CN108734734A - 室内定位方法及系统 - Google Patents

室内定位方法及系统 Download PDF

Info

Publication number
CN108734734A
CN108734734A CN201810480215.6A CN201810480215A CN108734734A CN 108734734 A CN108734734 A CN 108734734A CN 201810480215 A CN201810480215 A CN 201810480215A CN 108734734 A CN108734734 A CN 108734734A
Authority
CN
China
Prior art keywords
indoor
model
identification information
scene picture
default
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
Application number
CN201810480215.6A
Other languages
English (en)
Inventor
郝巍娜
李瑞东
吴海涛
刘雨欣
梁欢
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Academy of Opto Electronics of CAS
Original Assignee
Academy of Opto Electronics of CAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Academy of Opto Electronics of CAS filed Critical Academy of Opto Electronics of CAS
Priority to CN201810480215.6A priority Critical patent/CN108734734A/zh
Publication of CN108734734A publication Critical patent/CN108734734A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning

Abstract

本发明实施例提供了一种室内定位方法及系统，所述方法包括：获取包含有与待定位位置对应的标识信息的室内场景图片；将室内场景图片输入至预设定位模型中，获取预设定位模型输出的室内场景图片内的标识信息；基于标识信息和预设关系数据库，确定待定位位置的室内位置坐标。本发明实施例提供的一种室内定位方法及系统，由于直接采用了预设定位模型以及预设关系数据库，并不需要进行中间的数据处理，可以实现快速定位。而且由于采用的是识别图片中的标识信息，并利用预设关系数据库中标识信息与室内位置坐标之间的对应关系，整个过程的准确度很高，可以实现准确定位。且本发明实施例中提供的室内定位方法具有普适性。

Description

室内定位方法及系统
技术领域
本发明实施例涉及地理定位技术领域，更具体地，涉及室内定位方法及系统。
背景技术
目前，随着手机、平板电脑、可穿戴设备等移动设备的大量涌现，物联网设备的性能飞速增长和基于位置感知的应用的激增，位置感知发挥了越来越重要的作用。在室内和室外的环境下，连续而且可靠地提供位置信息可以为用户带来更好的用户体验。室外定位和基于位置的服务已经成熟，基于GPS和地图的位置服务也被广泛应用，并成为各种移动设备的主流应用之一。近年来，位置服务的相关技术和产业正向室内发展以提供无所不在的位置服务。
室内位置感知可以支持许多应用场景，并且正在改变移动设备的传统使用模式。例如，用户可以寻找特定的餐馆或在商店里寻找某个商品，从附近商场里的商户得到优惠信息，在办公室里找到同事，在机场或火车站找登机口/站台或其它设施，在博物馆里更有效地了解展品信息和观看展览，在医院里确定医护人员或医疗设备的具体位置，在起火大厦里消防员的定位等等。
目前常见的室内定位技术包括红外线定位、超声波定位、射频识别定位、蓝牙室内定位、WiFi室内定位、ZigBee定位以及超宽带定位等。其中，蓝牙定位、WiFi室内定位和超宽带定位是三种应用较为广泛的位置服务方式。WiFi室内定位成本较低，但是WiFi室内定位得到的具体位置的精度不高；蓝牙室内定位的适用距离范围很小，当需要进行大范围的室内定位时，需要足够多的蓝牙节点才能够实现；超宽带室内定位的结构复杂，成本较高，而且功耗较大，无法与移动终端实现良好融合，不利于普及。
发明内容
为克服上述问题或者至少部分地解决上述问题，本发明实施例提供了一种室内定位方法及系统。
一方面，本发明实施例提供了一种室内定位方法，包括：
获取包含有与待定位位置对应的标识信息的室内场景图片；
将所述室内场景图片输入至预设定位模型中，获取所述预设定位模型输出的所述室内场景图片内的标识信息，所述预设定位模型由预训练模型通过迁移学习得到，所述预设定位模型用于确定所述室内场景图片与所述标识信息之间的对应关系；
基于所述标识信息和预设关系数据库，确定所述待定位位置的室内位置坐标，所述预设关系数据库用于确定标识信息与室内位置坐标之间的对应关系。
优选地，所述预设关系数据库通过如下方式得到：
分别获取室内每一可识别标识物的室内位置坐标，所述可识别标识物携带有标识信息；
将所有可识别标识物的所述室内位置坐标、所述可识别标识物携带的标识信息均存储至所述预设关系数据库内。
优选地，所述预设定位模型通过如下方式构建：
分别获取包含有室内每一可识别标识物的室内场景图片，以及室内每一可识别标识物携带的标识信息，构成样本集；
将所述样本集输入至所述预训练模型，以通过所述样本集对所述预训练模型进行迁移学习，得到所述预设定位模型。
优选地，所述分别获取包含有室内每一可识别标识物的室内场景图片，具体包括：
对于室内每一可识别标识物，从不同角度、不同方位、不同采集距离采集预设数量张包含有室内每一可识别标识物的室内场景图片。
优选地，所述样本集包括训练样本集和测试样本集；
相应地，所述通过所述样本集对所述预训练模型进行迁移学习，得到所述预设定位模型，具体包括：
通过所述训练样本集对所述预训练模型进行迁移学习，得到第一中间定位模型；
通过所述测试样本集对所述第一中间定位模型进行测试，若判断获知所述第一中间定位模型以预设正确率输出所述测试样本集中室内场景图片中的标识信息，且所述第一中间定位模型的输出速度达到预设速度，则将所述第一中间定位模型作为所述预设定位模型；
否则，更新所述训练样本集，并通过更新后的训练样本集重复对所述第一中间定位模型进行迁移学习，直至得到的第二中间定位模型在测试时以预设正确率输出所述测试样本集中室内场景图片中的标识信息，且所述第二中间定位模型的输出速度达到所述预设速度，则将所述第二中间定位模型作为所述预设定位模型。
优选地，所述预训练模型包括Inception v3模型、Inception-ResNet-v2模型、ResNet v2 152模型或MobileNet_v2_1.4_224模型。
优选地，所述方法还包括：
将确定的所述待定位位置的室内位置坐标在室内结构图中进行显示。
另一方面，本发明实施例还提供了一种室内定位系统，包括：室内场景图片获取模块、标识信息获取模块和位置坐标确定模块。其中，
室内场景图片获取模块用于获取包含有与待定位位置对应的标识信息的室内场景图片；
标识信息获取模块用于将所述室内场景图片输入至预设定位模型中，获取所述预设定位模型输出的所述室内场景图片内的标识信息，所述预设定位模型由预训练模型通过迁移学习得到，所述预设定位模型用于确定所述室内场景图片与所述标识信息之间的对应关系；
位置坐标确定模块用于基于所述标识信息和预设关系数据库，确定所述待定位位置的室内位置坐标，所述预设关系数据库用于确定标识信息与室内位置坐标之间的对应关系。
另一方面，本发明实施例还提供了一种室内定位设备，包括：
至少一个处理器、至少一个存储器、通信接口和总线；其中，
所述处理器、存储器、通信接口通过所述总线完成相互间的通信；
所述通信接口用于该定位设备与显示装置的通信设备之间的信息传输；
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行上述所述的方法。
另一方面，本发明实施例还提供了一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述所述的方法。
本发明实施例提供的一种室内定位方法及系统，采用预设定位模型确定室内场景图片内的标识信息，通过预设关系数据库确定与标识信息对应的室内位置坐标，此室内位置坐标即为待定位位置的室内位置坐标。本发明实施例中，由于直接采用了预设定位模型以及预设关系数据库，并不需要进行中间的数据处理，可以实现快速定位。而且由于采用的是识别图片中的标识信息，并利用预设关系数据库中标识信息与室内位置坐标之间的对应关系，整个过程的准确度很高，可以实现准确定位。且本发明实施例中提供的室内定位方法具有普适性。
附图说明
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，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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。
图1为本发明一实施例提供的一种室内定位方法的结构示意图；
图2为本发明另一实施例提供的一种室内定位系统的结构示意图；
图3为本发明另一实施例提供的一种室内定位设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，本发明一实施例提供了一种室内定位方法，包括：
S1，获取包含有与待定位位置对应的标识信息的室内场景图片；
S2，将所述室内场景图片输入至预设定位模型中，获取所述预设定位模型输出的所述室内场景图片内的标识信息，所述预设定位模型由预训练模型通过迁移学习得到，所述预设定位模型用于确定所述室内场景图片与所述标识信息之间的对应关系；
S3，基于所述标识信息和预设关系数据库，确定所述待定位位置的室内位置坐标，所述预设关系数据库用于确定标识信息与室内位置坐标之间的对应关系。
具体地，由于现有技术中存在的室内定位方法例如WiFi室内定位、蓝牙室内定位以及超宽带室内定位均存在各自的缺陷，因此，本发明实施例提供了一种具有定位精度高、定位速度快等优点的室内定位方法。本发明实施例中提供的室内定位方法主要的应用场景是大型会场中各公司板块的具体位置的定位、整栋大楼中各房间的定位，主要针对的是大型建筑物内的定位，即本发明实施例中的室内指的是大型建筑物内，大型建筑物包括大型会场、整栋大楼等。
本发明实施例中首先获取室内场景图片，获取的室内场景图片中需要包含有与待定位位置对应的标识信息。例如，A在大型建筑物B内的某一位置，但A并不知道自己所处的位置，所以需要对A的室内位置进行定位，此时需要获取一张包含有与A所处位置(即待定位位置)对应的标识信息s的室内场景图片a。假设A处于B内的一个多媒体会议室C门口，则可将多媒体会议室C门牌上的信息作为标识信息s。其中，门牌上的信息可以是门牌号等信息。
将得到的室内场景图片a输入至预设定位模型中，通过预设定位模型输出室内场景图片a内的标识信息s，这一过程实际上是通过预设定位模型解析图片中的标识信息s的过程。其中，预设定位模型是一种表示图片与图片内标识信息s的对应关系的模型。通过预设定位模型，可以确定出室内场景图片a与标识信息s之间的对应关系。这里需要说明的是，本发明实施例中每一具体位置对应着一个唯一的标识信息，标识信息用于区分不同的位置。
本发明实施例中，预设定位模型由预训练模型通过迁移学习得到，预训练模型是一种经过初步训练得到的一种理想的神经网络模型。本发明实施例中需要通过迁移学习方法对预训练模型进行迁移学习，主要是利用获取到的大量图片与已知的图片内的标识信息对预训练模型进行迁移学习得到，是一种高效的利用深度学习解决图像识别问题的方法。深度学习(Deep Learning)是机器学习中一种基于对数据进行表征学习的方法，深度学习的好处是用非监督式或半监督式的特征学习、分层特征提取高效算法来替代手工获取特征。迁移学习(Transfer learning)是指把已学训练好的模型参数迁移到新的模型中来帮助新模型的训练，由于训练的过程是存在相关性的，所以通过迁移学习可以将已经学到的模型参数通过某种方式传递至新模型从而加快并优化模型的学习效率。
其中，本发明实施例中所采用的预训练模型可以包括：Inception v3模型、Inception-ResNet-v2模型、ResNet v2 152模型或MobileNet_v2_1.4_224模型等其他神经网络模型。
获取到室内场景图片内的标识信息后，基于获取到的标识信息和预设关系数据库，确定待定位位置的室内位置坐标。这里需要说明的是，本发明实施例中的预设关系数据库内存储有标识信息、室内位置坐标以及标识信息与室内位置坐标之间的对应关系，将获取到的标识信息输入至预设关系数据库内即可得到与获取到的标识信息对应的室内位置坐标，即A所处的位置的坐标。本发明实施例中所说的室内位置坐标是一种相对坐标，是以室内某一目标位置为原点的相对坐标，目标位置可以选取门口或室内一角。同时，目标位置也可与经纬度进行关联，如此可以更方便快速的确定目标位置的具体方位，进而更快速的确定出待定位位置的室内位置坐标。
本发明实施例中提供的室内定位方法，采用预设定位模型确定室内场景图片内的标识信息，通过预设关系数据库确定与标识信息对应的室内位置坐标，此室内位置坐标即为待定位位置的室内位置坐标。本发明实施例中，由于直接采用了预设定位模型以及预设关系数据库，并不需要进行中间的数据处理，可以实现快速定位。而且由于采用的是识别图片中的标识信息，并利用预设关系数据库中标识信息与室内位置坐标之间的对应关系，整个过程的准确度很高，可以实现准确定位。且本发明实施例中提供的室内定位方法具有普适性。
在上述实施例的基础上，本发明实施例中提供的方法中，所述预设关系数据库通过如下方式得到：
分别获取室内每一可识别标识物的室内位置坐标，所述可识别标识物携带有标识信息；
将所有可识别标识物的所述室内位置坐标、所述可识别标识物携带的标识信息均存储至所述预设关系数据库内。
具体地，本发明实施例中的预设关系数据库是在进行室内定位前得到的，属于离线得到。这里，首先分别获取室内每一可识别标识物的室内位置坐标，所述可识别标识物携带有标识信息。室内可识别标识物可以是每个房间的门牌，携带的标识信息是指门牌上的信息，可以是门牌号等。一个大型建筑物内会包含多个房间，每个房间均会有一个门牌，每个门牌上携带的标识信息对应唯一的房间的室内位置坐标。将所有可识别标识物的所述室内位置坐标、所述可识别标识物携带的标识信息均存储至所述预设关系数据库内。在预设关系数据库内，可识别标识物、可识别标识物的室内位置坐标以及可识别标识物携带的标识信息一一对应。
本发明实施例中，通过离线创建预设关系数据库，创建过程与实时在线室内定位相互独立，互不影响。保证了室内定位的快速准确。
在上述实施例的基础上，所述预设定位模型通过如下方式构建：
分别获取包含有室内每一可识别标识物的室内场景图片，以及室内每一可识别标识物携带的标识信息，构成样本集；
将所述样本集输入至所述预训练模型，以通过所述样本集对所述预训练模型进行迁移学习，得到所述预设定位模型。
具体地，预设定位模型的构建过程即预训练模型进行迁移学习的过程。对预训练模型进行迁移学习的过程是在室内定位前进行的，属于离线训练。对预训练模型进行迁移学习，首先需要获取用于迁移学习的样本集，样本集中包括多个样本，每一个样本包括室内一可识别标识物的室内场景图片与可识别标识物携带的标识信息。将样本集输入至预训练模型内，将样本集中每个样本中的可识别标识物的室内场景图片作为输入，将可识别标识物携带的标识信息作为输出，对预训练模型进行迁移学习，确定预训练模型的各个参数的取值，以得到预设定位模型。
本发明实施例中，通过离线训练的方式，可以通过控制训练速度和训练时长来得到较为满意的预设定位模型，进而实现快速、准确的定位。
在上述实施例的基础上，本发明实施例中所述分别获取包含有室内每一可识别标识物的室内场景图片，具体包括：
对于室内每一可识别标识物，从不同角度、不同方位、不同采集距离采集预设数量张包含有室内每一可识别标识物的室内场景图片。
具体地，在准备样本集时，获取到的室内每一可识别标识物的室内场景图片不止一张，而是需要从不同角度、不同方位、不同采集距离采集预设数量张包含有室内每一可识别标识物的室内场景图片。如此才能使样本集涵盖多种情况，只要是任意一张包含有可识别标识物的室内场景图片均可通过本发明实施例中提供的室内定位方法实现对待定位位置进行准确定位。预设数量可以根据需要进行设置，本发明实施例中在此不做具体限定。
在上述实施例的基础上，所述样本集包括训练样本集和测试样本集；相应地，所述通过所述样本集对所述预训练模型进行迁移学习，得到所述预设定位模型，具体包括：
通过所述训练样本集对所述预设定位模型进行迁移学习，得到第一中间定位模型；
通过所述测试样本集对所述第一中间定位模型进行测试，若判断获知所述第一中间定位模型以预设正确率输出所述测试样本集中室内场景图片中的标识信息，且所述第一中间定位模型的输出速度达到预设速度，则将所述第一中间定位模型作为所述预设定位模型；
否则，更新所述训练样本集，并通过更新后的训练样本集重复对所述第一中间定位模型进行迁移学习，直至得到的第二中间定位模型在测试时以预设正确率输出所述测试样本集中室内场景图片中的标识信息，且所述第二中间定位模型的输出速度达到所述预设速度，则将所述第二中间定位模型作为所述预设定位模型。
具体地，本发明实施例中，主要描述的是对预训练模型进行迁移学习的整个过程。首先通过训练样本集对预训练模型进行迁移学习，得到第一中间定位模型，然后利用测试样本集对第一中间定位模型进行测试，判断第一中间定位模型是否满足预设条件，即输出的测试样本集中室内场景图片中的标识信息是否能够达到预设准确度，以及输出速度是否能够达到预设速度。如能满足预设条件，则将第一中间定位模型作为预设定位模型。
若第一中间定位模型不能满足预设条件，则重新获取包含有室内每一可识别标识物的室内场景图片，以及室内每一可识别标识物携带的标识信息，以更新训练样本集。然后通过更新后的训练样本集对第一中间定位模型进行训练，直至得到的第二中间定位模型在测试时满足预设条件。
本发明实施例中所述的正确率是指，分别将100张测试样本集中的室内场景图片输入至预设定位模型内，能够正确输出图片内的标识信息的次数。例如，能够正确输出图片内的标识信息的次数为95次，即说明正确率为95％。作为优选方案，本发明实施例中可选取预设正确率为大于或等于95％。输出速度可以通过预设定位模型每秒输出标识信息的次数来表示，例如，预设定位模型每秒输出标识信息的次数为20次，则表示输出速度为20次/秒。作为优选方案，本发明实施例中可选取预设速度为大于或等于20次/秒。
在上述实施例的基础上，本发明实施例中提供的方法还包括：
将确定的待定位位置的室内位置坐标在室内结构图中进行显示。
具体地，将待定位位置的室内位置坐标在室内结构图中进行显示，可以使用户更直观的确定出待定位位置，以增强用户体验。
例如，室内共包括10个可识别标识物，分别将10个可识别标识物携带的标识信息以及位置信息存入预设关系数据库，分别对每一个可识别标识物从不同角度、不同方位、不同采集距离采集100张包含有该可识别标识物的室内场景图片。采集完成之后通过采集得到的室内场景图片以及图片内可识别标识物携带的标识信息对基于Inception v3模型的迁移学习框架进行训练，训练2000次之后得到预设定位模型满足预设条件。然后向预设定位模型内输入一张A站在报告厅前方拍摄的图片，预设定位模型输出图片内的标识信息，即报告厅的门牌号上的信息，再通过预设关系数据库确定报告厅对应的室内位置坐标，即定位结果。还可将定位结果显示在室内结构图中。
如图2所示，在上述实施例的基础上，本发明还提供了一种室内定位系统，包括：室内场景图片获取模块21、标识信息获取模块22和位置坐标确定模块23。其中，
室内场景图片获取模块21用于获取包含有与待定位位置对应的标识信息的室内场景图片；
标识信息获取模块22用于将所述室内场景图片输入至预设定位模型中，获取所述预设定位模型输出的所述室内场景图片内的标识信息，所述预设定位模型由预训练模型通过迁移学习得到，所述预设定位模型用于确定所述室内场景图片与所述标识信息之间的对应关系；
位置坐标确定模块23用于基于所述标识信息和预设关系数据库，确定所述待定位位置的室内位置坐标，所述预设关系数据库用于确定标识信息与室内位置坐标之间的对应关系。
具体地，本发明实施例中提供的室内定位系统中各模块的功能与处理流程与上述方法类实施例是一一对应的，本发明实施例中在此不再赘述。
本发明实施例提供的室内定位系统，标识信息获取模块采用预设定位模型确定室内场景图片内的标识信息，位置坐标确定模块通过预设关系数据库确定与标识信息对应的室内位置坐标，此室内位置坐标即为待定位位置的室内位置坐标。本发明实施例中，由于直接采用了预设定位模型以及预设关系数据库，并不需要进行中间的数据处理，可以实现快速定位。而且由于采用的是识别图片中的标识信息，并利用预设关系数据库中标识信息与室内位置坐标之间的对应关系，整个过程的准确度很高，可以实现准确定位。
如图3所示，在上述实施例的基础上，本发明还提供了一种室内定位设备，包括：至少一个处理器31、至少一个存储器32、通信接口33和总线34；其中，
所述处理器31、存储器32、通信接口33通过所述总线34完成相互间的通信；所述通信接口33用于该定位设备与显示装置的通信设备之间的信息传输；所述存储器32存储有可被所述处理器31执行的程序指令，所述处理器31调用所述程序指令能够执行如图1所述的方法。
在上述实施例的基础上，本发明还提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如图1所述的方法。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种室内定位方法，其特征在于，包括：
获取包含有与待定位位置对应的标识信息的室内场景图片；
将所述室内场景图片输入至预设定位模型中，获取所述预设定位模型输出的所述室内场景图片内的标识信息，所述预设定位模型由预训练模型通过迁移学习得到，所述预设定位模型用于确定所述室内场景图片与所述标识信息之间的对应关系；
基于所述标识信息和预设关系数据库，确定所述待定位位置的室内位置坐标，所述预设关系数据库用于确定标识信息与室内位置坐标之间的对应关系。
2.根据权利要求1所述的方法，其特征在于，所述预设关系数据库通过如下方式得到：
分别获取室内每一可识别标识物的室内位置坐标，所述可识别标识物携带有标识信息；
将所有可识别标识物的所述室内位置坐标、所述可识别标识物携带的标识信息均存储至所述预设关系数据库内。
3.根据权利要求2所述的方法，其特征在于，所述预设定位模型通过如下方式构建：
分别获取包含有室内每一可识别标识物的室内场景图片，以及室内每一可识别标识物携带的标识信息，构成样本集；
将所述样本集输入至所述预训练模型，以通过所述样本集对所述预训练模型进行迁移学习，得到所述预设定位模型。
4.根据权利要求3所述的方法，其特征在于，所述分别获取包含有室内每一可识别标识物的室内场景图片，具体包括：
对于室内每一可识别标识物，从不同角度、不同方位、不同采集距离采集预设数量张包含有室内每一可识别标识物的室内场景图片。
5.根据权利要求3所述的方法，其特征在于，所述样本集包括训练样本集和测试样本集；
相应地，所述通过所述样本集对所述预训练模型进行迁移学习，得到所述预设定位模型，具体包括：
通过所述训练样本集对所述预训练模型进行迁移学习，得到第一中间定位模型；
通过所述测试样本集对所述第一中间定位模型进行测试，若判断获知所述第一中间定位模型以预设正确率输出所述测试样本集中室内场景图片中的标识信息，且所述第一中间定位模型的输出速度达到预设速度，则将所述第一中间定位模型作为预设定位模型；
否则，更新所述训练样本集，并通过更新后的训练样本集重复对所述第一中间定位模型进行迁移学习，直至得到的第二中间定位模型在测试时以预设正确率输出所述测试样本集中室内场景图片中的标识信息，且所述第二中间定位模型的输出速度达到所述预设速度，则将所述第二中间定位模型作为所述预设定位模型。
6.根据权利要求1-5中任一项所述的方法，其特征在于，所述预训练模型包括Inception v3模型、Inception-ResNet-v2模型、ResNet v2 152模型或MobileNet_v2_1.4_224模型。
7.根据权利要求1-5中任一项所述的方法，其特征在于，还包括：
将确定的所述待定位位置的室内位置坐标在室内结构图中进行显示。
8.一种室内定位系统，其特征在于，包括：
室内场景图片获取模块，用于获取包含有与待定位位置对应的标识信息的室内场景图片；
标识信息获取模块，用于将所述室内场景图片输入至预设定位模型中，获取所述预设定位模型输出的所述室内场景图片内的标识信息，所述预设定位模型由预训练模型通过迁移学习得到，所述预设定位模型用于确定所述室内场景图片与所述标识信息之间的对应关系；
位置坐标确定模块，用于基于所述标识信息和预设关系数据库，确定所述待定位位置的室内位置坐标，所述预设关系数据库用于确定标识信息与室内位置坐标之间的对应关系。
9.一种室内定位设备，其特征在于，包括：
至少一个处理器、至少一个存储器、通信接口和总线；其中，
所述处理器、存储器、通信接口通过所述总线完成相互间的通信；
所述通信接口用于该定位设备与显示装置的通信设备之间的信息传输；
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如权利要求1-7中任一项所述的方法。
10.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如权利要求1-7中任一项所述的方法。
CN201810480215.6A 2018-05-18 2018-05-18 室内定位方法及系统 Pending CN108734734A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810480215.6A CN108734734A (zh) 2018-05-18 2018-05-18 室内定位方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810480215.6A CN108734734A (zh) 2018-05-18 2018-05-18 室内定位方法及系统

Publications (1)

Publication Number Publication Date
CN108734734A true CN108734734A (zh) 2018-11-02

Family

ID=63937591

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810480215.6A Pending CN108734734A (zh) 2018-05-18 2018-05-18 室内定位方法及系统

Country Status (1)

Country Link
CN (1) CN108734734A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109740237A (zh) * 2018-12-28 2019-05-10 乔丽莉 一种基于蒙特卡洛的建筑机电点位布置方法
CN110232102A (zh) * 2019-06-13 2019-09-13 哈尔滨工程大学 一种基于迁移学习的人员关系模型建模方法
CN110826568A (zh) * 2019-11-08 2020-02-21 青岛合启立智能科技有限公司 基于路标的室内定位方法、装置和电子设备
CN110991297A (zh) * 2019-11-26 2020-04-10 中国科学院光电研究院 一种基于场景监控的目标定位方法及系统
CN111537954A (zh) * 2020-04-20 2020-08-14 孙剑 一种实时高动态融合定位方法及装置
CN113226952A (zh) * 2018-12-27 2021-08-06 日本电气通信系统株式会社 物品位置管理装置、物品位置管理系统、物品位置管理方法和程序

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103424113A (zh) * 2013-08-01 2013-12-04 毛蔚青 移动终端基于图像识别技术的室内定位与导航方法
CN104112124A (zh) * 2014-07-15 2014-10-22 北京邮电大学 一种基于图像识别的室内定位方法与装置
CN104125536A (zh) * 2014-06-25 2014-10-29 重庆广建装饰股份有限公司 基于商品图片的室内定位方法
CN106202997A (zh) * 2016-06-29 2016-12-07 四川大学 一种基于深度学习的细胞分裂检测方法
CN106507476A (zh) * 2016-11-22 2017-03-15 上海斐讯数据通信技术有限公司 一种WiFi定位方法及服务器及定位模型构建方法
CN106709462A (zh) * 2016-12-29 2017-05-24 天津中科智能识别产业技术研究院有限公司 一种室内定位方法及其装置
CN106920243A (zh) * 2017-03-09 2017-07-04 桂林电子科技大学 改进的全卷积神经网络的陶瓷材质件序列图像分割方法
CN207051978U (zh) * 2017-06-12 2018-02-27 炬大科技有限公司 一种通过图像识别方式达成室内任务目标位置确定的系统
CN107766324A (zh) * 2017-09-25 2018-03-06 浙江大学 一种基于深度神经网络的文本一致性分析方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103424113A (zh) * 2013-08-01 2013-12-04 毛蔚青 移动终端基于图像识别技术的室内定位与导航方法
CN104125536A (zh) * 2014-06-25 2014-10-29 重庆广建装饰股份有限公司 基于商品图片的室内定位方法
CN104112124A (zh) * 2014-07-15 2014-10-22 北京邮电大学 一种基于图像识别的室内定位方法与装置
CN106202997A (zh) * 2016-06-29 2016-12-07 四川大学 一种基于深度学习的细胞分裂检测方法
CN106507476A (zh) * 2016-11-22 2017-03-15 上海斐讯数据通信技术有限公司 一种WiFi定位方法及服务器及定位模型构建方法
CN106709462A (zh) * 2016-12-29 2017-05-24 天津中科智能识别产业技术研究院有限公司 一种室内定位方法及其装置
CN106920243A (zh) * 2017-03-09 2017-07-04 桂林电子科技大学 改进的全卷积神经网络的陶瓷材质件序列图像分割方法
CN207051978U (zh) * 2017-06-12 2018-02-27 炬大科技有限公司 一种通过图像识别方式达成室内任务目标位置确定的系统
CN107766324A (zh) * 2017-09-25 2018-03-06 浙江大学 一种基于深度神经网络的文本一致性分析方法

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113226952A (zh) * 2018-12-27 2021-08-06 日本电气通信系统株式会社 物品位置管理装置、物品位置管理系统、物品位置管理方法和程序
CN109740237A (zh) * 2018-12-28 2019-05-10 乔丽莉 一种基于蒙特卡洛的建筑机电点位布置方法
CN109740237B (zh) * 2018-12-28 2020-04-17 乔丽莉 一种基于蒙特卡洛的建筑机电点位布置方法
CN110232102A (zh) * 2019-06-13 2019-09-13 哈尔滨工程大学 一种基于迁移学习的人员关系模型建模方法
CN110232102B (zh) * 2019-06-13 2020-12-04 哈尔滨工程大学 一种基于迁移学习的人员关系模型建模方法
CN110826568A (zh) * 2019-11-08 2020-02-21 青岛合启立智能科技有限公司 基于路标的室内定位方法、装置和电子设备
CN110991297A (zh) * 2019-11-26 2020-04-10 中国科学院光电研究院 一种基于场景监控的目标定位方法及系统
CN111537954A (zh) * 2020-04-20 2020-08-14 孙剑 一种实时高动态融合定位方法及装置

Similar Documents

Publication Publication Date Title
CN108734734A (zh) 室内定位方法及系统
CN109327797B (zh) 基于WiFi网络信号的移动机器人室内定位系统
CN106535134B (zh) 一种基于wifi的多房间定位方法及服务器
CN108199907B (zh) 一种基于地理目标的建模分析方法
CN105120479B (zh) 终端间Wi-Fi信号的信号强度差异修正方法
CN107578357A (zh) 基于大数据的智慧校园管理及信息分析平台
CN108279679A (zh) 一种基于微信小程序和ros的智能送餐机器人系统及其送餐方法
CN110268225A (zh) 在地图上定位设备的方法、服务端及移动机器人
WO2022022292A1 (zh) 手持物体识别方法及装置
CN105847310A (zh) 一种确定位置的方法及装置
CN107452018A (zh) 主讲人跟踪方法及系统
CN106772685A (zh) 基于Web‑GIS的相似台风匹配算法及软件支持系统
CN107167132A (zh) 基于增强现实与虚拟现实的室内定位系统
Pexyean et al. IoT, AI and Digital Twin For Smart Campus
CN112766595B (zh) 一种指挥控制装置、方法、系统、计算机设备及介质
CN110288207A (zh) 一种提供执勤场景信息的方法与设备
WO2020168493A1 (zh) 三维场景建模方法、装置、设备及存储介质
Yu et al. Home monitoring system based on indoor service robot and wireless sensor network
CN205490872U (zh) 相机快门控制装置及系统
CN116798592A (zh) 设施布设位置的确定方法、装置、设备及存储介质
CN115830700A (zh) 应用于无线感知场景的联邦学习训练平台及训练方法
US20210232949A1 (en) Information processing device, information processing method, and program
Guler et al. Applications of stream data mining on the internet of things: a survey
Sakr et al. Efficient Wi-Fi signal strength maps using sparse Gaussian process models
CN111563934B (zh) 单目视觉里程计尺度确定方法和装置

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20181102