Numerosos robots autónomos se utilizan no solo para la automatización de fábricas como dispositivos que ahorran mano de obra, sino también para la interacción y comunicación con los humanos en nuestra vida diaria. Aunque la compatibilidad superior para el reconocimiento semántico de objetos genéricos proporciona amplias aplicaciones en un uso práctico, sigue siendo una tarea desafiante crear un método de extracción que incluya robustez y estabilidad frente a cambios ambientales. Este documento propone un método novedoso de reconocimiento de escenas y posiciones basado en hitos visuales (VLs) utilizados para un robot móvil autónomo en un entorno que convive con humanos. El método propuesto proporciona una imagen de máscara de las regiones humanas utilizando histogramas de gradientes orientados (HOG). Las características de los VL se describen con KAZE acelerado (AKAZE) después de extraer regiones conspicuas obtenidas mediante mapas de saliencia (SMs). Los resultados obtenidos experimentalmente utilizando validación cruzada de dejar uno fuera (LOOCV) revelaron que la precisión de reconocimiento de puntos de características de alta saliencia fue mayor que la de puntos de características de baja saliencia. Creamos nuestros conjuntos de datos de referencia originales utilizando un robot móvil. La precisión de reconocimiento evaluada utilizando LOOCV revela un 49.9% para nuestro método, que es 3.2 puntos porcentuales más alta que la precisión del método de comparación sin detectores HOG. El análisis de reconocimiento erróneo utilizando una matriz de confusión examina el reconocimiento erróneo que ocurre en zonas vecinas. Esta tendencia se reduce según las separaciones de zona.