移动机器人在不断发展过程中所需要的技术在实时更新与提高,其中机器人定位所需的视觉SLAM技术研究也在不断深入,并且视觉SLAM中的闭环检测环节对于整体定位的准确性至关重要。但是,目前闭环检测方法依旧存在着一些问题,所以针对闭环检测中存在的问题做出改进,提出面向室内场景的一种SLAM闭环检测研究,主要研究内容与创新点如下:(1)对图像特征点的检测方法、描述方法和匹配方法进行了详细地介绍。首先,针对图像特征点的检测方法,主要从算法实现步骤、算法特点等方面详细介绍了两种较为典型的SIFT和FAST算法。其次,针对图像特征点的描述方法,主要介绍了基于梯度直方图方法和基于二进制方法,分析两者在描述速度上的不同之处与优劣。再次,在此基础上对图像特征点的提取方法和匹配方法进行了改进,实现在特征点检测时使用SIFT算法;在特征点描述时使用rBRIEF来描述检测到的关键点;在进行特征点匹配时,先利用空间一致性原理剔除一部分特征点,去除一部分相似但不相同的特征描述的特征点,再利用随机采样一致性算法进行图像特征点的匹配,完成场景图像的匹配环节。(2)针对现有的闭环检测方法进行详细分析,并针对常见的闭环检测方法所存在的感知歧义、准确率低等问题,提出利用分层视觉词典树和TF-IDF熵得分匹配的改进方法,对闭环检测方法进行改进,用以解决存在的问题。首先,在改进算法中,将视觉词典树的平面结构换成了分层视觉词典树,这样不仅可以获取更多的视觉单词,而且也会降低部分计算复杂度;其次,有关于场景图像相似性的计算部分,使用TF-IDF熵得分匹配的改进方法。最后,为了确保检测出正确的闭环,增加后验处理环节,即利用机器人运行时间上和运行空间上的约束,剔除不符合时间上和空间上约束的错误闭环,以此增加检测到闭环的准确度。(3)介绍实验平台的搭建和具体的闭环检测实验等内容。首先,为了验证ORB算法和本文改进算法的区别,进行图像特征点提取与匹配实验,并分析改进算法的性能;然后,将TF-IDF熵的得分匹配的改进方法应用于闭环检测实验中,与基于SIFT算法的闭环检测方法进行比较,实验结果验证了改进的闭环检测方法在准确率方面有一定的优势。为了更好验证本文算法,从TUM数据集中选取部分实验数据进行验证实验,将选取的标准数据集使用到改进的闭环检测方法进行实验,之后将均方根误差(ATE RMSE)作为闭环检测的评价方法,与传统的RGB-D SLAM方法进行实验比较。验证了改进方法的绝对轨迹误差的精度优于传统的RGB-D SLAM系统。