随着计算机视觉与机器人设计等技术的快速发展,开发具有一定自主能力的机器人成为了当今人工智能领域的热点研究方向之一,而机器人的同步定位与构图(SLAM)是实现机器人自主性的关键技术。当机器人在定位与构图时,需要判断当前的位置是否在之前访问过,这就是SLAM中的闭环检测问题。闭环检测的主要任务是搜索数据库中历史图片,寻找与当前图像最相似的一张,并判断这两张图片是否来自同一场景。本文首先介绍了课题的研究背景及意义,简述了SLAM的相关算法,以及这些算法中闭环检测环节的模型和相关问题,为接下来闭环检测问题的研究提供理论模型。其次,介绍分析常用的图像特征算子,ORB、SIFT、SURF特征提取的方法和优点,并对它们的描述方法做了介绍,随后根据描述方法的特点进行了对应的二值化处理。再次,针对机器人闭环检测时信息量大,提取的图像特征数较多等问题,采用视觉词袋模型(BoVW),将提取的视觉特征转化为视觉单词,存放到视觉词典中。并根据采用的二进制视觉单词的特点改进了传统视觉词典使用的K均值结构,得到了新的视觉词典,提高了词典的存储效率和单词的匹配速度。最后,利用TF-IDF得分准则计算图片之间的相似概率,将得出的概率送到贝叶斯滤波器中,并根据视频图像的特点,调整贝叶斯滤波器的相关参数,提出一种更具有场景适应性的闭环检测算法,完成了图像相似度计算;引入对极几何约束和随机抽样一致性进行优化,提高了检测的准确率。通过在几个数据集中的实验证明了算法的有效性。