随着机器人产业的飞速发展,越来越多的服务型机器人走进了人们的生活,人们对智能机器人服务水平的要求也越来越高,提升机器人服务水平的关键条件是实现机器人的自主运行。实现机器人自主运行,涉及两个核心问题:“我在什么地方”和“周围环境是什么样的”;目前解决该问题的主流方法是机器人实时定位与地图构建技术,它很好的将视觉传感器技术以及图像处理技术结合到一起,用于解决在室内环境中机器人自身定位与环境地图构建的问题。ORB-SLAM是一个基于图像特征的单目SLAM算法,它利用视觉传感器获得环境图像信息,然后对图像进行分析处理,构建环境地图,同时对构建的地图进行优化。该技术具有很强的鲁棒性,可以较好的构建实际环境地图。本文对ORB-SLAM定位技术进行了深入的研究和探索,该算法在特征点提取的过程中,由于室内光照和环境信息的不确定性导致图像对比度不足时,易造成特征点提取数量较少,最终导致SLAM过程失败;机器人运行过程中的抖动会导致获取的图像信息模糊,提取的特征点较少,以致跟踪过程失败;相邻图像间匹配时,采用的是穷举法,匹配效率比较低;地图构建过程中,随着时间的增长,匹配点也会相应增多,匹配点的质量会在很大程度上影响匹配精度,从而影响构建的地图的清晰度。针对以上问题本文提出相应的解决方案,论文的主要工作如下:(1)ORB-SLAM技术在特征提取过程中,采用FAST算子对图像进行特征点提取,而FAST特征点不具备尺度不变性,在特征点匹配过程中,如果图像尺寸发生了变化或者图像对比度较低时,最终匹配成功率较低。本文结合SURF特征点提取思想对原有特征点提取算法进行改进,改进后的算法具备尺度不变性,并且在因环境信息变化导致图像对比度较低或机器人在运动过程中抖动造成的图像模糊的情况下,改进后的算法对图像特征点提取有较好的鲁棒性。(2)ORB-SLAM技术在图像匹配过程中,即获得描述子后,采用穷举法计算相邻两图像特征点之间的汉明距离,时间复杂度高。本文提出一种对特征点先分类再匹配的思想。基于ORB描述子,利用汉明距离对图像特征点进行分类;在匹配阶段,通过计算特征点间的汉明距离确认该特征点属于哪个分类,然后遍历该分类下所有特征点,最终找到匹配的特征点,提高了算法效率。(3)ORB-SLAM技术在匹配点剔除过程中,直接使用RANSAC算法随机选取特征点进行模型拟合,拟合结果较容易受初始值影响。本文提出了一种改进的RANSAC算法,首先记录匹配过程中匹配点对及其点对间的汉明距离,然后按汉明距离从小到大的方式对匹配点进行排序,抽取前个匹配点进行RANSAC运算,保证了初始数据的质量。(4)将改进后的特征提取及匹配算法运用到ORB-SLAM构图过程中,利用公开数据集进行实验。实验表明,与初始ORB-SLAM算法进行对比,改进后ORB-SLAM,在地图匹配速度、地图构建清晰度方面均有良好改善。