RGBD kameralar, TOF kameralar, lazer tarayıcılar gibi düşük maliyetli ve yeterli derecede hassas ölçüm sunabilen sensörlerin ortaya çıkması, SLAM gibi robotik uygulamalar için önemli katkılar sağlamıştır. Bu mesafe sensörleri, mevcut SLAM uygulamalarında yoğun olarak başarıyla kullanılsa da sensor verilerinin kullanımının iyileştirilmesi ve geliştirilmesi hala mümkündür. Bu tezde, 3-boyutlu SLAM uygulamasında kullanılmak üzere sensor verilerinden özellik çıkarımı için yeni bir method sunulmaktadır. SLAM uygulamarında kompakt yüzey kavis özelliklerinin kullanımı literatürde ilk kez bu çalışmada incelenmektedir. Önerilen metotta ortalama kavis ve Gaussian kavis hesaplamaları, Microsoft Kinect sensöründen alınan RGBD verisinden kavis özellikleri çıkarmada kullanılmaktadır. Çıkarılan kavis özellikleri, SLAM algoritmasının veri eşleştirme adımlarında kullanılmaktadır. SLAM uygulamaları için karşılaştırmalarda sıkça kullanılan gerçek Kinect veri kayıtları kullanılarak yapılan uygulamalar sonucunda bulunan sonuçlar, literatürdeki güncel ve kabul gören SURF özellikleri, düzlemsel özellikler ve köşe özellikleri gibi özellik çıkarma teknikleri ile karşılaştırılmaktadır. The introduction of affordable and sufficiently accurate range sensors such as TOF cameras, laser scanners and RGBD cameras has significantly contributed to the robotic applications like SLAM. Although range sensors are used extensively and successfully in SLAM applications, there is still room for improvement in the sensor data utilization process. In this thesis a novel approach for the feature extraction part of 3D SLAM is introduced. The use of compact surface curvature features in the SLAM algorithm is proposed which will appear for the first time in the literature. The proposed method uses mean and Gaussian curvature calculations to extract curvedness features from RGBD output of Microsoft Kinect sensor. The extracted features are then fed to the SLAM algorithm to be used in the global data association process. The results are compared to the state-of-the art feature extraction techniques for SLAM, namely plane features, SURF features and corner features on real Kinect dataset sequences which are conventionally used as benchmark for SLAM algorithms. 141