Bags of Binary Words for Fast Place Recognition in Image Sequences
作者：Liam
原来论文中很详细的讲述了闭环和重定位过程中的操作，当看对应代码的时候，最好先看看这些过程的说明。
本文提出了一种利用FAST+BRIFE得到的单词包进行视觉位置重识别的新方法。首先离散化二进制描述符空间生成一个词汇树，然后利用这个树来加速匹配点的几何验证。本文的方法利用相同的参数在不同的数据集上做了测试都没有假阳性的结果。包括特征提取的整个过程在有26300张图片的序列中仅需要22ms/帧。
介绍对于需要长时间运行的SLAM系统，鲁棒的重定位模块十分重要。在跑实验的时候如果没有闭环检测，如果系统长时间的运行后又到了先前到过的场景，这个时候传统的识别方法就会失效，闭环检测可以提供正确的数据关联来获得全局一致性的地图。同样的方法可以用在机器人由于突然的运动，遮挡或者运动模糊造成的轨迹丢失的重定位。在[1]中，作者证明了在小环境下map-to-image(寻找相机的最新帧与地图上的特征之间的对应。)的方法有着不错的效果。但是在大场景下，image-to-image（或appe
