CN103759724B - 一种基于灯饰特征的室内导航方法及系统 - Google Patents

Abstract

一种基于灯饰特征的室内导航方法及系统，建立灯饰特征参数数据库，所述灯饰特征参数数据库中包括灯饰的特征信息，采集定位目标周围图像，对图像中灯饰进行特征提取并与灯饰特征参数数据库中灯饰特征进行匹配，识别出图像中的灯饰；利用灯饰特征参数数据库中灯饰的特征信息及位置信息解算出定位目标当前的位置。本发明采用灯饰进行定位，信号不容易受到环境的影响，系统稳定，精度高。不安装大量的发射端，并且系统维护简单，成本低。

Description

一种基于灯饰特征的室内导航方法及系统

技术领域

本发明涉及一种基于灯饰特征的室内导航方法及系统。具体涉及基于嵌入式linux系统图像处理技术和卡尔曼滤波算法的室内导航系统。所述方法用于建筑物内对目标物的高精度定位和导航。

背景技术

在导航技术领域中，室外导航技术，如GPS技术，基本成熟并且普遍应用于生活中，而GPS信号不能穿透建筑物，无法在室内进行定位，所以室内导航领域还有待开发。

现有的室内定位系统多采用设置参考点的方式进行定位，如安装信号发射器、连接wifi热点等方法。这些方法对发射器稳定性和接收器能力要求比较高，或者要求用户登录wifi热点。信号容易受到环境的影响，造成系统不稳定，精度不够高。安装大量的发射端，并且需要大量的人力财力用于系统的维护，成本高。

发明内容

为了解决上述问题，本发明一种基于灯饰特征的室内导航方法，建立灯饰特征参数数据库，所述灯饰特征参数数据库中包括灯饰的特征信息，采集定位目标周围图像，对图像中灯饰进行特征提取并与灯饰特征参数数据库中灯饰特征进行匹配，识别出图像中的灯饰；利用灯饰特征参数数据库中灯饰的特征信息及位置信息解算出定位目标当前的位置。

在上述技术方案的基础上，所述灯饰特征包括灯饰的位置、长度、亮度及形状。

在上述技术方案的基础上，提取图像中灯饰的质心连线的中点和矢量，并建立坐标系，将定位目标的初始位置信息和获取的灯饰特征信息送至位置解算算法，计算出定位目标当前的位置坐标，完成定位目标定位。

在上述技术方案的基础上，所述位置解算算法包括：

（1）定义灯饰的质心为其几何质心，本发明采用质心法提取灯饰质心坐标，目标物可以表示成

$F(x,y)=\left\{\begin{array}{cc}f(x,y)& f(x,y)\&GreaterEqual;T\\ 0& f(x,y)<T\end{array}\right.$

其中，f(x,y)为图像灰度值，T为背景阈值；

质心横坐标和纵坐标可分别表示为

$\left\{\begin{array}{c}{x}_l=\frac{\underset{x=1}{\overset{m}{\mathrm{\&Sigma;}}}\underset{y=1}{\overset{n}{\mathrm{\&Sigma;}}}F(x,y)x}{\underset{x=1}{\overset{m}{\mathrm{\&Sigma;}}}\underset{y=1}{\overset{n}{\mathrm{\&Sigma;}}}F(x,y)}\\ y_l=\frac{\underset{x=1}{\overset{m}{\mathrm{\&Sigma;}}}\underset{y=1}{\overset{n}{\mathrm{\&Sigma;}}}F(x,y)y}{\underset{x=1}{\overset{m}{\mathrm{\&Sigma;}}}\underset{y=1}{\overset{n}{\mathrm{\&Sigma;}}}F(x,y)}\end{array}\right.$

灯饰质心连线中点(x₀,y₀)可以表示为

$(x_0,y_0)=\frac{(x_{l1},y_{l1})+(x_{l2},y_{l2})}{2}$

其中，(x_l1,y_l1)是第一灯饰的质心坐标，(x_l2,y_l2)是第二灯饰的质心坐标；（2）灯饰质心的连线矢量分为空间矢量和图像矢量，空间矢量定义为空间中第一灯饰质心与第二灯饰质心的连线矢量，记为空间矢量图像矢量定义为图像中第一灯饰质心与第二灯饰质心的连线矢量，记为图像矢量定义定位目标的前进方向为定位目标坐标系x轴方向，它与室内空间坐标系x轴的转角称为前进方向角φ，由几何关系可知，空间矢量与图像矢量的夹角即为定位目标前进方向角φ的绝对值，几何关系如下：

$\stackrel{\&RightArrow;}{G}\&CenterDot;\stackrel{\&RightArrow;}{P}=\left|\stackrel{\&RightArrow;}{G}\right|\left|\stackrel{\&RightArrow;}{P}\right|\cos \left|\mathrm{\&phi;}\right|.$

在上述技术方案的基础上，步骤（2）中室内空间坐标系和定位目标坐标系定义如下：

（1）室内空间坐标系，即G-系，以房间地面墙角顶点作为坐标原点，分别以相邻两墙面的交线为三条坐标轴，其中垂直于平面的轴线定义为z轴；

（2）定位目标坐标系，即C-系，以定位目标顶端摄像头中心为坐标原点，以垂直于定位目标运动平面的直线为z轴，以平行于定位目标运动平面垂直于定位目标边缘线的直线分别为x轴和y轴；

（3）G-系和C-系之间的转换关系如下：

$\left[\begin{array}{c}x\\ y\end{array}\right]=\left[\begin{array}{cc}\cos \mathrm{\&phi;}& -\sin \mathrm{\&phi;}\\ \sin \mathrm{\&phi;}& \cos \mathrm{\&phi;}\end{array}\right]\left[\begin{array}{c}{x}_c\\ y_c\end{array}\right]+\left[\begin{array}{c}{x}_0\\ y_0\end{array}\right],$

其中(x,y)为G-系中的坐标，(x_c,y_c)为C-系中的坐标，(x₀,y₀)为C-系坐标原点在G-系中的坐标位置，φ是定位目标前进方向角，φ的取值范围为[0 2π]。

在上述技术方案的基础上，（1）将图像坐标的像素尺度按照图像像素和彩屏尺寸之间的比例转化为C-系中的长度尺度；

（2）已知第一灯饰的质心坐标为(x_l1,y_l1)(x_l1,y_l1)，第二灯饰的质心坐标为(x_l2,y_l2)，灯饰质心连线中点的坐标为(x,y)，定位目标的初始位置为(x₀,y₀)，根据G-系和C-系的坐标转换公式可计算出C-系中灯饰质心连线中点的位置坐标为(x_c,y_c)，该坐标可以理解为定位目标与灯管质心连线中点的相对距离；

（3）当定位目标前进一段距离后，可以在定位目标拍摄的图像上获得第一灯饰和第二灯饰的质心在定位目标运动后C-系上的坐标，通过先验的定位目标运动距离和图像灯饰质心连线中点移动距离的线性关系，可以获得定位目标沿着前进方向行驶的相对距离，通过坐标系逆转换得出定位目标在G-系中的坐标位置。

在上述技术方案的基础上，定位目标为小车,小车的运动模型建立方法包括，基于卡尔曼滤波算法运动模型的系统状态方程为：

$X\left(n\right)=\left[\begin{array}{c}1T00\\ 0100\\ 001T\\ 0001\end{array}\right]X(n-1)+\left[\begin{array}{cc}\frac{T^2}{2}& 0\\ T& 0\\ 0& \frac{T^2}{2}\\ 0& T\end{array}\right]V(n-1)$

$X\left(n\right)=\left[\begin{array}{c}x\left(n\right)\\ S_x\left(n\right)\\ y\left(n\right)\\ S_y\left(n\right)\end{array}\right]$

其中，T为时间间隔，(x(n),y(n))为小车状态位置坐标，(S_x(n),S_y(n))表示x和y方向上的速度大小，系统噪声向量V(n)为均值为0，方差为的高斯白噪声；

动态系统的观测方程为

$Y\left(n\right)=\left[\begin{array}{c}{x}_z\left(n\right)\\ y_z\left(n\right)\end{array}\right]=\left[\begin{array}{cccc}1& 0& 0& 0\\ 0& 0& 1& 0\end{array}\right]\left[\begin{array}{c}x\left(n\right)\\ S_x\left(n\right)\\ y\left(n\right)\\ S_y\left(n\right)\end{array}\right]+\left[\begin{array}{cc}1& 0\\ 0& 1\end{array}\right]\left[\begin{array}{c}{W}_x\left(n\right)\\ W_y\left(n\right)\end{array}\right],$

其中，(x_z(n),y_z(n))为小车观测位置坐标，动态系统测量噪声向量W(n)是均值为0，方差为的高斯白噪声。

在上述技术方案的基础上，所述定位目标为小车，所述小车上装有摄像头，在小车行进过程中，摄像头采集小车上方的建筑物灯饰的视频流，获取视频流中一帧或者多帧图像，对获取图像进行预处理，所述预处理包括去噪处理和目标粗识别。

本发明还提供一种基于灯饰特征的室内导航系统，其包括，

嵌入式ARM处理器模块、视频采集模块、通信模块、图像显示模块、嵌入式开发环境模块、室内灯饰特征参数数据库、定位算法库以及导航算法库；其中；

所述嵌入式ARM处理器模块装有linux操作系统；

所述视频采集模块为装置在小车的顶部中心位置的摄像模块，在小车行进的同时，摄像头实时获取小车正上方建筑物灯饰的视频流，利用视觉感知技术和图像处理技术在视频流中提取一帧或多帧图像；

所述图像显示模块是液晶显示设备，用来显示视频流和提取的图像；

所述通信模块是串口下载器，所述串口下载器可以按照字节传输数据；

所述嵌入式开发环境模块进行代码编写、编译和执行的集成开发环境；

所述室内灯饰特征数据库中存储的是建筑物本身各个灯饰的位置、亮度、长度、形状等信息，用于匹配识别当前获取的图像中灯饰特征。

与现有技术相比较，本发明采用灯饰进行定位，信号不容易受到环境的影响，系统稳定，精度高。不安装大量的发射端，并且系统维护简单，成本低。

附图说明

图1为本发明的基于嵌入式linux系统利用图像处理技术和卡尔曼滤波算法的系统结构流程图；

图2为本发明的定位算法库的算法流程图；

图3为本发明的基于嵌入式linux系统图像处理技术和卡尔曼滤波算法的室内导航系统的实物示意图;

图4为本发明的嵌入式linux系统利用视觉感知技术获取的图像示意图;

图5为本发明的导航算法库的算法流程图。

具体实施方式

下面结合附图对本发明作进一步描述。

如图1所示，本发明为基于嵌入式linux系统图像处理技术和卡尔曼滤波算法的室内导航系统，包括嵌入式linux系统2、室内灯饰特征参数数据库6、定位算法库14以及导航算法库15，其中嵌入式linux系统2包括嵌入式ARM处理器模块、视频采集模块、通信模块、图像显示模块、嵌入式开发环境模块。

所述嵌入式ARM处理器模块装有linux操作系统；

视频采集模块为装置在小车的顶部中心位置的摄像模块，在小车行进的同时，摄像头实时获取小车正上方建筑物灯饰的视频流，利用视觉感知技术和图像处理技术在视频流中提取一帧或多帧图像；图像显示模块是液晶显示设备，用来显示视频流和提取的图像；所述通信模块是串口下载器，所述串口下载器可以按照字节传输数据；所述嵌入式开发环境模块进行代码编写、编译和执行的集成开发环境；所述室内灯饰特征数据库中存储的是建筑物本身各个灯饰的位置、亮度、长度、形状等信息，用于匹配识别当前获取的图像中灯饰特征。

本发明硬件平台的搭建步骤如下：

（1）嵌入式ARM开发板的测试：该部分的主要任务是给开发板上电，看其电源灯是否点亮。

（2）Linux操作系统的移植：使用U盘安装linux系统2到开发板上，此安装过程为自动完成；安装完成之后，执行系统自带的测试文件，测试该系统是否安装完成。

（3）PC机上安装linux系统2以及集成开发环境：在本次发明中，使用了虚拟机安装了linux系统2、集成开发软件和串口通信工具等。

（4）在开发板上添加摄像头：在嵌入式开发板上，有专门的摄像头插槽，只需插上摄像头即可。安装完成之后，需要在集成开发软件中书写摄像头驱动代码，使摄像头可以正常的工作。

嵌入式linux系统2中的摄像头装置在小车顶部正上方，在小车行驶途中利用视觉感知技术采集室内内置饰物的视频流，并通过图像处理技术获取一帧或多帧图片，显示在彩屏上。获取的图片首先要进行图像预处理，包括去噪处理4和粗识别5。图像预处理方法利用低通滤波模板，如高斯模板，对图片进行去噪处理，使得图片中目标物更加清晰。利用图像分割技术对图片中目标物和背景进行处理，图中目标物为室内第一灯饰，通过图像二值化的阈值分割技术将灰度值较大的灯饰和灰度值较小的背景进行分离；如果图片中出现多个目标物，我们可以运用连通阈分割算法将单个目标物和其他目标物分离。

上述的连通阈分割算法实现的步骤为：

（1）按照从左至右、从上之下的顺序扫描图像；

（2）如果像素点的灰度值大于背景阈值T，则：

（2a）如果上面点或左面点有一个标记，则复制这个标记；

（2b）如果上面点或左面点有相同的标记，则复制这一标记；

（2c）如果上面点或左面点标记不同，则复制上面点的标记并将这两个标记输入等价表作为等价标记；

（2d）否则给这个像素点分配一个新的标记并将之记入等价表；

（3）重复步骤（2）直到扫描完图像中所有灰度值大于背景阈值T的像素点；

（4）将等价表里具有相同标记的像素点合并，并重新分配一个低序号的标记。

对预处理后的图像7进行特征提取9，利用图像处理技术获得图像的亮度、长度、形状等固有属性特征并与室内灯饰特征参数数据库6进行匹配识别10。室内灯饰特征参数数据库是事先搭建一个专门存储室内灯饰信息如位置、亮度、长度、形状等的特征参数数据库，通过预处理的图片中特征信息与该数据库相匹配，识别出图片中灯饰的具体信息。同时利用图像处理技术获得图像中目标灯饰13的质心位置11和质心连线的矢量信息12。利用质心法提取目标灯饰13质心，其质心的坐标就是每个像素点坐标加权该点灰度值的平均值；提取两个目标灯饰13质心的连线中点和连线矢量，将质心、矢量信息送至定位算法库14对定位目标即小车进行位置测量，并以测量出的位置为导航算法库15中的观测数据，以小车的初始位置和初始速度为初始状态，结合卡尔曼滤波算法完成小车的跟踪循迹，最终使小车按照指定路线行驶至目标点。

如图2所示，利用图像处理技术对完成预处理的图像进行特征提取9，用提取的灯饰质心位置和连线矢量信息解算出小车与室内灯饰的相对位置，结合灯饰的实际位置坐标就可以获得小车的实际位置坐标。本发明的定位算法具体步骤如下：

（1）定义规则形状灯饰的质心为其几何中心。图像提取目标物质心的方法有很多，如质心法、平均加权质心法、带阈值的质心法以及曲面拟合法等。本发明采用的是质心法，该方法是最简单应用最多的细分定位方法。

目标物可以表示成

$F(x,y)=\left\{\begin{array}{cc}f(x,y)& f(x,y)\&GreaterEqual;T\\ 0& f(x,y)<T\end{array}\right.$

其中，f(x,y)为图像的灰度值，T为阈值。

那么，质心的坐标就是每个像素点坐标加权该点灰度值的平均值。质心横坐标和纵坐标可表示为

$\left\{\begin{array}{c}{x}_0=\frac{\underset{x=1}{\overset{m}{\mathrm{\&Sigma;}}}\underset{y=1}{\overset{n}{\mathrm{\&Sigma;}}}F(x,y)x}{\underset{x=1}{\overset{m}{\mathrm{\&Sigma;}}}\underset{y=1}{\overset{n}{\mathrm{\&Sigma;}}}F(x,y)}\\ y_0=\frac{\underset{x=1}{\overset{m}{\mathrm{\&Sigma;}}}\underset{y=1}{\overset{n}{\mathrm{\&Sigma;}}}F(x,y)y}{\underset{x=1}{\overset{m}{\mathrm{\&Sigma;}}}\underset{y=1}{\overset{n}{\mathrm{\&Sigma;}}}F(x,y)}\end{array}\right.$

（2）灯饰质心的连线矢量分为空间矢量和图像矢量，空间矢量定义为空间中第一灯饰质心与第二灯饰质心的连线矢量，记为空间矢量图像矢量定义为图像中第一灯饰质心与第二灯饰质心的连线矢量，记为图像矢量定义小车的前进方向为小车坐标系x轴方向，它与室内空间坐标系x轴的转角称为前进方向角φ。由几何关系可知，空间矢量与图像矢量的夹角即为小车前进方向角φ的绝对值，几何关系如下：

$\stackrel{\&RightArrow;}{G}\&CenterDot;\stackrel{\&RightArrow;}{P}=\left|\stackrel{\&RightArrow;}{G}\right|\left|\stackrel{\&RightArrow;}{P}\right|\cos \left|\mathrm{\&phi;}\right|$

（3）如图3所示，建立空间坐标系，即G-系，以房间地面一角拐点作为原点，分别以相邻两墙面的交线为三条坐标轴，其中垂直于平面的轴线定义为z轴。

（4）如图3所示，建立小车坐标系，即C-系，以小车顶端摄像头中心为坐标原点，以垂直于小车运动平面的直线为z轴，以平行于小车运动平面垂直于小车边缘线的直线为x轴和y轴。

（5）G-系和C-系之间的转换关系如下：

$\left[\begin{array}{c}x\\ y\end{array}\right]=\left[\begin{array}{cc}\cos \mathrm{\&phi;}& -\sin \mathrm{\&phi;}\\ \sin \mathrm{\&phi;}& \cos \mathrm{\&phi;}\end{array}\right]\left[\begin{array}{c}{x}_c\\ y_c\end{array}\right]+\left[\begin{array}{c}{x}_0\\ y_0\end{array}\right]$

其中(x,y)为G-系中的坐标，(x_c,y_c)为C-系中的坐标，(x₀,y₀)为C-系坐标原点在G-系中的坐标位置，φ是小车前进方向角，φ的取值范围为[0 2π]。

（6）如图4所示，将图片坐标像素尺度按照图片像素和彩屏尺寸之间的比例转化为C-系中的长度尺度。

（7）已知第一灯饰的质心坐标为(x_l1,y_l1)，第二灯饰的质心坐标为(x_l2,y_l2)，灯饰质心连线中点的坐标为(x,y)，小车的初始位置为(x₀,y₀)，根据G-系和C-系的坐标转换公式可计算出C-系中灯饰质心连线中点的位置坐标为(x_c,y_c)，该坐标可以理解为小车与灯管质心连线中点的相对距离；

（8）当小车前进一段距离后，可以在小车拍摄的图像上获得第一灯饰和第二灯饰的质心在小车运动后C-系上的坐标，通过先验的小车运动距离和图像灯饰质心连线中点移动距离的线性关系，可以获得小车沿着前进方向行驶的相对距离，通过坐标系逆转换得出小车在G-系中的坐标位置，这样就完成了小车的位置测量。

如图5所示，本发明的导航算法库是基于卡尔曼滤波算法对小车进行跟踪。卡尔曼滤波是一种最优化自回归数据处理算法，广泛应用于机器人导航，导弹追踪等领域。本发明利用卡尔曼滤波算法通过一组数量有限的，包含噪声的小车位置的观测数据和小车的初始位置数据来预测小车后面时刻的位置及速度。小车的运动模型建立方法如下：

基于卡尔曼滤波算法运动模型的系统状态方程为

$X\left(n\right)=\left[\begin{array}{c}1T00\\ 0100\\ 001T\\ 0001\end{array}\right]X(n-1)+\left[\begin{array}{cc}\frac{T^2}{2}& 0\\ T& 0\\ 0& \frac{T^2}{2}\\ 0& T\end{array}\right]V_1(n-1)$

$X\left(n\right)=\left[\begin{array}{c}x\left(n\right)\\ S_x\left(n\right)\\ y\left(n\right)\\ S_y\left(n\right)\end{array}\right]$

其中，T为时间间隔，(x(n),y(n))为状态位置坐标，(S_x(n),S_y(n))为x和y方向上的速度。

动态系统的观测方程为

$Y\left(n\right)=\left[\begin{array}{c}{x}_z\left(n\right)\\ y_z\left(n\right)\end{array}\right]=\left[\begin{array}{cccc}1& 0& 0& 0\\ 0& 0& 1& 0\end{array}\right]\left[\begin{array}{c}x\left(n\right)\\ S_x\left(n\right)\\ y\left(n\right)\\ S_y\left(n\right)\end{array}\right]+\left[\begin{array}{cc}1& 0\\ 0& 1\end{array}\right]\left[\begin{array}{c}{W}_x\left(n\right)\\ W_y\left(n\right)\end{array}\right]$

在该运动模型的基础上，结合卡尔曼滤波算法的递推估计特性，利用上一时刻小车位置估计值和当前时刻小车位置观测值实时更新小车位置当前时刻的估计值，进而完成小车的导航功能。

本发明以室内灯饰作为视觉感知的特征信息对所发明的系统和方法进行阐述，而从理论上讲，该发明不局限于室内灯饰，对于室内其他发光或者具有某些特征的装饰物同样适用。本专业领域人员在不背离本发明权利要求范围和主旨的前提下可以实现多种显而易见的改进，因此上述内容只是本发明借以阐述的实例，本发明的权利要求范围并不限于以上论述。

Claims (8)

1.一种基于灯饰特征的室内导航方法，其特征在于：

建立灯饰特征参数数据库，所述灯饰特征参数数据库中包括灯饰的特征信息；采集定位目标周围图像，对图像中灯饰进行特征提取并与灯饰特征参数数据库中灯饰特征进行匹配，识别出图像中的灯饰；利用灯饰特征参数数据库中灯饰的特征信息及位置信息解算出定位目标当前的位置；

提取图像中灯饰的质心连线的中点和矢量，并建立坐标系，将定位目标的初始位置信息和获取的灯饰特征信息送至位置解算算法，计算出定位目标当前的位置坐标，完成定位目标定位。

2.如权利要求1所述的一种基于灯饰特征的室内导航方法，其特征在于：所述灯饰特征包括灯饰的位置、长度、亮度及形状。

3.如权利要求2所述的一种基于灯饰特征的室内导航方法，其特征在于：所述位置解算算法包括：

(1)定义灯饰的质心为其几何质心，采用质心法提取灯饰质心坐标，目标物可以表示成

$F(x,y)=\left\{\begin{array}{cc}f(x,y)& f(x,y)\&GreaterEqual;T\\ 0& f(x,y)<T\end{array}\right.$

其中，f(x,y)为图像灰度值，T为背景阈值；

质心横坐标和纵坐标可分别表示为：

$\left\{\begin{array}{c}{x}_l=\frac{\underset{x=1}{\overset{m}{\&Sigma;}}\underset{y=1}{\overset{n}{\&Sigma;}}F(x,y)x}{\underset{x=1}{\overset{m}{\&Sigma;}}\underset{y=1}{\overset{n}{\&Sigma;}}F(x,y)}\\ y_l=\frac{\underset{x=1}{\overset{m}{\&Sigma;}}\underset{y=1}{\overset{n}{\&Sigma;}}F(x,y)y}{\underset{x=1}{\overset{m}{\&Sigma;}}\underset{y=1}{\overset{n}{\&Sigma;}}F(x,y)}\end{array}\right.$

灯饰质心连线中点(x₀,y₀)可以表示为

$(x_0,y_0)=\frac{(x_{l1},y_{l1})+(x_{l2},y_{l2})}{2}$

其中，(x_l1,y_l1)是第一灯饰的质心坐标，(x_l2,y_l2)是第二灯饰的质心坐标；

(2)灯饰质心的连线矢量分为空间矢量和图像矢量，空间矢量定义为空间中第一灯饰质心与第二灯饰质心的连线矢量，记为空间矢量图像矢量定义为图像中第一灯饰质心与第二灯饰质心的连线矢量，记为图像矢量定义定位目标的前进方向为定位目标坐标系x轴方向，所述定位目标与室内空间坐标系x轴的转角称为前进方向角φ，空间矢量与图像矢量的夹角即为定位目标前进方向角φ的绝对值，几何关系如下：

$\stackrel{\&RightArrow;}{G}\&CenterDot;\stackrel{\&RightArrow;}{P}=\left|\stackrel{\&RightArrow;}{G}\right|\left|\stackrel{\&RightArrow;}{P}\right|cos\left|\mathrm{\&phi;}\right|.$

4.如权利要求3所述的一种基于灯饰特征的室内导航方法，其特征在于：步骤(2)中室内空间坐标系和定位目标坐标系定义如下：

(1)室内空间坐标系，即G-系，以房间地面墙角顶点作为坐标原点，分别以相邻两墙面的交线为三条坐标轴，其中垂直于平面的轴线定义为z轴；

(2)定位目标坐标系，即C-系，以定位目标顶端摄像头中心为坐标原点，以垂直于定位目标运动平面的直线为z轴，以平行于定位目标运动平面垂直于定位目标边缘线的直线分别为x轴和y轴；

(3)G-系和C-系之间的转换关系如下：

$\left[\begin{array}{c}x\\ y\end{array}\right]=\left[\begin{array}{cc}cos\mathrm{\&phi;}& -sin\mathrm{\&phi;}\\ sin\mathrm{\&phi;}& \cos \mathrm{\&phi;}\end{array}\right]\left[\begin{array}{c}{x}_c\\ y_c\end{array}\right]+\left[\begin{array}{c}{x}_0\\ y_0\end{array}\right],$

其中(x,y)为G-系中的坐标，(x_c,y_c)为C-系中的坐标，(x₀,y₀)为C-系坐标原点在G-系中的坐标位置，φ是定位目标前进方向角，φ的取值范围为[0,2π]。

5.如权利要求4所述的一种基于灯饰特征的室内导航方法，其特征在于：

(1)将图像坐标的像素尺度按照图像像素和彩屏尺寸之间的比例转化为C-系中的长度尺度；

(2)已知第一灯饰的质心坐标为(x_l1,y_l1)，第二灯饰的质心坐标为(x_l2,y_l2)，灯饰质心连线中点的坐标为(x,y)，定位目标的初始位置为(x₀,y₀)，根据G-系和C-系的坐标转换公式可计算出C-系中灯饰质心连线中点的位置坐标为(x_c,y_c)，该坐标可以理解为定位目标与灯管质心连线中点的相对距离；

(3)当定位目标前进一段距离后，可以在定位目标拍摄的图像上获得第一灯饰和第二灯饰的质心在定位目标运动后C-系上的坐标，通过先验的定位目标运动距离和图像灯饰质心连线中点移动距离的线性关系，可以获得定位目标沿着前进方向行驶的相对距离，通过坐标系逆转换得出定位目标在G-系中的坐标位置。

6.如权利要求1所述的一种基于灯饰特征的室内导航方法，其特征在于：定位目标为小车，所述小车的运动模型建立方法包括，基于卡尔曼滤波算法运动模型的系统状态方程为：

$X\left(n\right)=\left[\begin{array}{cccc}1& T& 0& 0\\ 0& 1& 0& 0\\ 0& 0& 1& T\\ 0& 0& 0& 1\end{array}\right]X(n-1)+\left[\begin{array}{cc}\frac{T^2}{2}& 0\\ T& 0\\ 0& \frac{T^2}{2}\\ 0& T\end{array}\right]V(n-1)$

$X\left(n\right)=\left[\begin{array}{c}x\left(n\right)\\ S_x\left(n\right)\\ y\left(n\right)\\ S_y\left(n\right)\end{array}\right]$

其中，T为时间间隔，(x(n),y(n))为小车状态位置坐标，(S_x(n),S_y(n))表示x和y方向上的速度大小，系统噪声向量V(n)为均值为0，方差为的高斯白噪声；

动态系统的观测方程为

$Y\left(n\right)=\left[\begin{array}{c}{x}_z\left(n\right)\\ y_z\left(n\right)\end{array}\right]=\left[\begin{array}{cccc}1& 0& 0& 0\\ 0& 0& 1& 0\end{array}\right]\left[\begin{array}{c}x\left(n\right)\\ S_x\left(n\right)\\ y\left(n\right)\\ S_y\left(n\right)\end{array}\right]+\left[\begin{array}{cc}1& 0\\ 0& 1\end{array}\right]\left[\begin{array}{c}{W}_x\left(n\right)\\ W_y\left(n\right)\end{array}\right],$

其中，(x_z(n),y_z(n))为小车观测位置坐标，动态系统测量噪声向量W(n)是均值为0，方差为的高斯白噪声。

7.如权利要求1所述的一种基于灯饰特征的室内导航方法，其特征在于：所述定位目标为小车，所述小车上装有摄像头，在小车行进过程中，摄像头采集小车上方的建筑物灯饰的视频流，获取视频流中一帧或者多帧图像，对获取图像进行预处理，所述预处理包括去噪处理和目标粗识别。

8.一种基于灯饰特征的室内导航系统，其特征在于：其包括，

嵌入式ARM处理器模块、视频采集模块、通信模块、图像显示模块、嵌入式开发环境模块、室内灯饰特征参数数据库、定位算法库以及导航算法库；其中：

所述嵌入式ARM处理器模块装有linux操作系统；

所述视频采集模块为装置在小车的顶部中心位置的摄像模块，在小车行进的同时，摄像头实时获取小车正上方建筑物灯饰的视频流，利用视觉感知技术和图像处理技术在视频流中提取一帧或多帧图像；

所述图像显示模块是液晶显示设备，用来显示视频流和提取的图像；

所述通信模块是串口下载器，所述串口下载器按照字节传输数据；

所述嵌入式开发环境模块进行代码编写、编译和执行的集成开发环境；

所述室内灯饰特征数据库中存储的是建筑物本身各个灯饰的位置、亮度、长度、形状等信息，用于匹配识别当前获取的图像中灯饰特征。