摘要：【目的】 针对传统ORB-SLAM2框架在低光照环境下因特征退化导致的定位失效，以及动态场景中计算冗余与误匹配引发的实时性不足和鲁棒性下降问题，本研究旨在通过协同优化图像增强与动态特征处理机制，提升视觉SLAM系统在复杂封闭场景下的环境适应性。【方法】 首先，在视觉前端引入基于Zero-DCE的无监督暗光增强模块，通过动态生成多尺度亮度调整曲线优化局部对比度，增强暗区纹理特征的可辨识性。其次，构建分层光流跟踪架构：非关键帧采用稀疏光流法（Lucas-Kanade）替代传统ORB特征提取与匹配，基于梯度守恒与图像金字塔推算特征位移，降低计算负载；关键帧保留ORB流程以保障全局优化精度。此外，融合对极几何约束的重投影误差筛选与光流矢量一致性检测，通过RANSAC剔除动态区域异常匹配点，结合光流空间分布分析减少误匹配。【结果】 实验表明：Zero-DCE预处理使低光环境下的ORB特征点数量大幅提升，有效改善系统初始化与跟踪稳定性。分层光流架构将非关键帧特征处理耗时降低，实时性提升约50%，同时关键帧的BA优化抑制了光流累积误差。动态干扰下，重投影误差筛选与光流一致性检测使误匹配率减少，使系统在动态目标干扰下的定位误差显著降低。【结论】 通过暗光增强与分层光流跟踪的协同优化，本研究有效解决了传统视觉SLAM在低光照与动态场景中的特征退化、计算冗余及误匹配问题，显著提升了系统的鲁棒性与实时性，实验验证了该框架在机器人隧道巡检等极端环境下的可行性，为复杂封闭场景的自主导航提供了高精度、低延迟的技术支撑。
文章目录
1 引 言
2 算法的整体改进框架
2.1 低照度环境下SLAM预处理模块
2.2 暗光增强验证
3 融合特征匹配与光流跟踪
3.1 非关键帧光流跟踪
3.2 基于对极几何约束的误匹配剔除
4 实验与结果分析
4.1 实验结果
4.1.1 定位精度测试
4.1.2 运行时间测试
4.2 结果分析
5 结论
