DBoW算法用于解决Place Recognition问题，ORB-SLAM，VINS-Mono等SLAM系统中的闭环检测模块均采用了该算法。来源于西班牙的Juan D. Tardos课题组。
主要是基于词袋模型（BoW）https://en.wikipedia.org/wiki/Bag-of-words_model_in_computer_vision。在10000张train image图像数据库中找到query image的匹配图像耗时<39ms，并有较高的召回率和较低的false positive。
理解词袋模型最重要的是要明白什么叫特征向量？什么叫一个视觉单词？又是什么叫词袋向量？
特征向量 - 单个视觉特征描述子
视觉单词 - 词典中的聚类中心，带有权重的单个视觉特征描述子
词袋向量 - 一张图片用词袋中每个单词是否出现（+ 出现的次数 + TF-DF）组合而成的向量（体现多个视觉特征描述子）
没看懂？请看下面
一. 主要步骤：
构建字典（Vocabulary）：将图像数据库转换为索引图（k叉树）
template<class TDescriptor, class F>
class TemplatedDatabase
{
...
};
近似最近邻（ANN）搜索：将一张图片中特征的描述子通过在k叉树种搜索转换为视觉单词（visual word），多个视觉单词组成词袋向量（BoW Vector）
template<class TDescriptor, class F>
class TemplatedVocabulary
{
...
};
二. 具体算法：
1. 离线步骤 - 构建字典（聚类问题，也称为无监督分类）：
- 主要采用K-means算法，将用于训练的图像数据库中的视觉特征（DBoW3中支持ORB和BRIEF两种二进制描述子）归入k个簇（cluster）中，每一个簇通过其质心（centroid）来描述，聚类的质量通常可以用同一个簇的误差平方和（Sum of Squared Error，SSE）来表示，SSE越小表示同一个簇的数据点越接近于其质心，聚类效果也越好。这里的“接近”是使用距离度量方法来实现的，不同的距离度量方法也会对聚类效果造成影响（后面会提到）。K-means优点是容易实现，缺点是在大规模数据集上收敛较慢，并且可能收敛到局部最小，造成该簇没有代表性。对于描述子这种高维空间的大规模聚类，粗暴使用K-means会有问题。因此会使用其变种Hierarchical K-means或者K-means++。
将训练图像数据库中所有N个描述子分散在一个k分支，d深度的k叉树的叶子节点上，如下图，分支数为3，深度为Lw，这样一个树结构有叶子结点3个。可以根据场景大小，需要达到的效果修改k和d的数值。这样query image进来检索时，可以通过对数时间的复杂度（d次 = logN）找到其对应的聚类中心，而不是使用O(n)的时间复杂度的暴力检索。
然后，为了提高检索时的效率、成功率以及准确率，还采用了下述算法
- 倒排索引（Inverse Index）
- 正排索引（Direct Index）
- TF-IDF（Term Frequency - Inverse Document Frequency）
2. 在线步骤 - 近似最近邻检索（ANN Retrieval）
由于ORB和BRIEF描述子均为二进制，因此距离度量采用汉明距离（二进制异或计算）。query image的描述子通过在字典的树上检索（找到最近邻的叶子节点）视觉单词，组成一个词袋向量（BoW vector），然后进行词袋向量之间的相似度计算，得到可能匹配的ranking images。最后还需要利用几何验证等方法选出正确（只是概率最大。。。）的那张图片。