2024-07-22 GV-Bench填补空白：回环检测几何验证的基准（IROS’24）

回环检测的验证远未解决

回环检测的主要目标是促进长期和大规模自主导航的鲁棒性，主要解决跨越不同的日间、天气条件和季节的匹配问题。在具有挑战性的条件变化下将两幅图像关联变得越来越困难。视觉回环检测首先从图像中提取紧凑的全局描述符，然后计算相似度，并通过最近邻搜索检索结果。大量工作专注于在变化环境下学习条件不变的全局特征。潜在的回环对由当前查询图像与检索到的数据库图像形成，如图2中的检索阶段所示。

在检测这种潜在对时，仅使用图像之间的外观相似性，而不考虑图像之间的几何关系。然而，由于各种条件，场所的外观在长期内可能会发生巨大变化。同时，由于重复的纹理和相似的结构，外观可能会产生别名。因此，主要挑战是：

漏检正确的回环（即低召回率）
错误检测回环（即低精度）

为了减轻第二个挑战，采用了几何验证的附加步骤来确定每个潜在回环对的正确性，因为错误的回环检测可能导致定位不准确。

几何验证是指检查图像对之间局部特征对应的空间一致性。如图2所示，首先提取并匹配局部特征，然后通过例如RANSAC的离群点拒绝方法，在图像对之间施加对极约束。常用的二元分类器是使用内点数量或内点比例来验证潜在回环对。如果局部特征匹配的内点数量超过预定义阈值，则将该对视为正确。因此，条件不变的匹配是正确验证潜在回环对的关键。长期视觉定位基准为选择在姿态估计中对外观和视点变化具有鲁棒性的局部特征提供了参考。然而，没有评估其在几何验证性能方面的基准。

为填补这一空白，GV-Bench[1]是用于评估局部特征匹配方法在长期回环检测几何验证中表现的统一基准。旨在为长期自主性中的几何验证选择特征匹配方法提供参考。进行了大量实验来比较六种具有代表性的局部特征匹配方法，总结如表I所示。其设计了一个易于扩展的基准框架，基于三个数据集，旨在长期视觉回环检测和地点识别。为了进行比较研究，重点关注三种类型的条件变化：光照、季节和天气变化，如图1所示。

GV-Bench的主要贡献如下：

公平且可访问的几何验证评估：开源了一个开箱即用的框架，具有模块化设计。这使得可以在共同平台上评估新提出的方法，并扩展到更为多样的数据集。
几何验证的系统分析：通过使用所提出的基准和大量实验指出了可能的未来方向（例如，使用条件变化数据训练特征提取器和匹配器）。

评估方法

如图2所示，几何验证处理图像对，计算给定对是否正向的概率（表示相同的空间位置）。对于每对图像，首先从特征匹配器中提取关键点并计算对应关系。然后通过计算基础矩阵（假设非平面场景）并应用RANSAC来拒绝离群点来进一步处理这些匹配。此外，为了公平比较，应使用一致的图像对列表。描述了如何生成一个统一的基准，以评估在条件和视点变化下的几何验证。图3展示了基准构建的流程，该流程具有模块化设计，易于扩展到更为多样的条件变化、局部特征匹配方法和检索方法。

基准介绍

条件和视点变化是长期回环检测的主要挑战，其中机器人遍历可能跨越白天和夜晚、不同天气条件甚至季节。然而，很难量化或控制任何变化。我们尽力利用以下数据集：Oxford RobotCar数据集 [2]、Nordland数据集 [3] 和UAcampus数据集 [4] 来控制变量变化。总体而言，我们设计了一个基准，包含三种受控变化：光照（白天和夜晚）、季节和天气变化，如表II所示。除了条件变化外，我们还构建了一个基准序列“白天”，其中仅发生中等环境变化。虽然该序列预计易于解决，但如图5所示，结果并不理想，表明还有进一步改进的空间。