1.基于快速特征点提取及网格化三角形约束的视觉导航方法，其特征在于，包括以下步骤：

步骤1，采集连续视频帧序列图像，读取相邻两帧彩色图像并进行灰度化处理，通过快速特征点提取算法提取相邻两帧图像中的特征点，对提取的特征点进行预匹配；

步骤2，对提取的相邻两帧图像进行网格化划分，在每个网格内利用Delaunay算法对提取的特征点进行三角剖分，通过检测特征点之间的距离剔除边长过大或过小的三角形，得到三角形网络；

步骤3，对三角形网络中每个三角形构建6维形状描述子及32维区域描述子，得到由每个三角形的38维混合描述子组成的特征向量；

步骤4，对步骤3构建的相邻两帧图像网格化划分对应三角形的特征向量进行匹配，计算两帧图像对应网格内两两三角形特征向量的欧式距离，利用欧式距离最小值与次小值的比值作为衡量匹配度的标准；

步骤5，根据步骤4的匹配结果提取对应的匹配特征点对，通过中心点聚类方法选取具有显著特性的特征点，在空间分布上对特征点进行聚类处理，滤除部分无效特征点；

步骤6，根据改良随机抽样一致算法剔除步骤5选取的显著特性特征点中错误匹配的特征点，利用极线几何约束剔除运动特征点，获得有效可用特征点对；

步骤7，将获得的有效可用特征点对带入后续运动估计参数计算，完成最终的运动模型求解，对采集的连续帧图像进行步骤1～步骤6所述的特征点处理工作，获得视觉导航解算的位置结果；

步骤1包括如下步骤：

步骤1‑1，从采集的室内图像中读取相邻两帧彩色图像并进行灰度化处理，处理后的这两帧图分别记为g1和g2；

步骤1‑2，通过快速特征点提取算法分别对g1和g2进行特征点检测，得到g1的特征点数组ps1和g2的特征点数组ps2；

步骤1‑3，对提取的特征点进行预匹配：分别搜索确定数组ps1中的特征点i在数组ps2中匹配的特征点j，以及数组ps2中的特征点j在数组ps1中匹配的特征点q，如果数组ps1中的特征点i与数组ps2中特征点j在数组ps1匹配的特征点q为同一像素点，则预匹配成功，否则预匹配失败，当ps1和ps2中的所有点遍历处理完后则完成预匹配，获得预匹配特征点；

步骤1‑2包括如下步骤：

按照从上到下、从左到右的顺序依次判别图像中各像素点是否为特征点，判别依据为：以待判别的像素点p为圆心，以3个像素为半径构建一个离散圆，离散圆上共有16个像素点，分别按顺时针方向依次记为点1～点16，其中位于点p右侧三像素位置记为点2，位于点p下方三像素位置记为点6，位于点p左侧三像素位置记为点10，位于点p上方三像素位置记为点14；

首先判别点2和点10的灰度值是否满足以下条件，g1(2)g1(p)+hg1(10)g1(p)+h如果点2和10均不满足以上条件，则直接判定p点不为特征点；否则再判别点6和14的像素点的灰度值是否满足以下条件，g1(6)g1(p)+hg1(14)g1(p)+hg1(2)，g1(10)，g1(6)，g1(14)，g1(p)分别为g1灰度图点2，10，6，14，p处的灰度值，h为检测阈值；

如果点2，10，6，14中存在3个以上的点满足以上判别条件，则进行以下判别，否则直接判定p点不为特征点：

按照点1～点16的顺序判别是否有连续9个像素点的灰度值小于g1(p)‑h或大于g1(p)+h，如果满足则判定p点为特征点，否则判定p点不为特征点；

步骤2包括如下步骤：

步骤2‑1，对提取的相邻两帧图像进行6*3的网格化划分；

步骤2‑2，对每一个网格区间内的特征点设置数目最大值；

步骤2‑3，在每个网格内利用Delaunay算法对步骤1提取的预匹配特征点进行三角剖分，得到三角形网络，通过检测预匹配特征点之间的距离剔除边长过大或过小的三角形，剔除方法如下：

分别计算三角形网络中各个三角形三条边的边长，利用像素数目表示，判定三角形任意边长低于8个像素的三角形为边长过小三角形并进行剔除，通过如下公式判定边长过大的三角形：

式中，lmax为三角形的最长边，w和h分别表示图像的宽和高，R_TH为比例阈值，L_TH为长度阈值，max为最大值求取函数，min为最小值求取函数，如果三角形最长边的长度大于上式右边值，则判定为边长过大的三角形并剔除该三角形；

步骤3包括：

对三角形网络中每个三角形构建6维形状描述子及32维区域描述子，得到由每个三角形的38维混合描述子组成的特征向量，具体方法如下：设定特征点A、B、C构成了三角形ABC，e为其质心，s1、s2、s3分别为三角形的三条边，s1为最长边，然后依次按逆时针顺序排列另外两条边，s为三边长度之和；φ1、φ2、φ3分别为三角形的三个内角，φ1为最大内角，同样按逆时针顺序排列另外两个内角；γ1,γ2,…,γ32为基于质心e，以CA为主方向，以三角形最长边的0.3倍为半径构建的32维SIFT描述子，即区域描述子，最后，得到此三角形的6维形状描述子 βφ1,βφ2,βφ3及32维区域描述子组成的38维混合描述子组成的特征向量WABC为：α、β为形状描述子和区域描述子中保持均衡的权值系数；

步骤4包括：

对步骤3构建的相邻两帧图像网格化划分对应三角形的特征向量进行匹配，匹配方法为：计算两帧图像对应网格内两两三角形特征向量的欧式距离；利用欧式距离最小值与次小值的比值作为衡量匹配度的标准，比值范围在0.8‑1之间的判定为匹配成功，否则为匹配失败，最后根据匹配成功的三角形获得两帧图像的匹配特征点对；

步骤5包括如下步骤：

步骤5‑1，根据步骤4的匹配结果提取两帧图像对应的匹配特征点对；

步骤5‑2，针对两帧图像依次通过中心点聚类方法选取其具有显著特性的特征点，在空间分布上对特征点进行聚类处理，滤除部分无效特征点；

步骤5‑2包括：

步骤5‑2‑1，设定匹配特征点聚类数为k；

步骤5‑2‑2，随机选择k个聚类中心点；

步骤5‑2‑3，对每个匹配特征点，计算其与各个聚类中心点的欧式距离，选择距离最小的中心点的类别作为该特征点的类别；

步骤5‑2‑4，对新选择的各个类别计算其新的中心点，以作为其聚类中心点；

步骤5‑2‑5，重复步骤5‑2‑3，直至聚类中心点不再变化，完成k个中心点聚类；

步骤5‑2‑6，完成中心点聚类后，选择距离各类聚类中心点最近的特征点作为显著特性的特征点；

步骤5‑2‑7，将两帧图像最终选取的显著特性特征点信息保存，执行步骤6；

步骤6包括如下步骤：

对两帧图像最终选取的显著特性特征点利用改良随机抽样一致算法剔除其中错误匹配的特征点，然后再利用极线几何约束剔除运动特征点，获得有效可用特征点对。