自主导航定位技术是真正实现机器人智能化的重点和难点之一,其中视觉里程计技术一直是学者们热衷的研究方向之一。与传统的同时定位与制图(SLAM)方法相比,视觉里程计更加简洁且对硬件的要求更低;而与轮式里程计相比,视觉里程计受侧滑或绑架问题的影响更小。然而,视觉里程计也存在影响其应用的缺陷,这也是本文将重点研究和讨论的方向。本文研究了单目视觉里程计的基本设计原理,提出了一种特征点检测与匹配算法的框架,并将其与标准的加速鲁棒特征算法(SURF)进行了对比。此外,本文还从三个方面讨论了提高里程计准确性和稳定性的方法。首先,针对单目视觉先天存在的尺度模糊问题,本文首次提出了一种基于分水岭算法的边沿拓展法(EEM)去自动分离出视频中的地面。其次,为了提高卡尔曼滤波器对实际场景下的噪声的自适应能力,本文提出了一种改进型的基于机器学习算法的自适应卡尔曼滤波器算法。第三,考虑到基于视觉的导航定位技术通常都会受到视野中运动物体的干扰,本文提出用支持向量机(SVM)+梯度直方图特征(HOG)来检测行人,进而剔除行人身上的特征点,以此来达到抗干扰的目的。本文设计的单目视觉里程计仅需一个普通摄像头作为感应器,装配简单、成本低。由于克服了尺度模糊、运动干扰等问题,提升了滤波器的抗噪能力,因此提高了单目视觉里程计的准确性和稳定性,为视觉里程计的设计提供了一种新方法。