即时定位和地图构建技术(Simultaneous Localization and Mapping,SLAM)是完成移动机器人自主导航任务的核心技术。某种设备(如机器人、相机、视觉传感器等)在未知的环境中快速、准确地对所在位置进行定位,是提高地图质量的核心问题。目前,随着虚拟现实、无人驾驶和三维重建技术的快速发展,单一传感器获取信息量较小,其已经不能满足大场景重建的需求,通常需要多个传感器从不同的角度捕获图像。因此,本文利用多视图融合的数据,进行了闭环检测方法的研究。本文选用Matterport 3D Pro相机扫描实体场景获取RGB-D图像数据。首先,将获取的彩色图像融合为全景图,得到序列形式的全景图像,并提取每张图像的SURF特征。其次,根据彩色图像对应的深度图,为每个特征点增加深度信息,并对提取的图像特征进行预处理。然后,结合计算机视觉中的视觉字典技术,基于预处理后的特征构建视觉字典树。另外,本文基于公开的RGB-D数据集进行了实验方法的验证。由于数据集中视觉数据对光照条件敏感,且在视觉较弱的区域难以提取有效特征。因此,本文利用多帧深度图融合的三维点云数据训练视觉字典。最后,为了保证闭环检测的可靠性,利用RANSAC和ICP算法配准点云数据,并采用其重叠区域作为几何验证的标准。利用上述两种类型的数据集,对本文提出的闭环检测方法进行实验。实验结果表明本文提出的闭环检测方法和与任意两幅图像都做匹配的方法比较,避免了O(~2)的匹配复杂度,且有较好的鲁棒性和精确度,可以实现三维模型的自动化全局注册。