时培成，杨剑锋，梁涛年，齐 恒

（1. 安徽工程大学 汽车新技术安徽省工程技术研究中心，芜湖 241000，中国；2. 芜湖伯特利汽车安全系统股份有限公司，芜湖 241009，中国）

汽车工业的蓬勃发展使得近年来无人驾驶汽车成为了人们的研究热点。无人驾驶汽车要想在环境中自主运动，就必须获取详细的周围环境地图以及精准的自身定位信息。所以，同步定位与地图构建变成实现无人驾驶汽车应用的必要前提条件[1]，它包含了定位和建图。通常，无人驾驶汽车通过摄像头拍照来定位和建图，称无人车视觉同步定位与地图构建 (simultaneous localization and mapping， SLAM) 算法，而要从图像中获取车辆运动信息，必须对图像提取特征点并进行特征匹配，进而估计相机的运动，再反推出车辆的所处位置[2]。目前，常用的图像特征点提取方法有 SIFT（scale-invariant features transform）[3]、SURF (speededup robust features)[4]和ORB (Oriented FAST and Rotated BRIEF) 算法。其中，ORB算法相比于SIFT算法和SURF算法提取速度高，可以满足无人驾驶汽车SLAM系统实时性的要求[6]。

传统ORB算法因实时性较好，被广泛应用于视觉SLAM系统中，但它也有比较明显的缺陷，如提取的特征点在图像中分布不均匀、聚集严重，从而导致后续图像匹配精度较差，使相机位姿估计结果出现较大偏差。为此，文献[7]在提取特征点后，采用四叉树算法对图片进行区域划分，将特征点平均分配到这些区域中，通过计算Harris响应值[8]保留响应值最大的特征点，但是该算法消耗时间较长，实时性不好。

文献[9]在文献[7]基础上对传统四叉树算法进行改进，提高了特征点的均匀度，但没有限制节点的分裂次数，算法运行时间仍然较长。……