视觉SLAM技术由于其传感器价格低廉以及环境感知能力强的特点正在被越来越多的用在低精度定位场景,作为感知手段可以为高精度定位系统提供丰富的环境语义信息,是最近的研究热点之一。复杂非结构化场景下的任务操作形机器人需要在定位建图的同时获得环境中物体级别的语义信息。这对视觉SLAM系统提出了新的挑战。针对视觉SLAM算法对复杂场景下物体感知精度和高实时性的技术需求。本文提出一种基于RGBD相机的物体级别SLAM前端跟踪算法。算法能够实时运行,以RGBD图像作为输入,输出物体在相机坐标系下的三维姿态。通过局部地图共视关键帧间物体观测值优化物体位姿,并通过物体-点特征融合的方式在一定范围内提高系统的定位精度,同时构建点-物体特征融合的语义地图。本文的具体工作内容如下:首先,使用RGBD图像作为输入,通过基于深度学习的2D目标检测算法获得物体的二维边界框信息。在边界框内通过投影的方式将三维物体位姿估计问题转换为二维图像处理问题,使用置信度投票的方式获得物体三维姿态。其次,对已经收敛的物体进行特征识别,使用深度滤波器更新物体特征点空间位置。并基于物体特征在接下来的图像中对地图中物体做高精度的位姿跟踪。利用物体间的共视关系构建物体级别的位姿图网络模型,独立于基于特征点的图模型结构,一方面对已收敛的地图中物体进行位姿优化,另一反面为算法提供稳健的定位信息融合方式。最后,在开源数据集TUM-RGBD视觉里程计数据上对本文提出的算法进行测试,验证算法在精度、物体识别速度以及鲁棒性上的性能提升。通过对测试数据进行分析,比较基于物体的算法和传统视觉SLAM算法的性能差异。