ORB-SLAM3学习笔记-基本概念

1 ./Vocabulary/ORBvoc.txt 为何要加载orb vocabulary？他的作用是啥？

一句话概括，ORB中vocabulary的作用是特征空间的划分和Bag-of-Words Vector的计算。 为了减少累积误差，目前Visual SLAM都加入回环检测了，并通过后端优化来纠正整个回环中的姿态估计误差。要实现回环检测，SLAM系统需要回答一个问题：这个场景之前我是不是见过？而且是在可能出现平移+绽放+旋转的情形下，判断当前帧与之前记录过的帧是不是来源于同一个场景。这个问题落入到基于内容的图像检索范畴。 ORB-SLAM采用的是Bag-of-Words的方式将图像中的多个局部描述符表示成一个定长的全局特征，而Vocabulary Tree是局部描述符量化和索引的一种高效数据结构。Vocabulary Tree 建立Vocabulary Tree流程是这样的：

1. 对应用场景下的大量训练图像离线提取局部描述符(words)（每张图像可能会有多个描述符）;
2. 将这些描述符KNN聚成k类；
3. 对于上一步的每一子类，继续KNN聚成k类；
4. 按这个循环，直到聚类的层次数达到阈值L。

最后的聚类结果组织成一棵树，叶子节点表示一个word，中间节点则是聚类的中心。与叶子节点相关联的还有权重，用来表示这个word的重要程度，典型的如IDF，与文本搜索中的IDF是一样的道理。Vocabulary Tree实际上就是通过学习(Learning)的方法实现对原始特征空间的一种划分而已。