CN111899298B - 基于实景图像机器学习的位置感知系统 - Google Patents
基于实景图像机器学习的位置感知系统 Download PDFInfo
- Publication number
- CN111899298B CN111899298B CN202010384606.5A CN202010384606A CN111899298B CN 111899298 B CN111899298 B CN 111899298B CN 202010384606 A CN202010384606 A CN 202010384606A CN 111899298 B CN111899298 B CN 111899298B
- Authority
- CN
- China
- Prior art keywords
- image
- server
- wireless
- live
- positioning
- 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.)
- Active
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/02—Protocols based on web technology, e.g. hypertext transfer protocol [HTTP]
- H04L67/025—Protocols based on web technology, e.g. hypertext transfer protocol [HTTP] for remote control or remote monitoring of applications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/52—Network services specially adapted for the location of the user terminal
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/023—Services making use of location information using mutual or relative location information between multiple location based services [LBS] targets or of distance thresholds
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Signal Processing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了基于实景图像机器学习的位置感知系统。所述位置感知系统包括实景GIS服务器、图像训练服务器、定位服务器、无线摄像机和无线接入设备。图像训练服务器负责以从实景GIS服务器获取的实景图像集为分类训练样本进行机器学习,得到图像分类识别模型发送给定位服务器。定位服务器通过对无线摄像机采集图像分类实现位置感知。本发明定位目标不需携带专用无线定位卡,只需携带具有无线通信功能的摄像机,即可实现包括目标朝向在内三维精确定位,可广泛应用于局部空间精确定位领域,如学校、医院、工厂、煤矿、地铁等,具有广阔的应用推广空间。
Description
技术领域
本发明涉及基于实景图像机器学习的位置感知系统,该方法涉及地理信息系统、实景GIS、机器学习和通信等领域。
背景技术
目前开阔空间移动目标定位主要以卫星定位为主,包括GPS、格勒纳斯、伽利略、北斗定位系统,除此以外,基于蜂窝移动通信系统、Wifi网络和无线传感器网络的定位技术也被应用。然而蜂窝移动通信系统定位一般只用于通信运营商的业务管理,不为用户直接提供个人定位服务;基于Wifi网络和无线传感器网络的定位只能实现局部区域范围内的定位。因此卫星定位仍然是人们生活中主要依赖的定位技术,但卫星定位需要在天空没有遮挡的条件下使用,使其应用的条件受到很大的限制;而且当卫星出现故障或卫星定位服务被关闭,则无法进行定位,会造成极大的影响。
在建筑物室内、隧道、地铁站、煤矿矿井等密闭空间中无法接收卫星信号,所以无法使用卫星定位技术。早期的密闭空间定位多采用RFID卡识别和无线电信号定位技术。RFID卡识别利用射频方式进行非接触双向通信,射频卡和读卡器之间不用接触就可实现对移动目标的识别和位置监测。基于RFID卡识别定位属于区域定位技术,只能识别井下移动目标是否经过某个区域,无法对区域内的移动目标进行精确定位。无线电信号定位技术基于无线电信号在空间中的传输信号衰减RSSI或传输时间进行定位,由于无线电信号在传输过程中易受井下空间尺寸、形状、空间壁粗糙度、障碍物等因素影响,无线电信号衰减模型极其复杂,定位误差达到10m以上。基于无线电信号传输时间的定位系统的定位精度高于RSSI定位系统,但无线电信号传输时间受多径效应、非视距传播时延、时钟同步、时钟计时误差等影响,在障碍物较多的环境中定位精度难以保证。此外,目前RFID、RSSI、飞行时间TOA、飞行时间差TDOA等定位方法均基于测距定位原理,在静止条件下,无法对目标的朝向进行定位。
因此,需要一种适合煤矿等密闭空间环境的、简单有效、建设成本低且定位精度高的定位系统,同时可实现包括目标静止条件下的目标朝向的三维精确定位系统。
发明内容
随着GIS系统、实景图像拼接技术的发展,极大推动了实景GIS技术和系统的应用。本发明结合无线定位技术、实景GIS技术和数字图像处理技术,提出了一种基于实景图像机器学习的位置感知系统,实现了局部空间三维精确定位和目标朝向定位。系统包括实景GIS服务器、图像训练服务器、定位服务器、无线摄像机和无线接入设备;所述摄像机为无线摄像机由移动目标携带,通过固定安装的无线接入设备接入通信网络;所述实景GIS服务器存储有设定空间内的三维地理信息和与之对应的实景图像库,可提供360度实景图像服务;图像训练服务器负责以空间区域为单位,以实景GIS服务器提供的360度实景图像为分类训练样本进行机器学习,并将学习得到的所有区域的图像分类识别模型传送给定位服务器;定位服务器负责依据图像识别模型对无线摄像机采集图像进行分类识别,根据识别结果进行位置感知。
图像训练服务器的机器学习步骤为:
(1)调取实景GIS服务器存储的设定空间内的三维地理信息,将设定空间划分为多个空间区域,在每个区域内确定多个视点,并在每个视点确定多个视角;
(2)从实景GIS服务器获取步骤(1)确定的每个视点的每个视角方向上的多幅实景图像;
(3)以步骤(1)确定的区域为单位,将区域中的每个视点的每个视角作为一个类,将每个视点的每个视角在步骤(2)得到的多幅实景图像作为其对应类的机器学习样本,送入机器学习网络进行训练,训练得到该区域的图像分类识别模型;
(4)重复步骤(4)的训练过程,直至得到所有区域的图像分类识别模型;
(5)将所有区域的图像分类识别模型和所有类对应的视点位置数据、视角方向数据传送给定位服务器。
所述系统位置感知步骤具体包括:
(1)无线摄像机与无线接入设备进行握手通信,定位服务器通过无线摄像机与无线接入设备之间的无线通信的信号强度或信号飞行时间,确定无线摄像机与无线接入设备之间的距离d,并参考固定无线接入设备的已知位置,确定无线摄像机的二维位置区域S;
(2)无线摄像机采集环境图像,并将图像传输给定位服务器;
(3)定位服务器将步骤(2)接收到的图像进行处理;
(4)定位服务器根据步骤(1)确定的无线摄像机的二维位置区域S,确定无线摄像机所在的机器学习的单位区域,并将步骤(3)得到图像送入该区域的图像分类识别模型进行分类识别,得到所属的类及其置信度,如所属类的视点位置在二维位置区域S内,且置信度大于设定阈值,则判定分类成功继续执行步骤(5),否则判定分类失败,返回步骤(1);
(5)定位服务器根据步骤(4)得到的类所对应的视点位置数据和视角方向数据,获得无线摄像机的位置和方向。
1.所述的位置感知系统进一步包括:图像训练服务器的机器学习步骤(2)中的每幅实景图像均存在设定范围内的视点位置偏差或视角方向偏差。
2.所述的位置感知系统进一步包括:位置感知步骤(1)所述无线摄像机的二维位置区域S为,在高度h的水平平面上,以无线接入设备位置(x1,y1)为圆心,以d-E和d+E为半径的圆的围成的环形区域S1,即满足的区域;其中E为无线摄像机与无线接入设备的无线通信测距误差,h为设定的无线摄像机的安装高度。
3.所述的位置感知系统进一步包括:对于所述无线摄像机的通信范围内固定安装多于一个的无线接入设备的环境,则所述无线摄像机的二维位置区域S为每个无线接入设备的二维位置区域Si的交集区域,设有n个无线接入设备,则S=S1∩S2∩……∩Sn。
4.所述的位置感知系统进一步包括:图像训练服务器的机器学习步骤(1)所述视点位置为,在设定高度的h的水平平面上,以设定的定位精度m为边长的正方形网格线交点位置。
5.所述的位置感知系统进一步包括:图像训练服务器的机器学习步骤(1)所述视角方向为,设定高度的水平平面上以正北为0°,与0°夹角角度为α=i·θ的方向,i=0,1,2,……,n,n为整数,θ为设定的定位角度的精度;所述视角方向进一步包括,与设定高度的水平平面夹角为β=j·θ,|β|<90°,|j|=1,2,……,k,/>
且在水平平面上投影为α的视角方向。
6.所述的位置感知系统进一步包括:系统位置感知步骤(4)中,当二维位置区域S跨越多个单位区域时,则将步骤(3)得到图像送入所有涉及的区域的图像分类识别模型进行分类识别,分别得到多个类及其置信度,根据置信度最高的类进行分类是否成功判定。
7.所述的位置感知系统进一步包括:位置感知步骤(3)所述图像处理方法包括:滤波、边缘增强、亮度调整、对比度调整、色相调整和饱和度调整。。
本发明达到的有益效果:本发明结合无线定位技术、全景GIS技术和数字图像处理技术,和机器学习技术进行位置感知,定位目标不需携带专用无线定位卡,只需携带具有无线通信功能的摄像机,即可实现包括目标朝向在内三维精确定位,如手机、平板电脑等智能手持设备。系统结构简单、易于实施,可广泛应用于局部空间精确定位领域,如学校、医院、工厂、煤矿、地铁等,具有广阔的应用推广空间。
附图说明
图1基于实景图像机器学习的位置感知系统组成示意图。
图2图像训练服务器机器学习流程示意图。
图3实景图像的视点位置示例图。
图4实景图像视角方向示例图。
图5基于三维角度的实景图像视角方向示例图。
图6基于三维模型图像机器学习的位置感知系统位置感知流程示意图。
图7单无线接入设备的无线摄像机的二维位置区域示意图。
图8两个无线接入设备的无线摄像机的二维位置区域示意图。
具体实施方式
下面将结合本发明实施例中的附图,对申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅为本发明一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
图1为所述基于实景图像机器学习的位置感知系统在室内应用示意图。如图1所示,本实施例中的所述位置感知系统包括:
1.实景GIS服务器(101),存储有设定空间内的三维地理信息和与之对应的实景图像库,可提供360度实景图像服务。实景GIS服务器还存储有无线接入设备位置数据。
2.图像训练服务器(102),图像训练服务器负责以空间区域为单位,以实景GIS服务器提供的图像集为分类训练样本进行机器学习,并将学习得到的所有区域的图像分类识别模型传送给定位服务器。
3.定位服务器(103),负责将无线摄像机采集图像用图像训练服务器生成的图像分类识别模型进行分类,根据分类结果确定无线摄像机的位置和方向,实现位置感知。定位服务器还具有对无线摄像机的定位功能,通过从无线网络管理设备(105)获取无线接入设备与无线摄像机的通信信号强度或飞行时间数据,处理数据得到无线摄像机与无线接入设备之间的距离,并通过实景GIS服务器提供的无线接入设备位置数据确定无线摄像机的二维位置区域。
4.监控终端(104)主要负责实景GIS服务器、图像训练服务器、定位服务器和无线网络管理设备的设备管理,管理人员可通过监控终端访问以上设备,并对其设备参数和存储数据进行管理。如访问实景GIS服务器对其地理信息数据进行添加、删除和修改等。根据系统应用需要,可在监控终端安装移动目标监控软件,进行三维地图和无线摄像机采集图像的显示,并对移动目标的位置进行监控。
5.无线网络管理设备(105)用于无线接入设备的统一管理,可采集无线接入设备与无线摄像机的通信信号强度或飞行时间数据。
6.无线接入设备(105),无线网络的接入设备,负责包括无线摄像机(107)在内的无线通信设备的无线网络接入,可监测无线摄像机通信的信号强度或信号飞行时间。
7.无线摄像机(107)如具有无线通信功能的视频及图像采集设备,用于采集环境图像,并将图像传输给定位服务器。需要位置感知服务的人员也可采用具有无线通信功能的手机、平板电脑等智能设备作为无线摄像机,智能设备如安装专用导航软件,可进行三维地图和自身的位置显示。
图像训练服务器机器学习流程如2所示,包括:
1.(201)调取实景GIS服务器存储的设定空间内的三维地理信息,将设定空间划分为多个空间区域,在每个区域内确定多个视点,并在每个视点确定多个视角;
2.(202)从实景GIS服务器获取(201)确定的一个视点和视角上的实景图像,并存储;
3.(203)在设定的位置和方向范围内,随机移动视点位置和视角方向,从实景GIS服务器获取移动后的视点和视角上的实景图像,并存储;
4.(204)判定是否达到一个类训练样本的设定数量,如达到则执行(205),否则返回执行(203);
5.(205)判定是否完成所有视点的所有视角的实景图像获取和存储,如完成则执行(206),如未完成则返回(203)继续获取和存储;
6.(206)以(201)确定的区域为单位,将区域中的每个视点的每个视角作为一个类,将每个视点的每个视角在步骤(203)和(204)得到的图像作为其对应类的机器学习样本,送入机器学习网络进行训练,训练得到该区域的图像分类识别模型;此示例中,机器学习网络采用VGG卷积神经网络;
7.(207)判定是否完成所有区域的机器学习,如完成,则执行(208);如未完成,则返回(206)对未完成的区域进行机器学习;
8.(208)将所有区域的图像分类识别模型和所有类对应的视点位置数据、视角方向数据传送给定位服务器传送给定位服务器。
图3为渲染二维图像的视点位置示例。本示例中将实景GIS服务器存储的设定空间划分为4个dX×dY的矩形区域,在h高度的水平平面上,以m为边长的正方形网格线交点为渲染二维图像视点位置。h为设定的无线摄像机安装高度,m为设定定位精度。
图4为渲染二维图像视角示例图。在设定的无线摄像机安装高度h的水平平面上,以视点为视角方向的起点,正北为0°,与0°夹角角度为α=i·θ的方向,i=1,2,……,n,n为整数,θ为设定的定位角度的精度。本示例取θ=45°,/>α=0°,45°,90°,135°,180°,225°,270°,315°。
图5基于三维角度的实景图像视角示意图。如图所示,除图4所示的平面视角方向外,示例中还增加了与无线摄像机安装高度的水平平面夹角为β的视角方向,在水平平面上投影为α的视角方向,|β|=j·θ,|β|<90°,|j|=1,2,……,k,本示例取k=1。
所述系统位置感知流程如6所示,包括:
1.(601)无线摄像机与无线接入设备进行测距通信。
2.(602)无线接入设备监测无线摄像机的通信的信号强度或信号飞行时间。
3.(603)定位服务器通过无线摄像机与无线接入设备之间的无线通信的信号强度或信号飞行时间,确定无线摄像机与无线接入设备之间的距离d,并参考固定无线接入设备的已知位置,确定无线摄像机的二维位置区域S。
4.(604)无线摄像机采集环境图像,并将图像传输给定位服务器。
5.(605)定位服务器将(604)接收到的图像进行处理,处理方法包括:滤波、边缘增强、亮度调整、对比度调整、色相调整和饱和度调整。
6.(606)定位服务器将(605)得到的图像送入该区域的图像分类识别模型进行分类识别,得到所属类及其置信度。当二维位置区域S跨越多个单位区域时,则将图像送入所有涉及的区域的图像分类识别模型进行分类识别,分别得到分类结果及其置信度,以置信度最高的类作为所属类。
7.(607)定位服务器根据(606)的所属类、置信度和类对应的视点位置数据判定分类是否成功,如果置信度大于设定阈值,且类对应的视点位置在二维位置区域S内,则判定分类成功,继续执行(608);否则判定分类失败,返回(601)。
8.(608)定位服务器根据(606)得到的所属类对应的视点位置数据和视角方向数据作为无线摄像机的位置和方向。
9.(609)定位服务器将(608)得到的无线摄像机的位置和方向传输给需位置监控服务的监控终端,或位置导航服务的智能设备,并返回(601)。
图7为单无线接入设备的无线摄像机的二维位置区域示意图。如图所示,以无线接入设备位置(x1,y1)为圆心,以d-E和d+E为半径的圆的围成的环形区域S,即满足的区域中,其中E为无线摄像机与无线接入设备的无线通信测距误差。
图8为基于三维角度的无线摄像机的二维位置区域示意图。如图所示,除图7所示的平面视角外,示例中还增加了与无线摄像机安装高度的水平平面夹角为β的方向,在水平平面上投影为α的方向,|β|=j·θ,|β|<90°,|j|=1,2,……,k,本示例取k=1。
Claims (8)
1.基于实景图像机器学习的位置感知系统,其特征在于:系统包括实景GIS服务器、图像训练服务器、定位服务器、无线摄像机和无线接入设备;所述摄像机为无线摄像机由移动目标携带,通过固定安装的无线接入设备接入通信网络;所述实景GIS服务器存储有设定空间内的三维地理信息和与之对应的实景图像库,可提供360度实景图像服务;图像训练服务器负责以空间区域为单位,以实景GIS服务器提供的360度实景图像为分类训练样本进行机器学习,并将学习得到的所有区域的图像分类识别模型传送给定位服务器;图像训练服务器的机器学习步骤为:
(1)调取实景GIS服务器存储的设定空间内的三维地理信息,将设定空间划分为多个空间区域,在每个区域内确定多个视点,并在每个视点确定多个视角;
(2)从实景GIS服务器获取步骤(1)确定的每个视点的每个视角方向上的多幅实景图像;
(3)以步骤(1)确定的区域为单位,将区域中的每个视点的每个视角作为一个类,将每个视点的每个视角在步骤(2)得到的多幅实景图像作为其对应类的机器学习样本,送入机器学习网络进行训练,训练得到该区域的图像分类识别模型;
(4)重复步骤(4)的训练过程,直至得到所有区域的图像分类识别模型;
(5)将所有区域的图像分类识别模型和所有类对应的视点位置数据、视角方向数据传送给定位服务器;
定位服务器负责依据图像识别模型对无线摄像机采集图像进行分类识别,根据识别结果进行位置感知;定位服务器工作步骤具体包括:
(1)无线摄像机与无线接入设备进行握手通信,定位服务器通过无线摄像机与无线接入设备之间的无线通信的信号强度或信号飞行时间,确定无线摄像机与无线接入设备之间的距离d,并参考固定无线接入设备的已知位置,确定无线摄像机的二维位置区域S;
(2)无线摄像机采集环境图像,并将图像传输给定位服务器;
(3)定位服务器将步骤(2)接收到的图像进行处理;
(4)定位服务器根据步骤(1)确定的无线摄像机的二维位置区域S,确定无线摄像机所在的机器学习的单位区域,并将步骤(3)得到图像送入该区域的图像分类识别模型进行分类识别,得到所属的类及其置信度,如所属类的视点位置在二维位置区域S内,且置信度大于设定阈值,则判定分类成功继续执行步骤(5),否则判定分类失败,返回步骤(1);
(5)定位服务器根据步骤(4)得到的类所对应的视点位置数据和视角方向数据,获得无线摄像机的位置和方向。
2.如权利要求1所述的位置感知系统,其特征在于:图像训练服务器的机器学习步骤(2)中的每幅实景图像均存在设定范围内的视点位置偏差或视角方向偏差。
3.如权利要求1所述的位置感知系统,其特征在于:定位服务器工作步骤(1)所述无线摄像机的二维位置区域S为,在高度h的水平平面上,以无线接入设备位置(x1,y1)为圆心,以d-E和d+E为半径的圆的围成的环形区域S1,即满足的区域;其中E为无线摄像机与无线接入设备的无线通信测距误差,h为设定的无线摄像机的安装高度。
4.如权利要求1所述的位置感知系统,其特征在于:对于所述无线摄像机的通信范围内固定安装多于一个的无线接入设备的环境,则所述无线摄像机的二维位置区域S为每个无线接入设备根据权利要求3所确定区域Si的交集区域,设有n个无线接入设备,则
S=S1∩S2∩……∩Sn。
5.如权利要求1所述的位置感知系统,其特征在于:图像训练服务器的机器学习步骤(1)所述视点位置为,在设定高度的h的水平平面上,以设定的定位精度m为边长的正方形网格线交点位置。
6.如权利要求1所述的位置感知系统,其特征在于:图像训练服务器的机器学习步骤(1)所述视角方向为,设定高度的水平平面上以正北为0°,与0°夹角角度为α=i·θ的方向,i=0,1,2,……,n,n为整数,θ为设定的定位角度的精度;所述视角方向进一步包括,与设定高度的水平平面夹角为β=j·θ,|β|<90°,|j|=1,2,……,k,/>且在水平平面上投影为α的视角方向。
7.如权利要求1所述的位置感知系统,其特征在于:定位服务器工作步骤(4)中,当二维位置区域S跨越多个单位区域时,则将步骤(3)得到图像送入所有涉及的区域的图像分类识别模型进行分类识别,分别得到多个类及其置信度,根据置信度最高的类进行分类是否成功判定。
8.如权利要求1所述的位置感知系统,其特征在于:定位服务器工作步骤(3)所述图像处理方法包括:滤波、边缘增强、亮度调整、对比度调整、色相调整和饱和度调整。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010384606.5A CN111899298B (zh) | 2020-05-08 | 2020-05-08 | 基于实景图像机器学习的位置感知系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010384606.5A CN111899298B (zh) | 2020-05-08 | 2020-05-08 | 基于实景图像机器学习的位置感知系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111899298A CN111899298A (zh) | 2020-11-06 |
CN111899298B true CN111899298B (zh) | 2023-08-15 |
Family
ID=73206286
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010384606.5A Active CN111899298B (zh) | 2020-05-08 | 2020-05-08 | 基于实景图像机器学习的位置感知系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111899298B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117237615B (zh) * | 2023-11-14 | 2024-02-06 | 中国电子科技集团公司第十五研究所 | 一种监督目标定位方法和装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106023211A (zh) * | 2016-05-24 | 2016-10-12 | 深圳前海勇艺达机器人有限公司 | 基于深度学习的机器人图像定位方法及系统 |
CN107064913A (zh) * | 2017-03-10 | 2017-08-18 | 上海斐讯数据通信技术有限公司 | 一种基于深度学习的无线定位方法及系统 |
CN108120436A (zh) * | 2017-12-18 | 2018-06-05 | 北京工业大学 | 一种iBeacon辅助地磁室内实景导航方法 |
CN109540138A (zh) * | 2018-11-12 | 2019-03-29 | 中南大学 | 基于视觉神经网络的室内导航方法、系统及可读存储器 |
CN110428419A (zh) * | 2019-09-02 | 2019-11-08 | 中国矿业大学(北京) | 基于移动图像识别的矿井定位系统 |
CN110553650A (zh) * | 2019-08-29 | 2019-12-10 | 华南理工大学 | 一种基于小样本学习的移动机器人重定位方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8433337B2 (en) * | 2011-07-18 | 2013-04-30 | Ting-Yueh Chin | RSS-based DOA indoor location estimation system and method |
-
2020
- 2020-05-08 CN CN202010384606.5A patent/CN111899298B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106023211A (zh) * | 2016-05-24 | 2016-10-12 | 深圳前海勇艺达机器人有限公司 | 基于深度学习的机器人图像定位方法及系统 |
CN107064913A (zh) * | 2017-03-10 | 2017-08-18 | 上海斐讯数据通信技术有限公司 | 一种基于深度学习的无线定位方法及系统 |
CN108120436A (zh) * | 2017-12-18 | 2018-06-05 | 北京工业大学 | 一种iBeacon辅助地磁室内实景导航方法 |
CN109540138A (zh) * | 2018-11-12 | 2019-03-29 | 中南大学 | 基于视觉神经网络的室内导航方法、系统及可读存储器 |
CN110553650A (zh) * | 2019-08-29 | 2019-12-10 | 华南理工大学 | 一种基于小样本学习的移动机器人重定位方法 |
CN110428419A (zh) * | 2019-09-02 | 2019-11-08 | 中国矿业大学(北京) | 基于移动图像识别的矿井定位系统 |
Non-Patent Citations (1)
Title |
---|
基于机器学习的精准定位系统;刘毅等;《华中科技大学学报(自然科学版)》;第1-9页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111899298A (zh) | 2020-11-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7991194B2 (en) | Apparatus and method for recognizing position using camera | |
US11243288B2 (en) | Location error radius determination | |
US8386422B1 (en) | Using constructed paths to supplement map data | |
CN102960036A (zh) | 众包视觉和传感器勘测绘图 | |
CN102854490A (zh) | 移动物体的混合定位方法与装置 | |
CN104333564A (zh) | 目标操作方法、系统及设备 | |
KR20190059120A (ko) | 사물인터넷 기반의 증강현실을 이용한 시설물 점검 시스템 | |
Bi et al. | Supplementary open dataset for WiFi indoor localization based on received signal strength | |
CN111899298B (zh) | 基于实景图像机器学习的位置感知系统 | |
Blankenbach et al. | Building information systems based on precise indoor positioning | |
CN107196704A (zh) | 终端定位方法、装置和电子设备 | |
CN105657825A (zh) | 一种定位方法、移动终端、云服务器及定位系统 | |
CN111612904B (zh) | 基于三维模型图像机器学习的位置感知系统 | |
CN110208742B (zh) | 一种基于bls可用于室内的定位系统及定位方法 | |
CN111601246B (zh) | 基于空间三维模型图像匹配的智能位置感知系统 | |
CN113237464A (zh) | 定位系统、方法、定位器以及存储介质 | |
Jeon et al. | Design of positioning DB automatic update method using Google tango tablet for image based localization system | |
CN111292288A (zh) | 一种目标检测及定位的方法及装置 | |
Du et al. | Multi-Beacon Integrated Indoor Positioning System | |
CN114513746B (zh) | 融合三重视觉匹配模型和多基站回归模型的室内定位方法 | |
KR101181294B1 (ko) | 문제 발생신고 촬영대상지점 위치인식 방법과 문제 신고처리 시스템 | |
CN117392364A (zh) | 基于全景图像深度学习的位置感知系统 | |
CN114207475A (zh) | 虚实结合的定位方法 | |
Veenendaal et al. | Geolocating for web based geospatial applications | |
CN116858249A (zh) | 一种移动地图应用服务平台 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |