“见人细过掩匿盖覆”

• 1.意义
• 2.做法
• • 2.1词袋模型和字典
  • • 2.1.2感知偏差和感知变异
    • 2.1.2词袋
    • 2.1.3字典
  • 2.2匹配(相似度)计算
• 3.提升

前言：前端提取数据，后端优化数据，但误差会累计，需要回环检测构建全局一致的地图；

1.意义

• 通俗的讲，机器人两次经过同一个场景，为了检测是同一个场景，这就是回环检测.它可以用来构建全局一致的地图.有了时隔更加久远的约束，一定程度消除累计飘移.形象的想弹簧，就是把原来已经优化好的，拉的更贴近真实位置.
• 回环检测还可以做重定位，在跟踪丢失的时候.

2.做法

以下是几种做法：

• 取当前图像和历史所有图像一一进行特征提取并比对，通过匹配的数量确定.O($N^{2.}$)、缺点资源；
• 还是上边的方法，但不一一匹配，随机抽取，可检测到的帧少很多；
• 里程计配合给一个大致位置，这里的进行回环检测，缺点里程计自带误差，只能小范围；
• 基于外观，主流，其中一种就是词袋模型.

2.1词袋模型和字典

2.1.2感知偏差和感知变异

(感知偏差(假阳性)，感知变异(假阴性)

• 准确率(检测正确的数量/检测的总数量)：$$P录制我S我ON=总磷/(总磷+fp)$$

• 召回率(实际检测出来的数量/理应检测出来的数量)：$$R欧共体一个LL=总磷/(总磷+纤连)$$

一般这两个数据呈矛盾，不取极端，只说在Recall为多少，Pre为多少时候效果最好，一般我们对P的要求更高.这是回环检测的严格性导致的.

2.1.2词袋

• 字典实际就是对所有图片中的特征进行提取，比如“人”，“车”等，它们是单词，对全部图像特征提取所有单词(特征)后构成一个字典.
• 词袋说的是一帧图像中，能够提取出来的单词.

比如现在有一本4个特征的字典：$$D=[X_1，X_{2.}，X_{3.}，X_{4.}]$$
而我们有两个$X_1$一个$X_{3.}$特征的图像，那用词袋可以记为：
$$一个=2.\cdot X_1+0\cdot X_{2.}+1\cdot X_{3.}+0\cdot X_{4.}$$
它的向量就是
$$一个=[2.，1，0，0]$$

那么检测两个图像，则举例可以用

$$S(一个，B类)=1-\frac{1}{W}||一个-B类|{|}_1$$

L1范数，各元素绝对值之和，向量完全一样则得到1，是回环。

2.1.3字典

字典里的单词是某一类特征的组合，类似于一个聚类问题，uml(无监督学习常见问题)。

• 假设要做$K$个单词的字典，可以用K均值、K均值++等实现，这里以K均值(均值)为例：
  

字典规模大，要在字典中查找单词属于哪个，逐个查找复杂度$O(N)$，参考数据结构，这里有很多优化方法，这里以最简单的K叉树为例去优化字典结构：

又很像K-D树，聚类类中类，聚中聚哈哈。一棵深度为$D$，分支为$K$的树，可以容纳，$K^D$单词.

2.2匹配(相似度)计算

两个概念：

• Tf(词频)译频率:某单词在一副图像中经常出现，它的区分度就高；
• 逆文件频率逆文档频率:某单词在字典中出现的频率低，它的区分度就高；

1. 在做字典时候，用idf，假设所有特征总数为$N$，当前要统计的单词特征$W_{我}$的数量为$N_{我}$，则此单词的idf为：
   $$我D{F}_{我}=LOG\frac{N}{N_{我}}$$

2. 对一副图像而言，假设特征/单词$W_{我}$出现了$N_{我}$次，而这幅图一共出现的单词数量为$N$，则TF为：
   $$T{F}_{我}=\frac{N_{我}}{N}$$

3. 基于以上知识，一个图像的特征点可以对应到很多单词，则它的词袋(弓)为：
   $$一个=(W_1，{\eta }_1)，(W_{2.}，{\eta }_{2.})，..。，(W_N，{\eta }_N)⟺V_{一个}$$
   词袋中有很多0值，因为它不能包含字典中所有词。

4. 计算两图词袋的差异(匹配度)，给出一种方式(一范数)，还有很多：
   $$S(V_{一个}-V_{B类})=2.\sum _{我=1}^N|V_{一个我}|+|V_{B类我}|-|V_{一个我}-V_{B类我}|$$

3.提升

对于回环检测，有几点可以提升的部分：

1. 增加字典规模
2. 相似性评分处理

对于环境外观相似，比如教室同款椅子很多，利用先验的相似度(某时刻关键帧图像与上一时刻关键帧的相似性)进行归一化：
$$S(V_T，V_{TJ}{)}^{“}=S(V_T，V_{TJ})/S(V_T，V_{T-\Delta T})$$

1. 关键帧处理

1. 相邻帧肯定满足回环检测条件，因为变化太小，所以回环检测的帧一般稀疏；
2. 检测到的回环相邻帧意义不大，一帧就可以优化轨迹，因此会把相近的回环聚类成一类，使算法不会反复检测同一类.

1. 验证

词袋没有顺序，相机颠倒也是回环，如何验证？
(回环缓存机制是一种，单词检测到的回环不足以构成约束，在一段时间内一直检测到的回环才是正确的回环(时间上的一致性检测)

1. 机器学习应用于类别

图像连续变化产生不同类别，甚至可以认为是连续的；
图像间相似性可以利用深度学习方法；
词袋方法的物体识别能力不如神经网络，回环检测类似.