机器人在航空航天、灾后救援、防暴除暴、仓储物流等诸多领域得到了广泛的应用,而机器人如何通过传感器完成对自身的定位,同时构建环境地图是机器人实现智能化的一项关键技术,为解决此问题,SLAM(Simultaneous Localization and Mapping,同步定位与建图)技术应运而生。近些年来随着计算机视觉和相机技术的发展,如何使用视觉传感器构建精度更高的SLAM系统逐渐成为研究热点。视觉里程计作为SLAM的前端,处理相机的原始数据,对于机器人的初步定位具有重要的作用;回环检测对于减少机器人的累计误差有着不可替代的作用,因此本文以视觉SLAM算法中的视觉前端和回环检测作为研究对象,在提高视觉前端精度的同时,探索基于神经网络的回环检测方法,主要研究内容如下:(1)特征点均匀分布。针对特征法前端中图像特征分布不均的问题,利用改进四叉树来管理粗提取的特征点,使得特征点能够均匀分布在图像中,通过与当前主流的特征提取算法进行对比,证明算法对于提升均匀度的有效性,通过轨迹精度实验验证算法对于提高定位精度的有效性。(2)基于神经网络的图像表示。针对传统词袋模型对于不同图像之间的差异性表示不够明显的问题,一方面设计卷积自编码器用于图像表示,对自编码器加入噪声约束、稀疏约束以及局部连接层,并选择合适的损失函数,赋予自编码器去噪能力和提取稀疏特征的能力;另一方面采用预训练神经网络模型对图像进行向量化表示,通过图像相似度对比验证算法在图像表示上的优越性。(3)回环检测实验。利用公开数据集验证不同回环检测方法的性能,分别使用卷积自编码器和预训练网络模型表示图像,并与基于人工设计特征的词袋模型进行对比,通过计算不同算法在不同阈值下的回环准确率和召回率,得到准确率和召回率曲线,验证所提出方法对于回环检测的有效性。综上所述,本课题主要研究了视觉SLAM算法中的视觉前端与回环检测,设计了ORB特征均匀提取策略和基于卷积神经网络的回环检测方法,并对改进算法进行实验验证与分析,通过实验证明改进算法对于提高ORB特征均匀度的有效性,同时采用神经网络表示图像,提升回环检测性能,对提高视觉SLAM算法定位精度具有一定的理论意义和工程参考价值。