DBoW算法用於解決Place Recognition問題，ORB-SLAM，VINS-Mono等SLAM系統中的閉環檢測模塊均采用了該算法。來源於西班牙的Juan D. Tardos課題組。
主要是基於詞袋模型（BoW）https://en.wikipedia.org/wiki/Bag-of-words_model_in_computer_vision。在10000張train image圖像數據庫中找到query image的匹配圖像耗時<39ms，並有較高的召回率和較低的false positive。
理解詞袋模型最重要的是要明白什么叫特征向量？什么叫一個視覺單詞？又是什么叫詞袋向量？
特征向量 - 單個視覺特征描述子
視覺單詞 - 詞典中的聚類中心，帶有權重的單個視覺特征描述子
詞袋向量 - 一張圖片用詞袋中每個單詞是否出現（+ 出現的次數 + TF-DF）組合而成的向量（體現多個視覺特征描述子）
沒看懂？請看下面
一. 主要步驟：
構建字典（Vocabulary）：將圖像數據庫轉換為索引圖（k叉樹）
template<class TDescriptor, class F>
class TemplatedDatabase
{
...
};
近似最近鄰（ANN）搜索：將一張圖片中特征的描述子通過在k叉樹種搜索轉換為視覺單詞（visual word），多個視覺單詞組成詞袋向量（BoW Vector）
template<class TDescriptor, class F> class TemplatedVocabulary { ... };
二. 具體算法：
1. 離線步驟 - 構建字典（聚類問題，也稱為無監督分類）：
- 主要采用K-means算法，將用於訓練的圖像數據庫中的視覺特征（DBoW3中支持ORB和BRIEF兩種二進制描述子）歸入k個簇（cluster）中，每一個簇通過其質心（centroid）來描述，聚類的質量通常可以用同一個簇的誤差平方和（Sum of Squared Error，SSE）來表示，SSE越小表示同一個簇的數據點越接近於其質心，聚類效果也越好。這里的“接近”是使用距離度量方法來實現的，不同的距離度量方法也會對聚類效果造成影響（后面會提到）。K-means優點是容易實現，缺點是在大規模數據集上收斂較慢，並且可能收斂到局部最小，造成該簇沒有代表性。對於描述子這種高維空間的大規模聚類，粗暴使用K-means會有問題。因此會使用其變種Hierarchical K-means或者K-means++。
將訓練圖像數據庫中所有N個描述子分散在一個k分支，d深度的k叉樹的葉子節點上，如下圖，分支數為3，深度為Lw，這樣一個樹結構有葉子結點3Lw個。可以根據場景大小，需要達到的效果修改k和d的數值。這樣query image進來檢索時，可以通過對數時間的復雜度（d次 = logk N）找到其對應的聚類中心，而不是使用O(n)的時間復雜度的暴力檢索。
然后，為了提高檢索時的效率、成功率以及准確率，還采用了下述算法
- 倒排索引（Inverse Index）
- 正排索引（Direct Index）
- TF-IDF（Term Frequency - Inverse Document Frequency）
2. 在線步驟 - 近似最近鄰檢索（ANN Retrieval）
由於ORB和BRIEF描述子均為二進制，因此距離度量采用漢明距離（二進制異或計算）。query image的描述子通過在字典的樹上檢索（找到最近鄰的葉子節點）視覺單詞，組成一個詞袋向量（BoW vector），然后進行詞袋向量之間的相似度計算，得到可能匹配的ranking images。最后還需要利用幾何驗證等方法選出正確（只是概率最大。。。）的那張圖片。