视觉位置识别（VPR）
**视觉位置识别（Visual Place Recognition）**回答一个问题：相机是否曾经到过这里？ 给定当前图像和一个由此前访问过的地点组成的数据库，VPR检索出最可能的匹配项——这是回环检测中感知的那一半。它必须在视角变化、光照变化、天气变化以及适度场景变化的情况下依然成功，同时不能对看起来相似但实际上是不同地点的场景产生误判（感知混叠——第二条看起来一样的走廊是VPR的经典克星）。
经典方法是视觉词袋（Bag of Visual Words, BoVW）：
- 离线阶段，使用k-means对大量局部描述子（例如ORB）进行聚类，构建一个包含 个单词的视觉词汇表。
- 将每张图像表示为在各视觉单词上的直方图，并用TF-IDF加权，使得普遍存在、信息量低的单词权重降低。
- 通过倒排索引（单词到包含它的图像的映射）检索候选项，即使有数千个关键帧，查找速度依然很快。
TF-IDF加权值得明确展示。若单词 在 个数据库图像中的 个中出现，则其逆文档频率为 ：一个出现在每张走廊图像中的单词的 ，对相似度没有任何贡献，而一个稀有单词（一张独特的海报、一个不寻常的角落结构）则会主导得分。每张图像的加权直方图会被归一化，并用L1/L2或余弦相似度进行比较；由于有倒排索引，只有与查询图像至少共享一个单词的图像才会被处理。DBoW2/DBoW3通过分层词汇树（借助粗到细的下降过程以 而非 的线性搜索完成单词分配）实现了这一思路，并被ORB-SLAM、VINS-Mono及许多其他系统所使用。FAB-MAP则是同一检索思想的经典概率化表述。
现代方法用学习得到的全局描述子取代了手工设计的直方图。NetVLAD的核心是对上述量化步骤的一种可微推广：它不再将每个局部特征 硬性分配给最近的聚类中心，而是用权重 进行软分配，并针对每个聚类中心 累加残差：
由此产生一个固定大小的描述子，经过归一化后，用带GPS标签的街景图像（“同一地点、不同外观”作为正样本）通过三元组损失进行端到端训练。Patch-NetVLAD增加了patch级别的重排序；HF-Net在一个网络中同时预测全局和局部特征，形成完整的识别加定位层级结构；而当前系统越来越多地使用基础模型特征（例如基于DINO的描述子）以获得对极端外观变化的鲁棒性。对于同一路线的重复穿越场景（配送机器人、轨道交通），基于序列的匹配——对描述子的短序列而非单张图像进行打分——可以免费获得巨大的鲁棒性提升。
无论是由什么方法产生候选项，SLAM系统都不会仅仅信任检索结果。标准流程是：检索出前k个候选项，然后进行几何验证——将局部特征与候选项进行匹配，在本质矩阵/PnP模型上运行RANSAC，并要求足够多的内点（ORB-SLAM还额外要求在共视关键帧之间保持一致性）。只有经过验证的匹配才会成为回环检测的边，因为一次误检就可能使地图折叠变形。
评估VPR：精确率优先于召回率
对于回环检测而言，这两类错误的代价极不对称。漏检回环（假阴性）只会造成一定的漂移校正损失——地图保持略微弯曲。而通过验证的错误回环（假阳性）则可能摧毁整个地图。因此用于SLAM的VPR被调优为几乎不惜任何召回率代价换取精确率：通常的做法是，系统只对一小部分真实的重访地点做出响应，但几乎从不对错误的地点做出响应，正因如此，论文中经常报告”100%精确率下的召回率”这一指标。这也是为什么多层防御机制（检索分数阈值 → 连续多次匹配上的时间/共视一致性 → 几何验证 → 鲁棒后端）不是过度谨慎，而是标准架构。
常见陷阱
- 词汇表领域不匹配：在室外图像上训练的BoVW词汇表对室内ORB描述子的量化效果不佳，会降低检索质量；应使用（或训练）与你的特征类型及大致领域相匹配的词汇表。
- 结构化环境中的感知混叠：办公室、仓库、停车场和走廊中包含真正近乎相同的视图；检索无法区分它们，因此一致性和验证层必须承担这一任务——在这类环境中，切勿为了”获得更多回环”而降低几何阈值。
- 忽略时间维度：与非常近期的关键帧进行匹配会轻易成功（它们看起来相似，因为只相隔几秒钟），但这毫无意义；系统会将查询周围的一段时间邻域从数据库中排除。
- 视角鲁棒性与外观鲁棒性的权衡：总结整幅图像布局的全局描述子对光照变化鲁棒，但对大幅视角变化较为脆弱；局部特征验证则恰恰相反。检索后验证的流程之所以有效，正是因为这两层以不同的方式失败。
- 数据库增长：朴素的逐关键帧描述子会使检索成本随轨迹长度增长；倒排索引和关键帧剔除机制使长期运行变得可行。
对SLAM的意义
VPR是将视觉里程计升级为完整SLAM的关键：如果不能识别此前访问过的地点，漂移就永远无法被校正。同样的机制还提供了跟踪丢失后的重定位、“绑架机器人”问题的恢复、多会话地图融合，以及协作SLAM中机器人间的回环检测——SLAM系统几乎所有的”全局”能力都依赖于位置识别的可靠工作。