简析视觉SLAM中回环检测常⽤的⼏种⽅法
什么是回环检测？
化妆品行业数据回环检测（Loop Closure Detection），视觉SLAM问题中，位姿的估计往往是⼀个递推的过程，即由上⼀帧位姿解算当前帧位姿，因此其中的误差便这样⼀帧⼀帧的传递下去，也就是我们所说的累计误差。我们之所以⽤前⼀帧递推下⼀帧位姿，因为这两帧⾜够近，肯定可以建⽴两帧的约束，但是距离较远的两帧就不⼀定可以建⽴这样的约束关系了。找出可以建⽴这种位姿约束的历史帧，就是回环检测。
回环检测的意义？
斗开头的成语
有了前端的视觉⾥程计及后端优化的SLAM系统，似乎已经⽐较好⽤了。但其在提⾼实时性的同时精度却降低了，⼀旦精度降低，⼜会⾯临长时间累计误差的问题，特别是像ORB-SLAM那样只做局部地图优化的⽅案。我们该如何平衡这个⽭盾呢？⼈可以通过⾯前看到的景象与脑海中残缺的印象来对⽐从⽽检测到回环的，对于SLAM来说也可以通过对⽐当前帧与过去关键帧的相似度，如相似度超过某⼀阀值时就可以被认为是检测到回环。
1.词袋模型新闻联播观后感
词袋模型就是把特征看成是⼀个个单词，通过⽐较两张图⽚中单词的⼀致性，来判断两张图⽚是否属于
轩的成语同⼀场景。
五年级第三单元作文
学雷锋手抄报简单又漂亮为了能够把特征归类为单词，我们需要训练⼀个字典。所谓的字典就是包含了所有可能的单词的集合，为了提⾼通⽤性，需要使⽤海量的数据训练。
字典的训练其实是⼀个聚类的过程。假设所有图⽚中共提取了10,000,000个特征，可以使⽤K-means⽅法把它们聚成100,000个单词。但是，如果只是⽤这100,000个单词来匹配的话效率还是太低，因为每个特征需要⽐较100,000次才能找到⾃⼰对应的单词。为了提⾼效率，字典在训练的过程中构建了⼀个k个分⽀，深度为d的树，上层结点提供了粗分类，下层结点提供了细分类，直到叶⼦结点。利⽤这个树，就可以将时间复杂度降低到对数级别，⼤⼤加速了特征匹配。
几处早莺争暖树2.基于CNN的回环检测
利⽤卷积神经⽹络可以检测出关键帧深层特征，通过⽐较这些图像深层特征的相似度可以判别出是否产⽣了回环，有更⾼的鲁棒性，这⼀技术还在发展。
3.⾃编码⽹络的回环检测
还在摸索。。。。
驼铃梦坡
