【摘 要】直接法SLAM不在前端提取图像特征点，使得后端无法生成视觉词袋，这导致大部分直接法SLAM无法使用带有词袋模型的闭环检测来消除系统的累积误差。针对此问题，提出一种基于改进M-ORB的视觉SLAM直接-闭环检测算法，生成闭环检测所需的词袋模型，然后采用词频-逆文档频率算法对视觉词典树各个子节点中的视觉单词进行自适应分配权重，得到场景信息的准确表述。在TUM、KITTI两种公开数据集上进行了对比实验，实验结果表明，所提出的算法能够有效检测到闭环，并在不降低准确性的同时，提高SLAM的实时性与鲁棒性。
【关键词】视觉SLAM ; 闭环检测 ; 词袋模型 ; 词频-逆文档频率
1 引言
近年来，随着移动机器人技术的快速发展，视觉同时定位与建图（simultaneous localization and mapping，SLAM）受到广泛的关注。早期视觉SLAM因为计算量大、实用性比较差，发展受到阻碍，计算机与非结构化视听觉感知信息的理解能力和海量异构信息的处理效率出现了一定的瓶颈，但是随着理论与科技的发展，计算困难逐渐被克服。为了使移动机器人拥有自主导航的能力，2007 年以来，对视觉SLAM的研究取得了突破性的进展。与激光SLAM 相比，视觉SLAM感知能力和重定位能力更强，且具有低成本、效率高等优点，逐渐成为研究热点。视觉SLAM通过相机获得图像，通过几何方法估计相邻图像的运动，并在后端对其进行优化。闭环检测是后端优化的关键技术，能够较好地消除前端和后端的累积误差。因此，闭环检测是视觉SLAM的重要组成部分，它的存在对于视觉SLAM系统在室外大范围场景下的长期运行是十分重要且必要的。
目前主流的闭环检测算