【SLAM】创建字典进行回环检测教程

1.前言

现在，我们已经知道了SLAM中在前端进行姿态估计，在前端估计中，相邻的时间中，位姿的估计可以使用前端估计解决；在较长的时间中，位姿估计可以使用图优化解决；那么，对于更长的时间呢，如果依然使用图优化会导致漂移的持续累计，这时候，要怎么解决来遏制这种长时间导致的漂移呢？

这就要用到回环检测了。

> 回环检测，又称闭环检测，是指机器人识别曾到达某场景，使得地图闭环的能力。说的简单点，就是机器人在左转一下，右转一下建图的时候能意识到某个地方是“我”曾经来过的，然后把此刻生成的地图与刚刚生成的地图做匹配。

2.回环检测的方法

回环检测有2的重要的目的：

1. 长时间的漂移校正；
2. 地图重定位。

那么，如何判断是否出现回环检测呢？

从最简单的方法来看，就是比较2个图像的相似度，完全相似或者高度相似就是出现了回环。

这可以通过特征匹配来计算2个图像的相似度，但是这样做，一副要和产生的所有图像比较特征是否一致，这个计算量实在是太大了，那么有没有更好的办法呢？

可以通过基于外观匹配的方式计算，也就是说，当机器人运动过程中估计图像的相似度来比较是否存在回环。这就诞生了SLAM中前端、后端、回环检测的三大部分。

那么如何评价图像的相似度？

3.准确率和召回率

准确率：

召回率：

4.词袋

从最简单的方法来看，回环检测就是比较2个图像的相似度，比较他们的特征匹配，完全相似或者高度相似就是出现了回环。

但是这种检测匹配的方式计算量太过庞大，如何降低计算量呢？

可以使用词袋模型。

> 词袋模型（英语：Bag-of-words model）是个在自然语言处理和信息检索(IR)下被简化的表达模型。

     struct Node 
    {
		 //标记如下建立词袋模型
        //在所有节点中的标号
        NodeId id;
        //该节点的权重，该权重为训练的过程中设置的，在得到了树之后，
        //将所有的描述子过一遍树，得到每个单词出现的次数，除以总的描述子数目
        WordValue weight;
        //描述符，为每一类的均值（对于brief描述子，则要对均值进行二值化）
        TDescriptor descriptor;
        //如果是叶节点，则有词汇的id
        WordId word_id;
    }

5.字典

对于词袋模型，可以建立较少的单词来表述一个图像，那么，如何使用通用的做法表述一个图像呢？

就可以建立字典模型，顾名思义，字典就是一个有很大量单词的词袋，可以描述更多的图像、更多的内容。

但是，问题接踵而至，如此大规模的字典，如何快速检索呢？

研究者提出了很多很多解决办法，这里我们使用简单的k叉树表述字典。

6.实践

现在，我们来创建一个字典模型：

int main( int argc, char** argv ) {
    // read the image 
    cout&lt;&lt;"reading images... "&lt;<endl; vector<mat=""> images; 
    for ( int i=0; i&lt;10; i++ )
    {
        string path = "./data/"+to_string(i+1)+".png";
        images.push_back( imread(path) );
    }
    // detect ORB features
    cout&lt;&lt;"detecting ORB features ... "&lt;<endl; ptr<="" feature2d=""> detector = ORB::create();
    vector<mat> descriptors;
    for ( Mat&amp; image:images )
    {
        vector<keypoint> keypoints; 
        Mat descriptor;
        detector-&gt;detectAndCompute( image, Mat(), keypoints, descriptor );
        descriptors.push_back( descriptor );
    }

我们了解了词袋、字典、回环检测的基本原理，从为什么到怎么做。回环检测是如今slam中不可缺少的一环，也有很多与深度学习融合的算法，以后我会继续讲解。=""> 参考资料：视觉SLAM十四讲</endl;></keypoint></mat></endl;></endl;>