随着社会的发展和科技的进步,室内服务类机器人已经越来越多地走进了人们的日常生活中,精准、稳定、高效的室内定位技术是它们在室内提供服务的有力保障。室内环境较为复杂,无线信号受环境影响较多,而视觉信息由于丰富程度高、不受硬件网络限制等因素成为较为理想的定位信息源。如何保证定位精度、稳定性和实时性成为了基于视觉信息的室内定位技术中需要解决的问题与研究热点。本文针对视觉特征分布不均匀且维度高、指纹库规模大、信息冗余等导致定位稳定性、实时性和精度降低的问题,对低维度特征描述子提取算法和轻量级指纹库构建算法进行了研究。提出了分布均匀且维度较低的特征描述子提取算法和轻量级视觉特征指纹库构建算法,设计了基于轻量级视觉特征指纹库的指纹定位算法,在保证定位精度和稳定性的前提下有效提高了定位速度。具体研究工作如下:第一,针对视觉特征集中分布、描述子维度高导致特征匹配稳定性和实时性差的问题,本文提出了一种分布均匀、低维度的双重筛选自适应低维二值描述子（Dual-screening Adaptive Low-dimensional Binary Descriptor,DALBID）。在特征提取阶段采用局部像素邻域内的自适应阈值代替人工设置阈值,提取特征后对特征性弱的点进行筛选去除,再筛选去除位于边缘位置的不稳定噪声点;特征描述阶段,将特征点周围邻域内的像素信息二值化,在避免特征集中分布的同时减少了特征数量,降低了描述子维度。该算法从特征分布的角度保证了定位结果的稳定性,并从特征数量和描述子维度两方面提升了特征指纹的匹配速度。第二,针对在构建视觉信息特征指纹库时,指纹点分布不合理和指纹库信息冗余导致定位稳定性和精度降低的问题,本文提出了轻量级视觉特征指纹库构建算法。该算法从视觉特征的提取过程入手,根据所使用的尺度金字塔计算特征描述子尺度不变性的有效范围,再从尺度不变性出发,计算室内空间中指纹点分布的合理间隔,提出了高区分度位置指纹点的稀疏化分布策略;在对指纹库中的冗余信息来源进行分析后,提出了自适应迭代K均值聚类算法（Adaptive Iterative K-means Clustering Algorithm,AIK-means）,通过特征聚类完成冗余信息去除,最终构建出轻量级的视觉特征指纹库。该算法从指纹点分布和指纹库信息两方面减小了视觉特征指纹库的规模。第三,针对在检索指纹库时,逐个指纹点匹配指纹的方式效率较低影响定位实时性的问题,本文提出了基于轻量级视觉特征指纹库的快速检索策略。该算法轻量级指纹库的基础上,建立位置指纹和指纹点所在的坐标轴之间的映射,通过坐标检索快速获取待定位点的位置。本文还完成了基于轻量级视觉特征指纹库的指纹定位算法,将坐标轴的特征指纹的匹配数量作为置信度权重进行加权定位,在保证定位精度的目前提下有效提高了定位速度。经实验测试与评估,本文提出的DALBID视觉特征描述子在室内空间的不同位置分布均匀,在尺度不变性方面表现良好,对光照和图像噪声鲁棒,且特征的稳定性和特异性强、数量少、维度低,有效提高了定位稳定性和定位速度;轻量级指纹库构建算法减少了指纹点数量,降低了指纹库规模,使指纹数据更简洁;指纹库快速检索策略进一步提高了定位速度。在综合办公室场景中,平均定位误差为0.76m,标准差为0.41m。同时,由于指纹维度低、指纹库规模小,与采用SIFT视觉特征作为位置指纹的定位方法相比速度提升约60%,与采用ORB视觉特征作为位置指纹的定位方法相比,速度提升了约40%。