SLAM(Simultaneous Localization and Mapping)是机器人领域中的一个经典研究问题。基于双目视觉的SLAM系统,因为其场景应用广泛,无尺度漂移等优点,使其在SLAM研究中关注度较高。视觉里程计是SLAM系统中的前端模块,负责接收传感器数据,计算邻近帧的位姿变化,对SLAM系统性能有着重要的影响。本文主要在构造一个基于稀疏特征点法的双目视觉里程计,算法目标是针对目前视觉里程计中存在的一些问题进行改进,以促进视觉里程计精度和实时性的提高,算法主要是从特征点的提取,左右图像匹配,帧间匹配,位姿求解这几个方面进行改进。本文的主要工作包含以下五个方面。其一,提出基于图像金字塔分割的特征点均匀化算法。针对目前主流特征点算法由于采用全局响应值而产生的特征点扎堆的缺点,利用基于图像金字塔分割和局部响应值比较的方式,得到了均匀化特征点,通过实验证明了基于图像金字塔分割的均匀算法均匀化效果好并且提高了视觉里程计的精度。其二,提出了基于远近点的自适应二次匹配算法。针对左右图匹配时采用固定阈值的搜索范围而导致的匹配不精确问题,利用初次匹配后特征点的远近点信息,计算出每个特征点二次匹配时的搜索阈值,进行二次匹配,使左右图匹配精度达到了亚像素级别。其三,提出了匀速运动假设下基于远近点的自适应窗口匹配算法。针对帧间匹配时由于使用先验信息过少所产生的匹配外点多的问题,在特征点匹配时逐步增加了先验信息,并设计了基于远近点计算特征点搜索范围的函数,提高了匹配的准确性和运行速度,通过实验对比可知,本论文的匹配算法和原始匹配算法那相比,效果有着巨大的提高。其四,提出了多约束的位姿求解算法,推导了具体公式。针对位姿计算时匹配不足,单一约束求解位姿不准的问题,提出了基于多约束的位姿求解算法,根据多种匹配结果,推导了每种匹配下的残差函数,雅克比矩阵,最终将每种约束的状态增量方程联立到一起进行求解,求解出的位姿和单一约束相比,更加准确。其五,提出了基于远近点自适应阈值的Huber核函数。针对Huber核函数对所有点采用统一阈值而产生的外点确认不准确的问题,提出了基于远近点的自适应阈值计算函数,做到了针对每个特征点都可以得到合适的Huber阈值,使得Huber函数在对残差处理时,更准确的分辨出内外点,进一步提高了里程计的精度。综上所述,本文将对视觉里程计的特征点提取,特征点匹配和位姿求解都做出了改进。改进后的视觉里程计精度得到提高。并在KITTI数据集中选取了视频序列进行测试,结果表明改进后的双目视觉里程计效果较好。