DBOW3 Score（）函数深入理解

BoW基本简介

Bag of words模型最初被用在文本分类中，将文档表示成特征矢量。它的基本思想是假定对于一个文本，忽略其词序和语法、句法，仅仅将其看做是一些词汇的集合，而文本中的每个词汇都是独立的。

1、词典生成流程

在目前流行的SLAM过程中，但凡用了回环检测的，基本上都使用了BoW，包括号称鲁棒与效果兼备的ORB_SLAM；使用词袋模型分为两个步骤，产生一个词典，然后利用这个词典，前者是离线生成的，注意是离线生成的（就像小时候看书的时候还没认识那么多字，但是想看书，怎么办，去书店买一本词典吧，一遍读，一遍看；可能这个比方不是很恰当）；在后面的步骤中，需要产生一个数据库，用了记录一下查词典时所用到的单词，方便回来看的时候能快速找到，不用辛辛苦苦的再去找一遍。
在实际使用的过程中，第一步我们得训练产生一本词典，就像前面提到的那样，单词就是一些特征聚类的结果。摆在我们面前的可能是几十万甚至几百万张训练的图片，我们需要依次提取特征，这真是个浩大的工程，然后在特征空间中就会有n多个特征信息，接下来我们要用这些特征聚类产生单词了，聚类成多少？这是个问题，这取决于我们选择的树形结构（后面会提到），整个过程就像下面图一样

黑色的就是最原始的，提取到的特征，为了简单，把这些特征放在二维空间了，实际上应该256维的，所以上面这张中，这些特征点和他们在实际图片中的位置信息没有任何关系。 
黑色—>红色—>绿色—>蓝色，这就是聚类的步骤，黑色的特征聚类成红色节点，红色节点聚类成绿色节点，然后绿色节点再聚类成根节点（蓝色） 
 
Vocabulary bra