随着计算机视觉SLAM技术广泛而深入的进入到人类的各个方面,政府部门以及研究人员越来越关注计算机视觉SLAM研究的关键技术与其未来的发展方向。计算机视觉在理论和实践等方面逐渐经历了明显的转变和突破,并逐步从实验室的理论研究迈向了公共市场应用方面。如今的可乘用无人驾驶汽车、生活服务机器人以及家用扫地机器人等等逐渐出现在人们的视野当中,由此丰富和便捷了人们的生活。在视觉SLAM研究的未来发展方向中,视觉SLAM算法的实时定位精度的研究一直是一个热点,为此本文提出了一系列关于点线特征融合的IMU视觉SLAM算法方案。首先,当系统处于周围环境图像快速运动或低纹理场景中,传感器提取的点特征不足时,系统就会自动的提取周围环境的线特征对点特征进行补充,既保证了SLAM系统算法在这种环境中的运行效率,又充分发挥了特征点的环境旋转、光照连续变化以及透视的鲁棒性和运行精度。此算法的优势在于SLAM系统在点特征匹配的基础上并对提取的线特征进行匹配,并把点线特征提取和匹配结果结合在一起并行处理,从而有效地减少了SLAM系统仅使用线特征时所需的计算资源,又提高了系统在低纹理环境运行的准确性。然后在点线特征的测量方法的基础上再添加IMU传感器,使此传感器作为在环境中运动估计的隐式测量结果以方便对周围环境提取的特征进行快速跟踪,利用这种单目视觉和IMU传感器相结合的结构方式可以有效地消除了昂贵的环境线段检测以及对其描述符的计算,于此同时也保证了线段在环境中拥有的良好特性。由于点线特征和IMU传感器的结合,本文提出了一种基于点线特征的紧密耦合单目视觉惯性测速系统,能够在低纹理场景中稳定地工作。最后,初始化相机传感器在周围环境中运动时的旋转和平移;其次校准IMU在周围环境中运行时的陀螺仪偏置,并初始化IMU在周围环境中的重力向量和尺度;最后最小化点线特征残差和IMU残差来提高SLAM系统的精度,再通过滑动窗口对点线和IMU优化,提出了一种使用单目相机和IMU传感器并行处理的视觉SLAM算法。