CN117177174B

CN117177174B - 一种基于机器视觉与wsn的室内定位方法及系统

Info

Publication number: CN117177174B
Application number: CN202311456097.2A
Authority: CN
Inventors: 魏鑫; 田晓峰; 宗肖骐
Original assignee: Jiangsu Dahai Intelligent System Co ltd
Current assignee: Jiangsu Dahai Intelligent System Co ltd
Priority date: 2023-11-03
Filing date: 2023-11-03
Publication date: 2024-01-26
Anticipated expiration: 2043-11-03
Also published as: CN117177174A

Abstract

本发明提供了一种基于机器视觉与WSN的室内定位方法及系统，涉及室内定位技术领域，该基于机器视觉与WSN的室内定位方法包括以下步骤：获取室内环境的图像数据；对采集的图像数据进行处理，识别出目标的初步位置信息；部署无线传感器网络；对室内环境进行目标检测，得到目标的二次位置信息；将目标的初步位置信息和目标的二次位置信息进行融合分析，得到目标的最终位置信息。本发明通过融合机器视觉和WSN两种定位方法，可以有效地提高定位的精度，极大地减少位置误差，即使在复杂的室内环境中，有许多阻碍无线信号传播的障碍物，该方法也可以通过机器视觉的补充实现准确定位，提高了定位方法的鲁棒性。

Description

一种基于机器视觉与WSN的室内定位方法及系统

技术领域

本发明涉及室内定位技术领域，具体来说，特别涉及一种基于机器视觉与WSN的室内定位方法及系统。

背景技术

随着科技进步的加速，现代移动通信和无线网络正急速发展，对无线定位的需求也越来越迫切。无线定位服务指的是通过无线终端和无线网络协同工作来确定移动用户的精确位置信息，以提供有关用户位置和方向的相关服务。在室外环境中，全球定位系统（GPS）是最常用的定位系统，被广泛应用于军事侦查、实时飞机导航等领域。

然而，随着建筑物的扩大和室内紧急状况的增加，对室内定位的需求正在迅速增长。尽管GPS在室外环境中得到了广泛应用，但由于室内环境的干扰，接收到的GPS卫星信号强度较弱，无法满足定位需求。因此，急需研究更适合室内定位的技术。近年来，室内定位领域受到了日益增长的关注。由于无线传感器网络（WSN）价格实惠、易于组网且易于实现，它们正在被广泛应用，使基于WSN的定位研究逐渐成为热门焦点。

无线传感器网络是随着微型处理器、传感技术、无线通信技术与嵌入式技术的发展而产生的，它通过大量微型传感器节点监测、采集所需要的目标数据、加工处理信息、采用多跳自组织网络把监测目标的信息传输给用户，实现了物与物、物与人的联系。但是，由于室内环境较复杂，较多的障碍物和四周的墙壁都会对信号产生影响，使信号被吸收或发生衍射、反射等现象，仅仅通过无线传感器网络实现定位会存在不少问题，会出现信号的丢失或者信号强度的发生变化，从而会对室内的定位精度产生很大影响，进而会使得定位效果大大降低，几乎无法正确地定位。

针对相关技术中的问题，目前尚未提出有效的解决方案。

发明内容

有鉴于此，本发明提供一种基于机器视觉与WSN的室内定位方法及系统，以解决上述提及的仅仅通过无线传感器网络实现定位会使得定位效果大大降低的问题。

为了解决上述问题，本发明采用的具体技术方案如下：

根据本发明的一方面，提供了一种基于机器视觉与WSN的室内定位方法，该基于机器视觉与WSN的室内定位方法包括以下步骤：

S1、通过图像采集设备获取室内环境的图像数据；

S2、通过机器视觉算法对采集的图像数据进行处理，识别出目标的初步位置信息；

S3、基于图论法在室内环境中部署无线传感器网络；

S4、通过部署的无线传感器网络对室内环境进行目标检测，得到目标的二次位置信息；

S5、将目标的初步位置信息和目标的二次位置信息进行融合分析，得到目标的最终位置信息。

优选的，通过机器视觉算法对采集的图像数据进行处理，识别出目标的初步位置信息包括以下步骤：

S21、对采集的图像数据进行图像噪声去除、对比度增强、亮度调整和色彩平衡处理；

S22、通过边缘检测算法对处理后的图像数据进行特征提取，并进行目标检测；

S23、根据目标检测的结果确定目标在图像中的初步位置信息。

优选的，基于图论法在室内环境中部署无线传感器网络包括以下步骤：

S31、通过图论法建立无线传感器网络的网络拓扑图，并确定网络拓扑图中各节点之间的连接关系；

S32、基于矩阵运算法计算网络拓扑图中每个节点的负载分布，得到每个节点需要发送和接收的数据量；

S33、根据每个节点的负载分布结果，通过萤火虫算法调整每个节点的位置，将每个节点的负载达到均衡；

S34、根据每个节点的负载均衡结果，确定无线传感器网络在室内环境中部署方案。

优选的，基于矩阵运算法计算网络拓扑图中每个节点的负载分布，得到每个节点需要发送和接收的数据量包括以下步骤：

S321、确定网络拓扑图中节点的数量，并建立构建网络拓扑图的邻接矩阵；

S322、根据建立的邻接矩阵，计算数据通过不同路径到达每个节点的到达概率；

S323、根据每个节点的到达概率，分别计算每个节点的接收负载和发送负载。

优选的，根据每个节点的负载分布结果，通过萤火虫算法调整每个节点的位置，将每个节点的负载达到均衡包括以下步骤：

S331、将网络拓扑图中每个节点作为萤火虫，并随机将节点放置在室内环境中的机器视觉范围内，得到萤火虫群体；

S332、并对随机放置的节点进行荧光素赋值，作为每个节点的吸引力；

S333、根据网络拓扑图中每个节点的负载分布，更新每个节点的荧光素；

S334、对比当前节点和荧光素浓度低于当前节点的节点，并计算当前节点向荧光素浓度低于当前节点的节点移动的概率；

S335、根据计算出的当前节点移动的概率，确定当前节点的移动方向和移动距离，并移动当前节点，更新当前节点的位置；

S336、重复步骤S334-S336，直至所有节点的负载达到均衡，并得到调整后的节点位置。

优选的，通过部署的无线传感器网络对室内环境进行目标检测，得到目标的二次位置信息包括以下步骤：

S41、基于部署的无线传感器网络，建立RSSI信号传播模型，得到节点之间的距离信息；

S42、将得到的节点之间的距离信息构成有向图，并在有向图中识别锚节点和盲节点，获取从锚节点到盲节点的拓扑顺序；

S43、根据获得的节点之间的距离信息和锚节点到盲节点的拓扑顺序，采用极大似然估计法计算盲节点的位置，并将其作为目标的二次位置信息。

优选的，将目标的初步位置信息和目标的二次位置信息进行融合分析，得到目标的最终位置信息包括以下步骤：

S51、将目标的初步位置信息和目标的二次位置信息进行坐标转换，映射到同一坐标系统下；

S52、将初步位置信息和二次位置信息按照时间进行对齐；

S53、通过Kalman滤波法将初步位置信息和二次位置信息进行融合计算，得到融合结果，并将其作为目标的最终位置信息。

优选的，通过Kalman滤波法将初步位置信息和二次位置信息进行融合计算，得到融合结果，并将其作为目标的最终位置信息包括以下步骤：

S531、基于初步位置信息初始化Kalman滤波器的状态向量和协方差矩阵；

S532、根据二次位置信息计算卡尔曼增益，并更新状态向量和状态协方差矩阵，得到最终的状态向量值；

S533、从最终的状态向量值中提取出融合位置信息，并将其作为目标的最终位置信息。

优选的，根据二次位置信息计算卡尔曼增益的计算公式为：

K=P×H^′×inv(H×P×H^′+R);

式中，K表示卡尔曼增益；

P表示初始协方差矩阵；

H^′表示H的转置矩阵；

H表示状态空间向量映射到预设观测空间的矩阵；

R表示观测噪声协方差矩阵；

inv求矩阵逆的函数。

根据本发明的另一方面，提供了一种基于机器视觉与WSN的室内定位系统，该基于机器视觉与WSN的室内定位系统包括：图像数据获取模块、初步位置识别模块、传感器网络部署模块、二次位置检测模块及位置信息融合模块，且图像数据获取模块与初步位置识别模块连接，传感器网络部署模块与二次位置检测模块连接，初步位置识别模块和二次位置检测模块均与位置信息融合模块连接；

图像数据获取模块，用于通过图像采集设备获取室内环境的图像数据；

初步位置识别模块，用于通过机器视觉算法对采集的图像数据进行处理，识别出目标的初步位置信息；

传感器网络部署模块，用于基于图论法在室内环境中部署无线传感器网络；

二次位置检测模块，用于通过部署的无线传感器网络对室内环境进行目标检测，得到目标的二次位置信息；

位置信息融合模块，用于将目标的初步位置信息和目标的二次位置信息进行融合分析，得到目标的最终位置信息。

本发明的有益效果为：

1、本发明通过融合机器视觉和WSN两种定位方法，可以有效地提高定位的精度，机器视觉提供初步的位置信息，而WSN通过多点定位进一步细化位置信息，两者结合可极大地减少位置误差，即使在复杂的室内环境中，有许多阻碍无线信号传播的障碍物，该方法也可以通过机器视觉的补充实现准确定位，提高了定位方法的鲁棒性，利用图论法进行无线传感器的部署，可以更好的适应复杂的室内环境，提高了系统的部署灵活性。

2、本发明可以自动找到实现负载均衡的节点布局，通过优化每个节点的位置和负载的方式，可以降低网络的延迟，提高数据传输的速度和效率，在节点负载均衡的情况下，每个节点承受的网络压力均等，从而提高了网络的稳定性和可靠性，尤其在室内环境中，存在许多复杂的因素，可以自动适应这种环境，找到最优的节点布局，从而实现了网络的优化部署。

3、本发明通过融合初步位置信息和二次位置信息，可以提供比任何单一数据源更准确的估计，Kalman滤波器能够有效地处理多种源的信息，并考虑到各自的不确定性，通过融合多源信息，可以提高系统的鲁棒性，如果某一数据源失效或产生错误，依然可以依赖其他数据源进行定位，提高了定位方法的适用性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：

图1是根据本发明实施例的一种基于机器视觉与WSN的室内定位方法的流程图；

图2是根据本发明实施例的一种基于机器视觉与WSN的室内定位系统的原理框图。

图中：

1、图像数据获取模块；2、初步位置识别模块；3、传感器网络部署模块；4、二次位置检测模块；5、位置信息融合模块。

具体实施方式

为了使本技术领域的人员更好地理解本申请中的技术方案，下面将结合本申请实施方式中的附图，对本申请实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式仅仅是本申请一部分实施方式，而不是全部的实施方式。基于本申请中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都应当属于本申请保护的范围。

根据本发明的实施例，提供了一种基于机器视觉与WSN的室内定位方法及系统。

现结合附图和具体实施方式对本发明进一步说明，如图1所示，根据本发明的一个实施例，提供了一种基于机器视觉与WSN的室内定位方法，该基于机器视觉与WSN的室内定位方法包括以下步骤：

S1、通过图像采集设备获取室内环境的图像数据。

需要说明的是，图像采集设备通常包括但不限于摄像头、深度相机、红外相机、热像仪等，这些设备中的选择通常取决于具体的应用需求和环境条件。

S2、通过机器视觉算法对采集的图像数据进行处理，识别出目标的初步位置信息。

作为优选实施方式，通过机器视觉算法对采集的图像数据进行处理，识别出目标的初步位置信息包括以下步骤：

S21、对采集的图像数据进行图像噪声去除、对比度增强、亮度调整和色彩平衡处理。

需要说明的是，去除图像噪声、增强对比度、调整亮度和修复色彩平衡处理有助于增强图像的质量和清晰度，从而更好地进行后续的特征提取和目标识别。

S22、通过边缘检测算法对处理后的图像数据进行特征提取，并进行目标检测。

需要说明的是，边缘检测是一种图像处理技术，用于识别对象的轮廓或者边缘，边缘检测算法基于图像强度的突变来检测边缘，在边缘检测完成后，可以对识别出的边缘进行特征提取，包括计算物体的大小，形状，方向等特性，根据提取的特征信息，可以开始进行目标检测，首先，需要设定一种或多种标准来确定哪些特征与目标物体的特征相符合，然后，通过比较图像中的物体特征与目标物体的特征，可以识别出目标物体。

需要说明的是，目标检测的结果通常包括多个可能的目标对象；每一个被检测到的对象都将在图像中被标记或高亮出来，这种标记通常是在图像上画出目标对象的边界，这就形成了一个包围盒，对于每一个包围盒，计算其中心点的位置，这便是目标在图像上的初步位置。

S3、基于图论法在室内环境中部署无线传感器网络。

作为优选实施方式，基于图论法在室内环境中部署无线传感器网络包括以下步骤：

S31、通过图论法建立无线传感器网络的网络拓扑图，并确定网络拓扑图中各节点之间的连接关系。

需要说明的是，首先获取所有的无线传感器网络（节点）及它们之间可能的通信链接，对于每一对无线传感器网络，如果它们可以相互通信，那么就在这两个节点之间建立一条边，使用图的矩阵表示法创建网络拓扑图，在这个网络拓扑图里，行和列代表网络的节点。

S32、基于矩阵运算法计算网络拓扑图中每个节点的负载分布，得到每个节点需要发送和接收的数据量。

作为优选实施方式，基于矩阵运算法计算网络拓扑图中每个节点的负载分布，得到每个节点需要发送和接收的数据量包括以下步骤：

S321、确定网络拓扑图中节点的数量，并建立构建网络拓扑图的邻接矩阵。

需要说明的是，确定节点数量后，可以初始化一个邻接矩阵，如果有N个节点，那么创建一个N×N的邻接矩阵，其中每行和每列都对应一个节点；接下来，根据实际的网络连接关系填充邻接矩阵。

S322、根据建立的邻接矩阵，计算数据通过不同路径到达每个节点的到达概率。

需要说明的是，根据邻接矩阵中的权重定义两个节点之间的转移概率，如果节点i和j之间的权重是w_ij，那么从节点i转移到节点j的转移概率可以定义为w_ij除以节点i的所有出边的权重之和，并构成转移矩阵，通过使用这个转移矩阵来计算数据通过不同路径到达每个节点的概率，这可以通过多次乘以转移矩阵来完成，如果有些路径会经过同一个节点多次，那么每次经过时都可能需要将相关的概率累加到总的到达概率上。

需要说明的是，计算每个节点的接收和发送负载可以帮助衡量网络流量的均衡性，并且可以以此为依据调整网络的架构或参数以优化传输效率；节点的接收负载可以定义为到达该节点的概率与从所有节点接收的概率之和的占比；发送负载则可以定义为该节点发送数据到其他节点的概率与从所有节点发送的概率之和的占比。

S33、根据每个节点的负载分布结果，通过萤火虫算法调整每个节点的位置，将每个节点的负载达到均衡。

作为优选实施方式，根据每个节点的负载分布结果，通过萤火虫算法调整每个节点的位置，将每个节点的负载达到均衡包括以下步骤：

S331、将网络拓扑图中每个节点作为萤火虫，并随机将节点放置在室内环境中的机器视觉范围内，得到萤火虫群体。

S332、并对随机放置的节点进行荧光素赋值，作为每个节点的吸引力。

需要说明的是，在萤火虫算法中，每个萤火虫（即节点）都具有一个吸引力值，这个吸引力值常常通过亮度或荧光素值来表示。这个值通常基于一些评价函数或优化目标来进行赋值。这个值越高，萤火虫对其他萤火虫的吸引力越大。

S333、根据网络拓扑图中每个节点的负载分布，更新每个节点的荧光素。

需要说明的是，基于节点的负载分布，为每个节点计算一个吸引力值，吸引力值可以是一个与节点的负载程度有关的函数，通常，负载较高的节点具有较低的吸引力，而负载较低的节点具有较高的吸引力，根据计算出的吸引力值，更新每个节点的荧光素值，通常，节点的荧光素值应该与吸引力值成正比。

S334、对比当前节点和荧光素浓度低于当前节点的节点，并计算当前节点向荧光素浓度低于当前节点的节点移动的概率。

需要说明的是，对于每一对节点，计算当前节点的荧光素浓度与目标节点的荧光素浓度之差，然后使用概率函数来估计当前节点向荧光素浓度低于当前节点的节点移动的概率，使用计算出的移动概率决定当前节点是否向荧光素浓度低于当前节点的节点移动。

S335、根据计算出的当前节点移动的概率，确定当前节点的移动方向和移动距离，并移动当前节点，更新当前节点的位置。

需要说明的是，根据当前节点的移动概率，可以确定节点的移动步长。通常，步长与概率成正比，即移动概率越大，步长越大，可以使用一个固定的基本步长，然后乘以移动概率来确定实际步长，然后根据目标节点的位置来确定方向，节点朝向目标节点移动，使用计算出的移动步长和移动方向，将当前节点的位置更新为新的位置。

具体的，通过优化每个节点的位置和负载的方式，可以降低网络的延迟，提高数据传输的速度和效率，在节点负载均衡的情况下，每个节点承受的网络压力均等，从而提高了网络的稳定性和可靠性，尤其在室内环境中，存在许多复杂的因素，可以自动适应这种环境，找到最优的节点布局，从而实现了网络的优化部署。

S4、通过部署的无线传感器网络对室内环境进行目标检测，得到目标的二次位置信息。

作为优选实施方式，通过部署的无线传感器网络对室内环境进行目标检测，得到目标的二次位置信息包括以下步骤：

S41、基于部署的无线传感器网络，建立RSSI信号传播模型，得到节点之间的距离信息。

需要说明的是，基于部署的无线传感器网络，首先需要建立RSSI（ReceivedSignal Strength Indication，接收信号强度指示）信号传播模型。这个模型可以用来估计节点之间的距离信息。通常，RSSI信号强度与距离之间存在一种关系，可以使用这个关系来估计节点之间的距离，不同的无线传感器网络设备和环境可能需要不同的信号传播模型。

S42、将得到的节点之间的距离信息构成有向图，并在有向图中识别锚节点和盲节点，获取从锚节点到盲节点的拓扑顺序。

需要说明的是，基于得到的节点之间的距离信息，构建一个有向图，其中节点表示无线传感器网络，边表示节点之间的距离，然后，识别网络中的锚节点和盲节点，锚节点是已知位置的节点，可以用于定位；盲节点是需要定位的目标或目标周围的节点。

需要说明的是，根据获得的节点之间的距离信息和锚节点到盲节点的拓扑顺序，可以采用极大似然估计法来计算盲节点的位置极大似然估计法会利用已知的锚节点位置和距离信息，通过优化目标节点的位置来估计目标的二次位置信息。

作为优选实施方式，将目标的初步位置信息和目标的二次位置信息进行融合分析，得到目标的最终位置信息包括以下步骤：

S51、将目标的初步位置信息和目标的二次位置信息进行坐标转换，映射到同一坐标系统下。

需要说明的是，如果初步位置信息和二次位置信息采用不同的坐标系或单位，需要进行坐标转换，将它们统一到同一坐标系统下，具体涉及到平移、旋转和缩放等变换操作；将转换后的位置信息映射到一个共享的全局坐标系统中。

S52、将初步位置信息和二次位置信息按照时间进行对齐。

需要说明的是，选择一个参考时间点，该时间点将被用于对齐两种信息，找到初步位置信息和二次位置信息中与参考时间点最接近的时间戳，并将它们视为对齐的时间点，对初步位置信息和二次位置信息中的数据进行时间对齐。确保它们在参考时间点上具有相同的时间戳。

作为优选实施方式，通过Kalman滤波法将初步位置信息和二次位置信息进行融合计算，得到融合结果，并将其作为目标的最终位置信息包括以下步骤：

S531、基于初步位置信息初始化Kalman滤波器的状态向量和协方差矩阵。

需要说明的是，首先，确定状态向量，状态向量包括所有需要估计的状态变量，这些状态变量可以是与目标位置相关的各种参数，使用初步位置信息，将状态向量的初始值设置为初步位置的估计值，协方差矩阵表示状态向量各个元素之间的关联程度和不确定性，在这一步中定义一个协方差矩阵，它的维度与状态向量的维度相同，初始时，协方差矩阵通常会对角线上包含较大的值，表示各个状态之间的关联较低，以及对状态的初始不确定性的估计，非对角线上的值通常很小，表示各个状态之间的协方差较低。

S532、根据二次位置信息计算卡尔曼增益，并更新状态向量和状态协方差矩阵，得到最终的状态向量值。

需要说明的是，卡尔曼增益是一个权重因子，用于衡量预测值和测量值的可信度。它的计算需要使用协方差矩阵和测量噪声协方差矩阵，测量噪声协方差矩阵是用于描述测量过程中的噪声和不确定性的矩阵。

作为优选实施方式，根据二次位置信息计算卡尔曼增益的计算公式为：

K=P×H^′×inv(H×P×H^′+R);

式中，K表示卡尔曼增益，P表示初始协方差矩阵，H^′表示H的转置矩阵，H表示状态空间向量映射到预设观测空间的矩阵，R表示观测噪声协方差矩阵，inv求矩阵逆的函数。

需要说明的是，从Kalman滤波得到的最终状态向量中提取融合位置信息，通常是通过简单地从状态向量中选择与位置相关的状态变量进行提取。

具体的，通过融合初步位置信息和二次位置信息，可以提供比任何单一数据源更准确的估计，Kalman滤波器能够有效地处理多种源的信息，并考虑到各自的不确定性，通过融合多源信息，可以提高系统的鲁棒性，如果某一数据源失效或产生错误，依然可以依赖其他数据源进行定位，提高了定位方法的适用性。

如图2所示，根据本发明的另一个实施例，提供了一种基于机器视觉与WSN的室内定位系统，该基于机器视觉与WSN的室内定位系统包括：图像数据获取模块1、初步位置识别模块2、传感器网络部署模块3、二次位置检测模块4及位置信息融合模块5，且图像数据获取模块1与初步位置识别模块2连接，传感器网络部署模块3与二次位置检测模块4连接，初步位置识别模块2和二次位置检测模块4均与位置信息融合模块5连接。

图像数据获取模块1，用于通过图像采集设备获取室内环境的图像数据。

初步位置识别模块2，用于通过机器视觉算法对采集的图像数据进行处理，识别出目标的初步位置信息。

传感器网络部署模块3，用于基于图论法在室内环境中部署无线传感器网络。

二次位置检测模块4，用于通过部署的无线传感器网络对室内环境进行目标检测，得到目标的二次位置信息。

位置信息融合模块5，用于将目标的初步位置信息和目标的二次位置信息进行融合分析，得到目标的最终位置信息。

综上，借助于本发明的上述技术方案，本发明通过融合机器视觉和WSN两种定位方法，可以有效地提高定位的精度，机器视觉提供初步的位置信息，而WSN通过多点定位进一步细化位置信息，两者结合可极大地减少位置误差，即使在复杂的室内环境中，有许多阻碍无线信号传播的障碍物，该方法也可以通过机器视觉的补充实现准确定位，提高了定位方法的鲁棒性，利用图论法进行无线传感器的部署，可以更好的适应复杂的室内环境，提高了系统的部署灵活性；本发明可以自动找到实现负载均衡的节点布局，通过优化每个节点的位置和负载的方式，可以降低网络的延迟，提高数据传输的速度和效率，在节点负载均衡的情况下，每个节点承受的网络压力均等，从而提高了网络的稳定性和可靠性，尤其在室内环境中，存在许多复杂的因素，可以自动适应这种环境，找到最优的节点布局，从而实现了网络的优化部署；本发明通过融合初步位置信息和二次位置信息，可以提供比任何单一数据源更准确的估计，Kalman滤波器能够有效地处理多种源的信息，并考虑到各自的不确定性，通过融合多源信息，可以提高系统的鲁棒性，如果某一数据源失效或产生错误，依然可以依赖其他数据源进行定位，提高了定位方法的适用性。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、光学存储器等）上实施的计算机程序产品的形式。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims

1.一种基于机器视觉与WSN的室内定位方法，其特征在于，该基于机器视觉与WSN的室内定位方法包括以下步骤：

S1、通过图像采集设备获取室内环境的图像数据；

S3、基于图论法在室内环境中部署无线传感器网络；

S5、将目标的初步位置信息和目标的二次位置信息进行融合分析，得到目标的最终位置信息；

所述基于图论法在室内环境中部署无线传感器网络包括以下步骤：

S34、根据每个节点的负载均衡结果，确定无线传感器网络在室内环境中部署方案；

所述基于矩阵运算法计算网络拓扑图中每个节点的负载分布，得到每个节点需要发送和接收的数据量包括以下步骤：

S323、根据每个节点的到达概率，分别计算每个节点的接收负载和发送负载；

所述根据每个节点的负载分布结果，通过萤火虫算法调整每个节点的位置，将每个节点的负载达到均衡包括以下步骤：

2.根据权利要求1所述的一种基于机器视觉与WSN的室内定位方法，其特征在于，所述通过机器视觉算法对采集的图像数据进行处理，识别出目标的初步位置信息包括以下步骤：

3.根据权利要求1所述的一种基于机器视觉与WSN的室内定位方法，其特征在于，所述通过部署的无线传感器网络对室内环境进行目标检测，得到目标的二次位置信息包括以下步骤：

4.根据权利要求1所述的一种基于机器视觉与WSN的室内定位方法，其特征在于，所述将目标的初步位置信息和目标的二次位置信息进行融合分析，得到目标的最终位置信息包括以下步骤：

S52、将初步位置信息和二次位置信息按照时间进行对齐；

5.根据权利要求4所述的一种基于机器视觉与WSN的室内定位方法，其特征在于，所述通过Kalman滤波法将初步位置信息和二次位置信息进行融合计算，得到融合结果，并将其作为目标的最终位置信息包括以下步骤：

6.根据权利要求5所述的一种基于机器视觉与WSN的室内定位方法，其特征在于，所述根据二次位置信息计算卡尔曼增益的计算公式为：

K=P×H^′×inv(H×P×H^′+R);

式中，K表示卡尔曼增益；

P表示初始协方差矩阵；

H^′表示H的转置矩阵；

H表示状态空间向量映射到预设观测空间的矩阵；

R表示观测噪声协方差矩阵；

inv求矩阵逆的函数。

7.一种基于机器视觉与WSN的室内定位系统，用于实现权利要求1-6中任一项所述的基于机器视觉与WSN的室内定位方法，其特征在于，该基于机器视觉与WSN的室内定位系统包括：图像数据获取模块、初步位置识别模块、传感器网络部署模块、二次位置检测模块及位置信息融合模块，且所述图像数据获取模块与所述初步位置识别模块连接，所述传感器网络部署模块与所述二次位置检测模块连接，所述初步位置识别模块和所述二次位置检测模块均与所述位置信息融合模块连接；

所述图像数据获取模块，用于通过图像采集设备获取室内环境的图像数据；

所述初步位置识别模块，用于通过机器视觉算法对采集的图像数据进行处理，识别出目标的初步位置信息；

所述传感器网络部署模块，用于基于图论法在室内环境中部署无线传感器网络；

所述二次位置检测模块，用于通过部署的无线传感器网络对室内环境进行目标检测，得到目标的二次位置信息；

所述位置信息融合模块，用于将目标的初步位置信息和目标的二次位置信息进行融合分析，得到目标的最终位置信息。