CN112164111B - 一种基于图像相似度和bpnn回归学习的室内定位方法 - Google Patents

一种基于图像相似度和bpnn回归学习的室内定位方法 Download PDF

Info

Publication number
CN112164111B
CN112164111B CN202010945446.7A CN202010945446A CN112164111B CN 112164111 B CN112164111 B CN 112164111B CN 202010945446 A CN202010945446 A CN 202010945446A CN 112164111 B CN112164111 B CN 112164111B
Authority
CN
China
Prior art keywords
image
similarity
training data
distance
regression
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
Application number
CN202010945446.7A
Other languages
English (en)
Other versions
CN112164111A (zh
Inventor
颜俊
朱洪柳
曹艳华
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.)
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing University of Posts and Telecommunications
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 Nanjing University of Posts and Telecommunications filed Critical Nanjing University of Posts and Telecommunications
Priority to CN202010945446.7A priority Critical patent/CN112164111B/zh
Publication of CN112164111A publication Critical patent/CN112164111A/zh
Application granted granted Critical
Publication of CN112164111B publication Critical patent/CN112164111B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G06T7/74—Determining position or orientation of objects or cameras using feature-based methods involving reference images or patches
    • 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
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明提出了一种基于图像相似度和BPNN回归学习的室内定位方法；该方法分为两个阶段；离线阶段，利用相机收集采样点的图像，在进行大小归一化预处理后，计算采样点图像与参考图像之间的结构相似度、直方图相似度和余弦相似度，作为训练数据的指纹。同时计算采样点与参考点的距离作为训练数据的标签；最后利用反向传播神经网络进行回归学习，得到基于距离的回归模型；在线阶段，首先对获取的图像进行大小归一化处理，然后计算与参考图像的三种相似度，通过基于距离的回归模型来估计最终的距离，实现定位，该方法具有结构简单，时间开销小，定位精度高的优点。

Description

一种基于图像相似度和BPNN回归学习的室内定位方法
技术领域
本发明涉及一种定位方法，具体的说是一种室内定位方法，属于定位导航技术领域。
背景技术
近年来，室内位置服务的需求不断增长，催生了室内定位技术的不断发展。传统卫星定位系统，如全球定位系统（GPS）、北斗定位系统，在室外空旷环境中拥有较高的定位精度，但是卫星定位信号很容易受到遮蔽或干扰，导致卫星定位系统在室内环境中定位不准甚至无法定位。但是在室内环境中，图像信息具有无电磁干扰，绿色环保等特点，因此，基于图像的定位技术受到越来越多的关注。
作为一门融合计算机视觉、机器学习、多视图几何、图像检索等众多科研领域的交叉性学科技术，基于图像的定位算法在机器人导航定位、现实增强、三维重建、地标识别等领域有着关阔的应用前景和巨大的研究价值。但是传统的图像定位算法用图像检索的方式处理定位问题，无法满足一些典型应用对定位精度的要求。
现有技术包括：基于特征匹配的定位算法和基于统计学习定位算法。其中，基于特征匹配的定位方法主要分为三步：特征提取，利用一组参数对特征进行描述，然后利用参数进行最邻近匹配来实现定位。
基于统计学习的定位算法，通常是采用有监督的机器学习方法将定位问题转化为分类问题。首先用已知数据进行训练，然后利用训练好的模型对未知的数据进行分类来实现定位功能。常用贝叶斯分类器、k近邻、支持向量机、随机森林、多层感知器等作为图像定位的分类器。
与上述两种图像定位技术相比较，基于特征匹配的定位算法虽然不需要进行离线学习，但是在线阶段，由于大量的图像特征匹配计算，导致复杂度高。基于统计学习的定位算法，目前都是基于分类学习。从定位应用的实际出发，分类学习只能将目标定位到训练数据集中的特定参考点上，如果目标不在参考点上，定位误差较大。因此，本发明公开了一种利用图像相似度和BPNN回归学习的室内定位方法。
发明内容
本发明的目的是提供一种基于图像相似度和BPNN回归学习的室内定位方法，克服无线电定位中存在的电磁干扰缺点，提高定位精度。
本发明的目的是这样实现的：一种基于图像相似度和BPNN回归学习的室内定位方法，包括以下步骤：
离线阶段
步骤1：构建训练数据集
步骤1-1：利用相机收集在每个采样点的图像；
步骤1-2：对所收集的图像进行大小归一化处理；
步骤1-3：选择收集的第一个采样点的图像和位置作为参考图像和参考位置，计算收集的图像与参考图像之间的相似度，作为所在采样点的训练数据的指纹，同时计算采样点与参考位置之间的距离，作为所在采样点训练数据的标签，利用所述指纹和标签共同构建训练数据集；
步骤2：离线回归学习
步骤2-1：根据所述训练数据集，利用反向传播神经网络进行基于距离的回归学习，得到基于相对距离的回归模型；
在线阶段
步骤1：对所获得的图像进行大小归一化处理；
步骤2：对在线阶段步骤1得到的图像与离线阶段的参考图像进行相似度计算；
步骤3：将在线阶段步骤2得到的相似度值带入相对距离的回归模型进行相对距离的估计。
作为本发明的进一步改进，离线阶段步骤1）构建训练数据集中，选取采集图像与参考图像之间的结构相似度、直方图相似度和余弦相似度作为训练数据的指纹。
本发明采用以上技术方案与现有技术相比，具有以下技术效果：
1、本发明利用相机采集图像实现定位，能够克服无线电定位中存在的电磁干扰缺点，并且定位实现简单，绿色环保，能够满足特定条件下的定位需求；
2、本发明用采集图像与参考图像之间的结构相似度、直方图相似度和余弦相似度作为训练数据的指纹，来构建高鲁棒性指纹库；
3、本发明利用BPNN回归学习图像相似度和距离之间的关系，建立了基于距离的回归模型，较分类学习而言，定位精度更高。
附图说明
图1为本发明的原理图。
图2为本发明采集数据示意图。
图3为本发明采集图像大小归一化处理的示意图。
图4为本发明回归学习中的反向传播神经网络结构图。
图5为本发明的定位性能分析。
具体实施方式
下面结合附图对本发明的技术方案做进一步的详细说明。
实施例。
如图1所示的一种基于图像相似度和BPNN回归学习的室内定位方法，包括以下步骤。
离线阶段
1.构建训练数据集；
首先，利用智能手机在每个采样点上，采集目标图像；在采集过程中，如图3所示，将手机放在距离地面高度为1.5m的三角架上；
其次，对采集的图像进行大小归一化处理；
利用双线性插值法，将获得的彩色图像调整大小为256×256；图3为图像进行归一化处理前后的描述；
接着，计算每张图像与参考图像之间的结构相似度、直方图相似度和余弦相似度，作为训练数据的指纹，同时将采集点与参考位置间的距离作为训练数据的标签；具体包括：
（1）结构相似度的计算：利用滑动窗将图像分块，采用高斯函数计算每一窗口的均值、方差以及协方差分别作为图像的亮度、对比度和结构相似度的度量，最后将各分块的结构相似度的平均值作为两图像的结构相似性度量；
（2）直方图相似度计算：将图像进行分块，对相应的小块计算其彩色直方图并进行归一化，使用相似度公式计算相似度值。最后根据各小块的平均相似度作为整个图片的相似度；
（3）余弦相似度计算：将图像表示成一个向量形式，通过计算向量内积空间的余弦值作为两图像之间的相似度；
利用所述指纹和标签共同构建训练数据集；
2．离线回归学习
根据训练数据集，利用如图4所示的反向传播神经网络进行回归学习，训练相似度和距离之间的非线性关系，得到基于距离的回归模型。
在线阶段
通过双线性插值法对获取的图像进行归一化处理，然后计算与参考图像的结构相似度、直方图相似度和余弦相似度后，将三种相似度作为输入带入基于距离的回归模型来估计距离，从而实现定位；图5描述了本专利定位算法在定位错误概率累计分布（CDF）上的比较；从图中可以看出，在同一机器学习方法下，本专利由于使用了三种不同的相似度构建指纹库，定位误差比单独使用某一相似度作为指纹的算法要小，定位性能更好。
以上所述，仅为本发明中的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉该技术的人在本发明所揭露的技术范围内，可理解想到的变换或替换，都应涵盖在本发明的包含范围之内，因此，本发明的保护范围应该以权利要求书的保护范围为准。

Claims (2)

1.一种基于图像相似度和BPNN回归学习的室内定位方法，其特征在于，包括以下步骤：
离线阶段
步骤1：构建训练数据集
步骤1-1：利用相机收集在每个采样点的图像；
步骤1-2：对所收集的图像进行大小归一化处理；
步骤1-3：选择收集的第一个采样点的图像和位置作为参考图像和参考位置，计算收集的图像与参考图像之间的相似度，作为所在采样点的训练数据的指纹，同时计算采样点与参考位置之间的距离，作为所在采样点训练数据的标签，利用所述指纹和标签共同构建训练数据集；
步骤2：离线回归学习
步骤2-1：根据所述训练数据集，利用反向传播神经网络进行基于距离的回归学习，得到基于相对距离的回归模型；
在线阶段
步骤1：对所获得的图像进行大小归一化处理；
步骤2：对在线阶段步骤1得到的图像与离线阶段的参考图像进行相似度计算；
步骤3：将在线阶段步骤2得到的相似度值带入相对距离的回归模型进行相对距离的估计。
2.根据权利要求1所述的一种基于图像相似度和BPNN回归学习的室内定位方法，其特征在于，离线阶段步骤1）构建训练数据集中，选取采集图像与参考图像之间的结构相似度、直方图相似度和余弦相似度作为训练数据的指纹。
CN202010945446.7A 2020-09-10 2020-09-10 一种基于图像相似度和bpnn回归学习的室内定位方法 Active CN112164111B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010945446.7A CN112164111B (zh) 2020-09-10 2020-09-10 一种基于图像相似度和bpnn回归学习的室内定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010945446.7A CN112164111B (zh) 2020-09-10 2020-09-10 一种基于图像相似度和bpnn回归学习的室内定位方法

Publications (2)

Publication Number Publication Date
CN112164111A CN112164111A (zh) 2021-01-01
CN112164111B true CN112164111B (zh) 2022-09-06

Family

ID=73858847

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010945446.7A Active CN112164111B (zh) 2020-09-10 2020-09-10 一种基于图像相似度和bpnn回归学习的室内定位方法

Country Status (1)

Country Link
CN (1) CN112164111B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110443849A (zh) * 2019-07-11 2019-11-12 南京邮电大学 一种基于深度图像的双流卷积神经网络回归学习的目标定位方法
CN110458025A (zh) * 2019-07-11 2019-11-15 南京邮电大学 一种基于双目摄像头的人员识别与定位方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110443849A (zh) * 2019-07-11 2019-11-12 南京邮电大学 一种基于深度图像的双流卷积神经网络回归学习的目标定位方法
CN110458025A (zh) * 2019-07-11 2019-11-15 南京邮电大学 一种基于双目摄像头的人员识别与定位方法

Also Published As

Publication number Publication date
CN112164111A (zh) 2021-01-01

Similar Documents

Publication Publication Date Title
Alidoost et al. A CNN-based approach for automatic building detection and recognition of roof types using a single aerial image
CN113034548A (zh) 一种适用于嵌入式终端的多目标跟踪方法及其系统
CN111862126A (zh) 深度学习与几何算法结合的非合作目标相对位姿估计方法
CN112132006A (zh) 一种面向耕地保护的林地和建筑物智能提取方法
CN110728694B (zh) 一种基于持续学习的长时视觉目标跟踪方法
CN105528794A (zh) 基于混合高斯模型与超像素分割的运动目标检测方法
Zhang et al. Road recognition from remote sensing imagery using incremental learning
CN113034545A (zh) 一种基于CenterNet多目标跟踪算法的车辆跟踪方法
CN114189809B (zh) 基于卷积神经网络与高维5g观测特征的室内定位方法
CN113808166B (zh) 基于聚类差分和深度孪生卷积神经网络的单目标跟踪方法
US20220091259A1 (en) System using a priori terrain height data for interferometric synthetic aperture radar (ifsar) phase disambiguation and related methods
Nayagam et al. A survey on real time object detection and tracking algorithms
CN103679740A (zh) 一种无人机对地目标roi提取方法
CN116310852A (zh) 双时相遥感影像无监督分类与变化检测方法及系统
CN113947636B (zh) 一种基于深度学习的激光slam定位系统及方法
CN112164111B (zh) 一种基于图像相似度和bpnn回归学习的室内定位方法
Zhao Motion track enhancement method of sports video image based on otsu algorithm
CN113316080B (zh) 基于Wi-Fi与图像融合指纹的室内定位方法
CN103681429A (zh) 一种芯片固晶机的控制方法及控制系统
CN116862832A (zh) 一种基于三维实景模型的作业人员定位方法
CN107193965B (zh) 一种基于BoVW算法的快速室内定位方法
Li et al. Flexible heterogeneous data fusion strategy for object positioning applications in edge computing environment
Zhang et al. Hierarchical Image Retrieval Method Based on Bag-of-Visual-Word and Eight-point Algorithm with Feature Clouds for Visual Indoor Positioning
CN114022520B (zh) 一种基于卡尔曼滤波与孪生网络的机器人目标跟踪方法
CN113723468B (zh) 一种三维点云的物体检测方法

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
GR01 Patent grant
GR01 Patent grant