高精度室内定位是众多领域的共性研究问题。本文将室内定位从实现机制上分为主动式与被动式定位,针对主被动定位各自的优缺点,本文拟选择智能手机惯性数据与普通单目监控视频数据分别作为主动定位与被动定位信息源,实现一种不依赖于高成本设备、亚米级定位精度的协同定位新方法。利用视觉定位的高精度优势,本文提出的主被动协同定位新方法以视觉定位为主、惯性定位为辅。视觉定位基于行人检测实现,但行人检测得到的是其像素坐标,而非世界坐标系(描述行人真实空间位置信息)下的行人定位结果。本文针对该问题,分析相机成像原理与相机标定方法,设计了一种基于场景辅助单目相机坐标转换模型,实现“像素-世界”坐标的转换,经实验表明,该转换模型能达到厘米级精度。在视觉定位的实时处理中,其每一帧图像数据均会得到多行人的像素定位结果。因此,需要完成对多行人结果的区分,并在连续帧的数据中实现多个单一行人的持续跟踪。本文结合匈牙利算法和卡尔曼滤波,设计了基于行人检测技术的多行人连续跟踪系统,在“像素-世界”坐标转换模型基础之上,完成对多行人的连续跟踪定位,通过实验证明该跟踪系统效果良好,鲁棒性强。由于视觉定位存在不足(视觉盲区、行人身份不明、定位异常等),需要利用惯性信息有效补充。惯性定位依赖于行人航迹推算实现,本文分别就其步长估计、步数检测与航向角计算做了相关研究。在行人运动过程中,会存在其特有的运动特征序列,该特征序列随着时间推移,包含的信息逐渐丰富。针对此,本文提出行人运动时序特征概念,将运动时序特征采用两个维度(惯性和视觉)的数据进行描述,设计两种特征序列的匹配算法,通过序列匹配完成两种信息的统一。基于信息统一基础,本文设计了结合视觉与惯性特征的主被动协同定位系统。通过实验表明,该协同定位系统能有效地将视觉定位的高精度优势与惯性定位的短时高精度特点充分利用,实现室内多行人亚米级定位精度。