闭环检测是SLAM系统中一个十分重要的模块,目的是让机器人识别出已访问过的地点,纠正SLAM的累计误差,保证地图的一致性。闭环检测实际上是一个图像识别的问题,主流算法一般基于Bag of Words框架,利用不同类型的特征点作为解决方案。然而,在室内环境中,有许多缺乏特征点的场景,此时传统算法的性能就会下降。另一方面,室内的线条往往承载了许多信息,例如结构、方向等,线条特征在室内场景中的作用不可忽视。因此,一个鲁棒且高效的描述子对于线条特征在室内导航算法中的应用来说至关重要。本文针对以上两点进行研究,提出了一种全新的二值化线条描述子BRLD,并将其结合特征点实现了闭环检测算法。文章首先介绍了SLAM和闭环检测的研究现状,然后介绍了闭环检测算法使用的BoW框架,以及其中的特征提取与描述部分。接着基于特征描述子的研究现状,提出了二值化线条描述子BRLD,并给出了计算方法。为了增强闭环检测算法的鲁棒性,除了基于BoW方法的闭环检测基本流程,本文还介绍了图像的一致性约束和场景外观、词间关系的概率模型。实验部分首先对本文提出的BRLD描述子进行测试,包括参数的选择和鲁棒性,并在人工标定的室内场景数据集上将BRLD与最先进的LBD描述子进行对比。结果表明BRLD拥有与LBD几乎相同的性能,但计算速度要快十倍以上。本文分析了利用特征点和利用特征线条构造的视觉词汇的质量,并测试了它们在闭环检测中的表现。实验结果表明,在室内环境中,特征点和特征线条各有所长,均携带了有效的场景信息。因此,本文提出了点线结合的闭环检测算法,并结合了一致性检测和概率模型进行实现。所提出的算法在用手持相机采集的室内场景数据集上可以达到接近100%正确率,同时保持很高的召回率。