移动机器人的同时定位与地图创建(Simultaneous Localization and Mapping, SLAM)问题是整个移动机器人自主导航的基础,也是其真正实现自主化和智能化的最重要条件之一。所谓SLAM就是将移动机器人定位与环境地图创建融为一体,即机器人在运动过程中根据自身位姿估计和传感器对环境的感知构建增量式环境地图,同时利用该地图实现自身的定位。本文针对室内未知环境下基于图像特征点的移动机器人立体视觉SLAM进行研究。移动机器人在场景中运动,不需要任何先验知识,利用双目立体视觉来感知周围环境信息。并提取稳定的图像特征点来表征3D空间实际物理点,以此作为自然路标,来构建环境的几何地图,同时通过与当前时刻之前所创建的环境地图(自然路标库)中的路标进行匹配,估计机器人当前位姿并更新自然路标库,从而实现移动机器人的SLAM过程。本文着重于以下内容展开研究:图像局部不变特征的提取算法、基于图像特征点的全局定位方法和环境地图表示方法。为了表征环境中典型的特征信息,本文首先针对图像局部不变特征的提取算法进行研究。而兴趣点作为图像的一种重要局部特征,保留了图像场景中的重要特征信息并同时有效地减少了信息的数据量而且具有旋转不变性,几乎不受光照条件的影响。针对此,本文提出了基于图像二阶多项扩展式局部方向张量的兴趣点检测PLOT(Polynomial Local Orientation Tensor)算子,能够从场景图像中提取尺度、旋转、明亮、仿射等局部不变的兴趣点,来表征机器人当前所在环境的典型局部特征。利用PLOT算子提取图像局部特征不变兴趣点,获得相应的位置和尺度等特征,为了区分这些不变的兴趣点,本文利用SIFT描述符对其进行特征描述。最后通过召回率与准确率图比较了目前典型的特征提取算子,可知PLOT算子对于各种图像变换表现更稳定。移动机器人SLAM问题同时包括机器人的全局定位和环境地图创建两部分,两部分是密切相联且又相互影响的。移动机器人的全局定位依赖于所创建的环境地图。而基于图像特征点的机器人定位过程就是指将当前帧图像PLOT特征匹配点与路标库中PLOT自然路标对应匹配,获得满足一定约束条件的模型参数,最终得到机器人位姿的最佳估计。本文提出了扩展随机抽样一致性算法来估计机器人的准确位姿,即把机器人的全局定位看作模型参数估计问题,获得机器人在运动平面中的位置和方向角参数。把获得的图像PLOT特征匹配点当作环境自然路标,提出了基于图像坐标点PLOT特征及对应空间3D坐标等信息来创建环境的几何特征地图。左右摄像机特征点匹配之后,可以获得每一匹配点的特征信息,包括:全局3D坐标、特征尺度、特征方向和描述符等。把观测到的特征点当作环境自然路标,并建立自然路标数据库来记录所获得的路标点。而机器人在环境中运动,不断地获得图像PLOT特征匹配点,故在每帧时刻需要维护更新自然路标数据库,包括:增加自然路标、记录自然路标出现的次数、去除自然路标等,来适合机器人的动态工作环境。针对基于图像特征点的移动机器人立体视觉SLAM,为了验证本文算法的有效性和准确性,最后基于实际移动机器人平台进行了相关实验研究,并分析了机器人估计位姿及路标数据库中路标的3D坐标误差。本文主要利用卡尔曼滤波和误差传播公式来进行机器人全局位姿和地图路标坐标的误差分析,利用误差协方差矩阵来定量表达其不确定性,并总结了其误差来源及误差抑制方法。