CN112766138A - 基于图像识别的定位方法、装置、设备及存储介质 - Google Patents
基于图像识别的定位方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112766138A CN112766138A CN202110051406.2A CN202110051406A CN112766138A CN 112766138 A CN112766138 A CN 112766138A CN 202110051406 A CN202110051406 A CN 202110051406A CN 112766138 A CN112766138 A CN 112766138A
- Authority
- CN
- China
- Prior art keywords
- preset
- positioning
- model
- mobile terminal
- landscape
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 93
- 238000012545 processing Methods 0.000 claims abstract description 26
- 238000004891 communication Methods 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims description 105
- 230000008569 process Effects 0.000 claims description 23
- 230000002776 aggregation Effects 0.000 claims description 18
- 238000004220 aggregation Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 8
- 230000004807 localization Effects 0.000 claims 1
- 238000005516 engineering process Methods 0.000 description 13
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/35—Categorising the entire scene, e.g. birthday party or wedding scene
- G06V20/36—Indoor scenes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/42—Determining position
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/35—Categorising the entire scene, e.g. birthday party or wedding scene
- G06V20/38—Outdoor scenes
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Computer Networks & Wireless Communication (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种基于图像识别的定位方法、装置、设备和存储介质，该方法包括：在检测到定位指令时，采集环境图像，基于预设联邦识别模型对所述环境图像进行景观对象的识别，确定所述景观对象的对象信息，并确定所述第一移动端设备和所述景观对象的相对坐标；将所述对象信息发送给云端服务器，并接收所述云端服务器基于所述对象信息进行定位处理后反馈的对象位置；根据所述相对坐标和所述对象位置，确定所述第一移动终端的目标定位位置。本申请通过基于图像识别进行定位，避免在受信号质量影响很大的(基站和卫星之间的)通信段进行无线通信，进而避免定位偏差，提升定位的准确性。
Description
技术领域
本申请涉及金融科技(Fintech)的人工智能技术领域，尤其涉及一种基于图像识别的定位方法、装置、设备及存储介质。
背景技术
随着金融科技，尤其是互联网科技金融的不断发展，越来越多的技术应用在金融领域，但金融业也对技术提出了更高的要求，如金融业对基于图像识别的定位也有更高的要求。
定位技术是车辆交通、航空、物联网、机器人等领域的核心技术，传统的定位技术通过卫星、基站和定位主体之间的无线通讯来实现，具体地，通过多个不同卫星(通过中间体基站实现)和定位主体之间的距离推算出定位主体在空间中的具体位置，而实现这需要搭建由多个基站和卫星构成的设施，定位主体在通过基站与卫星通信时，基站和卫星之间的通信致使定位的结果受信号质量的影响很大，在同频段信号受干扰的情况下，就会出现定位结果的偏差，影响相关设备或者相关定位主体的使用。
发明内容
本申请的主要目的在于提供一种基于图像识别的定位方法、装置、设备和存储介质，旨在解决现有通过卫星定位时，易出现定位偏差的技术问题。
为实现上述目的，本申请提供一种基于图像识别的定位方法，应用于第一移动终端，所述基于图像识别的定位方法包括：
在检测到定位指令时，采集环境图像，基于预设联邦识别模型对所述环境图像进行景观对象的识别，确定所述景观对象的对象信息，并确定所述第一移动端设备和所述景观对象的相对坐标；
将所述对象信息发送给云端服务器，并接收所述云端服务器基于所述对象信息进行定位处理后反馈的对象位置；
根据所述相对坐标和所述对象位置，确定所述第一移动终端的目标定位位置。
可选地，所述将所述对象信息发送给云端服务器，并接收所述云端服务器基于所述对象信息进行定位处理后反馈的对象位置的步骤，包括：
获取所述第一移动终端基于卫星定位系统定位的初始定位位置；
将所述初始定位位置以及所述对象信息发送给云端服务器，并接收所述云端服务器基于所述对象信息和所述初始定位位置进行定位处理后，反馈的对象位置。
可选地，所述在检测到定位指令时，采集环境图像，基于预设联邦识别模型对所述环境图像进行景观对象的识别，确定所述景观对象的对象信息，并确定所述第一移动端设备和所述景观对象的相对坐标的步骤，包括：
在检测到定位指令时，采集环境图像，将所述环境图像输入至预设联邦识别模型中；
基于所述预设联邦识别模型，对所述环境图像进行识别处理，得到所述景观对象的对象信息，并得到所述第一移动端设备和所述景观对象的相对坐标；
其中，所述预设联邦识别模型是基于具有预设标签的预设训练数据，通过执行预设联邦学习流程，对预设待训练预测模型进行迭代训练后，获得的目标模型。
可选地，所述基于所述预设联邦识别模型，对所述环境图像进行识别处理，得到所述景观对象的对象信息，并得到所述第一移动端设备和所述景观对象的相对坐标的步骤之前，所述方法包括：
获取具有预设标签的预设训练数据；
基于所述具有预设标签的预设训练数据，通过执行预设联邦学习流程，对预设待训练预测模型进行迭代训练，获得目标模型；
将所述目标模型设置为所述预设联邦识别模型。
可选地，所述基于所述具有预设标签的预设训练数据，通过执行预设联邦学习流程，对预设待训练预测模型进行迭代训练，获得目标模型的步骤，包括：
基于所述具有预设标签的预设训练数据，对所述预设待训练预测模型进行迭代训练，以训练更新所述预设待训练预测模型的模型变量；
判断迭代训练的所述待预测模型是否达到预设更新条件，若所述待训练预测模型达到预设更新条件，则通过执行所述预设联邦学习流程，对训练更新的所述模型变量进行替换更新，获得替换更新的所述预设待训练预测模型；
持续对替换更新的所述预设待训练预测模型进行迭代训练和替换更新，直至所述预设待训练模型满足预设训练完成条件，获得目标模型。
可选地，所述若所述待训练预测模型达到预设更新条件，则通过执行所述预设联邦学习流程，对训练更新的所述模型变量进行替换更新，获得替换更新的所述预设待训练预测模型的步骤，包括：
将训练更新的所述模型变量加密发送至与所述第一移动终端通信连接的云端服务器，以供所述云端服务器对多个第二移动终端与所述第一移动终端分别发送的模型变量进行聚合处理，获得聚合变量，并将所述聚合变量反馈至所述第一移动终端；
接收所述云端服务器反馈的所述聚合变量，并将训练更新的所述模型变量替换更新为所述聚合变量，获得替换更新的所述预设待训练预测模型。
可选地，所述在检测到定位指令时，采集环境图像，基于预设联邦识别模型对所述环境图像进行景观对象的识别，确定所述景观对象的对象信息，并确定所述第一移动端设备和所述景观对象的相对坐标的步骤，包括：
在检测到定位指令时，采集环境图像；
通过预设雷达传感器获取所述第一移动终端预设环境范围内的扫描信息；
对所述环境图像与所述扫描信息进行景观对象的识别，确定所述景观对象的对象信息，并确定所述第一移动端设备和所述景观对象的相对坐标。
本申请还提供一种基于图像识别的定位装置，应用于第一移动终端，所述基于图像识别的定位装置包括：
采集模块，用于在检测到定位指令时，采集环境图像，基于预设联邦识别模型对所述环境图像进行景观对象的识别，确定所述景观对象的对象信息，并确定所述第一移动端设备和所述景观对象的相对坐标；
接收模块，用于将所述对象信息发送给云端服务器，并接收所述云端服务器基于所述对象信息进行定位处理后反馈的对象位置；
确定模块，用于根据所述相对坐标和所述对象位置，确定所述第一移动终端的目标定位位置。
可选地，所述接收模块包括：
第一获取单元，用于获取所述第一移动终端基于卫星定位系统定位的初始定位位置；
发送单元，用于将所述初始定位位置以及所述对象信息发送给云端服务器，并接收所述云端服务器基于所述对象信息和所述初始定位位置进行定位处理后，反馈的对象位置。
可选地，所述采集模块包括：
第一采集单元，用于在检测到定位指令时，采集环境图像，将所述环境图像输入至预设联邦识别模型中；
第二获取单元，用于基于所述预设联邦识别模型，对所述环境图像进行识别处理，得到所述景观对象的对象信息，并得到所述第一移动端设备和所述景观对象的相对坐标；
其中，所述预设联邦识别模型是基于具有预设标签的预设训练数据，通过执行预设联邦学习流程，对预设待训练预测模型进行迭代训练后，获得的目标模型。
可选地，所述基于图像识别的定位装置还包括：
获取模块，用于获取具有预设标签的预设训练数据；
执行模块，用于基于所述具有预设标签的预设训练数据，通过执行预设联邦学习流程，对预设待训练预测模型进行迭代训练，获得目标模型；
设置模块，用于将所述目标模型设置为所述预设联邦识别模型。
可选地，所述执行模块包括：
训练单元，用于基于所述具有预设标签的预设训练数据，对所述预设待训练预测模型进行迭代训练，以训练更新所述预设待训练预测模型的模型变量；
判断单元，用于判断迭代训练的所述待预测模型是否达到预设更新条件，若所述待训练预测模型达到预设更新条件，则通过执行所述预设联邦学习流程，对训练更新的所述模型变量进行替换更新，获得替换更新的所述预设待训练预测模型；
更新单元，用于持续对替换更新的所述预设待训练预测模型进行迭代训练和替换更新，直至所述预设待训练模型满足预设训练完成条件，获得目标模型。
可选地，所述判断单元包括：
发送子单元，用于将训练更新的所述模型变量加密发送至与所述第一移动终端通信连接的云端服务器，以供所述云端服务器对多个第二移动终端与所述第一移动终端分别发送的模型变量进行聚合处理，获得聚合变量，并将所述聚合变量反馈至所述第一移动终端；
接收子单元，用于接收所述云端服务器反馈的所述聚合变量，并将训练更新的所述模型变量替换更新为所述聚合变量，获得替换更新的所述预设待训练预测模型。
可选地，所述采集模块包括：
第二采集单元，用于在检测到定位指令时，采集环境图像；
第三获取单元，用于通过预设雷达传感器获取所述第一移动终端预设环境范围内的扫描信息；
识别单元，用于对所述环境图像与所述扫描信息进行景观对象的识别，确定所述景观对象的对象信息，并确定所述第一移动端设备和所述景观对象的相对坐标。
本申请还提供一种基于图像识别的定位设备，所述基于图像识别的定位设备为实体节点设备，所述基于图像识别的定位设备包括：存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的所述基于图像识别的定位方法的程序，所述基于图像识别的定位方法的程序被处理器执行时可实现如上述的基于图像识别的定位方法的步骤。
本申请还提供一种存储介质，所述存储介质上存储有实现上述基于图像识别的定位方法的程序，所述基于图像识别的定位方法的程序被处理器执行时实现如上述的基于图像识别的定位方法的步骤。
本申请还提供一种计算机程序产品、包括计算机程序，该计算机程序被处理器执行时实现上述的基于图像识别的定位方法的步骤。
本申请提供一种基于图像识别的定位方法、装置、设备及存储介质，与现有技术中通过卫星和定位主体之间的无线通讯进行定位，易出现定位偏差相比，本申请通过在检测到定位指令时，采集环境图像，基于预设联邦识别模型对所述环境图像进行景观对象的识别，确定所述景观对象的对象信息，并确定所述第一移动端设备和所述景观对象的相对坐标；将所述对象信息发送给云端服务器，并接收所述云端服务器基于所述对象信息进行定位处理后反馈的对象位置；根据所述相对坐标和所述对象位置，确定所述第一移动终端的目标定位位置。在本申请中，在检测到定位指令时，采集环境图像后，基于预设联邦识别模型准确对所述环境图像进行景观对象的识别，进而确定所述景观对象的对象信息，并确定所述第一移动端设备和所述景观对象的相对坐标，并将所述对象信息发送给云端服务器，接收所述云端服务器基于所述对象信息进行定位处理后反馈的对象位置，以根据所述相对坐标和所述对象位置，确定所述第一移动终端的目标定位位置，由于是通过图像识别得到的对象信息确定的对象位置，与移动终端确定的相对坐标，确定所述第一移动终端的目标定位位置，而不是通过基站与卫星进行定位，因而避免在受信号质量影响很大的(基站和卫星之间的)通信段进行无线通信，因而，避免该通信段对定位的偏差影响，因而，提升了定位的准确性。解决现有通过卫星定位时，易出现定位偏差的技术问题。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
为了更清楚地说明本申请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简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请基于图像识别的定位方法第一实施例的流程示意图；
图2为本申请基于图像识别的定位方法中步骤S20的细化步骤流程示意图；
图3为本申请实施例方案涉及的硬件运行环境的设备结构示意图。
本申请目的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请实施例提供一种基于图像识别的定位方法，在本申请基于图像识别的定位方法的第一实施例中，参照图1，应用于第一移动终端，所述基于图像识别的定位方法包括：
步骤S10，在检测到定位指令时，采集环境图像，基于预设联邦识别模型对所述环境图像进行景观对象的识别，确定所述景观对象的对象信息，并确定所述第一移动端设备和所述景观对象的相对坐标；
步骤S20，将所述对象信息发送给云端服务器，并接收所述云端服务器基于所述对象信息进行定位处理后反馈的对象位置；
步骤S30，根据所述相对坐标和所述对象位置，确定所述第一移动终端的目标定位位置。
具体步骤如下：
步骤S10，在检测到定位指令时，采集环境图像，基于预设联邦识别模型对所述环境图像进行景观对象的识别，确定所述景观对象的对象信息，并确定所述第一移动端设备和所述景观对象的相对坐标；
在本实施例中，需要说明的是，基于图像识别的定位方法可以应用于基于图像识别的定位系统，特别地，可以应用于基于图像识别的定位系统中的第一移动终端，第一移动端设备可以是任何具备搭载计算机单元、以及摄像头等的移动设备，如现在开发的手机、汽车等，该第一移动终端，与云端服务器共同构成基于图像识别的定位系统，或者该第一移动终端，其他第二移动终端与云端服务器共同构成基于图像识别的定位系统，其中，基于图像识别的定位系统从属于基于图像识别的定位设备。
在本实施例中，需要说明的是，基于图像识别的定位方法可以应用于室外定位场景如地下停车场等信号不佳的场景，也可以应用于室内定位场景，或者适用于室内的定位以及室内外一体化的定位，室内定位和室外定位的区别在于：识别的景观图像不同，室内定位可不仅仅包括标志性建筑这样的室外对象，也可以包括特定室内标志或特定装饰的室内对象，并建立室内坐标和室外坐标的统一对应关系，基于图像识别的定位方法不受限于定位信号的覆盖，只要有图像等传感信息和无线网络支持，都可以实现基于对象识别的定位。
在本实施例中，具体地，在检测到定位指令时，采集环境图像，其中，环境图像包括室内环境图像或者室外环境图像，定位指令的触发方式可以是：用户通过定位应用触发，或者用户通过触摸定位快捷键触发。在检测到定位指令时，提示用户手动环视拍摄环境图像，以采集得到环境图像，或者自动开启摄像头环视拍摄，以采集得到环境图像，采集环境图像可以是第一移动终端的一个摄像头采集，也可以通过该第一移动终端的多个摄像头采集，该摄像头可以是高清摄像头或者是超清摄像头。
在采集环境图像后，基于预设联邦识别模型对所述环境图像进行景观对象的识别，确定所述景观对象的对象信息，并确定所述第一移动端设备和所述景观对象的相对坐标，具体地，景观对象可以指的是：环境图像中的预设特定对象，该预设特定对象可以是建筑物、路口，商场等，如某一区域内标志性的建筑物等，该环境图像还可以是室内楼道，或者室内厨房等。
在采集环境图像后，对所述环境图像进行景观对象的识别，确定所述景观对象的对象信息，并确定所述第一移动端设备和所述景观对象的相对坐标的方式至少包括如下几种：
方式一：在采集环境图像后，通过机器学习具体地，基于预设联邦识别模型对所述环境图像进行景观对象的识别，确定所述景观对象的对象信息，并确定所述第一移动端设备和所述景观对象的相对坐标；
方式二：在采集环境图像后，通过联网进行图片比对，直接对所述环境图像进行景观对象的识别，确定所述景观对象的对象信息，并确定所述第一移动端设备和所述景观对象的相对坐标。
在本实施例中，需要说明的是，对象信息包括对象的类型，对象的颜色等属性信息，由于摄像头的摄像参数已知，因而，在摄取环境图像之后，通过成像原理，可以确定所述移动端设备和所述景观对象的相对坐标。
其中，所述在检测到定位指令时，采集环境图像，基于预设联邦识别模型对所述环境图像进行景观对象的识别，确定所述景观对象的对象信息，并确定所述第一移动端设备和所述景观对象的相对坐标的步骤，包括：
步骤S11，在检测到定位指令时，采集环境图像；
步骤S12，通过预设雷达传感器获取所述第一移动终端预设环境范围内的扫描信息；
在本实施例中，在检测到定位指令，采集环境图像后，还通过预设雷达传感器获取所述第一移动终端预设环境范围内的扫描信息，即在本实施例中，除了适用采用图像识别的方法来进行景观对象的识别，也可以结合其它传感技术来增强景观对象的识别，比如通过预设雷达传感器获取所述第一移动终端预设环境范围内的扫描信息，来增强景观对象的识别，具体地，该预设雷达传感器可以是激光雷达、毫米波雷达等传感器，在本实施例中，由于通过预设雷达传感器获取所述第一移动终端预设环境范围内的扫描信息，来增强景观对象的识别，因而，提升了景观对象的识别效率以及识别准确性，尤其是针对室内的识别场景，提升了景观对象的识别效率以及识别准确性。
步骤S13，对所述环境图像与所述扫描信息进行景观对象的识别，确定所述景观对象的对象信息，并确定所述第一移动端设备和所述景观对象的相对坐标。
对所述环境图像与所述扫描信息进行景观对象的识别，确定所述景观对象的对象信息，并确定所述第一移动端设备和所述景观对象的相对坐标，具体地，将所述环境图像与所述扫描信息输入至预设识别模型中，确定所述景观对象的对象信息，并确定所述第一移动端设备和所述景观对象的相对坐标。
步骤S20，将所述对象信息发送给云端服务器，并接收所述云端服务器基于所述对象信息进行定位处理后反馈的对象位置；
在本实施例中，在得到对象信息后，将所述对象信息发送给云端服务器，并接收所述云端服务器基于所述对象信息进行定位处理后反馈的对象位置，具体地，云端服务器中设置有定位检索子系统，云端服务器在得到对象信息后，运行定位检索子系统，该定位检索子系统能够根据对象信息得出该对象所在的位置，需要说明的是，云端服务器的定位检索子系统具备大数据的存储能力，能够存储大量的景观对象和对应位置的信息，同时云端服务器的定位检索子系统具备强大的计算能力，能够支持位置检索所需要的计算或者人工智能算法。
需要说明的是，在本实施例中，云端服务器的定位检索子系统还存储有存储大量室内的景观对象和对应位置的信息，例如，存储有大量室内低下停车场的景观对象和对应位置的信息。
其中，参照图2，所述将所述对象信息发送给云端服务器，并接收所述云端服务器基于所述对象信息进行定位处理后反馈的对象位置的步骤，包括：
步骤S21，获取所述第一移动终端基于卫星定位系统定位的初始定位位置；
步骤S22，将所述初始定位位置以及所述对象信息发送给云端服务器，并接收所述云端服务器基于所述对象信息和所述初始定位位置进行定位处理后反馈的对象位置。
整体地，在本实施例中，需要说明的是，还获取所述第一移动终端基于卫星定位系统定位的初始定位位置，还获取所述第一移动终端基于卫星定位系统定位的初始定位位置的目的在于：与现有的定位技术互补，即通过基于卫星定位系统对第一移动终端进行初始定位，并基于初始定位可以通过第一移动端的景观图像获得第一移动端所在的精确定位位置。
具体地，在本实施例中，获取所述第一移动终端基于卫星定位系统定位的初始定位位置，在得到初始定位位置后，将所述初始定位位置以及所述对象信息发送给云端服务器，并接收所述云端服务器基于所述对象信息和所述初始定位位置进行定位处理后，反馈的对象位置，其中，云端服务器在接收到初始定位位置后，在初始定位位置的关联区域内或者一定范围区域内，获取景观对象对应对象信息的位置比对或者对象比对，以得到对象信息对应的对象位置。
具体地，例如，初始定位位置为x1x1区，x2x2街道，x3x3小区，x4x4楼房，则云端服务器在x2x2街道进行对象信息的位置比对或者对象比对，或者云端服务器在x3x3小区进行对象信息的位置比对或者对象比对，以实现快速查找到对象信息对应的对象位置。
步骤S30，根据所述相对坐标和所述对象位置，确定所述第一移动终端的目标定位位置。
在本实施例中，还根据所述相对坐标和所述对象位置，确定所述第一移动终端的目标定位位置，具体地，由于对象位置是已知的，而景观对象和第一移动终端的相对坐标是已知的，因而，能够根据两者之间的位置关系，确定所述第一移动终端的目标定位位置。
本申请提供一种基于图像识别的定位方法、装置、设备及存储介质，与现有技术中通过卫星和定位主体之间的无线通讯进行定位，易出现定位偏差相比，本申请通过在检测到定位指令时，采集环境图像，基于预设联邦识别模型对所述环境图像进行景观对象的识别，确定所述景观对象的对象信息，并确定所述第一移动端设备和所述景观对象的相对坐标；将所述对象信息发送给云端服务器，并接收所述云端服务器基于所述对象信息进行定位处理后反馈的对象位置；根据所述相对坐标和所述对象位置，确定所述第一移动终端的目标定位位置。在本申请中，在检测到定位指令时，采集环境图像后，基于预设联邦识别模型准确对所述环境图像进行景观对象的识别，进而确定所述景观对象的对象信息，并确定所述第一移动端设备和所述景观对象的相对坐标，并将所述对象信息发送给云端服务器，接收所述云端服务器基于所述对象信息进行定位处理后反馈的对象位置，以根据所述相对坐标和所述对象位置，确定所述第一移动终端的目标定位位置，由于是通过图像识别得到的对象信息确定的对象位置，与移动终端确定的相对坐标，确定所述第一移动终端的目标定位位置，而不是通过基站与卫星进行定位，因而避免在受信号质量影响很大的(基站和卫星之间的)通信段进行无线通信，因而，避免该通信段对定位的偏差影响，因而，提升了定位的准确性。解决现有通过卫星定位时，易出现定位偏差的技术问题。
进一步地，基于本申请中第一实施例，提供本申请的另一实施例，在该实施例中，所述在检测到定位指令时，采集环境图像，基于预设联邦识别模型对所述环境图像进行景观对象的识别，确定所述景观对象的对象信息，并确定所述第一移动端设备和所述景观对象的相对坐标的步骤，包括：
步骤A1，在检测到定位指令时，采集环境图像，将所述环境图像输入至预设联邦识别模型中；
步骤A2，基于所述预设联邦识别模型，对所述环境图像进行识别处理，得到所述景观对象的对象信息，并得到所述第一移动端设备和所述景观对象的相对坐标；
其中，所述预设联邦识别模型是基于具有预设标签的预设训练数据，通过执行预设联邦学习流程，对预设待训练预测模型进行迭代训练后，获得的目标模型。
在本实施例中，是通过预存在第一移动终端内的预设联邦识别模型对环境图像进行识别，得到所述景观对象的对象信息，并得到所述第一移动端设备和所述景观对象的相对坐标的，其中，该预设联邦识别模型的输入为环境图像，输出包含两个部分，分别为景观对象的对象信息，以及第第一移动终端和景观对象之间的相对方位。其中，所述预设联邦识别模型是基于具有预设标签的预设训练数据，通过执行预设联邦学习流程，对预设待训练预测模型进行迭代训练后，获得的能够准确得到对象信息和定位位置的目标模型，具有预设标签的预设训练数据可以是根据其它定位技术得到的具有定位相关信息的预设训练数据，以训用于预设待训练预测模型(深度学习模型)的训练。
所述基于所述预设联邦识别模型，对所述环境图像进行识别处理，得到所述景观对象的对象信息，并得到所述第一移动端设备和所述景观对象的相对坐标的步骤之前，所述方法包括：
步骤B1，获取具有预设标签的预设训练数据；
步骤B2，基于所述具有预设标签的预设训练数据，通过执行预设联邦学习流程，对预设待训练预测模型进行迭代训练，获得目标模型；
步骤B3，将所述目标模型设置为所述预设联邦识别模型。
在本实施例中，基于所述具有预设标签的预设训练数据，通过执行预设联邦学习流程，对预设待训练预测模型进行迭代训练，获得目标模型，其中，执行预设联邦学习流程可以是预设横向联邦流程等，将所述目标模型设置为所述预设联邦识别模型。
所述基于所述具有预设标签的预设训练数据，通过执行预设联邦学习流程，对预设待训练预测模型进行迭代训练，获得目标模型的步骤，包括：
步骤C1，基于所述具有预设标签的预设训练数据，对所述预设待训练预测模型进行迭代训练，以训练更新所述预设待训练预测模型的模型变量；
具体地，在本实施例中，第一移动终端与其他第二移动终端通信连接，且预设联邦学习流程需要第一移动终端与该其他第二移动终端共同参与(第一移动终端与其他第二移动终端的用户不同)，因而，通过执行预设横向联邦流程，对所述预设待训练预测模型进行迭代训练包括：基于其他第二移动终端与第一移动终端共同训练模型变量，对所述预设待训练预测模型进行迭代训练的方法包括但不限于梯度下降法。
步骤C2，判断迭代训练的所述待预测模型是否达到预设更新条件，若所述待训练预测模型达到预设更新条件，则通过执行所述预设联邦学习流程，对训练更新的所述模型变量进行替换更新，获得替换更新的所述预设待训练预测模型；
需要说明的是，所述预设更新条件包括达到第一迭代次数阈值、达到第一训练轮数阈值等，在本实施例中，若训练后的所述预设待训练预测模型达到所述预设更新条件，则通过执行所述预设联邦学习流程，对训练更新的所述模型变量进行替换更新，获得替换更新的所述预设待训练预测模型，具体地，对训练更新的所述模型变量进行替换更新包括：获取其他第二移动终端的对应其他模型变量，进而基于其他第二移动终端的其他模型变量，与第一移动终端的模型变量得到聚合变量，在得到聚合变量后，则基于所述聚合变量，对所述第一移动终端的所述模型变量进行替换更新，具体地，若所述预设待训练预测模型达到所述预设更新条件，则直接将所述预设待训练预测模型中的正在进行训练更新的所述模型变量替换为所述聚合变量，若所述预设待训练预测模型未达到所述预设更新条件，则对所述预设待训练预测模型进行迭代训练，直至所述预设待训练预测模型达到所述预设更新条件。
步骤C3，持续对替换更新的所述预设待训练预测模型进行迭代训练和替换更新，直至所述预设待训练模型满足预设训练完成条件，获得目标模型。
在本实施例中，基于替换更新后的所述模型变量，重新进行对所述预设待训练预测模型的迭代训练和是否达到所述预设更新条件的判断，直至所述预设待训练预测模型达到预设训练完成条件，预设训练完成条件包括达到第二迭代次数阈值、达到第二训练轮数阈值等。具体地，重新进行所述预设待训练预测模型的迭代训练，以进行对替换更新后的所述模型变量的训练更新，并持续进行所述预设待训练预测模型是否达到所述预设更新条件的判断，且若所述预设待训练预测模型达到所述预设更新条件，则通过与所述第二设备进行联邦，再次替换更新所述模型变量，直至所述预设待训练预测模型达到预设训练完成条件，获得目标模型。
在本实施例中，通过在检测到定位指令时，采集环境图像，将所述环境图像输入至预设联邦识别模型中；基于所述预设联邦识别模型，对所述环境图像进行识别处理，得到所述景观对象的对象信息，并得到所述第一移动端设备和所述景观对象的相对坐标；其中，所述预设联邦识别模型是基于具有预设标签的预设训练数据，通过执行预设联邦学习流程，对预设待训练预测模型进行迭代训练后，获得的目标模型。在本实施例中，基于预设联邦识别模型准确得到所述景观对象的对象信息，并得到所述第一移动端设备和所述景观对象的相对坐标，由于不同移动终端只进行模型变量的联邦交换，因而实现保护用户隐私，且避免资源的浪费。
进一步地，基于本申请中第一实施例，提供本申请的另一实施例，在该实施例中，所述基于所述挖掘结果，得到所述监测主体的数据评分的步骤，包括：
所述若所述待训练预测模型达到预设更新条件，则通过执行所述预设联邦学习流程，对训练更新的所述模型变量进行替换更新，获得替换更新的所述预设待训练预测模型的步骤，包括：
步骤D1，将训练更新的所述模型变量加密发送至与所述第一移动终端通信连接的云端服务器，以供所述云端服务器对多个第二移动终端与所述第一移动终端分别发送的模型变量进行聚合处理，获得聚合变量，并将所述聚合变量反馈至所述第一移动终端；
在本实施例中，所述模型变量由第一移动终端加密发送至与所述第一移动终端通信连接的云端服务器，以供所述云端服务器对多个第二移动终端与所述第一移动终端分别发送的模型变量进行聚合处理，获得聚合变量，并将所述聚合变量反馈至所述第一移动终端，即在本实施例中，云端服务器作为第三方聚合各个模型变量，并对应进行反馈。
步骤D2，接收所述云端服务器反馈的所述聚合变量，并将训练更新的所述模型变量替换更新为所述聚合变量，获得替换更新的所述预设待训练预测模型。
接收所述云端服务器反馈的所述聚合变量，并将训练更新的所述模型变量替换更新为所述聚合变量，获得替换更新的所述预设待训练预测模型，并对替换更新的所述预设待训练预测模型进行迭代训练，直至得到目标模型。
在本实施例中，通过将训练更新的所述模型变量加密发送至与所述第一移动终端通信连接的云端服务器，以供所述云端服务器对多个第二移动终端与所述第一移动终端分别发送的模型变量进行聚合处理，获得聚合变量，并将所述聚合变量反馈至所述第一移动终端；接收所述云端服务器反馈的所述聚合变量，并将训练更新的所述模型变量替换更新为所述聚合变量，获得替换更新的所述预设待训练预测模型，在本实施例中，模型变量基于云端服务器进行加密聚合，避免安全问题。
参照图3，图3是本申请实施例方案涉及的硬件运行环境的设备结构示意图。
如图3所示，该基于图像识别的定位设备可以包括：处理器1001，例如CPU，存储器1005，通信总线1002。其中，通信总线1002用于实现处理器1001和存储器1005之间的连接通信。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储设备。
可选地，该基于图像识别的定位设备还可以包括矩形用户接口、网络接口、摄像头、RF(Radio Frequency，射频)电路，传感器、音频电路、WiFi模块等等。矩形用户接口可以包括显示屏(Display)、输入子模块比如键盘(Keyboard)，可选矩形用户接口还可以包括标准的有线接口、无线接口。网络接口可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。
本领域技术人员可以理解，图3中示出的基于图像识别的定位设备结构并不构成对基于图像识别的定位设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图3所示，作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块以及基于图像识别的定位程序。操作系统是管理和控制基于图像识别的定位设备硬件和软件资源的程序，支持基于图像识别的定位程序以及其它软件和/或程序的运行。网络通信模块用于实现存储器1005内部各组件之间的通信，以及与基于图像识别的定位系统中其它硬件和软件之间通信。
在图3所示的基于图像识别的定位设备中，处理器1001用于执行存储器1005中存储的基于图像识别的定位程序，实现上述任一项所述的基于图像识别的定位方法的步骤。
本申请基于图像识别的定位设备具体实施方式与上述基于图像识别的定位方法各实施例基本相同，在此不再赘述。
本申请还提供一种基于图像识别的定位装置，应用于第一移动终端，所述基于图像识别的定位装置包括：
采集模块，用于在检测到定位指令时，采集环境图像，基于预设联邦识别模型对所述环境图像进行景观对象的识别，确定所述景观对象的对象信息，并确定所述第一移动端设备和所述景观对象的相对坐标；
接收模块，用于将所述对象信息发送给云端服务器，并接收所述云端服务器基于所述对象信息进行定位处理后反馈的对象位置；
确定模块，用于根据所述相对坐标和所述对象位置，确定所述第一移动终端的目标定位位置。
可选地，所述接收模块包括：
第一获取单元，用于获取所述第一移动终端基于卫星定位系统定位的初始定位位置；
发送单元，用于将所述初始定位位置以及所述对象信息发送给云端服务器，并接收所述云端服务器基于所述对象信息和所述初始定位位置进行定位处理后，反馈的对象位置。
可选地，所述采集模块包括：
第一采集单元，用于在检测到定位指令时，采集环境图像，将所述环境图像输入至预设联邦识别模型中；
第二获取单元，用于基于所述预设联邦识别模型，对所述环境图像进行识别处理，得到所述景观对象的对象信息，并得到所述第一移动端设备和所述景观对象的相对坐标；
其中，所述预设联邦识别模型是基于具有预设标签的预设训练数据，通过执行预设联邦学习流程，对预设待训练预测模型进行迭代训练后，获得的目标模型。
可选地，所述基于图像识别的定位装置还包括：
获取模块，用于获取具有预设标签的预设训练数据；
执行模块，用于基于所述具有预设标签的预设训练数据，通过执行预设联邦学习流程，对预设待训练预测模型进行迭代训练，获得目标模型；
设置模块，用于将所述目标模型设置为所述预设联邦识别模型。
可选地，所述执行模块包括：
训练单元，用于基于所述具有预设标签的预设训练数据，对所述预设待训练预测模型进行迭代训练，以训练更新所述预设待训练预测模型的模型变量；
判断单元，用于判断迭代训练的所述待预测模型是否达到预设更新条件，若所述待训练预测模型达到预设更新条件，则通过执行所述预设联邦学习流程，对训练更新的所述模型变量进行替换更新，获得替换更新的所述预设待训练预测模型；
更新单元，用于持续对替换更新的所述预设待训练预测模型进行迭代训练和替换更新，直至所述预设待训练模型满足预设训练完成条件，获得目标模型。
可选地，所述判断单元包括：
发送子单元，用于将训练更新的所述模型变量加密发送至与所述第一移动终端通信连接的云端服务器，以供所述云端服务器对多个第二移动终端与所述第一移动终端分别发送的模型变量进行聚合处理，获得聚合变量，并将所述聚合变量反馈至所述第一移动终端；
接收子单元，用于接收所述云端服务器反馈的所述聚合变量，并将训练更新的所述模型变量替换更新为所述聚合变量，获得替换更新的所述预设待训练预测模型。
可选地，所述采集模块包括：
第二采集单元，用于在检测到定位指令时，采集环境图像；
第三获取单元，用于通过预设雷达传感器获取所述第一移动终端预设环境范围内的扫描信息；
识别单元，用于对所述环境图像与所述扫描信息进行景观对象的识别，确定所述景观对象的对象信息，并确定所述第一移动端设备和所述景观对象的相对坐标。
本申请基于图像识别的定位装置的具体实施方式与上述基于图像识别的定位方法各实施例基本相同，在此不再赘述。
本申请实施例提供了一种存储介质，且所述存储介质存储有一个或者一个以上程序，所述一个或者一个以上程序还可被一个或者一个以上的处理器执行以用于实现上述任一项所述的基于图像识别的定位方法的步骤。
本申请存储介质具体实施方式与上述基于图像识别的定位方法各实施例基本相同，在此不再赘述。
本申请还提供一种计算机程序产品、包括计算机程序，该计算机程序被处理器执行时实现上述的基于图像识别的定位方法的步骤。
本申请计算机程序产品的具体实施方式与上述基于图像识别的定位方法各实施例基本相同，在此不再赘述。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
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上述实施例方法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，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的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，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (11)
1.一种基于图像识别的定位方法，其特征在于，应用于第一移动终端，所述基于图像识别的定位方法包括：
在检测到定位指令时，采集环境图像，基于预设联邦识别模型对所述环境图像进行景观对象的识别，确定所述景观对象的对象信息，并确定所述第一移动端设备和所述景观对象的相对坐标；
将所述对象信息发送给云端服务器，并接收所述云端服务器基于所述对象信息进行定位处理后反馈的对象位置；
根据所述相对坐标和所述对象位置，确定所述第一移动终端的目标定位位置。
2.如权利要求1所述的基于图像识别的定位方法，其特征在于，所述将所述对象信息发送给云端服务器，并接收所述云端服务器基于所述对象信息进行定位处理后反馈的对象位置的步骤，包括：
获取所述第一移动终端基于卫星定位系统定位的初始定位位置；
将所述初始定位位置以及所述对象信息发送给云端服务器，并接收所述云端服务器基于所述对象信息和所述初始定位位置进行定位处理后，反馈的对象位置。
3.如权利要求1-2任一项所述的基于图像识别的定位方法，其特征在于，所述在检测到定位指令时，采集环境图像，基于预设联邦识别模型对所述环境图像进行景观对象的识别，确定所述景观对象的对象信息，并确定所述第一移动端设备和所述景观对象的相对坐标的步骤，包括：
在检测到定位指令时，采集环境图像，将所述环境图像输入至预设联邦识别模型中；
基于所述预设联邦识别模型，对所述环境图像进行识别处理，得到所述景观对象的对象信息，并得到所述第一移动端设备和所述景观对象的相对坐标；
其中，所述预设联邦识别模型是基于具有预设标签的预设训练数据，通过执行预设联邦学习流程，对预设待训练预测模型进行迭代训练后，获得的目标模型。
4.如权利要求3所述的基于图像识别的定位方法，其特征在于，所述基于所述预设联邦识别模型，对所述环境图像进行识别处理，得到所述景观对象的对象信息，并得到所述第一移动端设备和所述景观对象的相对坐标的步骤之前，所述方法包括：
获取具有预设标签的预设训练数据；
基于所述具有预设标签的预设训练数据，通过执行预设联邦学习流程，对预设待训练预测模型进行迭代训练，获得目标模型；
将所述目标模型设置为所述预设联邦识别模型。
5.如权利要求4所述的基于图像识别的定位方法，其特征在于，所述基于所述具有预设标签的预设训练数据，通过执行预设联邦学习流程，对预设待训练预测模型进行迭代训练，获得目标模型的步骤，包括：
基于所述具有预设标签的预设训练数据，对所述预设待训练预测模型进行迭代训练，以训练更新所述预设待训练预测模型的模型变量；
判断迭代训练的所述待预测模型是否达到预设更新条件，若所述待训练预测模型达到预设更新条件，则通过执行所述预设联邦学习流程，对训练更新的所述模型变量进行替换更新，获得替换更新的所述预设待训练预测模型；
持续对替换更新的所述预设待训练预测模型进行迭代训练和替换更新，直至所述预设待训练模型满足预设训练完成条件，获得目标模型。
6.如权利要求5所述的基于图像识别的定位方法，其特征在于，所述若所述待训练预测模型达到预设更新条件，则通过执行所述预设联邦学习流程，对训练更新的所述模型变量进行替换更新，获得替换更新的所述预设待训练预测模型的步骤，包括：
将训练更新的所述模型变量加密发送至与所述第一移动终端通信连接的云端服务器，以供所述云端服务器对多个第二移动终端与所述第一移动终端分别发送的模型变量进行聚合处理，获得聚合变量，并将所述聚合变量反馈至所述第一移动终端；
接收所述云端服务器反馈的所述聚合变量，并将训练更新的所述模型变量替换更新为所述聚合变量，获得替换更新的所述预设待训练预测模型。
7.如权利要求1-2任一项所述的基于图像识别的定位方法，其特征在于，所述在检测到定位指令时，采集环境图像，基于预设联邦识别模型对所述环境图像进行景观对象的识别，确定所述景观对象的对象信息，并确定所述第一移动端设备和所述景观对象的相对坐标的步骤，包括：
在检测到定位指令时，采集环境图像；
通过预设雷达传感器获取所述第一移动终端预设环境范围内的扫描信息；
对所述环境图像与所述扫描信息进行景观对象的识别，确定所述景观对象的对象信息，并确定所述第一移动端设备和所述景观对象的相对坐标。
8.一种基于图像识别的定位装置，其特征在于，应用于第一移动终端，所述基于图像识别的定位装置包括：
采集模块，用于在检测到定位指令时，采集环境图像，基于预设联邦识别模型对所述环境图像进行景观对象的识别，确定所述景观对象的对象信息，并确定所述第一移动端设备和所述景观对象的相对坐标；
接收模块，用于将所述对象信息发送给云端服务器，并接收所述云端服务器基于所述对象信息进行定位处理后反馈的对象位置；
确定模块，用于根据所述相对坐标和所述对象位置，确定所述第一移动终端的目标定位位置。
9.一种基于图像识别的定位设备，其特征在于，所述基于图像识别的定位设备包括：存储器、处理器以及存储在存储器上的用于实现所述基于图像识别的定位方法的程序，
所述存储器用于存储实现基于图像识别的定位方法的程序；
所述处理器用于执行实现所述基于图像识别的定位方法的程序，以实现如权利要求1至7中任一项所述基于图像识别的定位方法的步骤。
10.一种存储介质，其特征在于，所述存储介质上存储有实现基于图像识别的定位方法的程序，所述实现基于图像识别的定位方法的程序被处理器执行以实现如权利要求1至7中任一项所述基于图像识别的定位方法的步骤。
11.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至7任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110051406.2A CN112766138A (zh) | 2021-01-14 | 2021-01-14 | 基于图像识别的定位方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110051406.2A CN112766138A (zh) | 2021-01-14 | 2021-01-14 | 基于图像识别的定位方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112766138A true CN112766138A (zh) | 2021-05-07 |
Family
ID=75700705
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110051406.2A Pending CN112766138A (zh) | 2021-01-14 | 2021-01-14 | 基于图像识别的定位方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112766138A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023045840A1 (zh) * | 2021-09-22 | 2023-03-30 | 维沃移动通信有限公司 | 感知定位方法、装置及通信设备 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110632554A (zh) * | 2019-09-20 | 2019-12-31 | 深圳前海微众银行股份有限公司 | 基于联邦学习的室内定位方法、装置、终端设备及介质 |
| AU2020101613A4 (en) * | 2020-08-02 | 2020-09-10 | B.P.R.V.S, Priyatham MR | Collaborative federative learning approach for internet of vehicles traffic prediction |
| CN111866869A (zh) * | 2020-07-07 | 2020-10-30 | 兰州交通大学 | 面向边缘计算的联邦学习室内定位隐私保护方法 |
| CN112052959A (zh) * | 2020-09-04 | 2020-12-08 | 深圳前海微众银行股份有限公司 | 基于联邦学习的自动驾驶训练方法、设备及介质 |
| CN112067006A (zh) * | 2020-09-14 | 2020-12-11 | 上海汽车集团股份有限公司 | 一种基于语义的视觉定位方法及装置 |
| CN112184818A (zh) * | 2020-10-09 | 2021-01-05 | 重庆邮电大学 | 基于视觉的车辆定位方法及应用其方法的停车场管理系统 |
-
2021
- 2021-01-14 CN CN202110051406.2A patent/CN112766138A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110632554A (zh) * | 2019-09-20 | 2019-12-31 | 深圳前海微众银行股份有限公司 | 基于联邦学习的室内定位方法、装置、终端设备及介质 |
| CN111866869A (zh) * | 2020-07-07 | 2020-10-30 | 兰州交通大学 | 面向边缘计算的联邦学习室内定位隐私保护方法 |
| AU2020101613A4 (en) * | 2020-08-02 | 2020-09-10 | B.P.R.V.S, Priyatham MR | Collaborative federative learning approach for internet of vehicles traffic prediction |
| CN112052959A (zh) * | 2020-09-04 | 2020-12-08 | 深圳前海微众银行股份有限公司 | 基于联邦学习的自动驾驶训练方法、设备及介质 |
| CN112067006A (zh) * | 2020-09-14 | 2020-12-11 | 上海汽车集团股份有限公司 | 一种基于语义的视觉定位方法及装置 |
| CN112184818A (zh) * | 2020-10-09 | 2021-01-05 | 重庆邮电大学 | 基于视觉的车辆定位方法及应用其方法的停车场管理系统 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023045840A1 (zh) * | 2021-09-22 | 2023-03-30 | 维沃移动通信有限公司 | 感知定位方法、装置及通信设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111046744B (zh) | 一种关注区域检测方法、装置、可读存储介质及终端设备 | |
| CN109961009B (zh) | 基于深度学习的行人检测方法、系统、装置及存储介质 | |
| CN110147705B (zh) | 一种基于视觉感知的车辆定位方法及电子设备 | |
| CN109584276B (zh) | 关键点检测方法、装置、设备及可读介质 | |
| US10812941B2 (en) | Positioning method and device | |
| US11373410B2 (en) | Method, apparatus, and storage medium for obtaining object information | |
| CN110443366B (zh) | 神经网络的优化方法及装置、目标检测方法及装置 | |
| CN111368934A (zh) | 图像识别模型训练方法、图像识别方法以及相关装置 | |
| US20160342862A1 (en) | Method and apparatus for classifying objects and clutter removal of some three-dimensional images of the objects in a presentation | |
| CN105318881A (zh) | 地图导航方法、装置及系统 | |
| CN108989665A (zh) | 图像处理方法、装置、移动终端及计算机可读介质 | |
| EP3547253B1 (en) | Image analysis method and device | |
| KR20170029178A (ko) | 이동단말기 및 그의 동작 방법 | |
| JP2023508705A (ja) | データ伝送方法および装置 | |
| CN105787062A (zh) | 一种基于视频平台对目标对象进行搜索的方法和设备 | |
| CN110991491A (zh) | 图像标注方法、装置、设备及存储介质 | |
| CN110865756A (zh) | 图像标注方法、装置、设备及存储介质 | |
| CN108052869B (zh) | 车道线识别方法、装置及计算机可读存储介质 | |
| CN114155497A (zh) | 一种对象识别方法、装置及存储介质 | |
| CN109086796A (zh) | 图像识别方法、装置、移动终端以及存储介质 | |
| CN111311022A (zh) | 发电量预测方法、装置、设备及计算机可读存储介质 | |
| EP3875902B1 (en) | Planning method and apparatus for surveying and mapping sampling points, control terminal and storage medium | |
| CN112766138A (zh) | 基于图像识别的定位方法、装置、设备及存储介质 | |
| CN114332925A (zh) | 电梯内宠物检测方法、系统、装置及计算机可读存储介质 | |
| JP7001711B2 (ja) | カメラ撮影画像を用いる位置情報システム、及びそれに用いるカメラ付き情報機器 |
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 |