近年来,随着人工智能技术的发展,移动机器人与智能技术深度融合给传统行业带来了巨大变革,如利用路径自主规划的物流机器人对货物进行分拣,转运,利用自主导航无人车对城市进行高精度地图的绘制等。同时定位与地图构建(Simultaneous Localization And Mapping,SLAM)技术是移动机器人自主导航和定位的关键性技术,视觉实时定位与地图构建(visual SLAM,v SLAM)搭载的相机传感器相对激光等传统传感器,具有成本低、体积小、信息丰富等优点,广受研究者的青睐。本文研究对前端视觉里程计的改进来提高基于SLAM的移动机器人单目视觉定位的准确性,系统的实时性和鲁棒性,主要内容与创新点归纳如下:(1)在特征点选择方面,针对传统特征点选择方式容易引发特征点大量聚集现象,导致帧间匹配时发生误匹配或匹配失败,提出一种基于四叉树的特征点均匀化选择方式,对特征点跟踪时长进行了统计分析,结果表明特征点均匀化有助于延长特征点的跟踪时间,特征点被跟踪优化的时间越长,准确性就越高,构图和定位就更加精确。(2)在匹配鲁棒性方面,针对快定向、短旋转(Oriented FAST and Rotated BRIEF,ORB)特征不具备尺度不变性,提出一种快定向、短旋转的尺度(Scale of Oriented FAST and Rotated BRIEF,SORB)特征,提高系统在相机远近变化时匹配的准确性。另外,以往的特征点匹配都是独立地进行局部匹配,当图像存在大量相似纹理和相机发生旋转时,容易发生误匹配。针对这一问题,提出一种基于全局一致性和局部相似性的方位匹配算法,在局部信息的基础上加入全局信息和方位信息,缩小特征点搜索范围,提高匹配特征点的准确度。通过TUM数据验证了所提算法的有效性。(3)在匹配实时性方面,根据相机运动拍摄图像的特点,提出一种基于图像结构性差异的计算策略,通过减少匹配点的计算数量,加快系统运行速度。对特征匹配运行时长进行统计,结果表明结构性差异策略有助于加快匹配计算速度。(4)在位姿优化方面,针对前端视觉里程计在长时间建图和位姿估计过程中由于估计误差导致的累积误差,引入了非线性优化方法对整体数据进行优化,同时针对初始化时估计位姿易受噪声的干扰,对位姿解算步骤进行改进,优化初始估计位姿。通过KITTI数据验证了所提算法的有效性。