0 前言
DLoopDetector是DBoW2作者的另一個開源項目，github位址為https://github.com/dorian3d/DLoopDetector。它對應的學術論文也是《Bags of Binary Words for Fast Place Recognition in Image Sequences》。像之前的博文（連結）說的，該論文中包含兩部分内容：基于BRIEF描述子建立vocabulary tree，和利用vocabulary tree和一些校驗方法進行回環檢測，DLoopDetector對應的就是後半部分。
看一下作者的項目介紹：DLoopDetector用于對移動機器人采集的圖像序列做回環檢測，它基于提取特征建立的bag-of-words和database，和局部連續性以及幾何條件的限制。DLoopDetector中會用到DBoW2庫，也需要OpenCV和boost::dynamic_bitset（用于表示BRIEF特征描述子）的支援。
1 工程下載下傳與編譯
先下載下傳工程，之後需要下載下傳demo運作需要的測試集檔案resources.tar.gz（原位址為https://drive.google.com/uc?export=download&id=1MpZwPjXDAUxKfSTpeCjG0PAUpaeWuo7D，如果下載下傳不了可以到這裡下載下傳）後進入工程所在目錄，依次執行
mkdir build cd build
cp 檔案所在目錄/resources.tar.gz .
cmake ../ make
編譯過程中會下載下傳DBoW2和DLib，在build目錄下會生成demo_brief可執行檔案。執行後運作畫面如下，“Trajectory”視窗中紅色線段表示程式檢測到了回環。
2 算法原理
首先把參考論文捋一捋，了解作者的開發思想。着重看論文的第五部分V. LOOP DETECTION ALGORITHM。首先，利用DBoW2我們已經可以計算圖像的相似度了，相似度高的圖像将作為回環檢測的備選圖像。不過由于perceptual aliasing，需要對備選圖像做進一步的驗證，具體步驟如下。
1）Database query
利用建立的vocabulary tree和database，得到與輸入圖像相似度評分較高的備選圖像集，使用
表示。其中vt代表輸入圖像，計算得到它們的相似度評分s(vt, vtj)。之後作者考慮到不同環境下相似度評分尺度不一緻的問題（有的場景變化很大，實際實體位置很接近的圖像之間相似度評分也不高；有的場景反之），對評分做了歸一化處理，公式如下：
公式中分母表示輸入圖像和它的上一幀圖像間的相似度評分。作者提到一些情況下分母會比價小（譬如發生旋轉時）導緻評分偏高，是以對分母有一個大小的限制。之後對得到的歸一化評分也做了大小限制，大于限定值alpha的圖像進入之後的處理。
2）Match grouping
一般情況下若圖像A和B出現回環的情況，則A和B附近的圖像也傾向于判定為回環，不過這樣的判定意義不大且浪費了計算時間。作者提出把這些時間上相近的圖像劃分為一個island，把輸入圖像和一個island看做一次比對。是以時間上相近的多次比對
就變為了一次比對，記為
，且比對得分計算為
從得到的幾個islands中選出得分最高的那一組進入後面的操作。
3）Temporal consistency
作者認為，如果圖像A與B出現回環，則A附近的圖像應該在B附近也會出現回環的情況。是以定義了如下的局部連續性限制：對于比對
，它需要存在k個時間上連續的比對
。滿足該條件的比對中，選取評分最高的圖像進入後面的操作。
4）Efficient geometrical consistency
對于輸入圖像A和備選圖像B，作者通過RANSAC方法（可參考連結）計算它們之間的基本矩陣F，其中會用到前面提到的direct index加速特征點之間的比對。若能得到F，則表明滿足了幾何限制條件，回環檢測成立。
至此DLoopDetector的運作原理分析完畢，下一篇文章将具體分析其源代碼。