scan context是一个描述场景的描述符，它之前不是用在slam上面的，但是有人将它用到激光slam上面，发现还可以，于是这个scan context就用来进行激光slam的位置识别(做闭环用的)。

​

编辑切换为居中

添加图片注释，不超过 140 字（可选）

​

编辑切换为居中

添加图片注释，不超过 140 字（可选）

首先是点云分割，就按照半径的方向，分成一个个环，然后每个环再进行360°的切割。

​

编辑切换为居中

添加图片注释，不超过 140 字（可选）

必须明白scan context每一行和每一列代表啥，每一行代表一个圆环，每一列代表一个扇形。

​

编辑切换为居中

添加图片注释，不超过 140 字（可选）

定义了scan context相似度的得分公式，该公式表示两个scan context的距离，当然是越小越好。(一般距离都是越小表示两者之间相似性程度越高)

​

编辑切换为居中

添加图片注释，不超过 140 字（可选）

对于给定的两个scan context图像(准确来说是scan context数值)，如何判断他们之间的距离，(因为有旋转因素存在，因此要先进行旋转上的处理。)就很直接，使用暴力匹配的方法，得到相似性程度最高的那一组解，那么这组解对应的相位差就是两个scan context之间的旋转量。

​

编辑切换为居中

添加图片注释，不超过 140 字（可选）

但是通过上面的暴力匹配，发现是非常消耗计算量的，那么想到一个办法，针对每一列，统计个数，使用这个个数先做一个预匹配，即相似的地方，点的数量也是差不多相等的。然后预匹配完以后，再用上面暴力匹配的方法计算相似度和旋转量。那么到此就是scan context针对旋转部分的解决措施。

​

编辑切换为居中

添加图片注释，不超过 140 字（可选）

通过平移量来计算旋转角度，注意：这个角度精度有些低。

​

编辑切换为居中

添加图片注释，不超过 140 字（可选）

就是上面所说的预匹配。

​

编辑

添加图片注释，不超过 140 字（可选）

已经有人实现了，这个代码值得读一读。