视觉slam14讲之回环检测

     前端提供特征点的提取和轨迹，地图的初值，而后端负责对所有这些数据进行优化。如果如同VO那样仅考虑相邻时间上的关邻，那么之前的误差将不可避免地累积到下一时刻，这样整个SLAM会出现累积误差，长期的结果将不可靠。

     如上图，a表示真实轨迹，b中前端只给出相邻帧间的估计，优化后Pose Graph出现漂移 ，c添加回环检测后的Pose Graph在碰到相同特征点时可以借此消除累积误差。

1. 方法

       a. 朴素类：最简单的方式就是对任意2副图像进行一遍特征匹配，根据正确匹配的数量确定哪2副图像存在关联。但盲目地假设“任意2副图像都可能存在回环”，使得检测的数量实在太大，对于N个可能的回环，我们要检测Cn2次。在大多数实时系统当中是不实用的。另一种是，随机抽取历史数据并进行回环检测，比如在n帧当中随机抽取5帧与当前帧比较，这种做法能够维持常数时间的运算量，但这种盲目试探方法在帧数N增长时，抽到回环的几率会大幅下降，使得检测效率不高。
       b. 基于外观（Appearance）的回环检测。它和前端，后端的估计无关，仅根据两副图像的相似性确定回环检测关系。目前基于外观的回环检测方式以成为视觉SLAM中主流的做法，并被应用于实际的系统中去。而其核心问题：如何计算图像间的相似性。设计一种方法，计算相似性评分：s(A, B)，但其中使用到的像素灰度是个不稳定的值，故该函数不能很好的反映图像间的相似关系。
       c. 视觉slam一直是以人类视觉作为标准的，可目前尚未掌握人脑的工作原理。

     上述借用医学上的说法。假阳性(False Positive)又称感知偏差，而假阴性(False Negative)称为感知变异。而我们希望算法与人类的判断一致，所以希望TP, TN尽量高。则对某个特定的算法，我们统计它在某个数据集上的TP,TN,FP,FN的出现次数，并计算两个统计量：准确率和召回率（Precision & Recall）

Preci