ORB-SLAM3 关键帧相似度计算

float si = mpVoc->score(F->mBowVec, pKFi->mBowVec);这行代码的核心作用，是计算当前帧与某个候选关键帧在视觉上的相似度得分，得分越高，两者在视觉上就越相似。

这个得分是后续筛选和聚合候选关键帧的基础，也是ORB-SLAM3重定位流程中“粗匹配”的关键一环。

下面将从得分计算方式和算法实现两个层面来详细解释：

📊 得分计算方式：基于词袋向量的相似度

mpVoc->score是DBoW2库提供的接口，其输入是两个词袋向量（BowVector），输出是一个浮点数，代表它们的相似度。

• 输入是什么？F->mBowVec是当前帧的词袋向量，pKFi->mBowVec是候选关键帧的词袋向量。每个向量都是一个std::map<WordId, WordValue>，记录了该帧图像包含的“视觉单词”及其对应的TF-IDF权重。

• 如何计算相似度？DBoW2库提供了多种评分方法，例如L1范数、L2范数、卡方距离、点积等。ORB-SLAM3通常使用L1范数评分（L1Scoring），其本质是计算两个词袋向量的加权曼哈顿距离。得分越高，代表两帧共享的视觉单词越多、权重越大，它们在视觉内容上就越相似。

⚙️ 算法实现：为什么这一步是关键？

理解了得分计算方式后，我们再把这个步骤放回DetectRelocalizationCandidates函数的上下文中，就能更清楚地看到它的重要性：

1. 从“粗筛”到“精筛”：在这行代码之前，系统通过倒排索引（mvInvertedFile）快速找出了所有与当前帧有共视单词的关键帧，这是第一步的“粗筛”。

2. 计算精确得分：score()函数就是第二步的“精筛”。它基于TF-IDF权重，为每一个通过粗筛的关键帧计算一个精确的相似度得分。TF-IDF确保了那些罕见但更具区分度的视觉单词（高区分度）对得分的贡献更大，而普遍出现的单词（如天空、墙壁）的贡献被削弱。

3. 指导后续筛选：这个得分会被用于后续的筛选逻辑。例如，代码中常见的策略是：只保留得分大于最高分75%的候选帧，然后将这些高得分帧的得分累加到它们共视图中的邻居帧上，形成“累积得分”，从而找到视觉上最相似的“区域”，而非单个孤立的帧。

💎 总结

mpVoc->score(...)这行代码，本质上是利用DBoW2库提供的相似度计算接口，将两个词袋向量转换为一个量化的视觉相似度得分。这个得分是重定位候选帧筛选流程的核心依据，它让系统能够快速地从成百上千个候选帧中，精确定位到与当前帧视觉上最相似的几个关键帧。

补充：

mpVoc->score(F->mBowVec, pKFi->mBowVec)这行代码，其核心是调用DBoW2库来计算两个词袋向量的相似度得分。在ORB-SLAM3中，默认使用的是L1范数评分（L1 Scoring）方法。

下面，将从代码结构、计算原理和具体例子三个方面来拆解这个过程。

🧱 1. 代码结构：DBoW2的评分家族

在DBoW2库中，score是一个定义在基类GeneralScoring中的纯虚函数。它通过一个宏__SCORING_CLASS来定义不同的评分方法。

cpp

// Thirdparty/DBoW2/DBoW2/ScoringObject.h[reference:6] namespace DBoW2 { /// Base class of scoring functions class GeneralScoring { public: // 纯虚函数：计算两个向量的得分 virtual double score(const BowVector &v, const BowVector &w) const = 0; // ... }; }

ORB-SLAM3支持多种评分方法，并通过宏来声明：

ORB-SLAM3默认使用的是L1Scoring。这类评分通常要求向量先进行归一化（mustNormalize返回true）。

⚙️ 2. 核心原理：L1范数评分如何计算？

L1Scoring的计算分为两步：向量归一化和计算相似度。

步骤一：向量归一化 (Normalization)

在进行相似度计算前，需要对词袋向量v和w进行L1归一化。

对于一个词袋向量v，它包含了一系列(单词ID, 权重)对。L1归一化就是让向量中所有权重的绝对值之和等于1。

公式：
v_norm = v / ||v||₁

其中，||v||₁ = Σ |v_i|是向量中所有元素绝对值之和。

步骤二：计算L1相似度

归一化后，两个向量的L1相似度通过以下交集（Intersection）方法计算：

公式：
score(v, w) = Σᵢ min(v_i, w_i)

这个公式的含义是：遍历两个向量中所有共同的单词，将其权重中较小的那个累加起来。

注意：由于L1归一化保证了向量元素和为1，这个交集得分天然地落在[0, 1]区间内。得分越高，表示两个向量共享的视觉单词越多，图像越相似。

💡 3. 实例演示：从公式到数字

让我们通过一个具体的例子来理解这个过程。

假设我们有两个极度简化的词袋向量，词汇表里只有单词A、B、C三个视觉单词。

• 图像1 (当前帧)：包含单词A(权重2) 和 单词B(权重3)。

  • 向量v = {A: 2, B: 3}

• 图像2 (候选关键帧)：包含单词B(权重4) 和 单词C(权重1)。

  • 向量w = {B: 4, C: 1}

步骤一：L1归一化

• ||v||₁ = 2 + 3 = 5

• v_norm = {A: 2/5, B: 3/5} = {A: 0.4, B: 0.6}

• ||w||₁ = 4 + 1 = 5

• w_norm = {B: 4/5, C: 1/5} = {B: 0.8, C: 0.2}

步骤二：计算L1相似度

找到两个向量共有的单词（即交集），这里是单词B。

• 对于单词B：min(v_norm(B), w_norm(B)) = min(0.6, 0.8) = 0.6

• 最终的相似度得分：score = 0.6

这个0.6就是mpVoc->score()函数返回的float si值。

💎 4. 总结

float si = mpVoc->score(F->mBowVec, pKFi->mBowVec);

1. mpVoc是一个指向DBoW2::Vocabulary类的指针，它内部维护着一个DBoW2::L1Scoring类型的评分对象。

2. score()函数接收两个BowVector作为输入。

3. 函数内部首先对两个向量进行L1归一化。

4. 然后计算它们归一化后权重的交集和，得到一个[0, 1]范围内的浮点数。

5. 这个数值就是两帧图像在视觉上的相似度得分，分数越高，视觉上越相似。

关于：

累加的结果绝不会大于 1，最大值就是1。原因其实很简单：

📐 数学证明

假设有两个经过L1 归一化的非负向量v和w，它们的所有元素和都等于 1：

∑ivi=1,∑iwi=1i∑​vi​=1,i∑​wi​=1

对于每个共同的单词i，我们取min(v_i, w_i)。由于min(v_i, w_i) ≤ v_i（也 ≤w_i），所以对整个向量求和：

∑imin⁡(vi,wi)≤∑ivi=1i∑​min(vi​,wi​)≤i∑​vi​=1

同理，它也 ≤ 1。因此累加和≤ 1，并且只有当两个向量完全相等（非零元素完全相同且权重一致）时，才能达到1。

💡 直观理解

你可以把 L1 归一化后的向量看作一个“概率分布”，每个单词的权重就是它出现的相对频率。两个分布的交集（共同单词中较小的频率）的总和，不可能超过整个分布的总概率（即 1）。这就像两个馅饼，你只能取它们重叠的那部分，最多也只能取到整个馅饼（1）。

所以，mpVoc->score()返回的相似度得分始终在[0, 1]之间，非常合理。