SLAM即同步定位与地图构建技术,是一种机器人在未知环境中解决定位、地图构建和导航的关键技术,其中ORB-SLAM使用ORB特征进行追踪、建图和位置识别任务,表现出良好的实时性和稳定性。完整的ORB-SLAM系统包括了跟踪、局部建图、闭环检测和全局优化几个线程,其中闭环检测通过检测视频帧中的闭环对来更正漂移误差,是SLAM系统中的关键部分。当前的闭环检测采用传统的ORB特征,通过构建完善的视觉词袋生成图像的特征向量描述,对图像特征缺乏空间描述,容易受到环境变化的影响。此外,传统词袋体积大难迁移的缺陷也在一定程度上限制了SLAM的应用场景。本文基于上述背景,将SLAM中的闭环检测与深度学习理论相结合,对ORB-SLAM系统进行优化,主要工作如下:论文在对一般性图像检索技术研究总结后提出了一种基于栈式混合自编码器的无监督特征提取办法,在此基础上建立了多层融合的深度特征描述优化特征提取效果,并在预处理环节引入特定目标检测算法识别动态图像中可能存在的人物干扰,进一步提高模型的鲁棒性。除去特征提取以外的第二个研究重点是相似图像检索的效率优化。论文基于近似最近邻查找的理论基础,选择哈希编码作为特征编码方法,在哈希函数的学习中引入量化误差项以提升编码精度。采用哈希编码能够有效提高闭环检测的效率,满足系统的实时性要求。为了进一步提高检索精度,论文中设计了一种二次检索策略。我们利用生成的哈希码采用聚类的方法找到目标图像的近邻图像,然后用提取的原始特征编码进行相似度计算,这种方法相比起普通的顺序检索在效率上具有更大的优势。本文对所介绍的系统各个模块进行了性能测试实验,并分析了实验结果,实验结果证明了本文所述方法的有效性。