Page 113 - 《武汉大学学报（信息科学版）》2025年第10期

第 50 卷 第 10 期 武 汉 大 学 学 报（ 信 息 科 学 版 ） Vol.50 No.10
2025 年 10 月 Geomatics and Information Science of Wuhan University Oct. 2025

引文格式：张晨阳,杨健 . 一种自适应点线特征和 IMU 耦合的视觉 SLAM 方法[J]. 武汉大学学报（信息科学版）,2025,50(10):
2048-2063.DOI:10.13203/j.whugis20230347
Citation：ZHANG Chenyang, YANG Jian. A Visual SLAM Method Coupled with Adaptive Point-Line Features and IMU[J].
Geomatics and Information Science of Wuhan University,2025,50(10):2048-2063.DOI:10.13203/j.whugis20230347
一种自适应点线特征和 IMU 耦合的视觉

SLAM 方法

张晨阳 1,2 杨 健 1,3,4

1 南京理工大学计算机科学与工程学院，江苏 南京，210094
2 常州工学院土木建筑工程学院，江苏 常州，213032
3 南京理工大学高维信息智能感知与系统教育部重点实验室，江苏 南京，210094
4 南京理工大学江苏省社会安全图像与视频理解重点实验室，江苏 南京，210094

摘 要：室内低/弱纹理、光照不足的场景下，视觉惯导融合的即时定位与建图（simultaneous localization and mapping,
SLAM）定位精度明显优于纯视觉 SLAM 方法。然而，当前基于点特征的视觉惯导 SLAM 方法通常难以检测并追踪足
够的特征，同时惯性测量单元的先验测量信息亦未充分利用，导致 SLAM 整体定位精度低、鲁棒性弱。针对这些问题，构
建一种自适应点线特征和惯性测量单元（inertial measurement unit, IMU）耦合的视觉 SLAM 方法。首先设计一种自适应
的快速角点特征检测算法，以增强图像特征点检测的鲁棒性。另外，快速线特征检测算法易检测短线、断线，且图像因光
照变化易导致线特征的“过提取”或“错提取”。因此，利用边缘检测二值图像构造自适应线特征提取算法，并借助消影点
的特性筛选聚类线特征。然后，由点线特征重投影误差和 IMU 先验预积分位姿估计量，通过松耦合为 SLAM 前端位姿
估计和算法提供稳健的初始化结果。随后，后端利用紧耦合建立视觉和 IMU 观测量的统一非线性最小化残差函数，并优
化得到准确的图像帧位姿。最后，在开源数据集上测试验证，并对比几种经典 SLAM 方法。实验结果表明，所构建的
SLAM 方法平均定位精度至少提高 12%，同时具有较强的鲁棒性。
关键词：SLAM；自适应点线特征；IMU；松耦合；紧耦合
中图分类号：P237 文献标识码：A 收稿日期：2024‑06‑20
DOI：10.13203/j.whugis20230347 文章编号：1671‑8860（2025）10‑2048‑16
A Visual SLAM Method Coupled with Adaptive Point-Line
Features and IMU

ZHANG Chenyang YANG Jian 1，3，4
1，2
1 School of Computer Science and Engineering, Nanjing University of Science and Technology, Nanjing 210094, China
2 School of Civil Engineering and Architecture, Changzhou Institute of Technology, Changzhou 213032, China
3 Key Laboratory of Intelligent Perception and Systems for High‑Dimensional Information of Ministry of Education, Nanjing University of
Science and Technology, Nanjing 210094, China
4 Jiangsu Key Laboratory of Image and Video Understanding for Social Safety, Nanjing University of Science and Technology, Nanjing
210094, China

Abstract： Objectives: Visual-inertial simultaneous localization and mapping (SLAM) typically outper‑
forms pure visual SLAM in indoor scenes characterized by low or sparse textures and varying lighting condi‑
tions. Nonetheless, most existing visual-inertial SLAM encounter challenges in detecting and tracking suffi‑
cient feature points. Moreover, the prior pose measurement information from the inertial measurement unit
(IMU) is often underutilized, resulting in reduced pose estimation accuracy and limited robustness. Methods:
An adaptive fast corner feature detection approach has been developed to enhance the robustness of feature

基金项目：中国博士后科学基金面上项目（2023M741702）；国家自然科学基金（42401533，62361166670）；江苏省高等学校基础科学研究
面上项目（24KJB420002）。
第一作者：张晨阳，博士，博士后，研究方向为视觉 SLAM。zcynj@hhu.edu.cn
通信作者：杨健，教授。csjyang@njust.edu.cn