随着移动机器人在人们日常生活中的广泛应用,视觉SLAM技术作为其中的关键技术之一,逐步成为近年来研究的热点。基于视觉的闭环检测作为视觉SLAM的重要组成部分,目的是识别机器人之前访问过的地方,从而修正行驶过程中不断累积的位姿误差,得到更精确的机器人位姿估计。单纯依赖视觉信息实现闭环检测,在相似场景或重复外观环境下容易产生感知歧义,从而造成误匹配;在环境光照变化较大情况下,容易错失闭环地点。针对这两个问题,本课题提出的算法采用一种对光照鲁棒的描述子实现闭环检测,解决光照变化较大环境下闭环丢失问题;将里程计的位姿信息和视觉闭环检测过程相结合,提出了位姿约束下的视觉闭环检测方法,解决感知歧义的问题。论文主要从三个方面进行了介绍。首先,针对光照变化条件下特征的不稳定性,对全局和局部描述子进行了介绍,针对采用的光照鲁棒全局描述符DIRD进行了详细描述,包括图像的滤波、归一化、量化过程及描述子的构建。之后介绍了图像之间相似性的计算方法并通过实验显示了描述子的构成。其次,介绍了相机位姿估计的方法及误差估计过程,为下一步的视觉闭环检测提供约束位姿。本文采用基于滤波方法的MSCKF(Multi-State Constraint Kalman Filter)算法实现图像和惯导信息融合的相机位姿估计,阐述其实现的过程并在实际数据集上进行了实验,分析了算法估计的位置误差和姿态误差,为下一步位姿约束算法实现奠定基础。第三,系统地研究了视觉闭环检测与位姿约束之间的关系,提出一种位姿约束下的DIRD的闭环检测系统框架。算法采用提供的位姿约束确定闭环候选区域,采用DIRD算子实现闭环检测,同时根据位置约束排除感知歧义造成的误匹配。算法在KITTI数据集上进行了验证,以Precision-Recall曲线做为评价标准,对本文闭环检测算法的准确性以及实时性进行评估与分析,实验结果表明了本文所提出的闭环检测方法有较好的可行性和有效性,不仅提高了闭环检测的效率和准确性,同时具有很好的鲁棒性。