随着人工智能领域的迅猛发展,同时定位与建图技术(Simultaneous Localization And Mapping,SLAM)逐渐成为横跨计算机视觉与无人驾驶领域的研究热点,特别是基于视觉的SLAM技术已经成为推动无人驾驶发展的主要动力。视觉SLAM根据帧间位姿的估算方式不同,可分为特征点法与直接法。特征点法基于特征提取,具有提取稳定、光照鲁棒性强、闭环信息易检测等优点,缺点是无法构建环境稠密地图;直接法基于灰度不变假设,通过对像素点的追踪与处理,能够轻松构建环境稠密地图,缺点是无法对闭环信息进行有效检测,造成帧间误差容易产生积累,导致轨迹与地图点出现漂移。本文结合特征点法和直接法的优点,提出了一种基于直接法和视觉词典融合的SLAM方法,较好的解决了直接法在室外大范围场景下运动时,误差累计造成轨迹与地图点的漂移问题。本文所做的研究工作主要包括:(1)设计了一种基于直接法的视觉里程计(D-VO)。视觉里程计主要由光度优化、前端追踪和后端优化,共三个主线程组成。在光度校优化线程内,通过设计一种光度校准模型对输入的光度信息(响应函数与渐晕函数)进行优化,降低了系统的光度误差;前端追踪线程通过未成熟点提取、未成熟点追踪、未成熟点激活三个子模块完成对相机位姿与地图点信息的初步解算;后端优化线程由若干个关键帧组成的滑动窗口和边缘化模块组成,在窗口内部采用高斯-牛顿优化算法对相机位姿与地图点信息进行全局优化,边缘化模块则用于维持窗口内计算规模的整体恒定。(2)提出了一种适配于直接法的闭环检测算法(D-LCD)。该算法由BoVW优化模型、TF-IDF加权算法以及闭环验证模块组成。BoVW优化模型采用了一种新型的特征点提取算法(M-ORB)和分层词典树结构,降低了原模型的时间复杂度,提高了实时性;TF-IDF算法为每个视觉单词自适应分配权重;闭环验证模块则用于筛选不良闭环,保证线程的准确性。最后在TUM公开数据集上进行了验证,实验结果表明在室内外复杂场景下,不降低准确率与鲁棒性的同时,依然具有较高的处理速度与较低的运行时间。(3)设计了一种基于直接法和视觉词典融合的SLAM系统(D-SLAM),并完成了视觉SLAM多功能实验平台的搭建与相应的实验验证工作。首先将改进后的闭环检测算法与直接法视觉里程计相融合,得到了直接法SLAM系统(D-SLAM)。然后基于Linux系统设计并搭建了本文所需的视觉SLAM多功能实验平台。最后在此平台上对D-VO和D-SLAM与目前视觉SLAM领域内(已开源)的主流SLAM算法进行了不同场景下的建图测试与闭环实验,并给出了各性能指标的定量分析。实验结果表明,本文所提出的D-SLAM在各方面表现均为最优,具备准确构建周围环境地图的能力,尤其是面对室外大范围复杂场景下,能够主动消除误差累计,构建全局一致性地图。