📝笔记：SLAM常见问题(一)：SearchByBoW
ORB-SLAM中使用了多种特征匹配的奇技淫巧，其中之一就是利用词袋信息进行引导匹配SearchByBoW：利用了BOW里的正向引导进行两帧之间的匹配，核心点在于位于同一个节点处的特征才有可能属于同一匹配，相较于暴力匹配匹配速度更快。
注意：每幅图像都可以通过ComputeBoW得到其对应的词袋向量。featureVector存储的是节点的索引值以及对应图像feature对应的索引向量，即map<node_id,vector<featureID>。这样的话就可以根据两帧图像的node_id来初步确定二者共有的特征点，然后根据该id取出vector<featureID>，根据featureID找到图像上的特征点以及描述子，通过比较二者描述子距离来判定该特征点是否为匹配点，若距离小于某一阈值，则二者为匹配对。
/**
* @brief Bag of Words Representation
* 计算词袋mBowVec和mFeatVec
* @see CreateInitialMapMonocular() TrackReferenceKeyFrame() Relocalization()
*/
//同样的，关键帧也有构造函数void KeyFrame::ComputeBoW()
void Frame::ComputeBoW()
{
if(mBowVec.empty())
{
// 将描述子mDescriptors转换为DBOW要求的输入格式
vector<cv::Mat> vCurrentDesc = Converter::toDescriptorVector(mDescriptors);
// 转换成词袋向量mBowVec以及特征向量mFeatVec
// mBowVec存储着单词及其对应的权重TF-IDF值
// mFeatVec存储节点ID以及对应对应图像feature对应的索引向量
mpORBvocabulary->transform(vCurrentDesc,mBowVec,mFeatVec,4);
}
}该函数在Tracking线程中的TrackReferenceKeyFrame()/Relocalization()进行调用（注意：LoopClosing线程中ComputeSim3()也会调用该函数，与上述二者的区别在于，ComputeSim3()中的SearchByBoW是寻找关键帧之间的匹配，而非关键帧与当前帧之间的匹配）。
下面给出ORB-SLAM2中用于关键帧与当前帧进行词袋引导匹配的源码：
/**
* @brief 通过词袋，对关键帧的特征点进行跟踪
*
* 通过bow对pKF和F中的特征点进行快速匹配（不属于同一node的特征点直接跳过匹配） \n
* 对属于同一node的特征点通过描述子距离进行匹配 \n
* 根据匹配，用pKF中特征点对应的MapPoint去更新F中特征点对应的MapPoints \n
* 每个特征点都对应一个MapPoint，因此pKF中每个特征点的MapPoint也就是F中对应点的MapPoint \n
* 通过距离阈值、比例阈值和角度投票进行剔除误匹配
* @param pKF KeyFrame
* @param F Current Frame
* @param vpMapPointMatches F中MapPoints对应的匹配，NULL表示未匹配
* @return 成功匹配的数量
*/
//const int ORBmatcher::TH_HIGH = 100;
//const int ORBmatcher::TH_LOW = 50;
//const int ORBmatcher::HISTO_LENGTH = 30;
int ORBmatcher::SearchByBoW(KeyFrame* pKF,Frame &F, vector<MapPoint*> &vpMapPointMatches)
{
// vpMapPointsKF：获取输入关键帧匹配到的地图点
const vector<MapPoint*> vpMapPointsKF = pKF->GetMapPointMatches();
// 初始化当前帧MapPoints对应的匹配NULL
vpMapPointMatches = vector<MapPoint*>(F.N,static_cast<MapPoint*>(NULL));
// FeatureVector数据类型 map<node_id,vector<featureID>，
// 可以快速根据node_id找到属于该node的特征点
const DBoW2::FeatureVector &vFeatVecKF = pKF->mFeatVec;
int nmatches=0;
vector<int> rotHist[HISTO_LENGTH];
for(int i=0;i<HISTO_LENGTH;i++)
rotHist[i].reserve(500);
const float factor = HISTO_LENGTH/360.0f;
// We perform the matching over ORB that belong to the same vocabulary node
// (at a certain level)
// 建立迭代器，将属于同一节点(特定层)的ORB特征进行匹配
DBoW2::FeatureVector::const_iterator KFit = vFeatVecKF.begin();
DBoW2::FeatureVector::const_iterator Fit = F.mFeatVec.begin();
DBoW2::FeatureVector::const_iterator KFend = vFeatVecKF.end();
DBoW2::FeatureVector::const_iterator Fend = F.mFeatVec.end();
while(KFit != KFend && Fit != Fend)
{
// 步骤1：分别取出属于同一node的ORB特征点(只有属于同一node，才有可能是匹配点)
// first表示node_id，只有node_id相同才表示这些特征点位于同一层
if(KFit->first == Fit->first)
{
// second中记录了这些特征对应图像中的ID
const vector<unsigned int> vIndicesKF = KFit->second;
const vector<unsigned int> vIndicesF = Fit->second;
// 步骤2：遍历KF中属于该node的特征点
for(size_t iKF=0; iKF<vIndicesKF.size(); iKF++)
{
// 获取关键帧上某一个特征点的ID
const unsigned int realIdxKF = vIndicesKF[iKF];
// 根据该ID得到该特征对应的MapPoint
MapPoint* pMP = vpMapPointsKF[realIdxKF];
if(!pMP) //不存在
continue;
if(pMP->isBad())//被标记为坏点
continue;
// 根据该ID取出KF中该特征对应的描述子
const cv::Mat &dKF= pKF->mDescriptors.row(realIdxKF);
int bestDist1=256; // 最好的距离（最小距离）
int bestIdxF =-1 ;
int bestDist2=256; // 倒数第二好距离（倒数第二小距离）
// 步骤3：遍历当前帧中属于该node的特征点，找到了最佳匹配点
for(size_t iF=0; iF<vIndicesF.size(); iF++)
{
// 取出当前帧上位于该node上的某一个特征点的ID
const unsigned int realIdxF = vIndicesF[iF];
// 表明这个点已经被匹配过了，不再匹配，加快速度
if(vpMapPointMatches[realIdxF])
continue;
// 取出F中该特征对应的描述子
const cv::Mat &dF = F.mDescriptors.row(realIdxF);
// 计算描述子距离，这里是汉明距离，若非二进制描述子可选择用其他距离
const int dist = DescriptorDistance(dKF,dF);
// 下面的操作就是分别获得最小bestDist1以及次小bestDist2的描述子距离
// dist < bestDist1 < bestDist2，更新bestDist1 bestDist2
if(dist<bestDist1)
{
bestDist2=bestDist1;
bestDist1=dist;
bestIdxF=realIdxF;
}
else if(dist<bestDist2)// bestDist1 < dist < bestDist2，更新bestDist2
{
bestDist2=dist;
}
}
// 步骤4：根据描述子距离阈值和角度投票剔除误匹配
// 最小的描述子距离小于一个阈值
if(bestDist1<=TH_LOW)
{
// trick!
// 最佳匹配比次佳匹配明显要好，那么最佳匹配才真正靠谱
if(static_cast<float>(bestDist1)<
mfNNratio*static_cast<float>(bestDist2))
{
// 步骤5：更新当前帧特征点的MapPoint
// 记录了特征点ID以及对应的特征点
vpMapPointMatches[bestIdxF]=pMP;
// 获得关键帧上的特征点位置
const cv::KeyPoint &kp = pKF->mvKeysUn[realIdxKF];
//
if(mbCheckOrientation)
{
// trick!
// angle：每个特征点在提取描述子时的旋转主方向角度，
// 如果图像旋转了，这个角度将发生改变
// 所有的特征点的角度变化应该是一致的，
// 通过直方图统计得到最准确的角度变化值
// 该特征点的角度变化值
float rot = kp.angle-F.mvKeys[bestIdxF].angle;
if(rot<0.0)
rot+=360.0f;
int bin = round(rot*factor);// 将rot分配到bin组
if(bin==HISTO_LENGTH)
bin=0;
assert(bin>=0 && bin<HISTO_LENGTH);
rotHist[bin].push_back(bestIdxF);
}
// 匹配点+1
nmatches++;
}
}
}
KFit++;
Fit++;
}
else if(KFit->first < Fit->first)
{
KFit = vFeatVecKF.lower_bound(Fit->first);
}
else
{
Fit = F.mFeatVec.lower_bound(KFit->first);
}
}
// 根据方向剔除误匹配的点，即删除那些不属于特征点角度变化最多的三个类别的匹配点
if(mbCheckOrientation)
{
int ind1=-1;
int ind2=-1;
int ind3=-1;
// 计算rotHist中最大的三个的index
ComputeThreeMaxima(rotHist,HISTO_LENGTH,ind1,ind2,ind3);
for(int i=0; i<HISTO_LENGTH; i++)
{
// 如果特征点的旋转角度变化量属于这三个组，则保留
if(i==ind1 || i==ind2 || i==ind3)
continue;
// 将除了ind1 ind2 ind3以外的匹配点去掉
for(size_t j=0, jend=rotHist[i].size(); j<jend; j++)
{
vpMapPointMatches[rotHist[i][j]]=static_cast<MapPoint*>(NULL);
nmatches--;
}
}
}
return nmatches;
}另外，LoopClosing线程中ComputeSim3()调用的SearchByBoW的函数声明为：
int ORBmatcher::SearchByBoW(KeyFrame *pKF1, KeyFrame *pKF2, vector<MapPoint *> &vpMatches12)