当前位置：首页 > news >正文

ORB-SLAM3 SearchByBoW 1

news 2026/7/7 7:03:27

int ORBmatcher::SearchByBoW(KeyFrame* pKF, Frame &F, vector<MapPoint*> &vpMapPointMatches)是ORB-SLAM3中一个核心的特征匹配函数，它利用词袋模型（BoW）加速当前帧F与关键帧pKF之间的特征点匹配，为后续的位姿优化提供高质量的3D-2D对应关系。

该函数通过只比较属于同一“视觉单词”（节点）的特征点，避免了全局的暴力搜索，从而在保证匹配质量的同时大幅提升了效率。它普遍应用于跟踪参考关键帧、重定位和闭环检测等多个关键环节。

🧠 函数工作原理：五大核心步骤

下面是该函数实现匹配的详细步骤流程：

步骤1：数据准备与对齐

函数首先会获取关键帧pKF中每个特征点对应的地图点（vpMapPointsKF），并为待匹配的当前帧F初始化一个空的匹配结果容器（vpMapPointMatches）。此处的关键数据是特征向量（FeatureVector）：pKF->mFeatVec和F.mFeatVec，这是一个按词汇树节点ID（NodeId）索引特征点索引（vector<unsigned int>）的映射表。

步骤2：遍历相同节点内的特征点

通过同步遍历两个FeatureVector（KFit和Fit），算法只对那些拥有相同节点ID的组进行比较。这利用了词袋模型的核心思想：属于同一节点的特征点在视觉上是相似的，因此它们之间最可能产生正确匹配，从而排除了大量无关的组合。

步骤3：在节点内寻找最佳匹配

对于关键帧中一个有效的特征点，算法会在当前帧属于该节点的所有特征点中，计算它们ORB描述子之间的汉明距离。通过遍历，它会找出与关键帧特征点距离最近（bestDist1）和次近（bestDist2）的两个当前帧特征点。

步骤4：双重检验与接受匹配

一个候选匹配需要经过两重检验才能被接受，这能有效剔除误匹配：

距离阈值检验：最佳距离（bestDist1）必须小于一个预先设定的低阈值（TH_LOW）。这确保了特征点在描述子层面足够相似。
最近邻比率检验：最佳距离必须显著小于次佳距离，即满足bestDist1 < mfNNratio * bestDist2。这确保了该匹配是“独特”的，没有其他模糊的候选点。

步骤5：旋转一致性检验（粗筛）

为了进一步剔除不符合物理规律（图像旋转）的误匹配，函数会统计所有通过上述检验的匹配对的特征点主方向角度差，并构建一个30 bin的直方图（rotHist）。在步骤的最后，函数会找出直方图中数量最多的三个bin（代表主流旋转方向），然后剔除所有不落在这三个bin内的匹配对。

💻 核心代码逻辑框架

cpp

int ORBmatcher::SearchByBoW(KeyFrame* pKF, Frame &F, vector<MapPoint*> &vpMapPointMatches) { // 1. 获取关键帧的地图点和特征向量 const vector<MapPoint*> vpMapPointsKF = pKF->GetMapPointMatches(); const DBoW2::FeatureVector &vFeatVecKF = pKF->mFeatVec; vpMapPointMatches = vector<MapPoint*>(F.N, nullptr); // 初始化直方图用于旋转一致性检验 vector<int> rotHist[30]; // ... // 2. 同步遍历两个特征向量 (FeatureVector) DBoW2::FeatureVector::const_iterator KFit = vFeatVecKF.begin(), Fit = F.mFeatVec.begin(); while (KFit != vFeatVecKF.end() && Fit != F.mFeatVec.end()) { if (KFit->first == Fit->first) { // 属于同一节点 // 3. 在该节点内部进行特征点匹配 for (size_t iKF=0; iKF<vIndicesKF.size(); iKF++) { // 提取关键帧特征点对应的地图点和描述子 // 在当前帧的同一节点内遍历，寻找最佳匹配 (bestDist1) 和次佳匹配 (bestDist2) // 4. 决策：如果 bestDist1 满足阈值和比率检验，则接受匹配 if (bestDist1 <= TH_LOW && bestDist1 < mfNNratio * bestDist2) { // 记录匹配，并记录角度差到直方图 } } KFit++; Fit++; } else if (KFit->first < Fit->first) { KFit = vFeatVecKF.lower_bound(Fit->first); } else { Fit = F.mFeatVec.lower_bound(KFit->first); } } // 5. 利用直方图进行旋转一致性检验，剔除不符合主流旋转的匹配 // ... return nmatches; // 返回成功匹配的数量 }

🎯 应用场景

TrackReferenceKeyFrame：在恒速模型跟踪失效时，通过此函数匹配当前帧和参考关键帧，以估计当前帧位姿。
Relocalization：在系统跟踪丢失时，利用此函数将当前帧与DetectRelocalizationCandidates找到的候选关键帧进行匹配，为MLPnP等位姿估计算法提供初始3D-2D对应关系。
Loop Closing：在闭环检测中，用于匹配当前关键帧和候选闭环关键帧，验证闭环的正确性。