视觉SLAM十四讲——第十二讲：回环检测

最新推荐文章于 2025-07-24 21:20:18 发布
原创 最新推荐文章于 2025-07-24 21:20:18 发布 · 1.9k 阅读 · 7 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#词袋模型 #回环检测

本文介绍了视觉SLAM中回环检测的重要性，旨在构建全局一致的地图，并防止漂移。回环检测通过比较图像相似性，尤其是利用词袋模型进行图像向量表示，提高检测准确性。文章还讨论了准确率和召回率的权衡，以及回环验证的必要性。

@ 《视觉SLAM十四讲》知识点与习题

《视觉SLAM十四讲》第十二讲知识点整理+习题

正在学习SLAM相关知识，将一些关键点及时记录下来。

知识点整理

回环检测的目的在于使得机器人可以判断是否之前运动到过当前位置，目的在于构建全局一致的地图

  1. 回环检测：可以给出除了相邻帧之外的时隔更加久远的约束，它关系到估计的轨迹和地图在长时间下的正确性。且可以在跟踪算法丢失之后，利用回环检测进行重定位
  2. 基于外观的回环检测：仅根据两幅图像的相似性确定回环检测关系，核心问题在于如何计算图像间的相似性
  3. 注意，2中的计算相似性不能直接通过将两幅图像的像素直接相减来度量，因为灰度本身受光照影响，且当相机视角发生改变时也会对像素带来一个较大的差异值
  4. 回环检测的结果：在这里插入图片描述
    希望TP和TN要尽量高，而FP和FN要尽可能低
  5. 准确率和召回率：在这里插入图片描述
    其中准确率是指算法提取的所有回环中确实是真实回环的概率
    召回率是指在所有真实回环中被正确检测出来的概率
    准确率和召回率是一对矛盾，可以用它们俩来进行判断。构建Precision-Recall曲线，会关心整条曲线偏向右上方的程度，100%准确率下的召回率或者50%召回率时的准确率，
最低0.47元/天 解锁文章
SLAM种的回环检测
道亦无名
05-09 606
在SLAM建模中，回环检测的实现通常涉及到对传感器数据的处理、特征提取与匹配、相似度计算等步骤。通过有效地实现回环检测，可以提高SLAM系统的稳定性和精度，为机器人在未知环境中的自主导航和建图提供有力支持。SLAM，即同步定位与建图，是一种在未知环境中，通过传感器（如相机、激光雷达等）进行自身定位与环境地图构建的技术。其中，回环检测是SLAM中的一个重要环节。回环检测的主要目的是识别机器人是否回到了之前访问过的位置。这对于纠正累积的误差、提高地图的精度以及实现长期稳定的定位至关重要。
slam-回环检测 笔记
snnily的博客
09-11 6081
回环检测模块能够给出除了相邻帧之外的一些时隔更加久远的约束，这是因为我们观察到相机经过了同一个地方，采集到了相似的数据。而回环检测关键是如何有效监测出相机经过同一个地方这件事。可直观的想象成回环边把带有累计误差的边拉到了正确的位置。 1 回环检测如何实现？        希望有个哪处可能出现回环的预计，才不那么盲目地去检测。两种思路：        基于里程计的几何关系。当我们发现当前相机运
视觉SLAM十四讲学习笔记——第十二讲 建图
weixin_61294345的博客
11-27 4866
SLAM实际上是一种底层技术，往往用来给上层应用提供信息。在前文已实现的部分，我们最多得到的仅是一个稀疏的地图，在需要实现导航、避障、重建等应用时，稀疏地图很难提供足够的信息，需要考虑如何重建稠密地图，即建模所有看到过的部分。 根据使用相机的不同可以分为：“单目稠密重建”和“RGB-D稠密建图”（双目应该和RGBD类似，都可以主动测得或计算出图像深度）。其中RGB-D相机的稠密重建较为简单，最直观、简单的方法就是将RGB-D数据转换为点云地图，再结合相机位姿进行拼接，并对点...
SLAM9-回环检测
Summer_star_summer的博客
07-21 940
回环检测的意义： 1.给后端的Pose Graph提供更多有效的数据（即走到同一个位置附近了），否则后端优化可能把前端的误差累积起来，出现漂移问题。 2.跟踪算法如果跟丢了，利用回环检测进行重定位。 回环检测的实现方式： 1.朴素思路：（1）暴力匹配，任意两幅图像做一遍特征匹配，并根据数量确定两幅相关联的图像。问题：时间复杂度太大，不实用。（2）随机抽取历史数据进行回环检测。问题：抽到回环几率下降。检测率不高。 2.不盲目的预测： （1）基于里程计的几何关系：发现相机到达之前的某个位置附近，进行回环检测。存
SLAM【十】回环检测
热门推荐
Cloudy_to_sunny的博客
03-18 1万+
SLAM【十】回环检测回环检测的作用及意义作用意义回环检测方法准确率和召回率词袋模型字典字典的结构功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 回环检测的作用及意义 作用 问题：为了解决整个SLAM出现的累计误差，导致无法构建全
视觉SLAM十四讲--第13讲 实践：设计SLAM系统（最详细的代码调试运行步骤）
记录和分享
12-04 1万+
最详细的代码调试运行避坑说明，也包含了我自己对代码的理解，如有理解错误的地方，欢迎指正交流。
视觉SLAM十四讲——第十讲：后端1
weixin_37709708的博客
10-03 1019
@ 《视觉SLAM十四讲》知识点与习题 《视觉SLAM十四讲》第十讲知识点整理+习题 正在学习SLAM相关知识，将一些关键点及时记录下来。 知识点整理 本讲主要是针对长时间内最优轨迹和地图的优化，减小累积误差对长时间运动带来的影响 批量的处理方式：考虑在很长一段时间内的状态估计问题，而且不仅使用过去的信息更新自己的状态，也会用未来的信息来更新自己 渐进的处理方式：当前状态只由过去的时刻决定，甚至...
视觉 SLAM 十四讲 —— 第七讲 视觉里程计1
健康工作每一天
11-18 1836
视觉 SLAM 十四讲 —— 第七讲 视觉里程计1 前六讲介绍了 SLAM 会用到的基础知识，从这一讲将开始实际介绍 SLAM 的四个模块：视觉前端，优化后端，回环检测和地图构建。而视觉前端又被称为视觉里程计（Visual Odometry, VO），它根据相邻图像的信息，估计出粗略的相机运动，给后端提供较好的初始值。而根据是否需要提取特征，又分为特征点法和非特征点法。而由于基于特征点的前端运行稳定，对光照、动态物体不敏感，是当前 VO 的主流方法。 特征点法 特征点法通过提取图像中稳定、有特点的特征
回环检测（SLAM十四讲ch12）
赤豆几维
09-03 2264
概述        无论在单目、双目还是RGBD中，追踪得到的位姿都是有误差的。随着路径的不断延伸，前面帧的误差会一直传递到后面去，导致最后一帧的位姿在世界坐标系里的误差有可能非常大。除了利用优化方法在局部和全局调整位姿，也可以利用回环检测（loop closure）来优化位姿。 问题的关键是：如何判断两帧图片的相似度。最直观的做法是：特征匹配，比较匹配的数量是否足够多。此时，可以采用词袋模型...
【视觉SLAM笔记】第11章 回环检测
最新发布
cxyhjl的博客
07-24 1093
提供了一种高效的方法，将每一张图像转换成一个标准化的“BoW向量”。SLAM系统通过比较当前帧的BoW向量和历史关键帧的BoW向量的相似度，就可以极快地（通常是毫秒级）找出那些在视觉上最相似的候选帧，从而启动后续更精确的几何验证。通过RANSAC算法，它能够鲁棒地从大量的特征匹配中，找到一个能够解释大多数匹配的刚体变换模型，从而以极高的置信度确认回环的真实性，为后续的全局优化提供一个坚实、可靠的基础。例如，如果一个回环匹配中，当前帧看到的是“天空”，而候选帧对应区域是“建筑”，则这个匹配很可能是错误的。
视觉SLAM十四讲 读书编程笔记 Chapter12 回环检测
wolfcsharp的博客
08-28 912
Chapter12 回环检测词袋模型(BoW)字典字典的结构实践：创建字典相似度的计算理论部分实践：相似度计算相似性评分的处理关键帧的处理检测之后的验证 词袋模型(BoW) 确定BoW的单词，从而组成字典。 确定一副图像中出现了哪些在字典中定义的概念，从而把一副图像转换成了一个向量的描述。 比较上一步中描述的相似程度。 字典 字典的结构 字典生成问题类似于一个聚类问题，聚类问题常用K-mea...
SLAM14讲学习笔记（八）回环检测
微鉴道长的博客
04-07 4607
学习到这里为止，SLAM14讲的主要知识就不多了。这章的内容书里只是做了一个简述，因此读起来也没有什么难度。但是初学者不仔细看就很容易犯糊涂。 回环检测的意义： 1.给后端的Pose Graph提供更多有效的数据（即走到同一个位置附近了），否则后端优化可能把前端的误差累积起来，出现漂移问题。 2.跟踪算法如果跟丢了，利用回环检测进行重定位。 回环检测的实现方式： 1.朴素思路：（1）暴力...
回环检测之理解一二三
weixin_42056321的博客
03-25 2304
回环检测要克服的难题是视角变化和环境条件的变化，保证在剧烈环境变化下回环检测的稳健性，实时性等特点。        回环检测大部分的论文是套路已有算法做改进。而现有的算法中，大部分都是借用CNN获取图像描述符，或是局部描述符，或是全局描述符，然后采用PCA降维处理， 再做相似性测量。所做的改进方向，或是改进CNN结构，或是改进描...
第11讲 回环检测
weixin_42391513的博客
09-04 710
回环检测模块能够给出除了相邻帧的一些是个更加久远的约束。相机经过了同一个地方，采集了相似的数据。回环检测的关键，就是如何有效地检测出相机经过同一个地方这件事。回环检测的意义：关系到我们估计的轨迹和地图在长时间下的正确性。提供了与所有历史数据的关联，还可以利用回环检测进行重定位。
SLAM回环检测技术解读
qq_38403231的博客
05-22 4758
随着路径的不断延伸，机器人在建图过程中会存在一些累计误差，除了利用局部优化、全局优化等来调整之外，还可以利用回环检测来优化位姿。 回环检测是什么？ 回环检测，又称闭环检测，是指机器人识别曾到达某场景，使得地图闭环的能力。说的简单点，就是机器人在左转一下，右转一下建图的时候能意识到某个地方是“我”曾经来过的，然后把此刻生成的地图与刚刚生成的地图做匹配。 回环检测成功 回环检测之所...
深蓝学院-视觉SLAM课程-第8讲笔记-回环检测
qq_37746927的博客
03-30 3780
深蓝学院-视觉SLAM课程-第8讲笔记-回环检测
什么是SLAM中的回环检测，如果没有回环检测会怎样
Turn life into a dream, and then turn dreams into reality
12-25 1732
最近看SLAM相关论文，产生一个疑问，闭环检测是SLAM算法中的一个关键环节，但是假如在主体机器人运动的轨迹当中没有产生闭环，是否闭环检测就失去了意义，也就是闭环检测这个环节是否就不是必须的环节。请教了身边做SLAM的同学的观点，告知没有产生闭环的时候需要用全局BA优化，不过因为计算量的问题，无法达到实时性，那么是否如果想要达到实时性，就必须要求机器人运动的轨迹的实验场景必须存在闭环呢？ ...
视觉SLAM十四讲之回环检测(第二版)
sunshine
01-01 2183
视觉SLAM十四讲之回环检测(第二版) 文章目录视觉SLAM十四讲之回环检测(第二版)1、SLAM框架：前端、后端、回环检测2、回环检测的关键：如何有效解决相机经过同一个地方。3、回环检测的作用：4、回环检测的方法5、基于外观的回环检测方法：核心计算图像的相似性**6、评价基于外观的回环检测方法：准确率和召回率**7、词袋模型（Bag-of-Words,BOW）8、字典9、如何创建字典10、相似度...
最全综述 | SLAM中回环检测方法 收藏
lyk_ffl的专栏
10-09 6492
在视觉SLAM问题中，位姿的估计往往是一个递推的过程，即由上一帧位姿解算当前帧位姿，因此其中的误差便这样一帧一帧的传递下去，也就是我们所说的累积误差。一个消除误差有效的办法是进行回环检测。回环检测判断机器人是否回到了先前经过的位置，如果检测到回环，它会把信息传递给后端进行优化处理。回环是一个比后端更加紧凑、准确的约束，这一约束条件可以形成一个拓扑一致的轨迹地图。如果能够检测到闭环，并对其优化，就可以让结果更加准确。 在检测回环时，如果把以前的所有帧都拿过来和当前帧做匹配，匹配足够好的就是回环，但这样会导致
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值