1.本函数的作用
匹配两帧中的特征点，与ORBmatcher::SearchForInitialization相比，ORBmatcher::SearchForTriangulation利用了词袋BoW加速了匹配速度。
https://blog.csdn.net/qq_41694024/article/details/126319167?csdn_share_tail=%7B%22type%22%3A%22blog%22%2C%22rType%22%3A%22article%22%2C%22rId%22%3A%22126319167%22%2C%22source%22%3A%22qq_41694024%22%7D2.词袋原理 Bow
直观理解词袋
词袋的形成：
提取ORB特征点、对描述子进行聚类；有新的一帧传进来时、我们将其在词袋内进行遍历得到很多单词，可以用频率来表示。
3 如何制作BoW
3.1 离线训练
首先图像提取ORB 特征点，将描述子通过 k-means 进行聚类，根据设定的树的分支数和深度，从叶子节点开始聚类一直到根节点，最后得到一个非常大的 vocabulary tree，
1、遍历所有的训练图像，对每幅图像提取ORB特征点。
2、设定vocabulary tree的分支数K和深度L。将特征点的每个描述子用 K-means聚类，变成 K个集合， 作为vocabulary tree 的第1层级，然后对每个集合重复该聚类操作，就得到了vocabulary tree的第2层级，继续迭代最后得到满足条件的vocabulary tree，它的规模通常比较大，比如ORB-SLAM2使用的离线字典就有108万+ 个节点。
3、离根节点最远的一层节点称为叶子或者单词 Word。根据每个Word 在训练集中的相关程度给定一个权重weight，训练集里出现的次数越多，说明辨别力越差，给与的权重越低。（这个我感觉像哈夫曼树....）
3.2 在线图像生成BoW向量
1、对新来的一帧图像进行ORB特征提取，得到一定数量（一般几百个）的特征点，描述子维度和 vocabulary tree中的一致
2、对于每个特征点的描述子，从离线创建好的vocabulary tree中开始找自己的位置，从根节点开始， 用该描述子和每个节点的描述子计算汉明距离，选择汉明距离最小的作为自己所在的节点，一直遍历到叶子节点。 整个过程是这样的。紫色的线表示一个特征点从根节点到叶子节点的过程。
3.3 代码解析： Frame::ComputeBoW函数
4 ORBmatcher::SearchByBoW函数解析
4.1 该函数的作用及参数
/* * @brief 通过词袋，对关键帧的特征点进行跟踪 * 步骤 * Step 1：分别取出属于同一node的ORB特征点(只有属于同一node，才有可能是匹配点) * Step 2：遍历KF中属于该node的特征点 * Step 3：遍历F中属于该node的特征点，寻找最佳匹配点 * Step 4：根据阈值 和 角度投票剔除误匹配 * Step 5：根据方向剔除误匹配的点 * @param pKF 关键帧 * @param F 当前普通帧 * @param vpMapPointMatches F中地图点对应的匹配，NULL表示未匹配 * @return 成功匹配的数量 */ int ORBmatcher::SearchByBoW(KeyFrame* pKF,Frame &F, vector<MapPoint*> &vpMapPointMatches) { // 获取该关键帧的地图点 const vector<MapPoint*> vpMapPointsKF = pKF->GetMapPointMatches(); // 和普通帧F特征点的索引一致 vpMapPointMatches = vector<MapPoint*>(F.N,static_cast<MapPoint*>(NULL)); // 取出关键帧的词袋特征向量 const DBoW2::FeatureVector &vFeatVecKF = pKF->mFeatVec; int nmatches=0; // 特征点角度旋转差统计用的直方图 vector<int> rotHist[HISTO_LENGTH]; for(int i=0;i<HISTO_LENGTH;i++) rotHist[i].reserve(500); // 将0~360的数转换到0~HISTO_LENGTH的系数 // !原作者代码是 const float factor = 1.0f/HISTO_LENGTH; 是错误的，更改为下面代码 const float factor = HISTO_LENGTH/360.0f; // We perform the matching over ORB that belong to the same vocabulary node (at a certain level) // 将属于同一节点(特定层)的ORB特征进行匹配 DBoW2::FeatureVector::const_iterator KFit = vFeatVecKF.begin(); DBoW2::FeatureVector::const_iterator Fit = F.mFeatVec.begin(); DBoW2::FeatureVector::const_iterator KFend = vFeatVecKF.end(); DBoW2::FeatureVector::const_iterator Fend = F.mFeatVec.end(); while(KFit != KFend && Fit != Fend) { // Step 1：分别取出属于同一node的ORB特征点(只有属于同一node，才有可能是匹配点) // first 元素就是node id，遍历 if(KFit->first == Fit->first) { // second 是该node内存储的feature index const vector<unsigned int> vIndicesKF = KFit->second; const vector<unsigned int> vIndicesF = Fit->second; // Step 2：遍历KF中属于该node的特征点 for(size_t iKF=0; iKF<vIndicesKF.size(); iKF++) { // 关键帧该节点中特征点的索引 const unsigned int realIdxKF = vIndicesKF[iKF]; // 取出KF中该特征对应的地图点 MapPoint* pMP = vpMapPointsKF[realIdxKF]; if(!pMP) continue; if(pMP->isBad()) continue; const cv::Mat &dKF= pKF->mDescriptors.row(realIdxKF); // 取出KF中该特征对应的描述子 int bestDist1=256; // 最好的距离（最小距离） int bestIdxF =-1 ; int bestDist2=256; // 次好距离（倒数第二小距离） // Step 3：遍历F中属于该node的特征点，寻找最佳匹配点 for(size_t iF=0; iF<vIndicesF.size(); iF++) { // 和上面for循环重名了,这里的realIdxF是指普通帧该节点中特征点的索引 const unsigned int realIdxF = vIndicesF[iF]; // 如果地图点存在，说明这个点已经被匹配过了，不再匹配，加快速度 if(vpMapPointMatches[realIdxF]) continue; const cv::Mat &dF = F.mDescriptors.row(realIdxF); // 取出F中该特征对应的描述子 // 计算描述子的距离 const int dist = DescriptorDistance(dKF,dF); // 遍历，记录最佳距离、最佳距离对应的索引、次佳距离等 // 如果 dist < bestDist1 < bestDist2，更新bestDist1 bestDist2 if(dist<bestDist1) { bestDist2=bestDist1; bestDist1=dist; bestIdxF=realIdxF; } // 如果bestDist1 < dist < bestDist2，更新bestDist2 else if(dist<bestDist2) { bestDist2=dist; } } // Step 4：根据阈值 和 角度投票剔除误匹配 // Step 4.1：第一关筛选：匹配距离必须小于设定阈值 if(bestDist1<=TH_LOW) { // Step 4.2：第二关筛选：最佳匹配比次佳匹配明显要好，那么最佳匹配才真正靠谱 if(static_cast<float>(bestDist1)<mfNNratio*static_cast<float>(bestDist2)) { // Step 4.3：记录成功匹配特征点的对应的地图点(来自关键帧) vpMapPointMatches[bestIdxF]=pMP; // 这里的realIdxKF是当前遍历到的关键帧的特征点id const cv::KeyPoint &kp = pKF->mvKeysUn[realIdxKF]; // Step 4.4：计算匹配点旋转角度差所在的直方图 if(mbCheckOrientation) { // angle：每个特征点在提取描述子时的旋转主方向角度，如果图像旋转了，这个角度将发生改变 // 所有的特征点的角度变化应该是一致的，通过直方图统计得到最准确的角度变化值 float rot = kp.angle-F.mvKeys[bestIdxF].angle;// 该特征点的角度变化值 if(rot<0.0) rot+=360.0f; int bin = round(rot*factor);// 将rot分配到bin组, 四舍五入, 其实就是离散到对应的直方图组中 if(bin==HISTO_LENGTH) bin=0; assert(bin>=0 && bin<HISTO_LENGTH); rotHist[bin].push_back(bestIdxF); // 直方图统计 } nmatches++; } } } KFit++; Fit++; } else if(KFit->first < Fit->first) { // 对齐 KFit = vFeatVecKF.lower_bound(Fit->first); } else { // 对齐 Fit = F.mFeatVec.lower_bound(KFit->first); } } // Step 5 根据方向剔除误匹配的点 if(mbCheckOrientation) { // index int ind1=-1; int ind2=-1; int ind3=-1; // 筛选出在旋转角度差落在在直方图区间内数量最多的前三个bin的索引 ComputeThreeMaxima(rotHist,HISTO_LENGTH,ind1,ind2,ind3); for(int i=0; i<HISTO_LENGTH; i++) { // 如果特征点的旋转角度变化量属于这三个组，则保留 if(i==ind1 || i==ind2 || i==ind3) continue; // 剔除掉不在前三的匹配对，因为他们不符合“主流旋转方向” for(size_t j=0, jend=rotHist[i].size(); j<jend; j++) { vpMapPointMatches[rotHist[i][j]]=static_cast<MapPoint*>(NULL); nmatches--; } } } return nmatches; }
4.2 分别取出属于同一node的ORB特征点(只有属于同一node，才有可能是匹配点
// 获取该关键帧的地图点 const vector<MapPoint*> vpMapPointsKF = pKF->GetMapPointMatches(); // 和普通帧F特征点的索引一致 vpMapPointMatches = vector<MapPoint*>(F.N,static_cast<MapPoint*>(NULL)); // 取出关键帧的词袋特征向量 const DBoW2::FeatureVector &vFeatVecKF = pKF->mFeatVec; int nmatches=0; // 特征点角度旋转差统计用的直方图 vector<int> rotHist[HISTO_LENGTH]; for(int i=0;i<HISTO_LENGTH;i++) rotHist[i].reserve(500); // 将0~360的数转换到0~HISTO_LENGTH的系数 // !原作者代码是 const float factor = 1.0f/HISTO_LENGTH; 是错误的，更改为下面代码 const float factor = HISTO_LENGTH/360.0f; // We perform the matching over ORB that belong to the same vocabulary node (at a certain level) // 将属于同一节点(特定层)的ORB特征进行匹配 DBoW2::FeatureVector::const_iterator KFit = vFeatVecKF.begin(); DBoW2::FeatureVector::const_iterator Fit = F.mFeatVec.begin(); DBoW2::FeatureVector::const_iterator KFend = vFeatVecKF.end(); DBoW2::FeatureVector::const_iterator Fend = F.mFeatVec.end(); while(KFit != KFend && Fit != Fend) { // Step 1：分别取出属于同一node的ORB特征点(只有属于同一node，才有可能是匹配点) // first 元素就是node id，遍历 if(KFit->first == Fit->first) { // second 是该node内存储的feature index const vector<unsigned int> vIndicesKF = KFit->second; const vector<unsigned int> vIndicesF = Fit->second;class BowVector: public std::map<WordId, WordValue>class FeatureVector: public std::map<NodeId, std::vector<unsigned int> >pKF是关键帧、F是当前普通帧。用vpMapPointsKF容器提取关键帧中的地图点。vpMapPointMatches 容器记录匹配关系，建立指向关键帧词袋特征向量的引用vFeatVecKF、匹配数目的指示器nmatches、建立旋转直方图rotHist、建立关键帧和普通帧的FeatureVector的迭代器KFit、Fit、KFend、Fend。
由Frame::ComputeBoW函数的解析我们知：如果两个描述子要成功匹配，其必属于同一个node。
4.3 遍历KF中属于该node的特征点
4.4 遍历F中属于该node的特征点，寻找最佳匹配点
while(KFit != KFend && Fit != Fend) { // Step 1：分别取出属于同一node的ORB特征点(只有属于同一node，才有可能是匹配点) // first 元素就是node id，遍历 if(KFit->first == Fit->first) { // second 是该node内存储的feature index const vector<unsigned int> vIndicesKF = KFit->second; const vector<unsigned int> vIndicesF = Fit->second; // Step 2：遍历KF中属于该node的特征点 for(size_t iKF=0; iKF<vIndicesKF.size(); iKF++) { // 关键帧该节点中特征点的索引 const unsigned int realIdxKF = vIndicesKF[iKF]; // 取出KF中该特征对应的地图点 MapPoint* pMP = vpMapPointsKF[realIdxKF]; if(!pMP) continue; if(pMP->isBad()) continue; const cv::Mat &dKF= pKF->mDescriptors.row(realIdxKF); // 取出KF中该特征对应的描述子 int bestDist1=256; // 最好的距离（最小距离） int bestIdxF =-1 ; int bestDist2=256; // 次好距离（倒数第二小距离） // Step 3：遍历F中属于该node的特征点，寻找最佳匹配点 for(size_t iF=0; iF<vIndicesF.size(); iF++) { // 和上面for循环重名了,这里的realIdxF是指普通帧该节点中特征点的索引 const unsigned int realIdxF = vIndicesF[iF]; // 如果地图点存在，说明这个点已经被匹配过了，不再匹配，加快速度 if(vpMapPointMatches[realIdxF]) continue; const cv::Mat &dF = F.mDescriptors.row(realIdxF); // 取出F中该特征对应的描述子 // 计算描述子的距离 const int dist = DescriptorDistance(dKF,dF); // 遍历，记录最佳距离、最佳距离对应的索引、次佳距离等 // 如果 dist < bestDist1 < bestDist2，更新bestDist1 bestDist2 if(dist<bestDist1) { bestDist2=bestDist1; bestDist1=dist; bestIdxF=realIdxF; } // 如果bestDist1 < dist < bestDist2，更新bestDist2 else if(dist<bestDist2) { bestDist2=dist; } }KFit、Fit分别是指向关键帧、普通帧的FeatureVector容器的迭代器。如果他们的nodeID相同则进入匹配，若KFit的node小于Fit的node，则调整迭代器KFit指向大于等于Fit迭代器所指向的node大小的地方，方便下次匹配。
else if(KFit->first < Fit->first) { // 对齐 KFit = vFeatVecKF.lower_bound(Fit->first); } else { // 对齐 Fit = F.mFeatVec.lower_bound(KFit->first); }若node相同，则依次匹配利用选择排序，和前面讲的就完全一样了。
1676
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
