相比于传统的激光、红外传感器,视觉传感器不仅价格低廉,而且采集的数据信息更丰富。基于图优化的视觉SLAM技术成为机器视觉领域中的研究热点之一。在视觉SLAM技术中,通过相邻帧间图像的数据关联信息计算机器人位姿,会使得前一时刻的累积误差不可避免的传递到后一时刻,导致机器人位姿发生漂移,最终无法构建全局一致的轨迹和地图。引入闭环检测模块会对机器人的位姿增加一个额外的约束,能够极大程度的消除机器人位姿的累积误差,得到全局一致的轨迹和地图。本文对SLAM技术中闭环检测模块进行深入研究,针对目前主流的基于词袋模型的闭环检测中存在离线训练特征耗时长,单词本加载缓慢,在用离散的单词表征图像时没有考虑到数据关联信息,导致可能出现闭环误判的问题,提出了一种基于粒子群优化算法的SLAM闭环检测方法,并且提出“直方图降维”策略对图像关键信息压缩,得到图像的鲁棒描述子作为粒子群优化算法的寻优模型,进一步提高了算法的收敛速度和可靠性。本文主要工作如下:(1)深入研究了 RGB-D传感器的成像原理和数据采集过程,通过对彩色摄像头与深度摄像头的标定,获取到Kinect相机内外参数模型,为后续图像特征匹配、位姿估计等提供准确的图像信息。(2)提出了一种图像鲁棒描述子的提取方法。提出“直方图降维”策略对ORB特征提取算法的BRIIEF二进制串描述子进行降维,得到图像的鲁棒描述子向量,缩短了特征提取的时间,有效避免了离散单词表征图像时缺少数据关联的缺陷。实验结果表明,提取的图像鲁棒描述子向量可以有效的表征图像,不仅节约存储空间而且运行效率较高,能够满足闭环检测过程中SLAM实时运行要求。(3)本文提出一种基于粒子群优化算法的SLAM闭环检测方法。将粒子群优化算法应用于闭环检测中,利用粒子群优化算法在历史帧图像中自动寻找出与当前帧图像匹配度最高的图像。通过引入图像适应度阈值约束,实现闭环检测方法的准确率和召回率评估。仿真实验表明,与基于词袋模型的闭环检测方法相比,本文提出的闭环检测方法耗时更短,准确率更高。