随着移动机器人的日益普及，机器人的室内定位需求越来越大，人们期望移动机器人能在室内实现精确地定位导航，然后执行一系列任务。室内定位在工厂、家居、商场等室内都具有广泛的应用领域，为了实现室内精确定位，基于视觉的定位技术是一种可行的解决方案，尤其是通过相机拍摄的单幅图像估计相机在世界坐标系中的六自由度位置和姿态，操作便捷，然而由于室内复杂的环境变化，相对视频而言，单幅图像含有的信息少，如何提高基于单幅图像定位系统的精确性、鲁棒性、高效性，仍是一项具有挑战性的工作。本文对基于单幅图像的室内复杂场景的视觉定位问题进行了一系列的探讨和研究，主要的贡献如下：

1. 构建了一个中等规模的室内复杂场景测试数据集。针对目前已有公开数据集规模偏小和测试样本没有真值的问题，本文采用了激光-视觉SLAM扫描设备Navvis对北京市石景山万达广场总共3层8000平方米商场面积进行扫描，获取场景1567幅全景图和对应的编码深度图，同时使用全站型电子测距仪辅助定位以提高生成的三维点云模型精度。本文通过视角合成的方法从每幅全景图中生成36幅不同视角的透视图，透视图的每个像素对应的三维点坐标由三维点云模型生成，由此构建了包含56412幅图像的场景三维数据库。另外使用三台不同型号的手机采集了场景4701幅图像作为测试集，手机的内参采用二维棋盘格方法单独标定，测试集图像采用EPnP估计手机与Navvis设备的外参数，从而获得测试图像的真实位姿。

2. 设计了一套基于图像检索的视觉定位流程。针对目前视觉定位方法存在定位效率低、精度低的缺点，本系统首先对“BOW”，“Disloc”，“Inloc”三种目前主流的图像检索算法进行了对比实验，分析了各自优缺点并选择BOW模型作为最终的图像检索方案。为了进一步提高定位效率，在BOW相似性检索基础上，引入了GPU加速提取RootSIFT特征，根据RootSIFT特征匹配结果对检索结果进行重排序，选取最相似的10幅图像和对应的特征匹配结果输入到N点透视定位算法估计查询图像位姿。实验表明，该定位方法比传统定位算法效率提高10倍以上，同时具有高精度、高效率、鲁棒性强的特性。

3. 实现了一套完整的基于C/S架构的室内视觉定位系统，该系统定位时间200ms，位置精度6cm，角度精度0.32°，定位成功率91.6%，达到了实际应用的需求。系统包含以下模块：客户端模块，负责完成用户拍摄场景图像并压缩上传到服务器，接收返回的定位结果的任务；服务器端模块，负责加载离线重建好的场景三维模型，并对接收到的客户端图像进行相似性检索和位姿估计，将估计的位姿发送到客户端。