网站建设排名优化技巧,wordpress 文章导出,wordpress需要多大空间,免费做简历网站有哪些回环检测的关键#xff1a;如何有效的检测出相机经过同一个地方。如果成功的检测到可以为后端的位姿图提供更多有效数据#xff0c;得到全局一致的估计。
回环检测提供了当前数据和所有历史数据的关联#xff0c;还可以用回环检测进行重定位。 具体方法#xff1a;
一如何有效的检测出相机经过同一个地方。如果成功的检测到可以为后端的位姿图提供更多有效数据得到全局一致的估计。
回环检测提供了当前数据和所有历史数据的关联还可以用回环检测进行重定位。 具体方法
一基于外观的和前端和后端的估计无关仅仅根据两幅图像的相似度确定回环检测关系。
核心问题如何计算图像间的相似性。
计算准确率和召回率。准确率是算法提取到的所有回环中是真实回环的概率召回率是真实回环中被正确检测出的概率。SLAM中对准确率的要求更高召回率相对宽容点。
二词袋模型
先介绍词袋Bags of Words,BOW的做法用图像上有哪几种特征来描述一幅图像。
当相机发生少量运动只要物体在视野中仍然保证描述向量不发生变化。
该方法分为两个步骤
步骤一字典的生成方式
字典由单词组成单词代表一个概念与特征点不同单词是某一类特征的组合。所以字典生成问题类似于一个聚类问题。
例如对N张图像提取了特征点想找出一个有k个单词的字典即有N个数据想要归成k个类①使用K-means方法可以把提取到的特征点聚类成一个含有k的单词的字典然后思考如何根据图像中的某个特征点查找字典中相应的单词。
②使用k叉数来表达字典。当有N个特征点希望构建一个深度为d,每次分叉为k的树做法如下: 在根节点用K-means把所有样本聚成k类这样的到了第一层 对第一层的每个节点把属于该节点的样本再聚成k类得到下一层。 以此类推最后得到叶子层。叶子层就是Words. 最终在叶子层构建了单词而树结构中的中间节点仅供快速查找时使用这样一个k分支、深度为d的树可以容纳k^d个单词。 代码feature_training.cpp对十张图片训练了一个小的字典
步骤二根据字典计算两幅图像的相似性。
根据TF-IDF计算图像的相似性书295页进行了详细介绍。 总结增加字典规模需要更多的图片进行训练图像的相似性更明显。 检测到回环后还需要验证,一个方法是建立回环的缓存机制认为单次检测到的回环并不足以构成良好的约束而在一段时间内一直检测到回环才是正确的回环。另一个方法是空间上的一致性检测对回环检测到的两个帧进行特征匹配估计相机的运动然后把运动放到之前的位姿图中检查与之前的估计是否有很大的出入。
