La localización y mapeo simultáneo visual (VSLAM) es fundamental para los robots móviles inteligentes. Los sistemas VSLAM pueden utilizarse para identificar escenas al obtener grandes cantidades de información de textura redundante del entorno. Sin embargo, VSLAM enfrenta un desafío importante en entornos dinámicos de poca luz, donde la extracción de puntos característicos suele ser difícil, lo que lleva a fallas en el seguimiento con robots móviles. Por lo tanto, desarrollamos un método para mejorar el método de extracción de puntos característicos utilizado para VSLAM. Utilizamos primero el método de ecualización de histograma adaptativo limitado por contraste (CLAHE) para aumentar el contraste en imágenes de poca luz, lo que permite la extracción de más puntos característicos. En segundo lugar, para aumentar la efectividad de los puntos característicos extraídos, se eliminaron los puntos característicos redundantes. Desarrollamos tres condiciones para filtrar los puntos característicos. Finalmente, el método propuesto se probó en conjuntos de datos populares (por ejemplo, TUM y OpenLORIS-Scene), y los resultados se compararon con los de varios métodos tradicionales. Los resultados de los experimentos mostraron que el método propuesto es factible y altamente robusto en entornos dinámicos de poca luz.