CN110555456A - 基于机器学习的视觉可见光定位led-id检测与识别方法 - Google Patents

Abstract

本发明公开了一种基于机器学习的视觉可见光定位LED‑ID检测与识别方法，步骤如下：在发射端，利用PWM调制，使不同的LED发出不同频率、占空比的光，实现赋予不同的LED独有的ID；在接收端，利用CMOS摄像头拍摄LED，通过图像处理技术处理LED图片，提取LED面积、条纹数、黑白条纹占空比特征；通过机器训练所提取的LED特征，建立分类器；根据未判定的LED所提取的特征，利用分类器判断所属类别，实现LED‑ID的检测与识别；利用已检测到的LED，通过临近法定位。本发明利用机器学习与图像处理建立LED‑ID可见光定位方法，方法简单可行，可通过改造现有灯具结合移动终端实现，具有广阔的市场价值。

Description

基于机器学习的视觉可见光定位LED-ID检测与识别方法

技术领域

本发明涉及LED视觉检测与识别技术领域，具体涉及一种基于机器学习的视觉可见光定位LED-ID检测与识别方法。

背景技术

近年来，随着经济的发展和技术的进步，对于室内导航和定位也需求不断增加，如室内服务机器人，室内停车，室内定位服务(LBS)。然而，传统的室内定位方法，如无线局域网(WLAN)、ZigBee、蓝牙、红外定位、超声波等定位，只能提供几十厘米到几米的定位精度，且它们也容易受到电磁波的干扰。因此，亟待提出一种基于可见光通信(VLC)的室内精度高定位方法。

基于VLC的室内定位系统有两种：一种是基于光电二极管的室内定位系统(PD)，另一种是基于图像传感器的定位系统。通常，PD定位通过LED的光强信息定位，成本较低，但是很不稳定。随着背景光的干扰或者墙壁、家具的反射，定位精度会下降。基于图像传感器的定位系统直接用摄像头捕获LED的光源，具有较好的抗干扰能力。

迄今为止，基于图像传感器的室内VLC定位已经得到了较深入的研究，定位精度可以达到厘米级，但是所有这些方法均没有详细讨论不同的LED的检测和识别。事实上，LED的检测和识别比定位算法更加重要，如果LED-ID无法被正确有效的识别，所有的高精度定位算法将失去意义。

发明内容

本发明的目的是为了解决现有技术中的上述缺陷，提供一种基于机器学习的视觉可见光定位LED-ID检测与识别方法，该方法实现简单、便利，可通过改造现有灯具结合移动终端实现，具有广阔的市场价值。

本发明的目的可以通过采取如下技术方案达到：

一种基于机器学习的视觉可见光定位LED-ID检测与识别方法，所述的检测与识别方法包括以下步骤：

S1、在发射端，利用PWM信号调制方式，驱动控制不同的LED发出不同频率以及PWM占空比的光信号；

S2、在接收端，利用CMOS摄像头拍摄训练集LED图片，获得LED条纹图像，提取包括LED灯具面积、白色条纹数、黑白条纹占空比在内的特征；

S3、通过SVM或Fisher机器学习算法训练所提取的LED特征数据，建立线性分类器；

S4、提取测试集特征根据未判定的LED所提取的特征，利用已经训练的分类器判断所属类别，实现LED-ID的检测与识别，然后利用已检测到的LED，通过临近法，实现定位。

进一步地，所述的步骤S2中提取LED灯具面积、白色条纹数目、黑白条纹占空比等特征具体过程如下：

S21、将所拍摄的图像转换为灰度图像，再将灰度图像转换为二值图，进行形态学闭运算；

S22、通过连通域检测分割含有多个LED的图片，分割后，每张图片只含有一个LED图像，获得所分割LED的半径，计算LED灯具面积；

S23、从所有照片中选择LED灯具面积最大的一张图片，将所选择被分割的LED图像进行细化操作，通过计量白色线条数量得出LED图像的白色条纹数目；

S24、在分割出的图像中间位置取一个方向竖直向下的计数向量，记录像素值为0和1的像素数目，获得黑白条纹宽度比。

进一步地，所述的步骤S3中SVM通过设计若干个最优超平面在特征空间中，区分不同的样本，建立线性分类器。

进一步地，所述的步骤S3中Fisher机器算法通过寻找若干个最优向量，使样本在向量投影后，尽可能的将不同类的样本分离、同类样本尽可能的靠近。

进一步地，所述的步骤S4中临近法具体如下：

当接收端根据摄像头捕获的图像特征，判断出LED所属类别，通过LED所属类别确定接收端位置在该LED附近。

本发明相对于现有技术具有如下的优点及效果：

(1)本发明提出了一种检测与识别LED-ID的有效方法，在基于图像传感器的室内可见光系统的研究中，大多数忽略了正确有效的检测与识别不同LED的方法，导致定位算法失去意义，本发明弥补了这一领域的不足，促进了可见光定位推广和使用。

(2)本发明使用了机器学习算法，这是机器学习算法在可见光定位中的首次应用，使用机器学习算法一方面可以增大特征提取允许误差范围，另一方面可以避开推导LED在传感器的面积与条纹数之间复杂的数学关系，方便可行。

附图说明

图1是本发明中公开的基于机器学习的LED视觉检测与跟踪方法的具体实现示意图；

图2是本发明实施例中部分LED的PWM调制示意图；

图3是本发明实施例中通过图像处理细化操作的示意图；

图4是本发明实施例中临近法定位示意图。

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做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。

实施例

本实施例采用基于机器学习的视觉可见光定位LED-ID检测与识别方法实现室内定位，图1是本实施例中公开的基于机器学习的视觉可见光定位LED-ID检测与识别方法的实现示意图。

本实施例中发射端由STM32单片机、DD311驱动芯片、普通白光LED等组成，由STM32单片机进行PWM调制，产生不同周期、占空比的脉冲信号，将产生的脉冲信号输入DD311驱动芯片，驱动普通白光LED发出频率、零度不同的高频光。

本实施例中接收端为日常使用设备携带的CMOS传感器摄像头，包括:智能手机、笔记本电脑、平板电脑和掌上上网设备、多媒体设备、可穿戴设备或其他类型的终端设备。

如图1所示，一种基于机器学习的视觉可见光定位LED-ID检测与识别方法，包括以下步骤：

S1、将STM32单片机作发射端信号调制器，采用PWM信号调制方式，通过DD311驱动芯片驱动不同的LED发出不同频率、PWM占空比的光，如图2。

S2、在接收端，利用CMOS摄像头拍摄LED图片，获得LED条纹图像，提取LED灯具面积、白色条纹数、黑白条纹占空比等特征，其中灯具面积与条纹数目存在非线性函数关系，同时提取这两个特征便于使用机器学习算法拟合函数关系，避免使用实验或求解复杂映射关系，提高了系统的可拓展性。

如图3所示，上述步骤S2中，提取LED灯具面积、白色条纹数目、黑白条纹占空比等特征具体过程如下：

S21、将所拍摄的图像转换为灰度图像，再将灰度图像转换为二值图，进行形态学闭运算。

S22、通过连通域检测分割含有多个LED的图片，分割后，每张图片只含有一个LED图像，获得所分割LED的半径，计算LED灯具面积。

S23、从所有照片中选择LED灯具面积最大的一张图片，将所选择被分割的LED图像进行细化操作，通过计量白色线条数量得出LED图像的白色条纹数目。

S24、在分割出的图像中间位置取一个方向竖直向下的计数向量，记录像素值为0和1的像素数目，获得黑白条纹宽度比，黑白条纹宽度比是LED灯具亮度的量度，在具体系统中使用时需注意场景是否需要满足各灯具灯光亮度一致。

S3、通过SVM或Fisher机器算法训练所提取的LED特征数据，建立线性分类器。

其中，线性支持向量机(SVM)通过设计若干个最优超平面在特征空间中，区分不同的样本，建立线性分类器，一般情况下，使用最简单的不加核函数SVM即可，具体实现可直接调用库函数，若使用底层语言，可用任意转换器直接转换；

Fisher机器算法通过寻找若干个最优向量，使样本在向量投影后，尽可能的将不同类的样本分离、同类样本尽可能的靠近，由于特征数据在正常情况下线性可分，因此可以直接调用库函数，若使用底层语言，可用任意转换器直接转换。

S4、根据未判定的LED所提取的特征，利用已经训练的分类器判断所属类别，实现LED-ID的检测与识别；利用已检测到的LED，通过临近法，实现定位。

如图4所示，以上步骤S4中，临近法为，当接收端根据摄像头捕获的图像特征，判断出LED所属类别，在预先存好的ID-位置匹配对中寻找对应位置，则可确定接收端位置在该LED附近；需要指出的是临近法是最简单的可见光定位方法，但是基于LED-ID本发明检测与识别的方法，其他高精度定位算法亦可使用。

综上所述，以上实施例提出一种基于机器学习的视觉可见光定位LED-ID检测于识别方法，本方法是机器学习在可见光定位研究中的首次应用，且弥补了系统研究LED-ID识别与检测的空白，对于推动可见光通信定位的商业化应用具有重要意义。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (5)

1.一种基于机器学习的视觉可见光定位LED-ID检测与识别方法，其特征在于，所述的检测与识别方法包括以下步骤：

S1、在发射端，利用PWM信号调制方式，驱动控制不同的LED发出不同频率以及PWM占空比的光信号；

S2、在接收端，利用CMOS摄像头拍摄训练集LED图片，获得LED条纹图像，提取包括LED灯具面积、白色条纹数、黑白条纹占空比在内的特征；

S3、通过SVM或Fisher机器学习算法训练所提取的LED特征数据，建立线性分类器；

S4、提取测试集特征，利用已经训练的分类器判断所属类别，实现LED-ID的检测与识别，然后利用已检测到的LED，通过临近法，实现定位。

2.根据权利要求1所述的基于机器学习的视觉可见光定位LED-ID检测与识别方法，其特征在于，所述的步骤S2中提取LED灯具面积、白色条纹数目、黑白条纹占空比等特征具体过程如下：

S21、将所拍摄的图像转换为二值图，并进行形态学闭运算；

S22、通过连通域检测分割含有多个LED的图片，分割后，每张图片只含有一个LED图像，获得所分割LED的半径，计算LED灯具面积；

S23、从所有照片中选择LED灯具面积最大的一张图片，将所选择被分割的LED图像进行细化操作，通过计量白色线条数量得出LED图像的白色条纹数目；

S24、在分割出的图像中间位置取一个方向竖直向下的计数向量，记录像素值为0和1的像素数目，获得黑白条纹宽度比。

3.根据权利要求1所述的基于机器学习的视觉可见光定位LED-ID检测与识别方法，其特征在于，所述的步骤S3中SVM通过设计若干个最优超平面在特征空间中，区分不同的样本，建立线性分类器。

4.根据权利要求1所述的基于机器学习的视觉可见光定位LED-ID检测与识别方法，其特征在于，所述的步骤S3中Fisher机器算法通过寻找若干个最优向量，使样本在向量投影后，尽可能的将不同类的样本分离、同类样本尽可能的靠近。

5.根据权利要求1所述的基于机器学习的视觉可见光定位LED-ID检测与识别方法，其特征在于，所述的步骤S4中临近法具体如下：

当接收端根据摄像头捕获的图像特征，判断出LED所属类别，通过LED所属类别确定接收端位置在该LED附近。