图像局部特征匹配是计算机视觉的一个基本问题,在图像拼接、SLAM(Simultaneous Localizationand Mapping)等领域具有广泛应用。近年来,RGB-D相机逐渐流行并改良,使同时获得纹理信息和深度信息变得更为便利。二维特征在缺少纹理信息时无法有效表达,而三维特征在几何信息不足的场景中表现欠佳,因此,利用更丰富的信息源、将RGB图像的纹理信息与深度图像的几何信息进行融合以提取稳健的局部特征成为一种新趋势。本论文主要针对现有的 RISAS(A Novel Rotation,Illumination,Scale Invariant Appear-ance and Shape Feature)算法进行优化,提出一种面向SLAM的RGB-D图像特征检测与描述算法TEG(TExture and Geometric feature),显著提高了算法的计算效率和对抗场景变化的鲁棒性。本论文的主要内容和成果如下:·利用简化的高斯图像金字塔感知不同近邻的纹理信息,并计算高斯差分的自响应值作为纹理特征。相比于SIFT(Scale Invariant Feature Transform)等算法建立多尺度金字塔的方法,TEG通过深度信息中的几何信息来感知场景尺度,以此简化图像金字塔的结构。·计算轴方向上的点云梯度来提取点云空间中的几何信息,叠加梯度值作为几何特征。相比于RISAS等算法计算点云法向量的方法,TEG计算点云梯度时仅有减法运算,因此算法效率得到显著提升。·提出将关键点的平面法向量耦合到近邻点云上的方法,以此使TEG能够感知场景的空间特征。·TEG算法具有较高的计算效率,可以满足SLAM系统等的实时性要求,而且在低阈值时定位精度较高,具有较强的实际应用价值。