随着科学技术的发展,智能移动机器人(Autonomous Mobile Robot)作为一种集环境感知、决策、控制与执行等多功能于一体的综合化系统,逐渐渗透到人类活动的各个领域。对自身的精准定位和地图重建是智能移动机器人拥有自主移动的前提,其中基于视觉的定位和建图技术凭借其低成本、信息量大等优势,逐渐成为自主定位与地图构建领域的一个重要发展方向。本文依托中国科学院应用技术研究所的无人驾驶车辆平台,研究完全依赖Bumblebee2立体相机在室外环境下的无人车同时定位与建图技术。本文首先对图像处理手段进行理论介绍,然后重点研究立体图像的同时匹配与跟踪算法以及基于优化策略的视觉SLAM模型,并基于Levenberg-Marquardt算法建立定位姿态的最优化目标函数,最终完成无人车的位姿模型建立和地图构建。针对室外视觉SLAM跟踪过程中,因环境光线变化剧烈、帧间运动幅度大等原因而出现的匹配跟踪率低、鲁棒性不强等问题,提出一种同时匹配与跟踪算法。在特征提取方面,本文利用高斯滤波器获取图像的二阶边缘响应,通过对Harris、SIFT、SURF特征提取算子的理论分析和实验性能对比,最终选用以Harris算子为检测基础来提取局部极值以构造特征描述子。在图像匹配方面,以绝对误差和作为匹配代价来建立衡量准则,并通过图像分块索引以均衡化关键点分布,最后利用RANSAC算法优化匹配精度。最后通过四边闭环约束对特征点进行匹配融合和即时跟踪,并利用闭环确认机制同时优化匹配和跟踪精度。进一步地,通过分别与SIFT、SURF匹配算法和光流跟踪法进行实验效果对比,对本文视觉SLAM的图像处理算法在匹配跟踪过程中的优劣性进行阐释。提出以Levenberg-Marquardr非线性最小二乘法来建立基于优化策略的视觉定位模型和地图构造模型,同时利用图优化理论消除定位累积误差。在无人车定位方面,首先通过匹配跟踪集合进行稀疏三维点的重建,并基于LM算法对预测值和观测值建立前后帧2D-3D的误差优化函数,从而将无人车R、T运动姿态矩阵的求解转化为非线性多峰函数的最优解问题,最终通过多头全局搜索求得最优姿态矩阵得到精准的定位。在地图构建方面,通过LM算法建立观测路标的最优化方程,并采用图优化策略建立地图数据的跨节点关联,以进行地图优化。最终采用简化拓扑关系图构建实时地图。同时,利用视差图和匹配跟踪集合的稀疏三维点分别给出局部密集和全局稀疏的视觉点云地图。最终在三个不同的实验场景进行实验,验证了算法的准确性和快速性均达到预期要求。