DBoW2
是一个使用fast关键点提取,BRIEF描述子和k-means++训练词典树的模型,特征匹向量匹配过程,图像检索过程
特征点检测
- 特征点应该满足尺度和旋转不变性
- 特征点检测除了得出特点外,还需要生成特征点的描述子用于以后的匹配
SIFT-1999年
经典的特征点检测算法,但是速度慢
ORB-2011年
Oriented FAST and Rotation BRIEF,比较快的一个特征点检测新算法
BOW 词袋
BOW步骤
- 准备训练数据,提取特征点
- 根据特征点进行聚类,获得视觉字典
- 依然利用特征点,根据视觉字典将训练数据的每个图片用直方图向量化。这么做的原因是sift等特征点都是浅层特征,不利于分类,遍历匹配非常耗时
- 利用获得训练集的直方图向量训练分类器或使用KNN检索
训练步骤
- 准备数据集,对所有数据提取特征点
- 获得特征点之后借助kmeans进行建树。设树的每层聚类的聚心为k,树的深度为d,叶子节点为k^d,也就是字典大小为k^d。由于特征点的重要程度不同,给每个叶子节点分配权值
匹配或检索步骤
- 根据需求不同,对叶子节点有direct index或inverse index记录
回环
前提知识
- 共视图 无向加权图,以关键帧为节点,关键帧之间如果有共同观测的地图点则产生边,共同观测的数量就是边的权重。在重定位的时候需要在KeyFrameDatabase中搜索候选关键帧,由于关键帧之间是有重叠视图的,所以在得到匹配的候选关键帧之后,继续把每一个候选关键帧在共视图中的所有“同伙”揪出来,从他们之中重新挑选分数最高的作为最新候选关键帧,同时把他们的分数求和作为新候选帧的分数。——具体图示看连接
- 共视帧如何获得?
- 数据库,DBOW和ORB-SLAM各自有一个数据库?
- sim3?用来解决单目尺度漂移,回环后的工作 参考
- ransac?在特征匹配过程存在许多误匹配信息,导致位姿精度太低,ransac就是对误匹配特征点进行过滤 参考
- 局部地图?在地图中插入关键帧,跟踪过包括局部地图跟踪和全局跟踪,
- 地图点?
- 投影?
- 位姿传播?
- 位姿图优化?
- BA?
- EPnP
过程
降频
要求回环间相隔10个帧
计算minscore
计算当前帧与共视帧的相似分数,取当前帧与共视帧间最小的相似度为minscore。数据库中的帧与当前帧多计算,只有大于这个基准才可能是闭环帧
计算maxcommonwords
从数据库中查找闭环候选帧,当然每个候选帧都会与查询帧有一定数量的共同单词,找到共同单词数最多的帧,并以共同单词数最多的0.8倍设定maxcommonwords
通过minscore和maxcommwords初步过滤掉了大部分候选帧
对候选帧分组
将相连的帧分为一组,这样就会将孤立的帧筛选掉。同时在每个组按公式,计算累加得分,找到组间最高分bestAccScore,并以此设定阈值minScoreToRetain = 0.75*bestAccScore筛选
至此剩余组中的就是回环候选帧
连续性检测
好的回环不仅仅是单针对单针的匹配,而是应该多帧对多帧的回环如图
至此我们就得到了若干可靠的候选帧
几何校验
匹配当前帧与闭环帧之间的特征点,利用DBoW加速一下(Direct Index的应用),匹配太少的候选帧直接就干掉了。
计算一个Sim3初值
利用Sim3初值将候选关键帧的地图点再投影到当前帧,得到更多匹配。
然后优化Sim3. 第2-4步是在RANSAC框架下做的,只要有一个帧通过了测试,就跳出去了。这样就选出了一个闭环帧。
把闭环帧的共视关键帧全部取出来,形成了局部地图,把局部地图点再投到当前帧匹配,又形成了更多的匹配。检查一下匹配点的数量来确定是否接受此次闭环。
至此就形成了闭环
Loop fusion
调整关键帧位姿,更新共视图