=j\right)P\left(S_t^{i-2:i+2}=j\right)$$ 回环的概率如下： $$L\left(S_t^i=1\right)=\{\begin{array}{ll}\frac{{\Phi }^{\prime }\left(I_t,I_i\right)-\sigma }{\mu },& {\Phi }^{\prime }\left(I_t,I_i\right)\le \mu +\sigma \\ 1,& \text{ otherwise }\end{array}$$ 其中，$\mu$ 和 $\sigma$分别是图像相似度的均值和方差。
最终的回环概率为： $$P\left(S_t^i=1\right)=\frac{L\left(S_t^i=1\right)\times B(1)}{{\sum }_{k=0}^1\left[L\left(S_t^i=k\right)\times B(k)\right]}$$

MIH分析

在概率上计算了近似的图像相似度的影响，结论是在m=16时，可以在较小的时间复杂度下得到较好的结果。