一、理解BoW
假设有三句话
我喜欢吃苹果
我喜欢吃香蕉
我喜欢看电影我们建立一个词典
Vocabulary：
Word 0：我
Word 1：喜欢
Word 2：吃
Word 3：苹果
Word 4：香蕉
Word 5：看
Word 6：电影那么刚才的三句话就可以表示为：
我 → Word 0
喜欢 → Word 1
吃 → Word 2
苹果 → Word 3
即 BoW1=[1,1,1,1,0,0,0]同理，剩下的两句可以表示为：
BoW2=[1,1,1,0,1,0,0]
BoW3=[1,1,0,0,0,1,1]于是，经过上面的处理，一句话就可以用一个向量表示。视觉BoW也是同样的思想，但是图像中并没有文字，但是有特征点和描述子。
假设一张图片提取了1000个 ORB特征点，
Feature 1 → ORB descriptor
Feature 2 → ORB descriptor
Feature 3 → ORB descriptor
...
Feature 1000 → ORB descriptor每个特征点的描述子都是256bit，这些描述子直接比较起来虽然可以，但是数量很多。所以 ORB-SLAM2 做了一件非常聪明的事情：把大量相似的 ORB 描述子归成一个"视觉单词"。
什么是"视觉单词"？
假设一张图有1000个ORB特征，经过Vocabulary：
ORB Feature
↓
Visual Word
Feature 1 → Word 25
Feature 2 → Word 102
Feature 3 → Word 25
Feature 4 → Word 8
Feature 5 → Word 102
...统计以后：
Word 8 → 50个特征
Word 25 → 120个特征
Word 102 → 83个特征
Word 300 → 17个特征
...于是整张图片就变成：
BoW=[0,0,0,...,50,...,120,...,83,...]这就是视觉 BoW。
所以ORB_SLAM2的BoW本质可以理解为：一张图片 --> ORB特征 --> 视觉单词 -->词频统计，也就是不再关心每一个具体的ORB特征是什么，而是关心这张图片出现了哪些视觉词，以及各自有多少。
二、ORB_SLAM2 中 ComputeBoW()
函数作用：把当前 Frame中的所有ORB 描述子，转换成视觉词袋表示。
cpp
void Frame::ComputeBoW()
{
if(mBowVec.empty())
{
vector<cv::Mat> vCurrentDesc = Converter::toDescriptorVector(mDescriptors);
mpORBvocabulary->transform(vCurrentDesc,mBowVec,mFeatVec,4);
}
}变量含义
cpp
transform(输入描述子, 输出BoW向量, 输出Feature向量, 深度);mDescriptors 表示当前帧中所有特征点的描述子
mBowVec是什么？
mBowVec 通常是：BowVector mBowVec;它不是简单的：vector<float>，而是一个稀疏的：视觉词 ID → 权重
例如：
Word 10 → 0.12
Word 53 → 0.08
Word 128 → 0.25
Word 456 → 0.15
Word 900 → 0.40为什么不是统计次数而是权重？
假设：
图像A：
Word 1 → 100次
Word 2 → 10次
Word 3 → 1次简单统计：
[100, 10, 1]但是有些视觉词特别常见。例如：
墙
边缘
角点
纹理这些可能在很多图像里都出现。如果一个视觉词几乎每张图都出现，那么它对区分两张图的作用其实很小。这时候就会引入类似：TF-IDF的思想。
TF：Term Frequency。表示：这个视觉词在当前图像中出现得多不多？
IDF：Inverse Document Frequency。表示：这个视觉词在所有图像中常不常见？
于是：
常见视觉词
↓
权重低而：
稀有视觉词
↓
权重高所以最终：mBowVec 不是简单的出现次数，而是经过权重计算后的
视觉词 → 权重mBowVec与mFeatVec的区别
mBowVec表示：这张图像整体上有哪些视觉词？ 它主要用于：**判断两张图像是否相似。**例如：
Word 10 → 0.12
Word 53 → 0.08
Word 128 → 0.25
...mFeatVec表示：**每个视觉词对应了哪些 ORB 特征？**例如：
Word 10 → 特征 3、25、100
Word 53 → 特征 5、19、88
Word 128 → 特征 2、8、30、55深度是什么？
mpORBvocabulary 指向ORBVocabulary，来自于Vocabulary/ORBvoc.txt。本质是哪个是一个巨大的ORB描述子字典，它不是简单的
cpp
Word 0
Word 1
Word 2
...而是一个树状结构，即Vocabulary Tree（词汇树）。
为什么需要树状结构？
假设 Vocabulary 有：100万个视觉单词。现在来了一个 ORB 描述子：D。最笨的方法：
D 和 Word 0 比较
D 和 Word 1 比较
D 和 Word 2 比较
...
D 和 Word 999999 比较需要比较：1000000 次，这非常慢。所以 ORB-SLAM2 建立了一棵树。例如：
Root
|
┌──────────┼──────────┐
↓ ↓ ↓
Node1 Node2 Node3
/ | \ / | \ / | \
↓ ↓ ↓ ↓ ↓ ↓ ↓ ↓ ↓
... ... ...通过树逐层寻找，这样就不用和所有单词比较。
ORB descriptor
↓
第一层
↓
第二层
↓
第三层
↓
第四层
↓
...
↓
Visual Word三、BoW 相似 ≠ 一定是同一个地方
比如：两个办公室都有墙、桌子、窗户、电脑，那么 BoW 可能比较相似。只能说明可能存在回环，不能直接证明这是在同一个地方。因此，ORB_SLAM2后边还需要进行特征匹配、几何验证、Sim3、回环检测。
四、具体步骤流程
cpp
当前图像
│
↓
ORB特征提取
│
↓
ORB KeyPoints
│
↓
ORB Descriptors
│
↓
mDescriptors（N×32）
│
↓
Converter::toDescriptorVector()
│
↓
vector<cv::Mat>
│
↓
mpORBvocabulary->transform()
│
↓
Vocabulary Tree
│
↓
每个描述子寻找Visual Word
│
┌──────┴──────┐
↓ ↓
mBowVec mFeatVec
│ │
↓ ↓
图像整体表示 特征分组
│ │
↓ ↓
相似度计算 快速特征匹配
│
↓
回环候选检测
│
↓
几何一致性验证
│
↓
回环闭合五、举例说明
假设当前图像有 10 个 ORB 描述子：
D1
D2
D3
D4
D5
D6
D7
D8
D9
D10经过 Vocabulary：
D1 → Word 5
D2 → Word 5
D3 → Word 8
D4 → Word 12
D5 → Word 5
D6 → Word 20
D7 → Word 8
D8 → Word 12
D9 → Word 12
D10 → Word 20统计：
Word 5 → 3
Word 8 → 2
Word 12 → 3
Word 20 → 2那么这张图就可以表示成：
Word 5 : 3
Word 8 : 2
Word 12 : 3
Word 20 : 2再经过权重归一化，这就是：mBowVec。
Word 5 : 0.30
Word 8 : 0.20
Word 12 : 0.30
Word 20 : 0.20两张图像怎么比较？
假设：图像 A
Word 5 : 0.30
Word 8 : 0.20
Word 12 : 0.30
Word 20 : 0.20图像 B
Word 5 : 0.28
Word 8 : 0.22
Word 12 : 0.32
Word 20 : 0.18两者非常接近。所以：Similarity(A,B)比较高。
而图像 C
Word 100 : 0.3
Word 200 : 0.2
Word 300 : 0.3
Word 500 : 0.2和 A 几乎没有共同视觉词。那么：Similarity(A,C)就比较低。