1.一种视觉惯性SLAM方法，其特征在于，包括如下步骤：步骤1：提取并跟踪图像上的特征点；

步骤2：对所述特征点的集合进行德劳内三角剖分，将其转换到世界坐标系，得到三角网格；

步骤3：提取有界平面并进行数据关联，包括：步骤31：重建单帧平面，基于所述三角网格的聚类结果得到所述有界平面的参数；

步骤32：利用所述有界平面的参数关联所述单帧平面；

步骤33：统计处于一个滑动窗口中的所有有界平面，并对这些有界平面进行面与面的数据关联；

步骤4：对滑动窗口内的平面进行特征点检查与合并；

步骤5：构建因子图模型，并在所述因子图模型中引入平面的几何约束，优化全局位姿；其中，利用惯性测量残差模型、视觉残差模型、先验信息残差模型以及点面融合残差模型构建所述因子图模型，利用整体优化方程求出其最小二乘解。

2.如权利要求1所述的视觉惯性SLAM方法，其特征在于，步骤1中，采用KLT光流算法进行特征点跟踪。

3.如权利要求1所述的视觉惯性SLAM方法，其特征在于，步骤2还包括：结合惯性测量单元获取初始值。

4.如权利要求3所述的视觉惯性SLAM方法，其特征在于，所述获取初始值的步骤包括：步骤21：通过检查最新一帧和所有先前帧之间的特征对应关系，找出能够实现稳定跟踪和足够视差的对应帧；

步骤22：恢复所述对应帧之间的相对旋转和非真实尺度平移；

步骤23：对所述对应帧中观察到的所有特征进行三角化；

步骤24：基于三角化的结果，估计滑动窗口中其他帧的姿态；

步骤25：最小化所有特征观测的总重投影误差。

5.如权利要求1所述的视觉惯性SLAM方法，其特征在于，步骤31中，对所述三角网格进行聚类得到所述聚类结果，聚类方法包括：检查畸形的三角网格，畸形的三角网格的边与角的关系满足如下条件中的至少一个：含有两个角度小于第一阈值的锐角；最长边与最短边的比值大于第二阈值；以及，至少有一条边的长度大于第三阈值；

水平面聚类；以及

垂直面聚类。

6.如权利要求1所述的视觉惯性SLAM方法，其特征在于，步骤5中，采用回环检测获得回环的候选帧，基于所述候选帧优化全局位姿。

7.如权利要求6所述的视觉惯性SLAM方法，其特征在于，采用回环检测获得候选帧的方法包括：从后端优化完成的关键帧中额外检测若干个角点；

将所述关键帧添加到关键帧数据库中，计算当前帧与词袋的相似度分数，并与关键帧数据库中所有帧进行对比；

进行回环一致性检测，获得回环的候选帧。

8.如权利要求7所述的视觉惯性SLAM方法，其特征在于，基于所述候选帧优化全局位姿的方法包括：当检测到闭环后，进行基于描述子的邻域匹配；

当匹配点数大于阈值后，对匹配点进行异常值剔除，并求解相对位姿；

当剔除后的匹配点仍超过阈值时，将该帧纳入优化。