视觉SLAM第11讲｜回环检测：词袋模型、字典构建与相似度计算全解析

前面我们把前端视觉里程计、后端优化都讲透了，但只要是前端递推的系统，就绕不开一个宿命：累积漂移。哪怕后端有滑动窗口优化，也只能缓解，没法根治。

想要彻底把漂移拉回来，最核心的机制就是回环检测 ------发现"这个地方我之前来过"，然后给后端加一条全局约束，把整条轨迹掰回正确的位置。

第11讲就把回环检测的主流方案讲透：最经典的词袋模型怎么建字典、怎么算相似度、怎么验证候选回环。

一、回环检测概述：为什么它能根治漂移

1.1 核心作用

回环检测的任务只有一个：判断机器人当前所在的位置，是不是之前已经来过的某个位置。

如果确认是，就往后端优化里加一条约束：这两个时刻的相机位姿，本质上是同一个位置。后端根据这条约束，重新分配整条轨迹的误差，就能把之前累积的漂移整体消除。

💡通俗解释：就像你逛街逛了一圈，突然看到了之前见过的便利店，立刻反应过来"我回到这了"，之前走歪的路线瞬间就校正了。回环检测就是SLAM系统的"场景识别器"。

1.2 两类方案

环境布置式 ：比如固定位置放二维码、标志物。
优点：准确稳定，实现简单；缺点：必须改造环境，未知场景无法使用。
视觉回环检测 ：只靠图像本身的相似度判断，不依赖任何环境布置。
这是SLAM领域的主流方案，也是本讲的重点。

1.3 评价指标：准确率 vs 召回率

回环检测本质是个分类问题，两个核心指标此消彼长：

准确率（精确率）：检测出来的回环里，真的是回环的比例。准确率低意味着误检多，会把后端优化带偏。
召回率：所有真实的回环里，被成功检测出来的比例。召回率低意味着漏检多，很多回环没发现，漂移消不掉。

💡通俗解释：准确率就是"没认错"的比例，召回率就是"没漏掉"的比例。工程上都是找一个平衡点，既不能乱报，也不能漏太多。

二、词袋模型：图像的"关键词"表示

如果逐像素比对两张图像像不像，计算量太大了，还容易受光照、角度影响。

工程上的成熟方案是词袋模型（Bag of Words, BoW）：把图像转换成一组"单词"的统计，用单词的重合度来判断相似度，思路和文本检索完全一致。

2.1 核心思路

提取图像的ORB特征，每个特征的描述子就是一个高维特征向量；
把大量特征描述子聚类，每个聚类中心就是一个"视觉单词"；
所有单词合起来就是一本视觉字典；
任何一张图像，都可以统计每个单词出现了多少次，形成一个词袋向量，代表这张图。

💡通俗解释：就像判断两篇文章像不像，不用逐字比对，只看关键词的重合度。"视觉单词"就是图像的关键词，词袋向量就是图像的"关键词列表"。

2.2 效率优势

原本两幅图像比相似度，要逐个特征点做匹配，复杂度很高。

现在都转成词袋向量，直接算向量相似度，计算量降了几个数量级，完全可以做到实时检测。

三、字典构建：视觉单词怎么来的

词袋模型的基础是字典。字典质量直接决定回环检测的效果。

3.1 聚类生成单词

生成单词的核心方法是K-means聚类：

收集大量图像的特征描述子，作为训练样本；
设置要生成的单词数量K；
运行K-means聚类，得到K个聚类中心；
每个中心就是一个视觉单词。

3.2 K叉树字典：加速查找

如果字典有几万个单词，每个特征逐个比对找最近的单词，还是太慢。

工程上用K叉树结构构建层级字典：

第一层：把所有特征聚成K类，每个类中心是第一层节点；
第二层：每个类内部再聚K类，形成下一层节点；
逐层往下，叶子节点就是最终的视觉单词。

查找的时候，从根节点开始，逐层找最近的分支，最后到叶子节点就是对应的单词。比线性查找快很多。

💡通俗解释：就像查字典，先查部首，再查偏旁，再查笔画，不用整本词典翻一遍。K叉树字典就是这个思路，把查找从线性复杂度变成了对数级。

3.3 字典规模的权衡

不是字典越大越好：

字典太小：单词太"粗"，区分度差，不同场景也容易匹配上，准确率低；
字典太大：单词太"细"，同一个场景稍微变点角度、光照就匹配不上，召回率低。

工程上都是根据场景调字典大小，一般几千到几万个单词。

四、相似度计算：怎么判断两张图像像不像

有了字典，就能把任何一张图像转换成词袋向量，接下来就是计算相似度。

4.1 词袋向量的生成

步骤：

提取当前图像的所有ORB特征；
每个特征在字典里查找对应的视觉单词；
统计每个单词出现的次数，形成向量。

4.2 加权：罕见单词权重更高

不是所有单词的权重都一样。

非常常见的单词（比如普通墙角、均匀纹理），在哪都有，匹配上了说明不了什么；

非常罕见的单词，匹配上了，说明是同一场景的概率很高。

所以通常会用类似TF-IDF的加权策略：单词的区分度越高，相似度计算时权重越大。

4.3 相似度评分与候选筛选

两个词袋向量，计算相似度，常用的有L1范数相似度、余弦相似度等。

相似度越高，是同一场景的概率越大。

设定一个阈值，相似度超过阈值，就标记为候选回环。

五、候选验证：光像还不够，还得几何对

词袋是外观相似度，只能当初步筛选。现实中很容易出现"不同地方长得很像"的情况，比如一模一样的办公室隔间、重复排列的路灯，直接用会产生大量误检。

所以候选回环之后，必须加一步几何验证：

用当前帧和候选回环帧的匹配特征点，求解PnP位姿；
把地图点按这个位姿重投影，看重投影误差是不是足够小；
误差在阈值内，才确认是真回环，否则丢弃。

💡通俗解释：长得像不一定是同一个地方，几何位置对得上才是。几何验证是回环检测的最后一道防线，能过滤掉绝大多数误检，工程上是标配。

六、工程优化与实践

6.1 关键帧策略

不是每一帧都去做回环检测，也不是和所有历史帧都比。

只和历史关键帧比对，计算量大幅减少。只要关键帧间隔合适，也不会漏检回环。

6.2 实践：DBoW3库

开源的DBoW3库是SLAM领域最常用的词袋工具，直接支持ORB特征，内置K叉树字典、相似度计算。

基本流程：

用数据集训练字典，或者加载预训练字典；
把图像特征转成词袋向量；
计算相似度，筛选候选回环；
几何验证确认回环。

七、知识体系全景

小结

回环检测是SLAM系统里唯一能根治累积漂移的机制。词袋模型是目前最成熟、最常用的视觉回环方案，靠视觉单词把图像相似度计算降到了可实时的程度，再配合几何验证过滤误检，兼顾了速度和准确性。

当然词袋也不是完美的：极端相似的场景、光照剧烈变化还是容易出问题。现在也有越来越多的方案用深度学习特征代替手工ORB特征，进一步提升回环检测的鲁棒性，但词袋的整体框架依然通用。

到这里，前端、后端、回环检测就都齐了。下一讲我们进入建图模块，看看有了位姿和特征，怎么构建出不同类型的地图。