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 PDFInfo
- 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
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
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。
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)
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 |
-
2020
- 2020-09-10 CN CN202010945446.7A patent/CN112164111B/zh active Active
Patent Citations (2)
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 |