CN107273799A - 一种室内定位方法及定位系统 - Google Patents
一种室内定位方法及定位系统 Download PDFInfo
- Publication number
- CN107273799A CN107273799A CN201710332020.2A CN201710332020A CN107273799A CN 107273799 A CN107273799 A CN 107273799A CN 201710332020 A CN201710332020 A CN 201710332020A CN 107273799 A CN107273799 A CN 107273799A
- Authority
- CN
- China
- Prior art keywords
- image
- image picture
- indoor
- positioning object
- information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/64—Three-dimensional objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种室内定位方法,包括以下步骤:S10、根据在监视区域内采集到的影像图片数据,识别出所述影像图片数据中影像图片上是否有定位对象;S20、当所述影像图片上有定位对象时,对所述定位对象进行视觉跟踪,获取所述定位对象的运动参考信息;S30、在所述定位对象的跟踪过程中,计算出所述定位对象在所述影像图片上图像坐标系中的图像像素坐标信息;S40、将所述图像像素坐标信息转换为室内坐标信息和/或者世界坐标信息。本发明当有人体对象进入监视区域时,对人体对象进行视觉跟踪,在视觉跟踪过程中对人体对象进行实时定位。此外,利用影像图片进行室内定位,提高了定位精度。
Description
技术领域
本发明属于定位技术领域,涉及室内定位方法及定位系统。
背景技术
随着移动终端和互联网的快速发展,实时定位被广泛应用于交通、商业、物流、个性服务等领域。在室外环境下,全球导航卫星系统经过长期的发展,例如全球定位系统(GPS),可以提供较为精确的定位服务。
在室内环境中,由于全球定位系统(GPS)中的卫星信号在到达地面时较弱,且不能穿透建筑物;以及卫星信号的多径效应等问题;使得全球定位系统无法满足室内定位精准度要求,无法为室内定位提供可靠的定位服务。
因此,近年来,如何在室内环境进行精准定位成为亟待解决的技术问题。
发明内容
本发明提供的技术方案如下:
本发明提供一种室内定位方法,包括以下步骤:S10、根据在监视区域内采集到的影像图片数据,识别出所述影像图片数据中影像图片上是否有定位对象;S20、当所述影像图片上有定位对象时,对所述定位对象进行视觉跟踪,获取所述定位对象的运动参考信息;S30、在所述定位对象的跟踪过程中,计算出所述定位对象在所述影像图片上图像坐标系中的图像像素坐标信息;S40、将所述图像像素坐标信息转换为室内坐标信息和/或者世界坐标信息。
进一步,所述步骤S10进一步包括:S11、根据在监视区域内采集到的影像图片数据,对所述影像图片数据中影像图片进行像素处理;S12、对像素处理后的影像图片进行块处理;S13、对块处理后的影像图片进行帧处理后,识别出在所述影像图片上是否有定位对象。
进一步,所述步骤S11进一步包括:S111、对所述影像图片进行颜色空间的规范化;S112、计算出规范化后的影像图片上每个像素位置的梯度,所述梯度包括梯度大小值和梯度方向值。
进一步,所述步骤S12进一步包括:S121、将所述影像图片划分成若干个预设像素规格的单位影像,统计每个单位影像的方向梯度直方图;S122、将预设个数相邻的单位影像组成一个影像块。
进一步,在所述步骤S13之前还包括:S131、在每块影像块内归一化所述方向梯度直方图,生成方向梯度直方图特征向量集;S132、将所有影像块生成的方向梯度直方图特征向量集组合成一个方向梯度直方图特征向量总集;S133、根据提取正负样本方向梯度直方图特征集,投入支持向量机训练分类,计算出含有定位对象的影像图片特征;从而识别出在所述影像图片上是否有定位对象。
进一步,所述步骤S20中所述的视觉跟踪包括对连续影像图片进行运动对象探测、特征提取、分类识别、跟踪滤波、行为识别。
进一步,所述步骤S40进一步包括:S41、将所述图像像素坐标信息转换成成像坐标系中的成像坐标信息;S42、将所述成像坐标信息转换成摄像坐标系中的摄像坐标信息;S43、将所述摄像坐标信息转换成室内坐标系中的室内坐标信息。
进一步,所述步骤S40进一步包括:S44、将所述室内坐标信息转换成世界坐标系中的世界坐标信息。
本发明还提供一种室内定位系统,包括摄像头、监控设备,所述监控设备包括:识别模块,用于根据所述摄像头在监视区域内采集到的影像图片数据,识别出所述影像图片数据中影像图片上是否有定位对象;视觉追踪模块,用于当所述影像图片上有定位对象时,对所述定位对象进行视觉跟踪,获取所述定位对象的运动参考信息;计算模块,用于在所述定位对象的跟踪过程中,计算出所述定位对象在所述影像图片上图像坐标系中的图像像素坐标信息;坐标转换模块,用于将所述图像像素坐标信息转换为室内坐标信息和/或者世界坐标信息。
进一步,所述监控设备还包括:处理模块,用于根据在监视区域内采集到的影像图片数据,对所述影像图片数据中影像图片进行像素处理;所述处理模块,还用于对像素处理后的影像图片进行块处理;所述处理模块,还用于对块处理后的影像图片进行帧处理后,识别出在所述影像图片上是否有定位对象。
与现有技术相比,本发明提供的一种室内定位方法及定位系统,具有以下有益效果:
1)本发明在室内布置摄像头,利用摄像头采集到的影像图片数据,识别出是否有人体对象进入监视区域,当有人体对象进入监视区域时,对人体对象进行视觉跟踪,在视觉跟踪过程中对人体对象进行实时定位。此外,利用影像图片进行室内定位,提高了定位精度。
2)本发明在识别是否有人进入监视区域时,先对影像图片进行像素处理,例如规范化处理、求梯度,可以减少光照因素的影响以及增强边缘特征。
其次,对影像图片进行块处理,例如单位影像划分、影像块组成,能够保持影像图片中人体对象的姿势和外观的弱敏感性。
最后,对影像图片进行帧处理,例如归一化处理、方向梯度直方图特征向量集生成及汇总,能够进一步对光照、阴影和边缘进行压缩;以及通过特征向量总集识别出是否有人体对象进入监视区域。
3)本发明直接从影像图片中读取人体对象的图像像素坐标信息,再经过成像坐标系、摄像坐标系、室内坐标系多次转换,得到室内坐标信息。还可以进行世界坐标系转换,最终得到世界坐标信息,从而准确地了解到定位对象所处位置。
附图说明
下面将以明确易懂的方式,结合附图说明优选实施方式,对一种室内定位方法及定位系统的上述特性、技术特征、优点及其实现方式予以进一步说明。
图1是本发明一种室内定位方法的流程示意图;
图2是本发明中步骤S10的流程示意图;
图3是本发明中步骤S10的流程示意图;
图4是本发明中步骤S40的流程示意图;
图5是本发明再一种室内定位系统的组成结构示意图;
图6是本发明另一种室内定位方法的流程示意图;
图7是本发明中室内定位方法的部分流程示意图;
图8是本发明中成像坐标系、摄像坐标系的示意图。
附图标号说明:
10、摄像头,20、监控设备,21、处理模块,22、识别模块,23、视觉追踪模块,24、计算模块,25、坐标转换模块。
具体实施方式
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对照附图说明本发明的具体实施方式。显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图,并获得其他的实施方式。
为使图面简洁,各图中只示意性地表示出了与本发明相关的部分,它们并不代表其作为产品的实际结构。另外,以使图面简洁便于理解,在有些图中具有相同结构或功能的部件,仅示意性地绘示了其中的一个,或仅标出了其中的一个。在本文中,“一个”不仅表示“仅此一个”,也可以表示“多于一个”的情形。
如图1所示,根据本发明的一个实施例,一种室内定位方法,包括以下步骤:S10、根据在监视区域内采集到的影像图片数据,识别出所述影像图片数据中影像图片上是否有定位对象;所述定位对象包括人体对象。
S20、当所述影像图片上有定位对象时,对所述定位对象进行视觉跟踪,获取所述定位对象的运动参考信息;所述视觉跟踪包括对连续影像图片进行运动对象探测、特征提取、分类识别、跟踪滤波、行为识别。所述运动参考信息包括位置信息、速度信息、加速度信息和运动轨迹等。
S30、在所述定位对象的跟踪过程中,计算出所述定位对象在所述影像图片上图像坐标系中的图像像素坐标信息;
S40、将所述图像像素坐标信息转换为室内坐标信息和/或者世界坐标信息。
具体的,利用影像图片,识别出是否有人体对象进入监视区域,当有人体对象进入监视区域时,对人体对象进行视觉跟踪,即运动对象探测、特征提取、分类识别、跟踪滤波、行为识别;并获取人体对象的运动参考信息,位置信息、速度信息、加速度信息和运动轨迹等;从而计算出人体对象在影像图片上的图像像素坐标信息,将图像像素坐标信息转换成室内坐标信息或世界坐标信息,便于实时监控人体对象具体位置。当没有人体对象进入监视区域时,关闭人体对象视觉追踪功能,达到延长设备使用寿命,节约能源的目的。
如图1、图2、图3所示,根据本发明的又一个实施例,一种室内定位方法,包括以下步骤:S11、根据在监视区域内采集到的影像图片数据,对所述影像图片数据中影像图片进行像素处理;
优选的,所述步骤S11进一步包括:S111、采用Gamma校正法对所述影像图片进行颜色空间的规范化;目的是调节图像的对比度,降低图像局部的阴影和光照变化所造成的影响,同时可以抑制噪音的干扰。
S112、计算出规范化后的影像图片上横坐标和纵坐标方向的梯度,借此计算出每个像素位置的梯度,所述梯度包括梯度大小值和梯度方向值;主要是为了捕获轮廓信息,同时进一步弱化光照的干扰。
S12、对像素处理后的影像图片进行块处理;
优选的,所述步骤S12进一步包括:S121、将所述影像图片划分成若干个预设像素规格的单位影像,统计每个单位影像的方向梯度直方图;S122、将预设个数相邻的单位影像组成一个影像块。
S13、对块处理后的影像图片进行帧处理后,识别出在所述影像图片上是否有定位对象。
优选的,所述步骤S13进一步包括:S131、在每块影像块内归一化方向梯度直方图,生成方向梯度直方图特征向量集;S132、将所有影像块生成的方向梯度直方图特征向量集组合成一个方向梯度直方图特征向量总集;S133、根据提取正负样本方向梯度直方图特征集,投入支持向量机训练分类,计算出含有定位对象的影像图片特征;从而识别出在所述影像图片上是否有定位对象。
S20、当所述影像图片上有定位对象时,对所述定位对象进行视觉跟踪,获取所述定位对象的运动参考信息;所述视觉跟踪包括对连续影像图片进行运动对象探测、特征提取、分类识别、跟踪滤波、行为识别。所述运动参考信息包括位置信息、速度信息、加速度信息和运动轨迹等。
S30、在所述定位对象的跟踪过程中,计算出所述定位对象在所述影像图片上图像坐标系中的图像像素坐标信息;
S40、将所述图像像素坐标信息转换为室内坐标信息和/或者世界坐标信息。
具体的,为了减少光照因素的影响,需要将整个图像进行规范化。在图像的纹理强度中,局部的表层曝光贡献的比重较大;这种压缩处理能够有效地降低图像局部的阴影和光照变化。因为颜色信息作用不大,通常先转化为灰度图。
计算图像横坐标和纵坐标方向的梯度,并据此计算每个像素位置的梯度方向值;求导操作不仅能够捕获轮廓,人影和一些纹理信息,还能进一步弱化光照的影响。最常用的方法是:首先用[-1,0,1]梯度算子对原图像做卷积运算,得到x方向(水平方向,以向右为正方向)的梯度分量,然后用[1,0,-1]T梯度算子对原图像做卷积运算,得到y方向(竖直方向,以向上为正方向)的梯度分量。然后再用以上公式计算该像素点的梯度大小和方向。
为局部图像区域提供一个编码,同时能够保持对图像中人体对象的姿势和外观的弱敏感性。我们将图像分成若干个“单元格cell”,例如每个cell为6*6个像素。假设我们采用9个bin的直方图来统计这6*6个像素的梯度信息。也就是将cell的梯度方向360度分成9个方向块,例如:如果这个像素的梯度方向是20-40度,直方图第2个bin的计数就加一,这样,对cell内每个像素用梯度方向在直方图中进行加权投影(映射到固定的角度范围),就可以得到这个cell的方向梯度直方图了,就是该cell对应的9维特征向量(因为有9个bin)。
像素梯度方向用到了,那么梯度大小呢?梯度大小就是作为投影的权值的。例如说:这个像素的梯度方向是20-40度,然后它的梯度大小是2(假设啊),那么直方图第2个bin的计数就不是加一了,而是加二(假设啊)。细胞单元可以是矩形的(rectangular),也可以是星形的(radial)。
由于局部光照的变化以及前景-背景对比度的变化,使得梯度强度的变化范围非常大。这就需要对梯度强度做归一化。归一化能够进一步地对光照、阴影和边缘进行压缩。
把各个细胞单元组合成大的、空间上连通的区间(blocks)。这样,一个block内所有cell的特征向量串联起来便得到该block的HOG特征。这些区间是互有重叠的,这就意味着:每一个单元格的特征会以不同的结果多次出现在最后的特征向量中。我们将归一化之后的块描述符(向量)就称之为HOG描述符。
区间有两个主要的几何形状——矩形区间(R-HOG)和环形区间(C-HOG)。R-HOG区间大体上是一些方形的格子,它可以有三个参数来表征:每个区间中细胞单元的数目、每个细胞单元中像素点的数目、每个细胞的直方图通道数目。
例如:行人检测的最佳参数设置是:3×3细胞/区间、6×6像素/细胞、9个直方图通道。则一块的特征数为:3*3*9;
最后一步就是将检测窗口中所有重叠的块进行HOG特征的收集,并将它们结合成最终的特征向量供分类使用。
把样本图像分割为若干个像素的单元(cell),把梯度方向平均划分为9个区间(bin),在每个单元里面对所有像素的梯度方向在各个方向区间进行直方图统计,得到一个9维的特征向量,每相邻的4个单元构成一个块(block),把一个块内的特征向量联起来得到36维的特征向量,用块对样本图像进行扫描,扫描步长为一个单元。最后将所有块的特征串联起来,就得到了人体的特征。例如,对于64*128的图像而言,每8*8的像素组成一个cell,每2*2个cell组成一个块,因为每个cell有9个特征,所以每个块内有4*9=36个特征,以8个像素为步长,那么,水平方向将有7个扫描窗口,垂直方向将有15个扫描窗口。也就是说,64*128的图片,总共有36*7*15=3780个特征。HOG维数,16×16像素组成的block,8x8像素的cell。
1、提取正负样本hog特征;2、投入svm分类器训练,得到model;3、由model生成检测子;4、利用检测子检测负样本,得到hardexample;5、提取hardexample的hog特征并结合第一步中的特征一起投入训练,得到最终检测子。
如图1~图4所示,根据本发明的另一个实施例,一种室内定位方法,包括以下步骤:S11、根据在监视区域内采集到的影像图片数据,对所述影像图片数据中影像图片进行像素处理;
优选的,所述步骤S11进一步包括:S111、采用Gamma校正法对所述影像图片进行颜色空间的规范化;目的是调节图像的对比度,降低图像局部的阴影和光照变化所造成的影响,同时可以抑制噪音的干扰。S112、计算出规范化后的影像图片上横坐标和纵坐标方向的梯度,借此计算出每个像素位置的梯度,所述梯度包括梯度大小值和梯度方向值;主要是为了捕获轮廓信息,同时进一步弱化光照的干扰。
S12、对像素处理后的影像图片进行块处理;
优选的,所述步骤S12进一步包括:S121、将所述影像图片划分成若干个预设像素规格的单位影像,统计每个单位影像的方向梯度直方图;S122、将预设个数相邻的单位影像组成一个影像块。
S13、对块处理后的影像图片进行帧处理后,识别出在所述影像图片上是否有定位对象。
优选的,所述步骤S13进一步包括:S131、在每块影像块内归一化方向梯度直方图,生成方向梯度直方图特征向量集;S132、将所有影像块生成的方向梯度直方图特征向量集组合成一个方向梯度直方图特征向量总集;S133、根据提取正负样本方向梯度直方图特征集,投入支持向量机训练分类,计算出含有定位对象的影像图片特征;从而识别出在所述影像图片上是否有定位对象。
S20、当所述影像图片上有定位对象时,对所述定位对象进行视觉跟踪,获取所述定位对象的运动参考信息;所述视觉跟踪包括对连续影像图片进行运动对象探测、特征提取、分类识别、跟踪滤波、行为识别。所述运动参考信息包括位置信息、速度信息、加速度信息和运动轨迹等。
S30、在所述定位对象的跟踪过程中,计算出所述定位对象在所述影像图片上图像坐标系中的图像像素坐标信息;
S41、将所述图像像素坐标信息转换成成像坐标系中的成像坐标信息;
S42、将所述成像坐标信息转换成摄像坐标系中的摄像坐标信息;
S43、将所述摄像坐标信息转换成室内坐标系中的室内坐标信息。
S44、将所述室内坐标信息转换成世界坐标系中的世界坐标信息。
如图5所示,根据本发明的一个实施例,一种室内定位系统,包括摄像头10、监控设备20:
所述监控设备20包括处理模块21,用于根据所述摄像头10在监视区域内采集到的影像图片数据,对所述影像图片数据中影像图片进行像素处理;
优选的,采用Gamma校正法对所述影像图片进行颜色空间的规范化;目的是调节图像的对比度,降低图像局部的阴影和光照变化所造成的影响,同时可以抑制噪音的干扰。计算出规范化后的影像图片上横坐标和纵坐标方向的梯度,借此计算出每个像素位置的梯度,所述梯度包括梯度大小值和梯度方向值;主要是为了捕获轮廓信息,同时进一步弱化光照的干扰。
所述处理模块21,还用于对像素处理后的影像图片进行块处理;
优选的,将所述影像图片划分成若干个预设像素规格的单位影像,统计每个单位影像的方向梯度直方图;将预设个数相邻的单位影像组成一个影像块。
所述监控设备20还包括识别模块22,所述处理模块21,还用于对块处理后的影像图片进行帧处理后,所述识别模块22用于识别出在所述影像图片上是否有定位对象。
优选的,在每块影像块内归一化方向梯度直方图,生成方向梯度直方图特征向量集;将所有影像块生成的方向梯度直方图特征向量集组合成一个方向梯度直方图特征向量总集;根据提取正负样本方向梯度直方图特征集,投入支持向量机训练分类,计算出含有定位对象的影像图片特征;从而识别出在所述影像图片上是否有定位对象。
所述监控设备20还包括视觉追踪模块23,用于当所述影像图片上有定位对象时,对所述定位对象进行视觉跟踪,获取所述定位对象的运动参考信息;所述视觉跟踪包括对连续影像图片进行运动对象探测、特征提取、分类识别、跟踪滤波、行为识别。所述运动参考信息包括位置信息、速度信息、加速度信息和运动轨迹等。
所述监控设备20还包括计算模块24,用于在所述定位对象的跟踪过程中,计算出所述定位对象在所述影像图片上图像坐标系中的图像像素坐标信息;
所述监控设备20还包括坐标转换模块25,用于将所述图像像素坐标信息转换成成像坐标系中的成像坐标信息;将所述成像坐标信息转换成摄像坐标系中的摄像坐标信息;将所述摄像坐标信息转换成室内坐标系中的室内坐标信息。将所述室内坐标信息转换成世界坐标系中的世界坐标信息。
如图6~图8所示,根据本发明的再一个实施例,一种室内定位方法,包括以下步骤:图像特征识别,图像平面与实际坐标系转换,以及视频图像跟踪。图像特征识别的目的是识别定位对象,并在图像中找到定位对象所在的位置。然后,通过图像平面与实际坐标系转换将显示在摄像机图像空间的位置转换到实际的定位空间。当目标移动时,视频图像跟踪技术实时的计算出目标移动后的位置,然后再通过坐标转换计算出目标的实际位置。其中,视频跟踪并不是必要步骤。
视频流经过解码后输入到人体识别算法中,人体识别算法会判断是否有新的人进入到了摄像机的监视范围。当新的目标进入时,系统新启动一个视觉跟踪进程,跟踪该目标,同时在跟踪的过程中,通过在图像坐标系的位置计算定位目标的实际位置,输出到定位结果中,当定位目标离开摄像机的监视范围时,停止该跟踪跟踪进程。
视觉跟踪是对连续的图片序列进行运动目标探测、特征提取、分类识别、跟踪滤波、行为识别,以获得目标的运动信息参数,通过相应的系统分析,实现对目标的监控或者判断目标的行为等。本发明采用粒子滤波技术作为人体的跟踪方法。粒子滤波一种用于递归贝叶斯框架下的蒙特卡洛法,其基本思想是通过递归来近似目标的后验概率。通过在状态空间中寻找一组加权的离散随机样本对状态空间的概率密度函数进行近似,判决时使用采样粒子的加权均值代替积分运算,从而获得最小方差分布。
图像特征识别是利用人体识别技术识别图像中的人体。人体识别过程,左右有差分、二值化、形态滤波以及连通性分析等。主要分为三个部分:对像素进行处理的部分,包括对像素进行变换以及处理,如对每个像素求差分,求梯度等。对块进行处理的部分,主要功能是对处理过的像素惊醒滤波和统计,将图像分为若干个小块,对每块中的像素做滤波以及统计处理。最后是对帧进行处理的部分,包括光照强度归一化等。
本发明采用的人体识别定位技术是基于HOG和SVM的人体检测算法,该算法用梯度直方图(HOG,histogram of gradient)对图像进行边缘特征提取,能够很好的描述人体轮廓,同时采用支持向量机(SVM,support vector machine)进行分类,能够准确区分人体与非人体。
第一步,对图像进行规范化,在图像识别系统中,灰度空间和颜色空间都可以用来评估图像的特性。为了减少光照因素的影响,首先需要将整个图像进行规范化。Gamma校正可以通过幂次函数和对数函数降低图像局部阴影和光照导致的错误。
第二步,求出图像的梯度。梯度图可以判断图像的轮廓,增强边缘特征。梯度的计算方式为图像平面与梯度算子进行卷积,计算出x方向与y方向的梯度,即
其中,3x3矩阵是Sobel梯度算子,可以用其他算子替代,如[1 1]或[1 0 1];A表示图像平面矩阵。
第三步,单元梯度幅值与方向统计。将图像划分为若干个单元,累加每一个单元中相许的方向梯度直方图,再将每一个方向梯度直方图映射到预先设好的角度上,得到该单元格的特征向量。每个像素的对应于直方图中的一个方向,其对直方图的权重为梯度幅值大小。
第四步,块归一化。为了降低光照以及背景多样化带来的影响,需要引入局部归一化来进一步提升性能。将一个局部的相邻单元组成一个块,相邻的块之间互相重叠,像素在不同块中的归一化结果不相同,可以提高归一化效果。归一化采用二范数公式即:
其中,矩阵v的2范数就是v的转置矩阵与矩阵v的积的最大特征根的平方根值,是指空间上两个向量矩阵的直线距离。ε2表示计算过程选取的一个参数。
第五步,将所有归一化块的集合作为输出,生成HOG特征向量集。
第六步,SVM判别。在使用支持向量机之前,首先需要训练样本。样本分为正样本与负样本,正样本包含人而负样本为任意无人图片。从样本中提取特征集,再把特征集用SVM训练分类。SVM会通过样本计算含有人的图片的特征。实际应用中,用经过训练的SVM对经过HOG处理的特征集进行判别,并指出人在图片中所在的范围。
坐标转换:人体识别系统可以智能的识别目标以及其所在范围,然后需要通过坐标转换来将视频坐标系的坐标转换到实际是室内环境定位系统的坐标。摄像机显示的图像建立在图像像素坐标系,该坐标系与实际空间的坐标转换需要经过4个参照坐标系,3次坐标变换。
首先,将图像像素坐标系与图像物理坐标系映射,图像物理坐标系是摄像头在实际空间中成像的坐标系。图像像素坐标系以像素为单位,一般用[u、v]表示,而图像物理坐标系单位为米,一般用[u0、v0]表示;中心在摄像机光轴上,其转换关系为:
其中,dx和dy表示每一列和每一行分别代表多少mm。
然后,将图像物理坐标系与摄像机坐标系进行转换。摄像机坐标是以摄像机光心为原点,xc,yc分别平行于图像物理坐标系的x,y轴,zc轴与光轴重合,光心到图像平面的距离为有效焦距f。在理想坐标系中,有以下公式成立:
最后,将摄像机坐标系与定位坐标系进行转换。用[xw yw zw]来表示世界坐标系。由于已经在一个实际空间中,只需要通过旋转和平移来转换,即:
经过三步转换,就可以建立图像像素坐标系与定位坐标系的转换关系。其中,从图像像素坐标系转换到到摄像机坐标系的过程,只和摄像机本身有关,该转换的参数可以通过摄像机定标完成。根据以上公式可以得出:
其中M1为内部参数,M2为外部参数。通过张正友定标法可以解出1M的值。而在本文的定位系统中采用的是位地图,因此只需要考虑zw=0的点,在实现过程中,可以预先将一些固定的可视物体放在待定位的室内空间中,记录它们在定位坐标系的位置和摄像机中捕捉到的像素坐标位置,通过求解多组线性方程组就可以解出2M的值。坐标转换的具体实现方法,可以参考现有技术,此处不再详细赘述;例如:网址为http://blog.csdn.net/ chentravelling/article/details/53558096上的现有技术。
具体的,本发明相对于其它室内定位方法可以达到很高的定位精度,尤其方便应用于布置摄像头的室内场景。本发明是基于成熟的图像处理技术的改进,可以保证定位效果。
应当说明的是,上述实施例均可根据需要自由组合。以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种室内定位方法,其特征在于,包括以下步骤:
S10、根据在监视区域内采集到的影像图片数据,识别出所述影像图片数据中影像图片上是否有定位对象;
S20、当所述影像图片上有定位对象时,对所述定位对象进行视觉跟踪,获取所述定位对象的运动参考信息;
S30、在所述定位对象的跟踪过程中,计算出所述定位对象在所述影像图片上图像坐标系中的图像像素坐标信息;
S40、将所述图像像素坐标信息转换为室内坐标信息和/或者世界坐标信息。
2.如权利要求1所述的室内定位方法,其特征在于,所述步骤S10进一步包括:
S11、根据在监视区域内采集到的影像图片数据,对所述影像图片数据中影像图片进行像素处理;
S12、对像素处理后的影像图片进行块处理;
S13、对块处理后的影像图片进行帧处理后,识别出在所述影像图片上是否有定位对象。
3.如权利要求2所述的室内定位方法,其特征在于,所述步骤S11进一步包括:
S111、对所述影像图片进行颜色空间的规范化;
S112、计算出规范化后的影像图片上每个像素位置的梯度,所述梯度包括梯度大小值和梯度方向值。
4.如权利要求3所述的室内定位方法,其特征在于,所述步骤S12进一步包括:
S121、将所述影像图片划分成若干个预设像素规格的单位影像,统计每个单位影像的方向梯度直方图;
S122、将预设个数相邻的单位影像组成一个影像块。
5.如权利要求4所述的室内定位方法,其特征在于,在所述步骤S13之前还包括:
S131、在每块影像块内归一化所述方向梯度直方图,生成方向梯度直方图特征向量集;
S132、将所有影像块生成的方向梯度直方图特征向量集组合成一个方向梯度直方图特征向量总集;
S133、根据提取正负样本方向梯度直方图特征集,投入支持向量机训练分类,计算出含有定位对象的影像图片特征;从而识别出在所述影像图片上是否有定位对象。
6.如权利要求1~5中任意一项所述的室内定位方法,其特征在于:
所述步骤S20中所述的视觉跟踪包括对连续影像图片进行运动对象探测、特征提取、分类识别、跟踪滤波、行为识别。
7.如权利要求1~5中任意一项所述的室内定位方法,其特征在于,所述步骤S40进一步包括:
S41、将所述图像像素坐标信息转换成成像坐标系中的成像坐标信息;
S42、将所述成像坐标信息转换成摄像坐标系中的摄像坐标信息;
S43、将所述摄像坐标信息转换成室内坐标系中的室内坐标信息。
8.如权利要求7所述的室内定位方法,其特征在于,所述步骤S40进一步包括:
S44、将所述室内坐标信息转换成世界坐标系中的世界坐标信息。
9.一种应用于如权利要求1~8中任意一项所述的室内定位方法的室内定位系统,包括摄像头、监控设备,其特征在于,所述监控设备包括:
识别模块,用于根据所述摄像头在监视区域内采集到的影像图片数据,识别出所述影像图片数据中影像图片上是否有定位对象;
视觉追踪模块,用于当所述影像图片上有定位对象时,对所述定位对象进行视觉跟踪,获取所述定位对象的运动参考信息;
计算模块,用于在所述定位对象的跟踪过程中,计算出所述定位对象在所述影像图片上图像坐标系中的图像像素坐标信息;
坐标转换模块,用于将所述图像像素坐标信息转换为室内坐标信息和/或者世界坐标信息。
10.如权利要求9所述的室内定位系统,其特征在于,所述监控设备还包括:
处理模块,用于根据在监视区域内采集到的影像图片数据,对所述影像图片数据中影像图片进行像素处理;
所述处理模块,还用于对像素处理后的影像图片进行块处理;
所述处理模块,还用于对块处理后的影像图片进行帧处理后,识别出在所述影像图片上是否有定位对象。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710332020.2A CN107273799A (zh) | 2017-05-11 | 2017-05-11 | 一种室内定位方法及定位系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710332020.2A CN107273799A (zh) | 2017-05-11 | 2017-05-11 | 一种室内定位方法及定位系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107273799A true CN107273799A (zh) | 2017-10-20 |
Family
ID=60073956
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710332020.2A Pending CN107273799A (zh) | 2017-05-11 | 2017-05-11 | 一种室内定位方法及定位系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107273799A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108839018A (zh) * | 2018-06-25 | 2018-11-20 | 盐城工学院 | 一种机器人控制操作方法及装置 |
CN109753901A (zh) * | 2018-12-21 | 2019-05-14 | 上海交通大学 | 基于行人识别的室内行人寻迹方法、装置、计算机设备及存储介质 |
CN110580721A (zh) * | 2019-09-04 | 2019-12-17 | 吴怡锦 | 基于全域标识图和视像识别的连续区域定位系统及方法 |
CN111027522A (zh) * | 2019-12-30 | 2020-04-17 | 华通科技有限公司 | 基于深度学习的探鸟定位系统 |
CN111046752A (zh) * | 2019-11-26 | 2020-04-21 | 上海兴容信息技术有限公司 | 一种室内定位方法、装置、计算机设备和存储介质 |
CN111105461A (zh) * | 2019-12-27 | 2020-05-05 | 万翼科技有限公司 | 定位装置、基于空间模型的定位方法和可读存储介质 |
CN112016568A (zh) * | 2019-05-31 | 2020-12-01 | 北京初速度科技有限公司 | 一种目标对象的图像特征点的跟踪方法及装置 |
CN112950677A (zh) * | 2021-01-12 | 2021-06-11 | 湖北航天技术研究院总体设计所 | 图像跟踪仿真方法、装置、设备及存储介质 |
CN115100423A (zh) * | 2022-06-17 | 2022-09-23 | 四川省寰宇众恒科技有限公司 | 一种基于视图采集数据实现实时定位系统及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120213426A1 (en) * | 2011-02-22 | 2012-08-23 | The Board Of Trustees Of The Leland Stanford Junior University | Method for Implementing a High-Level Image Representation for Image Analysis |
CN103617426A (zh) * | 2013-12-04 | 2014-03-05 | 东北大学 | 一种自然环境干扰和有遮挡时的行人目标检测方法 |
CN104050481A (zh) * | 2014-06-17 | 2014-09-17 | 权东晓 | 多模板轮廓特征和灰度相结合的红外图像实时行人检测 |
CN104994468A (zh) * | 2015-06-04 | 2015-10-21 | 上海斐讯数据通信技术有限公司 | 一种定位方法及电子设备 |
CN106372552A (zh) * | 2016-08-29 | 2017-02-01 | 北京理工大学 | 人体目标识别定位方法 |
-
2017
- 2017-05-11 CN CN201710332020.2A patent/CN107273799A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120213426A1 (en) * | 2011-02-22 | 2012-08-23 | The Board Of Trustees Of The Leland Stanford Junior University | Method for Implementing a High-Level Image Representation for Image Analysis |
CN103617426A (zh) * | 2013-12-04 | 2014-03-05 | 东北大学 | 一种自然环境干扰和有遮挡时的行人目标检测方法 |
CN104050481A (zh) * | 2014-06-17 | 2014-09-17 | 权东晓 | 多模板轮廓特征和灰度相结合的红外图像实时行人检测 |
CN104994468A (zh) * | 2015-06-04 | 2015-10-21 | 上海斐讯数据通信技术有限公司 | 一种定位方法及电子设备 |
CN106372552A (zh) * | 2016-08-29 | 2017-02-01 | 北京理工大学 | 人体目标识别定位方法 |
Non-Patent Citations (1)
Title |
---|
郭宝龙等: "《数字图像处理系统工程导论》", 31 July 2012, 西安电子科技大学出版社 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108839018A (zh) * | 2018-06-25 | 2018-11-20 | 盐城工学院 | 一种机器人控制操作方法及装置 |
CN109753901A (zh) * | 2018-12-21 | 2019-05-14 | 上海交通大学 | 基于行人识别的室内行人寻迹方法、装置、计算机设备及存储介质 |
CN109753901B (zh) * | 2018-12-21 | 2023-03-24 | 上海交通大学 | 基于行人识别的室内行人寻迹方法、装置、计算机设备及存储介质 |
CN112016568A (zh) * | 2019-05-31 | 2020-12-01 | 北京初速度科技有限公司 | 一种目标对象的图像特征点的跟踪方法及装置 |
CN110580721A (zh) * | 2019-09-04 | 2019-12-17 | 吴怡锦 | 基于全域标识图和视像识别的连续区域定位系统及方法 |
CN111046752A (zh) * | 2019-11-26 | 2020-04-21 | 上海兴容信息技术有限公司 | 一种室内定位方法、装置、计算机设备和存储介质 |
CN111105461A (zh) * | 2019-12-27 | 2020-05-05 | 万翼科技有限公司 | 定位装置、基于空间模型的定位方法和可读存储介质 |
CN111027522A (zh) * | 2019-12-30 | 2020-04-17 | 华通科技有限公司 | 基于深度学习的探鸟定位系统 |
CN111027522B (zh) * | 2019-12-30 | 2023-09-01 | 华通科技有限公司 | 基于深度学习的探鸟定位系统 |
CN112950677A (zh) * | 2021-01-12 | 2021-06-11 | 湖北航天技术研究院总体设计所 | 图像跟踪仿真方法、装置、设备及存储介质 |
CN115100423A (zh) * | 2022-06-17 | 2022-09-23 | 四川省寰宇众恒科技有限公司 | 一种基于视图采集数据实现实时定位系统及方法 |
CN115100423B (zh) * | 2022-06-17 | 2023-10-10 | 四川省寰宇众恒科技有限公司 | 一种基于视图采集数据实现实时定位系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107273799A (zh) | 一种室内定位方法及定位系统 | |
CN111414887B (zh) | 基于yolov3算法的二次检测口罩人脸识别方法 | |
CN104123544B (zh) | 基于视频分析的异常行为检测方法及系统 | |
CN105141885B (zh) | 进行视频监控的方法及装置 | |
JP6549797B2 (ja) | 通行人の頭部識別方法及びシステム | |
CN105046235B (zh) | 车道线的识别建模方法和装置、识别方法和装置 | |
CN103824070B (zh) | 一种基于计算机视觉的快速行人检测方法 | |
CN107909081B (zh) | 一种深度学习中图像数据集的快速获取和快速标定方法 | |
CN109819208A (zh) | 一种基于人工智能动态监控的密集人群安防监控管理方法 | |
CN109816695A (zh) | 一种复杂背景下的红外小型无人机目标检测与跟踪方法 | |
US20140313345A1 (en) | Flying object visual identification system | |
CN103854292B (zh) | 一种人数及人群运动方向的计算方法及装置 | |
CN104166841A (zh) | 一种视频监控网络中指定行人或车辆的快速检测识别方法 | |
CN109376637A (zh) | 基于视频监控图像处理的人数统计系统 | |
CN110084165A (zh) | 基于边缘计算的电力领域开放场景下异常事件的智能识别与预警方法 | |
CN102682303A (zh) | 基于lbp加权社会力模型的人群异常事件检测方法 | |
CN106530281A (zh) | 基于边缘特征的无人机图像模糊判断方法及系统 | |
CN106886216A (zh) | 基于rgbd人脸检测的机器人自动跟踪方法和系统 | |
CN105404857A (zh) | 一种基于红外的夜间智能车前方行人检测方法 | |
CN103049765A (zh) | 一种基于鱼眼相机的判断人群密度和人数的方法 | |
CN108052929A (zh) | 车位状态检测方法、系统、可读存储介质和计算机设备 | |
CN104820995A (zh) | 一种面向大型公共场所的人流密度监测预警方法 | |
CN111724566A (zh) | 基于智慧灯杆视频监控系统的行人跌倒检测方法和装置 | |
CN104159088B (zh) | 一种远程智能车辆监控系统及方法 | |
CN112183472A (zh) | 一种基于改进RetinaNet的试验现场人员是否穿着工作服检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20171020 |
|
WD01 | Invention patent application deemed withdrawn after publication |