mFeatVecFeature Vector特征向量的计算原理简单来说就是为当前帧图像中的每个特征点找到它在视觉词汇树中对应的中间节点叶子节点world ID 上溯4层的节点ID并将该特征点的索引ORB特征点在当前帧图像中的索引存入这个节点ID 下的一个列表里。它的核心作用就像一份“花名册”为后续的特征匹配提供了一份按地点节点归类的索引从而避免了全局的暴力搜索。 核心思想在“街区”里找人为了理解mFeatVec的原理我们可以做一个类比mBowVec(词袋向量)相当于“全局摘要”。它只告诉你有某个单词比如“窗户”但不说这个单词具体出现在图像的哪个位置。它用于快速比较两张图的整体相似度。mFeatVec(特征向量)相当于“街区地图”。它把图像特征点按“街区”词汇树的中间节点分类。当你在这个街区里找某个特征点时就不用满城搜索只需要查看这个街区的居民列表即可。mFeatVec的这种“街区”设计是加速特征匹配的关键。⚙️ 计算流程两步构建索引mFeatVec的计算和mBowVec是同步的都在ComputeBoW()函数中完成。特征点“落户”对于当前帧图像中提取的每个ORB特征点它的描述子会从词汇树的根节点出发每层都选择与它最相似的子节点一路向下直到抵达一个叶子节点即一个具体的“视觉单词” world ID。登记到“街区”在特征点向下搜索的过程中ComputeBoW()函数除了记录最终的单词world ID还会记录下这个特征点经过的、距离叶子节点固定层数比如4层的那个中间节点ID。这个中间节点ID就是它归属的“街区”。代码层面DBoW2::FeatureVector::addFeature(NodeId id, unsigned int i_feature)函数实现了这一登记过程它会将特征点(在当前帧图像中)的索引i_feature添加到对应中间节点IDid的列表中。NodeId id是中间节点IDi_feature是ORB特征点在当前帧图像中的索引 核心应用如何用mFeatVec加速匹配这是mFeatVec最关键的价值所在。在特征匹配函数SearchByBoW中它被这样使用同步遍历同时遍历两个关键帧的mFeatVec例如记为f1it和f2it找出它们拥有相同中间节点ID的部分。两个关键帧的mFeatVec包含 相同的某个中间节点 ID限制匹配范围如果两帧都包含节点N那么匹配算法只会比较f1it中N节点下的特征点列表和f2it中N节点下的特征点列表。相同的某个中间节点 ID下暴力匹配两帧的ORB特征点因为它们之间有很大的相似性这相当于把原本需要在成百上千个点之间进行的“全局搜索”缩小到了只在一个“街区”对应节点内的少量点之间进行比对极大地提升了匹配速度。不是两帧之间的所有特征点都暴力匹配降低了匹配次数 总结mFeatVec本质是一个按词汇树节点ID索引的、记录特征点ID的列表std::mapNodeId, std::vectorunsigned int。它通过将特征点按“视觉相近程度”预先分组为后续的帧间特征匹配提供了“街区级”的快速索引是ORB-SLAM3能够实现实时数据关联的关键数据结构。