VSLAM系列原创09讲 | 如何在线生成BoW词袋向量？原理+代码详解

/**
 * @brief 确定一个特征描述子的单词ID和权重，单词所属的节点（距离叶子为level up深度的节点）ID
 * @param[in] feature                 特征描述子
 * @param[in & out] word_id           单词ID
 * @param[in & out] weight            单词权重
 * @param[in & out] nid               单词所属的节点（距离叶子为level up深度的节点）ID
 * @param[in] levelsup                单词距离叶子的深度
 */
template<class TDescriptor, class F>
void TemplatedVocabulary<TDescriptor,F>::transform(const TDescriptor &feature, 
  WordId &word_id, WordValue &weight, NodeId *nid, int levelsup) const
{ 
  vector<NodeId> nodes;
  typename vector<NodeId>::const_iterator nit;

  // m_L表示树的深度
  // nid_level表示当前特征点转化为单词所属的节点ID
  const int nid_level = m_L - levelsup;
  if(nid_level <= 0 && nid != NULL) *nid = 0; // 根节点

  NodeId final_id = 0; 
  int current_level = 0;

  // 开始沿着字典树进行搜索
  do
  {
    ++current_level;
    nodes = m_nodes[final_id].children;
    final_id = nodes[0];

    // 取当前节点内第一个子节点的描述子距离作为初始化最佳距离
    double best_d = F::distance(feature, m_nodes[final_id].descriptor);
    // 遍历nodes中所有的描述子，找到最小距离对应的描述子
    for(nit = nodes.begin() + 1; nit != nodes.end(); ++nit)
    {
      NodeId id = *nit;
      double d = F::distance(feature, m_nodes[id].descriptor);
      if(d < best_d)
      {
        best_d = d;
        final_id = id;
      }
    }
    
    // 记录当前描述子所属的节点ID，它距离叶子深度为levelsup
    if(nid != NULL && current_level == nid_level)
      *nid = final_id;
    
  } while( !m_nodes[final_id].isLeaf() );

  // 取出字典树中距离当前特征描述子距离最小的那个节点的单词ID和权重赋予该特征点
  word_id = m_nodes[final_id].word_id;
  weight = m_nodes[final_id].weight;
}

/**
 * @brief 将一幅图像所有的特征点转化为BowVector和FeatureVector
 * @param[in] features      图像中所有的特征点
 * @param[in & out] v       BowVector
 * @param[in & out] fv      FeatureVector
 * @param[in] levelsup      单词距离叶子的深度
 */
template<class TDescriptor, class F> 
void TemplatedVocabulary<TDescriptor,F>::transform(
  const std::vector<TDescriptor>& features,
  BowVector &v, FeatureVector &fv, int levelsup) const
{
  v.clear();
  fv.clear();
  
  if(empty()) 
  {
    return;
  }
  
  // 根据选择的评分类型来确定是否需要将BowVector归一化
  LNorm norm;
  bool must = m_scoring_object->mustNormalize(norm);
  typename vector<TDescriptor>::const_iterator fit;
  // 代码里使用的权重类型是TF_IDF
  if(m_weighting == TF || m_weighting == TF_IDF)
  {
    unsigned int i_feature = 0;
    // 遍历图像中所有的特征点
    for(fit = features.begin(); fit < features.end(); ++fit, ++i_feature)
    {
      WordId id;        // 单词节点
      NodeId nid;       // 单词所属的节点（距离叶子为level up深度的节点）ID，用于限制搜索范围
      WordValue w;      // 单词对应的权重

      // 确定一个特征描述子的单词ID和权重，单词所属的节点（距离叶子为level up深度的节点）ID
      // id：单词ID，w：单词权重，nid：单词所属节点ID
      transform(*fit, id, w, &nid, levelsup);
      
      if(w > 0) 
      { 
        // 如果单词权重大于0，将其添加到BowVector和FeatureVector
        v.addWeight(id, w);
        fv.addFeature(nid, i_feature);
      }
    } 
    // ...
  }
  // ...
}

std::map<WordId, WordValue>

/**
 * @brief 更新BowVector中的单词权重
 * 
 * @param[in] id    单词的ID
 * @param[in] v     单词的权重
 */
void BowVector::addWeight(WordId id, WordValue v)
{
  // 返回指向大于等于id的第一个值的位置
  BowVector::iterator vit = this->lower_bound(id);
  
  // 根据新增加的单词是否在BowVector里来更新权重
  if(vit != this->end() && !(this->key_comp()(id, vit->first)))
  {
    // 如果id=vit->first,说明是同一个单词，累加更新权重 
    vit->second += v;
  }
  else
  {
    // 如果该单词ID不在BowVector中，作为新成员添加进来
    this->insert(vit, BowVector::value_type(id, v));
  }
}

（左右滑动看完整代码）

* * *