在 SLAM（Simultaneous Localization and Mapping） 、Visual Localization（视觉定位） 、图像检索（Image Retrieval） 中，召回率（Recall） 是衡量有多少应该匹配成功的样本最终被成功匹配的重要指标。
很多人容易把它和定位精度（Accuracy）、**匹配准确率（Precision）**混淆，其实它们关注的问题完全不同。
一、什么是召回率（Recall）
一句话：
所有真正可以匹配成功的图片（或位置）中，有多少最终被系统找出来了。
数学定义：
其中
-
TP（True Positive）
- 正确找到的匹配
-
FN（False Negative）
- 本来应该找到，但是漏掉了
因此
Recall = 找到了多少 / 应该找到多少
二、放到图像定位里面理解
假设一个地图中有100张关键帧。
当前相机来到一个位置。
实际上：
这一位置对应地图中的
Frame 20
Frame 21
Frame 22
Frame 23
Frame 24这5张都是正确匹配。
也就是说
Ground Truth：
应该匹配：
20
21
22
23
24现在你的Place Recognition算法（例如：
- DBoW2
- NetVLAD
- SuperGlue
- LightGlue
- ORB匹配
返回：
20
22
40真正正确的是：
20
22漏掉的是
21
23
24因此
TP = 2
FN = 3
Recall
Recall=\\frac{2}{2+3}=40%
说明：
本来有5个正确位置，只找回了2个。
三、Recall为什么重要？
因为定位第一步通常都是：
Query Image
│
▼
Image Retrieval
│
找到Top K候选帧
│
Feature Matching
│
PnP
│
定位成功如果第一步没找到真正的位置：
后面全部失败。
所以：
Retrieval Recall决定了定位成功率上限。
例如：
数据库
10000 张图片真正位置：
Image 8765你的Retrieval返回：
Top10
123
8765
555
...说明Recall成功。
如果返回：
123
555
222真正位置根本没出现。
那么：
PnP根本没有机会。
定位失败。
四、Top-K Recall
视觉定位最常用的是
Recall@K意思：
正确位置是否出现在前K个候选里面。
例如：
Top1
8765正确
Recall@1
成功
Top5
12
35
8765
100
44正确
Recall@5
成功
Top20
...
8765
...也成功。
所以一般论文都会写
Recall@1
Recall@5
Recall@10例如
| 算法 | Recall@1 | Recall@5 |
|---|---|---|
| DBoW2 | 65% | 81% |
| NetVLAD | 84% | 95% |
| MixVPR | 92% | 98% |
意思就是：
例如
Recall@5 =95%
表示：
95%的查询图片，
真正位置都出现在前5个候选里面。
五、SLAM中的Recall
SLAM里面通常有两个Recall。
① Loop Closure Recall（回环召回率）
例如机器人：
A → B → C → D → A实际上：
存在一次回环。
Ground Truth：
有1个Loop算法检测：
检测到了Recall
100%
如果没有检测到
Recall
0%
如果100个回环，
找到90个
Recall
90%
② Localization Recall（定位召回率）
例如：
1000张Query图片
其中：
900张理论可以定位。
算法：
成功定位
850张。
Recall
很多定位论文都会写：
Localization Recall或者
Pose Recall六、Recall 和 Precision 区别
这是最容易混淆的。
假设返回：
Top10
20
21
22
500
600
700
800
900
1000
1100真正正确只有
20
21
22那么
TP=3
FP=7
Precision
Recall
假设真实只有
20
21
22全部找到了。
Recall
100%
说明：
虽然找回来全部正确图片，
但是混进很多错误图片。
另一种情况：
返回
20Precision
100%
因为只有一个，
还是正确。
Recall
只有
33%
因为另外两个漏掉了。
所以：
- Precision：返回的结果有多"准"，即返回的候选中有多少是真正正确的。
- Recall：真正正确的目标找回了多少，即是否漏检。
七、视觉定位为什么更关心Recall？
定位一般流程：
Image Retrieval
↓
Top100
↓
Feature Matching
↓
RANSAC
↓
PnP只要真正位置进入：
Top100后面的几何验证（Feature Matching、RANSAC、PnP）就可以把错误候选逐步剔除。
因此定位系统更希望：
宁可多返回一些候选（Recall高），也不要漏掉真正的位置。
也就是说：
高 Recall
↓
保证真正位置进入候选集
↓
几何验证负责去掉FP
↓
最终定位成功因此在视觉定位论文中，经常看到：
High Recall Retrieval而不是
High Precision Retrieval八、SLAM/视觉定位中几个容易混淆的指标
| 指标 | 定义 | 越高越好 | 作用 |
|---|---|---|---|
| Recall（召回率） | 所有正确目标中找回多少 | ✔ | 衡量漏检情况，是图像检索和回环检测最重要的指标之一 |
| Precision（准确率） | 返回结果中有多少是正确的 | ✔ | 衡量误检情况，通常由后续几何验证进一步改善 |
| Localization Success Rate（定位成功率） | 成功估计位姿的查询占比 | ✔ | 反映整个定位系统端到端性能 |
| Pose Accuracy（位姿精度） | 估计位姿与真实位姿的误差（平移、旋转） | ✔（误差越小越好） | 衡量定位结果是否足够精确 |
| Inlier Ratio（内点率） | 匹配点中通过几何一致性验证（如RANSAC）的比例 | ✔ | 反映特征匹配质量 |
总结： 在图像匹配和 SLAM 中，Recall 的核心是"不漏掉正确位置" 。对于视觉定位来说，检索阶段通常以 Recall@K 为主要评价指标，因为只要真实位置进入 Top-K 候选，后续的特征匹配、RANSAC 和 PnP 就有机会完成准确定位；而如果真实位置在检索阶段就被漏掉（Recall 低），后续算法再优秀也无法恢复正确位姿。