词袋向量的计算原理，可以理解为一个“构建视觉词典”和“用词典描述图像”的过程。
它的核心思想是：把图像中提取的“特征点”类比成文章中的“单词”，通过统计这些“单词”在图像中出现的频率，将一张复杂的图像转换成一个数值向量。
这个计算过程主要分为两大步：离线构建词典和在线计算向量。
🏗️ 第一步：离线构建“视觉词典”
在系统运行前，需要先利用大量图片，通过聚类算法构建一棵“词汇树”（Vocabulary Tree），作为所有图像的通用词典。
提取特征：从大量不同的场景图片中提取ORB特征点及其描述子（Descriptors）。
构建词汇树（K-means聚类）：将所有提取到的特征描述子，通过K-means++算法进行层层聚类。
第一层：将所有特征点聚成
k类，得到k个聚类中心，这些中心就是树第一层的节点。下一层：对第一层的每一个节点（类），再将其内部的特征点聚成
k类，生成下一层的节点。重复：这个过程重复
d层，最终得到一棵深度为d、每个节点有k个分支的k-d树。
定义“单词”：这棵词汇树的叶子节点（最底层的节点）就被定义为一个个的“视觉单词”（Visual Word）。整个词典总共可以表示
k^d个不同的视觉单词。（d层，每一层上有K个节点，第d层上共k^d个节点，也就是k^d个单词）
例如，在ORB-SLAM3中，词典的参数为
k=10，d=6，因此可以表达多达10^6 = 1,000,000个不同的视觉单词。
📝 第二步：在线计算图像的“词袋向量”
当系统运行时，对于每一帧新图像（关键帧），都会进行以下操作来生成词袋向量：
提取特征：提取当前图像的ORB特征点和描述子。
寻找单词：对于当前图像中的每一个特征点描述子，从词汇树的根节点开始（遍历词典/词汇树的每一层），计算它与当前层所有
k个节点的距离，选择距离最近的节点进入下一层，直到抵达一个叶子节点。这个叶子节点的索引，就是该特征点对应的视觉单词ID（Word ID）。（当前帧中m个特征点描述子，每个描述子可以查词典得到一个world ID,一个n个world ID ,多个特征点描述子可能查到同一个world ID）统计词频（TF）：遍历完当前帧所有特征点后，统计每个视觉单词ID在这张图像中出现的次数（Term Frequency, TF）。（n个world ID ,计算每一个world ID 的次数）
计算权重（TF-IDF）：为每个单词的频数乘以一个权重。这个权重由TF-IDF方案决定。
TF (词频)：即上一步统计的单词在当前图像中出现的频率。
IDF (逆文档频率)：在离线构建词典时就已算好。它衡量（所有训练图片中的每一个）一个单词在所有训练图片中出现的频繁程度。如果一个单词在越多的图片中出现，说明它越普遍，区分度越低，其IDF值就越小。
最终权重：
单词权重 = TF × IDF。（这个权重值就是TF-IDF）
最终，一张图像会被表示为一个稀疏的向量（mBowVec），其中包含了这张图像里出现的所有单词ID及其对应的TF-IDF权重。（mBowVec 中保存的是 world ID 和 其对应的TF-IDF权重）
⚡ 加速索引：正向与逆向索引
为了加速后续的匹配和检索，ORB-SLAM3还会构建两种索引：
逆向索引（Inverse Index）：以“单词”为 key，记录包含该单词的所有图像的列表。在闭环检测时，可以通过当前帧的单词，快速找到所有与之有共同单词的历史关键帧。（包含有某一个特征点的所有关键帧）
正向索引（Direct Index）：以“图像”为 key，记录该图像中，每个词汇树节点下有哪些特征点。在特征匹配时，可以只对两帧图像中属于同一节点的特征点进行匹配，大大缩小了搜索范围。（某一个关键帧中包含的所有特征点）
💎 总结
词袋向量的计算，本质上是将图像特征（ORB描述子）通过离线构建的词汇树（Vocabulary Tree）量化成离散的视觉单词（Visual Word），再统计这些单词的频率并用TF-IDF加权，最终形成一个可用于高效相似度计算的稀疏向量。
补充：
mBowVec的维度在概念上等同于整个视觉词典的大小，但在实际存储时，它是一个仅包含非零元素的稀疏向量。
具体可以从以下几个方面来理解：
📐 概念维度：等同于词典大小
视觉词典（Vocabulary）是通过离线训练得到的，它包含了数量庞大的“视觉单词”（Visual Word）。mBowVec在概念上是一个维度为N的向量，这个N就是词典中单词的总数。
在ORB-SLAM3中，这个N的典型值是1,000,000（即10^6）。这个数字来源于词典构建时的参数：一个深度为6层、每层有10个分支的词汇树（k=10, d=6），其叶子节点（即单词）总数就是10^6。
🗺️ 实际存储：一个“稀疏”的映射表
虽然概念上维度高达百万，但一张图像只包含有限个特征点（例如几百个），因此它只会命中词典中极少数的单词。如果用一个长度为1,000,000的数组来存储，其中绝大部分元素都是0，会造成巨大的内存浪费。
因此，mBowVec的实际类型是DBoW2::BowVector，它被定义为一个std::map<WordId, WordValue>。
WordId：是命中单词的ID（键）。WordValue：是该单词对应的TF-IDF 权重值（值）。
这种设计意味着mBowVec的实际大小（size()）等于该图像中非零权重单词的数量，通常只有几百。它只存储有意义的“单词-权重”对，忽略所有零值，是一种非常高效的存储方式。
💎 总结
概念上，
mBowVec的维度是词典的大小，通常为1,000,000。实际上，它作为一个
std::map，其元素个数等于图像中有效特征点对应的单词数量，通常为几百个。
