基于视觉的同时定位与地图构建(VSLAM:Visual Simultaneous Localization and Mapping)作为无人机、增强现实、无人驾驶及人机交互等机器人系统的关键技术,其静态环境假设过于理想化。实际的应用场景不可避免会出现运动物体,尤其是一些运动明显的物体往往会违背VSLAM系统的静态环境假设,导致现有的VSLAM系统难以满足实际场景的应用需求。相比特征法VSLAM,基于直接法的稠密VSLAM在弱纹理和模糊场景有更好的鲁棒性和稳定性,但稠密VSLAM更易受动态环境的影响。在动态场景下,现有的稠密VSLAM方法面临着两大挑战。一方面,运动分割方法作为解决动态场景的关键算法,在复杂动态场景下分割的准确性和鲁棒性一直是具有挑战性的问题,现有的基于几何信息的分割方法难以适应高动态场景,而实例语义分割方法又容易引起假阳性过分割,导致基于直接法的位姿估计性能下降。另一方面,对稠密视觉里程计而言,如果动态物体参与到稠密匹配过程会极大地影响相机位姿估计的准确性;对于稠密VSLAM系统而言,动态物体会影响回环检测的准确性,导致错误的回环并降低回环的成功率,动态物体还会破坏位姿图模型的稳定性,使得图模型的位姿边关联错误,降低位姿图模型的优化性能。针对上述问题,本文深入研究了动态环境下稠密VSLAM的问题,提出了基于运动分割的动态环境下稠密VSLAM数学模型,及相应的稠密VSLAM方法,具体而言,本文的主要贡献如下:(1)建立了面向动态环境的稠密VSLAM数学模型,在静态环境下稠密VSLAM数学模型的基础上,分析了运动物体对稠密VSLAM各模块的具体影响,结合运动分割结果描述了动态环境下稠密VSLAM的数学模型,为稠密VSLAM方法处理动态场景提供理论依据。(2)提出了一种适应动态环境的稠密视觉里程计方法,采用图像灰度与深度信息相结合进行场景聚类,根据图像帧间的匹配残差,构建了基于多帧累积的残差模型;然后,对残差分布进行非参数统计建模,并根据统计模型建立了动态阈值的运动分割模型和聚类块的混合权重模型;最后,将运动分割结果与聚类块权重模型加入到基于能量优化函数的位姿估计中,实现了动态环境下比现有稠密方法更为鲁棒的相机运动估计。(3)提出了一种融合语义分割的动态环境下稠密VSLAM方法,采用几何残差分割和实例语义分割相结合的方式,实现了比单纯几何运动分割方法更为精确且鲁棒的场景运动分割;在运动分割的帮助下,通过引入关键帧机制,构建了动态环境下帧-关键帧匹配的稠密视觉里程计,有效减少了局部累积误差;结合运动分割结果,构建了动态环境下的回环检测和位姿图优化模型,进一步减少了轨迹估计的累积误差和动态物体对位姿估计的影响。实现了在动态环境下比之前方法性能更优越的稠密VSLAM方法。