ORB-SLAM2原理框图，如下：
1 DBoW2（词袋）
DBoW2（视觉词袋）算法主要用于重定位或闭环检测（place recognition 或 loop closure）,该算法使用ORB特征即结合了FAST特征和BRIEF描述子的特征。闭环检测的目的是为了比较两张图像之间的相似度，将特征点的描述子（description）空间离散化即将一幅图像上提取的特征转换为单词表示：
，
由于视觉单词是固定的，所以一幅图像可以用向量表示：
然后，我们对比词袋向量，就可以计算两幅图像的相似度。
上述所提到的单词来源于何处？我们通过DBoW2在大量的图像中提取特征，利用K-Means方法聚类出个单词，利用K叉树，在每一层都采用K-Means方法聚类成
类，树（该树也可称为词汇树）的叶子节点就是单词。深度为
的K叉树的节点数（生成的单词数）为
，如下图所示。
image database由一个多级的词包（hierarchical bag of words）由一棵词汇树（vocabulary tree）、直接索引（direct index）和逆向索引（inverse index）构成。
DBoW2中默认 ，可形成100000个单词，使用K叉树有什么好处呢？主要是加速：
1、可以加速判断某一个特征属于哪个单词。若不使用K叉树，判断时需要将这个特征与每个单词进行比较，需要比较次，利用K叉树的快速查找特性，只需要比较
次。
2、 DBoW中存储了Direct Index（直接索引），每一个Direct Index存储了图像的特征及K叉树上某一层上与这些特征相关的节点，在进行两帧间特征匹配时，只针对每一个节点进行匹配，大大缩小了匹配空间，加速了匹配速度（不懂。。。）。
3、 DBoW中存储了Inverse Index（间接索引），每一个Inverse Index包含有此单词的所有图像的 Index及对应权重，加快了闭环搜索过程。
DBoW2如何计算相似性？
每幅图像都被转换成一个词袋向量，两个词袋向量的相似性可用score表示，计算方式为：
2 闭环检测
2.1 搜索闭环候选帧
ORB-SLAM2维护了一个数据库，里面保存了每个单词都能看到的关键帧。
要求闭环与闭环之间必须超过10帧，计算当前帧与共视图中帧的相似分数，取得分最小的那个作为minscore，以最小相似度minscore作为基准，若大于该基准才可能是闭环帧。从数据库中查找闭环候选帧，通过Inverse Index，可以快速找到与当前帧有共同单词的关键帧，含有共同单词最多的那个关键帧称为maxcommonwords，，删除小于mincommons的候选关键帧，而minscore已经剔除掉了一些关键帧，再加上候选帧不能出现在当前帧的共视图中，我们把在剩下的候选帧中，将相连的候选帧归为一组，每个组计算一个分数，得分最高的为bestAccScore，
，根据这个阈值剔除掉一些孤立的闭环候选帧，剩下的则为闭环候选帧。最后进行连续性检测，闭环不仅仅是单帧对单帧的匹配，好的闭环应该是多帧对多帧的闭环，如下图所示。
至此得到若干个可靠的候选关键帧（mvpEnoughConsistentCandidates），SLAM中要求闭环的准确率达到100%。
2.2 几何校验，Sim3优化
找到一个闭环帧，计算每一个候选帧与闭环帧之间的Sim3变换
2.3 闭环融合
调整关键帧的位姿，更新共视图
把当前帧的局部地图和闭环帧的局部地图进行融合
2.4 本质图优化
先进行本质图优化，再进行全局BA