对工作环境的认知与理解对于室内服务机器人来说是至关重要的,这关系到机器人的自主导航和语义任务的执行。室内地点识别则是机器人认知与理解工作环境的一个主要手段,这可以帮助机器人提取空间语义信息,构建语义地图,建立空间区域和实际语义的联系;同时也能解决机器人导航当中的重定位问题,通过回环检测实现几何地图的优化。本课题所研究的就是基于聚类算法的室内地点识别方法,目的是提高室内地点识别的识别率和识别速度和持久性。本课题首先采集了一个静态的室内环境数据集和一个动态的室内环境数据集,用于测试静态室内地点识别算法和动态室内地点识别算法。数据集综合考虑了复杂室内环境中的遮挡、光照变化、尺度变化、视角变化、物体移动以及各种人为因素的诸多条件,充分测试算法鲁棒性。然后本课题提出了基于特征聚类和图像聚类的室内地点识别算法CFI。CFI通过特征监督聚类实现样本信息的采集,训练过程的关键步骤为局部无关化和全局无关化,通过定义的特征集合运算实现;地点识别过程是一个图像聚类过程,通过当前帧和各个特征聚类的相似度来判断当前帧的归属。本课题采用鲁棒局部特征,定义了图像相似度和与之匹配的图像聚类方法,同时提出了状态惯性来对分类结果进行优化。CFI对标准室内环境数据集实现了很好的识别率和识别速度。其次,为了进一步提高CFI的识别速度,本课题提出了r-nearest k-means快速特征匹配算法。本课题的r-nearest k-means是一种近似最近邻搜索算法,算法首先对特征库进行k-means聚类,在搜索最近邻点过程中首先找到距离目标点最近的那些特征聚类,然后在这个局部进行最近邻搜索。算法核心是用全局极小局部的局部极小值来替代全局极小值。算法能够在保持非常高的匹配精度的前提下,实现数十倍的匹配加速。经过匹配加速之后的CFI整体识别速度能够提高数倍。最后,为了能够解决随着时间变化环境变化,初始模型识别能力下降的问题,本课题提出了一种动态识别算法。动态识别算法基于r-nearest k-means和CFI增加了一个无监督学习过程,通过置信度和学习率控制来对模型进行更新,使得模型能够不断地学习变化环境,保持对环境的识别能力。该算法对于动态变化的环境能够保持较高的识别率,虽然识别速度稍有下降。