[论文解读] MILD: Multi-Index Hashing Based Loop Closure Detection

Lei Han, Lu Fang|arXiv (Cornell University)|Feb 28, 2017

Robotics and Sensor-Based Localization参考文献 18被引用 3

一句话总结

MILD 提出了一种基于多索引哈希（MIH）的实时回环检测方法，通过直接特征匹配实现高召回率的图像相似性匹配，避免了传统二值词袋方法中因聚类中心模糊带来的问题。该方法通过 MIH 的概率分析，理论性地平衡了近似精度与计算成本，从而在效率和准确性方面均表现出色。

ABSTRACT

Loop Closure Detection (LCD) has been proved to be extremely useful in global consistent visual Simultaneously Localization and Mapping (SLAM) and appearance-based robot relocalization. Methods exploiting binary features in bag of words representation have recently gained a lot of popularity for their efficiency, but suffer from low recall due to the inherent drawback that high dimensional binary feature descriptors lack well-defined centroids. In this paper, we propose a realtime LCD approach called MILD (Multi-Index Hashing for Loop closure Detection), in which image similarity is measured by feature matching directly to achieve high recall without introducing extra computational complexity with the aid of Multi-Index Hashing (MIH). A theoretical analysis of the approximate image similarity measurement using MIH is presented, which reveals the trade-off between efficiency and accuracy from a probabilistic perspective. Extensive comparisons with state-of-the-art LCD methods demonstrate the superiority of MILD in both efficiency and accuracy.

研究动机与目标

• 为解决基于二值特征的回环检测中，由于高维二值描述子聚类中心定义不明确而导致的召回率低的问题。
• 在不牺牲召回率的前提下，实现实时性能的回环检测。
• 开发一种通过多索引哈希（MIH）直接匹配特征的方法，避免依赖基于聚类中心的表示方式。
• 对基于 MIH 的近似图像相似性度量中精度与效率之间的权衡进行理论分析。
• 与当前最先进的 LCD 方法相比，展示在效率和准确性方面的优越性能。

提出的方法

• MILD 使用多索引哈希（MIH）对二值特征描述子进行索引，实现高效且近似的相似性搜索。
• 通过 MIH 直接匹配特征，而非依赖基于聚类中心的表示方式，从而提升召回率。
• 采用概率框架分析基于 MIH 的相似性度量中近似精度与计算效率之间的权衡。
• MIH 构建多个哈希表，每个表使用不同的随机投影，以提高匹配的鲁棒性并减少误报。
• 通过多个索引间哈希码的交集计算图像相似性，提升检索精度。
• 通过最小化计算开销，同时保持高召回率，使系统能够实现实时运行。

实验结果

研究问题

• RQ1 如何在不增加计算复杂度的前提下，使回环检测实现高召回率？
• RQ2 基于 MIH 的近似图像相似性度量中，精度与效率之间的理论权衡是什么？
• RQ3 通过 MIH 实现的直接特征匹配能否在召回率和速度上超越基于聚类中心的词袋方法？
• RQ4 在真实世界的 SLAM 场景中，基于 MIH 的相似性度量与当前最先进的 LCD 方法相比表现如何？
• RQ5 多索引机制对回环检测的鲁棒性和召回率有何影响？

主要发现

• MILD 通过避免高维二值描述子聚类中心的模糊性，实现了比基于聚类中心的二值特征方法更高的召回率。
• 由于基于 MIH 的特征匹配计算开销极低，该方法保持了实时性能。
• 理论分析证实了 MIH 中近似精度与效率之间存在可量化的权衡，为最优参数选择提供了指导。
• 大量对比实验表明，MILD 在准确性和速度方面均优于当前最先进的 LCD 方法。
• 通过 MIH 实现的直接特征匹配显著提升了检索性能，相较于传统的词袋方法有明显改进。
• 使用多个哈希索引增强了匹配的鲁棒性，并减少了回环检测中的误报。