1.一种机器人视觉导航中视觉里程计构建方法，其特征在于，包括以下步骤：步骤1，读取原始图像，通过双阈值法提取特征点并获得特征点的位置；

步骤2，通过YOLOv3算法对原始图像进行目标检测，获取物体边界框的位置；

步骤3，根据特征点的位置及物体边界框的位置，判断特征点是否在物体边界框内，剔除不在物体边界框内的特征点，获得在物体边界框内的特征点；

步骤4，对物体边界框内的特征点进行光流跟踪，获取在物体边界框内特征点的运动位置；

步骤5，根据步骤4得到的运动位置，通过光流极线法进行动态特征点的判定，判断在物体边界框内的特征点是静态特征点还是动态特征点；

步骤6，根据物体边界框内的动态特征点来判断物体运动情况，当物体边界框内动态特征点的数目达到一定阈值，则判定物体边界框内物体是运动的，剔除物体边界框内所有的特征点，获取静态物体特征点，即为有效特征点；

步骤7，根据有效特征点估算相机运动轨迹，恢复出相机旋转和平移运动，估计出相机位姿，完成视觉里程计的构建。

2.根据权利要求1所述的方法，特征在于，步骤1包括：步骤1-1：在原始图像中任取二十个像素p1,p2......p20，p20表示选取的第20个像素，分别检测出它们的亮度Ip1,Ip2......Ip20，设定阈值Tp1：Ipi为所取的第i个像素点的亮度，i取值为1～20；

步骤1-2：在原始图像上任意选取像素p，检测出它的亮度Ip，设定阈值Tp2，Tp2为Ip的

20％；

步骤1-3：以像素p为中心选取半径为3的圆上16个像素点；

步骤1-4：如果选取出的圆上，有连续十二个像素点的亮度大于 或者圆上有连续十二个像素点的亮度小于 则像素p这个点标记为特征点，获取这个特征点的坐标(xr,yr)并保存；其中，xr表示特征点的行坐标，yr表示特征点的列坐标；

步骤1-5：循环步骤1-2～步骤1-4，对原始图像上的每一个像素点执行相同操作，得到特征点以及特征点位置。

3.根据权利要求2所述的方法，特征在于，步骤3包括如下步骤：步骤3-1：对比步骤1获取的特征点位置与步骤2获取的物体边界框的位置，判断特征点是否在物体边界框内；

步骤3-2：剔除不在物体边界框内的特征点，保留在物体边界框内的特征点；

步骤3-3：重复步骤3-1～步骤3-2，直至步骤1获取的特征点与步骤2获取的物体边界框都比较完毕。

4.根据权利要求3所述的方法，特征在于，步骤4包括：步骤4-1：任取一个在步骤3获取的在物体边界框内的特征点(x,y)，记录当前时刻为t，记该特征点在t+dt时刻，运动到(x+dx,y+dy)处；

其中，x表示所取的特征点在t时刻的行坐标，y表示所取的特征点在t时刻的列坐标，(x,y)表示所取的特征点在t时刻的坐标，t+dt表示摄像头读取到下一帧图像的时刻，x+dx表示所取的特征点在t+dt时刻的行坐标，y+dy表示所取的特征点在t+dt时刻的列坐标，(x+dx,y+dy)表示所取的特征点在t+dt时刻的坐标；

步骤4-2：设定同一个空间点的像素灰度值固定不变，以I(x,y,t)描述所取的特征点在t时刻的灰度值，I(x+dx,y+dy,t+dt)表示所取的特征点在t+dt时刻的灰度值，则I(x+dx,y+dy,t+dt)＝I(x,y,t)；通过泰勒级数对方程进行展开，保留一阶项，得到：由于灰度值不变，则有

其中， 表示当前帧图像在所取的特征点处x方向的偏导，Ix表示当前帧图像在所取的特征点处x方向的梯度，

表示当前帧图像在所取的特征点处y方向的偏导，

Iy表示当前帧图像在所取的特征点处y方向的梯度，

表示当前帧图像灰度对时间的变化量的偏导，

It表示当前帧图像灰度对时间的变化量，

u,v分别表示所取的特征点在x轴上的运动速度、y轴上的运动速度；

步骤4-3：设定一个窗口内的像素具有相同的运动，则在一个大小为3×3的窗口中，利用最小二乘法，则有其中，

It1至It9为所述的大小为3×3的窗口中的九个像素点的灰度值，Ix1至Ix9为所述的大小为3×3的窗口中的九个像素点x方向的梯度，Iy1至Iy9为所述的大小为3×3的窗口中的九个像素点y方向的梯度；AT表示矩阵A的转置，(ATA)-1表示矩阵AT与矩阵A乘积的逆矩阵；

步骤4-4：根据步骤4-3得到的所取的特征点在x轴，y轴上的运动速度 得到所取的特征点在t+dt时刻的(x+dx,y+dy)＝(x+udt,y+vdt)；

步骤4-5：通过对连续两帧图像进行光流追踪，获得步骤3在物体边界框内特征点在下一帧图像对应的匹配点。

5.根据权利要求4所述的方法，特征在于，步骤5包括：步骤5-1：任取步骤4-5所获得的八对匹配点，计算基础矩阵F，计算公式如下：其中，qk＝(uk,vk,1),q′k＝(u′k,v′k,1)分别表示所得到的八对匹配点中第k对匹配点归一化后的坐标，k的取值为1～8；uk,uk'分别表示所得到的八对匹配点中第k对匹配点归一化后的行坐标，vk,vk'分别表示所得到的八对匹配点中第k对匹配点归一化后的列坐标；

步骤5-2：利用步骤5-1得到的基础矩阵F，以步骤4在t时刻坐标为(x,y)的特征点为例，将所述特征点投影到t+dt时刻的图像，得到在t+dt时刻该特征点对应的极线l2：l2＝Fq，

其中，q表示步骤4-1所取的特征点在t时刻的坐标(x,y)归一化后的坐标(x1,y1,1)。

步骤5-3：计算步骤5-2所取特征点在t+dt时刻的匹配点q'到极线l2的距离D，距离公式如下：其中q'表示步骤5-2所取特征点在t+dt时刻对应的匹配点归一化坐标(x1',y1',1)，表示q1′的转置，q0表示步骤5-2所取特征点在t时刻的坐标(x,y)，X,Y分别表示极线l2一般式中自变量与因变量的系数；

步骤5-4：判断距离D与阈值m关系，如果距离D大于阈值m，则判定所取的特征点是一个动态点；

步骤5-5：重复步骤5-2～步骤5-4，直至在物体边界框内特征点都判断完毕。

6.根据权利要求5所述的方法，其特征在于，步骤6包括：步骤6-1：将步骤5所获得的动态特征点位置保存，对比步骤5得到的动态特征点的位置与步骤2获得的物体边界框的位置，获得动态特征点落在物体区域的数目；

步骤6-2：判断步骤6-1获取到的动态特征点落在物体区域的数目与阈值n的大小，如果数目大于阈值n，则判定步骤2检测到的物体边界框内物体是运动的，剔除物体边界框内所有的特征点；

步骤6-3：重复步骤6-1～步骤6-2，直至步骤5得到的动态特征点与物体边界框都比较完毕，获得静态特征点，即为有效特征点。

7.根据权利要求6所述的方法，特征在于，步骤7包括如下步骤：步骤7-1：根据步骤6获得的有效特征点计算位姿估计本质矩阵；

步骤7-2：根据本质矩阵恢复相机的运动信息，得到相机旋转矩阵与平移矩阵，从而估算出相机位姿。