akaze特征匹配怎么去掉不合适的点_ORB-SLAM2——（三）ORB特征匹配

大型博客搬运现场，笔者初始版本发布在：

（三）ORB特征匹配 - 小C酱油兵 - 博客园​www.cnblogs.com

---

ORBSLAM2匹配方法流程

　　在基于特征点的视觉SLAM系统中，特征匹配是数据关联最重要的方法。特征匹配为后端优化提供初值信息，也为前端提供较好的里程计信息，可见，若特征匹配出现问题，则整个视觉SLAM系统必然会崩掉。因此，本系列将特征匹配独立成一讲进行分析。

　　ORBSLAM2中的匹配流程如下所述：

　　1. 计算当前帧描述子对应的BOW向量；

　　2. 设置匹配阈值；

　　3. 进行BOW特征向量匹配确定最优匹配；

　　4. 统计匹配描述子角度偏差并筛选，确定最终匹配。

　　接下来，我们一起再细细分析一下，每一步它具体是怎么做的。

---

词袋模型

在进入正题之前，需要给大家普及一下，什么叫BOW。BOW就是Bag of Word，是词袋模型中的词汇组合而成的向量。

　　到这里，大家肯定又会有疑惑，什么叫词袋模型？

　　从字面上非常直观的意思就是：装着很多词汇的袋子。那么，这个袋子里面的词袋究竟是什么？怎么来的呢？

　　我们知道，一帧图像中，可以提取到很多的特征点，每一个特征点都是一个图像局部块的描述，那么相似场景下的特征点，其描述应该是比较接近的。如果我们将这些常见场景的相似特征进行聚类，下一次再遇到相似的特征，能不能直接用我们聚类的结果来表示这个特征呢？显然是可以的。也就是说，我们把所有相似的特征描述都进行统一化，最终得到一个唯一的描述。而词袋模型就是将所有常见场景的特征描述子按照树状图进行分层聚类，最终得到的一系列聚类中心——统一化的特征描述。

　　为了让大家更加直观的理解我所说的东西，我为大家提供了一个分层聚类的树结构图：

图1. BOW词汇树

　　如图所示，上述树结构是一个聚类中心K为3，深度D为2的词汇树，共计产生KD也就是9个词汇。

　　比如我有10帧图像，每帧图像提取了500个特征点，那么总共有5000个特征点。首先将其聚成3类，作为粗略的筛选。在这三个聚类中心的基础上，每个大类下的特征点再进一步聚成三类。所以我们将5000个特征点分成了9大类，即9个词汇，对于属于词汇W5的描述子，其最终表示是[ 0 0 0 0 1 0 0 0 0 ]，对于每一个词汇，都存储着其对应的权重。对于任意一张输入图像，所有特征点通过词袋模型转换以后变成 [ 50 50 100 0 0 50 50 100 100 ]，即输入图像中的所有特征点直接转换成了一个9维的向量，在图像检索时非常高效。

　　但是，上述的词袋模型对于我们的问题来说，实在是太小了。因此，ORBSLAM中回环检测里采用的词袋模型，是从一些常用场景的大量图像中提取了特征点后进行上述基于树结构的聚类。当然，其树结构肯定是更大更深的，比如，聚类中心K为10，深度D为5的词汇树，共计产生十万个词汇。这个庞大的词汇树可以让不那么相似的特征分开，使得BOW向量更加具有区分度。

---

转换成BOW向量

　　对于输入图像的所有特征点，我们通过词袋模型转换成对应词汇，在树结构庞大的情况下，我们不能在一个向量中包含所有词汇，一方面是考虑内存，另一方面考虑检索效率。因此，我们只保存非0的词汇，即 I = { (W1, 0.01), (W5,0.02), ..., (W300,0.05) }，花括号里(A,B)，A表示词汇ID，B表示权重。需要注意的是，这里的权重是我随机写的，只是为了方便大家理解，实际的权重必须是根据统计结果算出来的。

　　以上述的树结构为例，对于任意一个特征点，我们从root节点出发，与第一层聚类中心进行粗匹配，选择匹配分数最高的一个聚类中心。接着，继续与其子类进行特征匹配，找到最优的匹配，直到叶子为止，这个叶子就是我们之前所说的词汇。假设最终找到的词汇是W3，则这个描述子对应的BOW就是（W3,0.02），通过将所有特征点进行相同的操作，我们可以得到一系列词汇ID和权重，将其串起来就得到了我们要的BOW向量了。

---

特征匹配

　　通过上述的方法，我们将待匹配图像的特征点转换成BOW向量，在匹配时我们查找两帧BOW向量中相同ID的词汇，特征匹配只在有相同ID的词汇中进行。显然，这个过程限定了匹配范围，可以提高匹配的速度。当然，匹配的精度跟词汇树的大小和深度有关系。

图2. 词汇向量对应描述子匹配

　　假设在图像1中，ID为3的词汇中包含6个特征点，同理，图像2中包含3个特征点。则对图像1中的每个特征点都与图像2中的每个特征点计算匹配分数，通过最近邻比例法，结合阈值条件筛选出最优的匹配对。值得注意的是，在图像2中已经匹配过的特征点，图像1其余特征点就不再与之匹配了。

　　形象一点说：图像1中有6名男士，图像2中有3名女士，自由牵手组合。当图像1中的一名男士与图像2中的所有女士进行交流后（特征匹配），有其中一位好感度比较高（匹配分数高于匹配阈值），那么就牵手成功了。这时，图像1中剩余5名男士自然无法匹配已经被选择的那名女士。相反，如果所有女士都对其好感度较低（匹配分数低于匹配阈值），则说明牵手失败。（即匹配失败）

---

确定最优匹配

　　ORBSLAM2中将360°分成30个bin，每个bin的范围是12°。对于图像1和图像2任意两个对应匹配特征，我们计算其二者主方向的夹角。根据夹角的大小确定在哪个角度范围里，并将特征索引存入对应bin中。

　　我们统计每个bin中保存的索引数量，取数量最多的前三个bin作为最终的匹配对结果。其他的匹配对全部予以删除。至此，我们的最优匹配就全部确定了。

　　不过，值得注意的是，我们实际上匹配的点只是一部分，另一部分没有匹配到的，在后面会通过共试图关键帧以及局部地图重投影进行进一步匹配，我们会在后续的内容中讲解。

---

总结：

　　本文主要介绍了ORBSLA2中的匹配方案，以及词袋模型的生成方法。本文在文末提供了一些参考文献，欢迎大家查阅。

　　为了让大家能更直观的了解ORBSLAM2的图像匹配，本文提供了图像匹配相关的源码实现：

https://github.com/yepeichu123/orbslam2_learn/tree/master/feature_matching​github.com

　　下一讲，我将为大家介绍ORBSLAM2的运动估计模块。

参考文献：

　　[1] A Fast and incremental method for loop-closure detection using bags of visual words

　　[2] 视觉SLAM十四讲

PS:

　　如果您觉得我的博客对您有所帮助，欢迎关注我的博客园：

小C酱油兵 - 博客园​www.cnblogs.com

此外，未经允许，不可转载。