SLAM(Simultaneous Localization and Mapping)即同时定位与地图构建,利用SLAM技术可以使移动机器人在没有到过的环境中完成自主定位与建图。当传感器为相机时,称为视觉SLAM。随着机器人的长期运动,运动误差将会累积,导致无法构建全局一致的轨迹和地图,因此需要闭环检测模块检测机器人是否到过当前场景,减小累积误差,构建一致性地图,提高视觉SLAM系统的鲁棒性。传统的闭环检测方法大多基于词袋模型,也有基于PSO(Particle Swarm Optimization)算法求解闭环检测问题的方法。为了提高闭环检测的准确率与效率,本文提出基于HHO(Harris Hawks Optimization)算法的闭环检测方法,在较小规模数据集中取得了较好效果。传统方法均要用到人工设计的特征,人工设计特征不能充分利用图像信息且鲁棒性较差,当数据集规模较大时,特征提取效果差,而卷积神经网络通过训练提取图像的深层特征且提取的特征鲁棒性较好,可以充分利用图像信息,在大规模数据集中特征提取效果较好。本文提出基于改进Res Net(Residual Network)网络的闭环检测方法。主要工作如下:(1)提出基于HHO算法的闭环检测方法。首先针对原始FAST(Features from Accelerated Segment Test)特征提取算法在光照条件发生变化时特征提取结果不稳定的问题,提出在FAST算法中采用动态阈值法提取图像特征;然后计算图像特征描述子并对其压缩得到图像鲁棒描述子;最后将闭环检测问题转化为在历史帧中寻找与当前帧具有最大相似度图像的优化问题,并用HHO算法求解。实验结果表明,相较于基于词袋模型与PSO算法的闭环检测方法,本文所提的基于HHO算法的闭环检测方法具有更高的效率与准确率。(2)提出一种基于改进Res Net网络的闭环检测方法。为了提取图像的多尺度特征,充分利用图像信息,本文将Res2Net结构融入到Res Net网络,提升Res Net网络的性能。实验结果表明,相较于基于词袋模型、原Res Net网络、HHO算法和PSO算法的闭环检测方法,本文提出的基于改进Res Net网络的闭环检测方法具有更高的准确率与效率。