CN117474991A - 一种基于SpectFormer的Poi定位方法及装置 - Google Patents
一种基于SpectFormer的Poi定位方法及装置 Download PDFInfo
- Publication number
- CN117474991A CN117474991A CN202311381412.XA CN202311381412A CN117474991A CN 117474991 A CN117474991 A CN 117474991A CN 202311381412 A CN202311381412 A CN 202311381412A CN 117474991 A CN117474991 A CN 117474991A
- Authority
- CN
- China
- Prior art keywords
- spectformer
- wifi
- time
- frequency domain
- signal
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 29
- 230000003287 optical effect Effects 0.000 claims abstract description 56
- 238000009826 distribution Methods 0.000 claims abstract description 44
- 238000000605 extraction Methods 0.000 claims description 18
- 238000001228 spectrum Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 12
- 230000004927 fusion Effects 0.000 claims description 12
- 238000009499 grossing Methods 0.000 claims description 4
- 238000013135 deep learning Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 32
- 238000010586 diagram Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000000060 site-specific infrared dichroism spectroscopy Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
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
-
- 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
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S5/16—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using electromagnetic waves other than radio waves
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2131—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on a transform domain processing, e.g. wavelet transform
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- H04W64/003—Locating users or terminals or network equipment for network management purposes, e.g. mobility management locating network equipment
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Electromagnetism (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于SpectFormer的Poi定位方法及装置，其方法包括：获取目标所在室内的多个WiFi信号、用于定位的光信号和标识图像；基于平滑伪Wigner‑Ville分布，从所述WiFi信号和光信号中提取时频域特征；基于目标识别网络，识别标识图像并从所述标识图像中提取语义特征；利用训练完成的SpectFormer融合所述时频域特征和语义特征，并根据目标实时获取到的WiFi信号、光信号或标识图像，预测目标的位置。本发明通过WiFi信号和光信号的融合，以及Wigner‑Ville分布，并结合深度学习手段，提高定位的准确性和适应性。
Description
技术领域
本发明属于室内定位技术领域，具体涉及一种基于SpectFormer的Poi定位方法及装置。
背景技术
随着移动设备和通信技术的不断发展，人们对位置的需求不断提升。基于位置服务(LocationBasedService，简称LBS)在人们的生活中发挥着越来越重要的作用。随着智能手机普及，用户渴望获得更快捷、更准确的位置信息。而作为获得位置信息的重要技术，定位技术正变得越来越关键与重要。
Wi-Fi定位技术在最近若干年中发展突飞猛进。由于其低成本、易获取、易配置等特点，使其成为使用最多、应用最广泛、发展最成熟的室内定位技术之一。在办公楼、商场、车站，只要是能接收到Wi-Fi信号的地方，都可实现实时定位。发展较为成熟的Wi-Fi定位系统有Radar系统、Nibble系统和Horus系统等。Wi-Fi定位技术通常是基于接收信号强度的，接收信号的强弱与接收设备的传感器性能有直接联系，同时，接收信号强度易因室内环境变化和人员流动等因素而受到干扰，因此其发展与推广受到一定限制。
可见光室内定位技术是使用LED光源作为信号源进行定位的技术。LED发射端将编码、驱动调制好的可见光信号发送出去，接收端检测到高频闪烁的信号之后进行解调解码，然后调用定位算法进行位置解算。可见光定位技术具有频谱资源丰富、兼顾照明与传输、保密性强、无环境污染等优点，是一种新型的室内定位解决方案。
发明内容
为提高室内定位准确性和适应性的问题，在本发明的第一方面提供了一种基于SpectFormer的Poi定位方法，包括：获取目标所在室内的多个WiFi信号、用于定位的光信号和标识图像；基于平滑伪Wigner-Ville分布，从所述WiFi信号和光信号中提取时频域特征；基于目标识别网络，识别标识图像并从所述标识图像中提取语义特征；利用训练完成的SpectFormer融合所述时频域特征和语义特征，并根据目标实时获取到的WiFi信号、光信号或标识图像，预测目标的位置。
在本发明的一些实施例中，所述基于平滑伪Wigner-Ville分布从所述WiFi信号和定位的光信号提取时频域特征：基于最小相位误差算子，分别确定所述WiFi信号和所述光信号的平滑伪Wigner-Ville分布的核函数序列；基于所述核函数序列和所述平滑伪Wigner-Ville分布，提取WiFi信号和光信号的时频谱；通过时频谱的时频分布，分别提取WiFi信号和光信号时频域特征。
进一步的，所述确定所述WiFi信号和所述光信号的平滑伪Wigner-Ville分布的核函数序列包括：基于径向高斯最优核和模糊函数，分别确定所述WiFi信号和所述光信号的平滑伪Wigner-Ville分布的核函数序列。
在本发明的一些实施例中，所述基于目标识别网络，识别标识图像并从所述标识图像中提取语义特征包括：通过U-net识别标识图像并从所述标识图像中提取语义特征。
在本发明的一些实施例中，所述SpectFormer包括：频域层，用于分别从所述时频域特征和语义特征进行浅层融合；自注意力层，用于对所述浅层融合后的时频域特征和语义特征进行深度融合。
进一步的，所述SpectFormer通过如下步骤训练：获取多个WiFi信号及其经纬度数据，以及每个WiFi信号对应的定位光信号和标识图像；基于多个WiFi信号及其经纬度数据，以及每个WiFi信号对应的定位光信号和标识图像，构建数据集；通过数据集训练所述SpectFormer，直至所述SpectFormer预测的位置误差趋于稳定并低于阈值。
本发明的第二方面，提供了一种基于SpectFormer的Poi定位装置，包括：获取模块，用于获取目标所在室内的多个WiFi信号、用于定位的光信号和标识图像；第一提取模块，用于基于平滑伪Wigner-Ville分布，从所述WiFi信号和光信号中提取时频域特征；第二提取模块，用于基于目标识别网络，识别标识图像并从所述标识图像中提取语义特征；预测模块，用于利用训练完成的SpectFormer融合所述时频域特征和语义特征，并根据目标实时获取到的WiFi信号、光信号或标识图像，预测目标的位置。
进一步的，所述第一提取模块包括：确定单元，用于基于最小相位误差算子，分别确定所述WiFi信号和所述光信号的平滑伪Wigner-Ville分布的核函数序列；第一提取单元，用于基于所述核函数序列和所述平滑伪Wigner-Ville分布，提取WiFi信号和光信号的时频谱；第二提取单元，用于通过时频谱的时频分布，分别提取WiFi信号和光信号时频域特征。
本发明的第三方面，提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明在第一方面提供的基于SpectFormer的Poi定位方法。
本发明的第四方面，提供了一种计算机可读介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现本发明在第一方面提供的基于SpectFormer的Poi定位方法。
本发明的有益效果是：
本发明涉及一种基于SpectFormer的Poi定位方法及装置，其方法包括：获取目标所在室内的多个WiFi信号、用于定位的光信号和标识图像；基于平滑伪Wigner-Ville分布，从所述WiFi信号和光信号中提取时频域特征；基于目标识别网络，识别标识图像并从所述标识图像中提取语义特征；利用训练完成的SpectFormer融合所述时频域特征和语义特征，并根据目标实时获取到的WiFi信号、光信号或标识图像，预测目标的位置。可见，本发明通过WiFi信号和光信号的融合，实现准确性和不同场景的互补；通过Wigner-Ville分布提取高质量时频域特征，再结合深度学习手段，在减少深度学习的计算量的同时，提高定位的准确性和适应性。
附图说明
图1为本发明的一些实施例中的基于SpectFormer的Poi定位方法的基本流程示意图；
图2为本发明的一些实施例中的SpectFormer结构示意图；
图3为本发明的一些实施例中的基于SpectFormer的Poi定位装置的结构示意图；
图4为本发明的一些实施例中的电子设备的结构示意图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
参考图1与图2，在本发明的第一方面，提供了一种基于SpectFormer的Poi定位方法，包括：S100.获取目标所在室内的多个WiFi信号、用于定位的光信号和标识图像；S200.基于平滑伪Wigner-Ville分布，从所述WiFi信号和光信号中提取时频域特征；S300.基于目标识别网络，识别标识图像并从所述标识图像中提取语义特征；S400.利用训练完成的SpectFormer融合所述时频域特征和语义特征，并根据目标实时获取到的WiFi信号、光信号或标识图像，预测目标的位置。
可以理解，Wigner-Ville分布Wigner-Ville Distribution，又称WD(WignerDistribution)。终端设备可以基于位置的服务(Location Based Services，LBS)自动或者被动上报经纬度数据。LBS是利用各类型的定位技术来获取定位设备当前的所在位置，通过移动互联网向定位设备提供信息资源和基础服务。服务集标识SSID用于唯一标识一个WiFi，一个服务集标识对应一个经纬度数据，一个经纬度数据可以对应多个服务集标识。通过获取用户的多个待分类的WiFi的服务集标识及经纬度数据，并根据服务集标识及经纬度数据对每个待分类的WiFi进行精确的POI定位，能够实现对一个用户或者多个用户的行为的分析。计算机设备可以获取用户的终端设备自动或者被动上报的多个WiFi的服务集标识(ServiceSetIdentifier，SSID)及经纬度数据，将终端设备上报的多个WiFi的服务集标识对应的WiFi确定为待分类的WiFi。标识图像通常包括室内定位的店名、招牌名、菜单以及宣传册，等通过直接或间接获取WiFi提供者的定位信息。
在本发明的一些实施例的步骤S100中，获取目标所在室内的多个WiFi信号、用于定位的光信号和标识图像；
具体地，通过WiFi探测器、光探测器以及摄像头分别实现室内的多个WiFi信号、用于定位的光信号和标识图像的采集；不失一般性，上述多个传感器或采样装置，可集成在智能终端上。
在本发明的一些实施例的步骤S200中，所述基于平滑伪Wigner-Ville分布从所述WiFi信号和定位的光信号提取时频域特征：
S201.基于最小相位误差算子，分别确定所述WiFi信号和所述光信号的平滑伪Wigner-Ville分布的核函数序列；
S202.基于所述核函数序列和所述平滑伪Wigner-Ville分布，提取WiFi信号和光信号的时频谱；
S203.通过时频谱的时频分布，分别提取WiFi信号和光信号时频域特征。
进一步的，在步骤S201中，所述确定所述WiFi信号和所述光信号的平滑伪Wigner-Ville分布的核函数序列包括：基于径向高斯最优核和模糊函数，分别确定所述WiFi信号和所述光信号的平滑伪Wigner-Ville分布的核函数序列。
具体地，核函数表示如下：
，
其中表示核函数，可以看成二维低通滤波器在AF域的表示，不同的核函数对应不同的分布，具有不同的平滑特性。鉴于AF域中信号项和交叉项的分布特性，通常要求核函数集中在原点附近，从而可以有效地抑制交叉项保留信号项。在常规的平滑中，核函数虽可进行一定的参数调节，但核都具有较为固定的形状，因此往往只能对一类信号具有较好的交叉项抑制能力。
进一步地，通过数学优化模型寻求与AF（Ambiguity Function，模糊函数）具有最优匹配效果的核函数。其最优化数学模型的表达式为:
，
其中是所寻求的核函数，对应不同的核函数的限制条件，形成不同的信号依从分布。如 1/0 最优核和径向高斯最优核等。
可以理解，通过预测手段避免WVD核函数中的交叉项,运用最小相位预测误差算子获得比传统方法更长的WVD核函数序列,从而得到高分辨率的时频谱。基于最大熵WVD的改进算法，对信号进行时频分析获得信号道高精度的时频分布，通过求取时频分布的一阶矩来获得各采样点的高精度瞬时频率,从而获得系列相关的属性数据。
在本发明的一些实施例的步骤S300中，所述基于目标识别网络，识别标识图像并从所述标识图像中提取语义特征包括：通过U-net识别标识图像并从所述标识图像中提取语义特征。可选的，可采用yolo系列网络、FCN、mask R-CNN、PSPnet、GAN、Segnet等语义识别网络以实现上述语义识别功能。
在本发明的一些实施例的步骤S400中，所述SpectFormer包括：频域层，用于分别从所述时频域特征和语义特征进行浅层融合；自注意力层，用于对所述浅层融合后的时频域特征和语义特征进行深度融合。
如图2所示，SpectFormer架构的整体框架所示，在下图的左侧首先放置了DeiT的分层结构图。可以看出，SpectFormer整体也呈现出分层Transformer的设计，相比于DeiT，SpectFormer划分了四个特征提取stage，每个stage中由多个SpectFormer块堆叠而成，每个SpectFormer块又由若干频域块和注意力块构成。
除此之外，SpectFormer与其他Transformer结构类似，包括一个线性图像块嵌入层，后跟一个位置编码嵌入层。并且在注意力建模之后设置一个分类头（分类数量为1000的MLP层）。如果我们仔细观察的话可以发现，在四个特征提取stage中，频域层只出现在了较为浅层的stage1和stage2中，而在stage3和stage4中则完全通过自注意力层完成操作。
频域层的设计目标是从复数角度审视输入图像，来捕获图像的不同频率分量来提取图像中的局部频域特征。这一操作可以通过一个频域门控网络来实现，该网络由一个快速傅里叶变换层（FFT）、一个加权门控层和一个逆傅里叶层（IFFT）构成。首先通过FFT层来将图像的物理空间转到频域空间中，然后使用具有可学习权重参数的门控层来确定每个频率分量的权重，以便适当地捕获图像的线条和边缘，门控层可以使用网络的反向传播进行参数更新。随后IFFT层再将频域空间转回物理空间中。
在频域层中除了使用FFT和IFFT操作，还可以使用小波变换和逆小波变换来实现。SpectFormer的自注意力层是一个标准的注意力层实现，由层归一化层、多头自注意力层（multiheaded self-attention，MHSA）和MLP层堆叠构成。SpectFormer中的MHSA使用与DeiT相同的结构，即在自注意力建模阶段先使用MHSA进行token融合，然后再通过MLP层进行通道融合。
进一步的，所述SpectFormer通过如下步骤训练：获取多个WiFi信号及其经纬度数据，以及每个WiFi信号对应的定位光信号和标识图像；基于多个WiFi信号及其经纬度数据，以及每个WiFi信号对应的定位光信号和标识图像，构建数据集；通过数据集训练所述SpectFormer，直至所述SpectFormer预测的位置误差趋于稳定并低于阈值。
可以理解，由于深度学习所需的算力和硬件成本高，需要将本发明中的SpectFormer模型部署在云端，再通过网络回传给目标（用户）的智能终端上，以实现最终的定位。
实施例2
参考图3，本发明的第二方面，提供了一种基于SpectFormer的Poi定位装置1，包括：获取模块11，用于获取目标所在室内的多个WiFi信号、用于定位的光信号和标识图像；第一提取模块12，用于基于平滑伪Wigner-Ville分布，从所述WiFi信号和光信号中提取时频域特征；第二提取模块13，用于基于目标识别网络，识别标识图像并从所述标识图像中提取语义特征；预测模块14，用于利用训练完成的SpectFormer融合所述时频域特征和语义特征，并根据目标实时获取到的WiFi信号、光信号或标识图像，预测目标的位置。
进一步的，所述第一提取模块12包括：确定单元，用于基于最小相位误差算子，分别确定所述WiFi信号和所述光信号的平滑伪Wigner-Ville分布的核函数序列；第一提取单元，用于基于所述核函数序列和所述平滑伪Wigner-Ville分布，提取WiFi信号和光信号的时频谱；第二提取单元，用于通过时频谱的时频分布，分别提取WiFi信号和光信号时频域特征。
实施例3
参考图4，本发明的第三方面，提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明在第一方面的基于SpectFormer的Poi定位方法。
电子设备500可以包括处理装置(例如中央处理器、图形处理器等)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储装置508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有电子设备500操作所需的各种程序和数据。处理装置501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
通常以下装置可以连接至I/O接口505：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置506；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置507；包括例如硬盘等的存储装置508；以及通信装置509。通信装置509可以允许电子设备500与其他设备进行无线或有线通信以交换数据。虽然图4示出了具有各种装置的电子设备500，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图4中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置509从网络上被下载和安装，或者从存储装置508被安装，或者从ROM 502被安装。在该计算机程序被处理装置501执行时，执行本公开的实施例的方法中限定的上述功能。需要说明的是，本公开的实施例所描述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个计算机程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的实施例的操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++、Python，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。需要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于SpectFormer的Poi定位方法，其特征在于，包括：
获取目标所在室内的多个WiFi信号、用于定位的光信号和标识图像；
基于平滑伪Wigner-Ville分布，从所述WiFi信号和光信号中提取时频域特征；
基于目标识别网络，识别标识图像并从所述标识图像中提取语义特征；
利用训练完成的SpectFormer融合所述时频域特征和语义特征，并根据目标实时获取到的WiFi信号、光信号或标识图像，预测目标的位置。
2.根据权利要求1所述的基于SpectFormer的Poi定位方法，其特征在于，所述基于平滑伪Wigner-Ville分布从所述WiFi信号和定位的光信号提取时频域特征：
基于最小相位误差算子，分别确定所述WiFi信号和所述光信号的平滑伪Wigner-Ville分布的核函数序列；
基于所述核函数序列和所述平滑伪Wigner-Ville分布，提取WiFi信号和光信号的时频谱；
通过时频谱的时频分布，分别提取WiFi信号和光信号时频域特征。
3.根据权利要求2所述的基于SpectFormer的Poi定位方法，其特征在于，所述确定所述WiFi信号和所述光信号的平滑伪Wigner-Ville分布的核函数序列包括：基于径向高斯最优核和模糊函数，分别确定所述WiFi信号和所述光信号的平滑伪Wigner-Ville分布的核函数序列。
4.根据权利要求1所述的基于SpectFormer的Poi定位方法，其特征在于，所述基于目标识别网络，识别标识图像并从所述标识图像中提取语义特征包括：
通过U-net识别标识图像并从所述标识图像中提取语义特征。
5.根据权利要求1所述的基于SpectFormer的Poi定位方法，其特征在于，所述SpectFormer包括：
频域层，用于分别从所述时频域特征和语义特征进行浅层融合；
自注意力层，用于对所述浅层融合后的时频域特征和语义特征进行深度融合。
6.根据权利要求5所述的基于SpectFormer的Poi定位方法，其特征在于，所述SpectFormer通过如下步骤训练：
获取多个WiFi信号及其经纬度数据，以及每个WiFi信号对应的定位光信号和标识图像；
基于多个WiFi信号及其经纬度数据，以及每个WiFi信号对应的定位光信号和标识图像，构建数据集；
通过数据集训练所述SpectFormer，直至所述SpectFormer预测的位置误差趋于稳定并低于阈值。
7.一种基于SpectFormer的Poi定位装置，其特征在于，包括：
获取模块，用于获取目标所在室内的多个WiFi信号、用于定位的光信号和标识图像；
第一提取模块，用于基于平滑伪Wigner-Ville分布，从所述WiFi信号和光信号中提取时频域特征；
第二提取模块，用于基于目标识别网络，识别标识图像并从所述标识图像中提取语义特征；
预测模块，用于利用训练完成的SpectFormer融合所述时频域特征和语义特征，并根据目标实时获取到的WiFi信号、光信号或标识图像，预测目标的位置。
8.根据权利要求7所述的基于SpectFormer的Poi定位装置，其特征在于，所述第一提取模块包括：
确定单元，用于基于最小相位误差算子，分别确定所述WiFi信号和所述光信号的平滑伪Wigner-Ville分布的核函数序列；
第一提取单元，用于基于所述核函数序列和所述平滑伪Wigner-Ville分布，提取WiFi信号和光信号的时频谱；
第二提取单元，用于通过时频谱的时频分布，分别提取WiFi信号和光信号时频域特征。
9.一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1至6任一项所述的基于SpectFormer的Poi定位装置。
10.一种计算机可读介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的基于SpectFormer的Poi定位装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311381412.XA CN117474991B (zh) | 2023-10-24 | 2023-10-24 | 一种基于SpectFormer的Poi定位方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311381412.XA CN117474991B (zh) | 2023-10-24 | 2023-10-24 | 一种基于SpectFormer的Poi定位方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117474991A true CN117474991A (zh) | 2024-01-30 |
| CN117474991B CN117474991B (zh) | 2024-06-07 |
Family
ID=89638924
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311381412.XA Active CN117474991B (zh) | 2023-10-24 | 2023-10-24 | 一种基于SpectFormer的Poi定位方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117474991B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170090007A1 (en) * | 2015-09-25 | 2017-03-30 | Intel Corporation | Vision and Radio Fusion Based Precise Indoor Localization |
| CN108764077A (zh) * | 2018-05-15 | 2018-11-06 | 重庆邮电大学 | 一种基于卷积神经网络的数字信号调制分类方法 |
| CN109039458A (zh) * | 2018-08-06 | 2018-12-18 | 杭州电子科技大学 | 一种室内定位系统及方法 |
| CN109116298A (zh) * | 2017-06-22 | 2019-01-01 | 中兴通讯股份有限公司 | 一种定位方法、存储介质及定位系统 |
| US20190209022A1 (en) * | 2018-01-05 | 2019-07-11 | CareBand Inc. | Wearable electronic device and system for tracking location and identifying changes in salient indicators of patient health |
| CN112487127A (zh) * | 2020-12-12 | 2021-03-12 | 武汉中海庭数据技术有限公司 | 一种基于颜色特征分布与图像语义的众包建图方法及装置 |
| CN113628272A (zh) * | 2021-07-12 | 2021-11-09 | 中国科学院自动化研究所 | 室内定位方法、装置、电子设备及存储介质 |
| CN114646316A (zh) * | 2022-02-15 | 2022-06-21 | 中国电子科技集团公司电子科学研究院 | 基于深度学习目标识别的室内定位方法及定位终端 |
| CN116466335A (zh) * | 2023-04-10 | 2023-07-21 | 北京科技大学 | 基于聚类和深度神经网络的室内可见光定位方法及系统 |
-
2023
- 2023-10-24 CN CN202311381412.XA patent/CN117474991B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170090007A1 (en) * | 2015-09-25 | 2017-03-30 | Intel Corporation | Vision and Radio Fusion Based Precise Indoor Localization |
| CN109116298A (zh) * | 2017-06-22 | 2019-01-01 | 中兴通讯股份有限公司 | 一种定位方法、存储介质及定位系统 |
| US20190209022A1 (en) * | 2018-01-05 | 2019-07-11 | CareBand Inc. | Wearable electronic device and system for tracking location and identifying changes in salient indicators of patient health |
| CN108764077A (zh) * | 2018-05-15 | 2018-11-06 | 重庆邮电大学 | 一种基于卷积神经网络的数字信号调制分类方法 |
| CN109039458A (zh) * | 2018-08-06 | 2018-12-18 | 杭州电子科技大学 | 一种室内定位系统及方法 |
| CN112487127A (zh) * | 2020-12-12 | 2021-03-12 | 武汉中海庭数据技术有限公司 | 一种基于颜色特征分布与图像语义的众包建图方法及装置 |
| CN113628272A (zh) * | 2021-07-12 | 2021-11-09 | 中国科学院自动化研究所 | 室内定位方法、装置、电子设备及存储介质 |
| CN114646316A (zh) * | 2022-02-15 | 2022-06-21 | 中国电子科技集团公司电子科学研究院 | 基于深度学习目标识别的室内定位方法及定位终端 |
| CN116466335A (zh) * | 2023-04-10 | 2023-07-21 | 北京科技大学 | 基于聚类和深度神经网络的室内可见光定位方法及系统 |
Non-Patent Citations (4)
| Title |
|---|
| ALI DEHGHAN FIROOZABADI等: "A Novel Frequency Domain Visible Light Communication (VLC) Three-Dimensional Trilateration System for Localization in Underground Mining", 《 APPLIED SCIENCES》, 10 April 2019 (2019-04-10) * |
| BADRI NARAYANA PATRO等: "SpectFormer: Frequency and Attention is what you need in a Vision Transformer", 《ARXIV》, 14 April 2023 (2023-04-14) * |
| LIWEI YANG等: "Optimization of Resource Allocation Algorithm for Visible Light and WiFi Heterogeneous Networks", 《2023 6TH INTERNATIONAL CONFERENCE ON COMMUNICATION ENGINEERING AND TECHNOLOGY (ICCET)》, 15 May 2023 (2023-05-15) * |
| 熊亦威等: "基于激光雷达与单目相机融合的人体多目标室内定位系统", 《自动化与仪器仪表》, 25 May 2022 (2022-05-25) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117474991B (zh) | 2024-06-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111860573B (zh) | 模型训练方法、图像类别检测方法、装置和电子设备 | |
| CN108427939B (zh) | 模型生成方法和装置 | |
| US10930281B2 (en) | Method, apparatus and system for testing intelligent voice device | |
| CN111770427B (zh) | 麦克风阵列的检测方法、装置、设备以及存储介质 | |
| CN107622240B (zh) | 人脸检测方法和装置 | |
| CN108831505B (zh) | 用于识别应用的使用场景的方法和装置 | |
| CN109993150B (zh) | 用于识别年龄的方法和装置 | |
| CN112150490B (zh) | 图像检测方法、装置、电子设备和计算机可读介质 | |
| CN108509921B (zh) | 用于生成信息的方法和装置 | |
| CN108364648B (zh) | 用于获取音频信息的方法及装置 | |
| CN110298850B (zh) | 眼底图像的分割方法和装置 | |
| EP3907697A1 (en) | Method and apparatus for acquiring information | |
| CN115631212B (zh) | 人员伴随轨迹确定方法、装置、电子设备和可读介质 | |
| CN111126159A (zh) | 用于实时跟踪行人的方法、装置、电子设备和介质 | |
| CN111340015A (zh) | 定位方法和装置 | |
| CN112150491B (zh) | 图像检测方法、装置、电子设备和计算机可读介质 | |
| CN113592033A (zh) | 油罐图像识别模型训练方法、油罐图像识别方法和装置 | |
| CN117474991B (zh) | 一种基于SpectFormer的Poi定位方法及装置 | |
| CN112232804A (zh) | 扫码支付方法、装置和电子设备 | |
| CN111310595B (zh) | 用于生成信息的方法和装置 | |
| CN116913258A (zh) | 语音信号识别方法、装置、电子设备和计算机可读介质 | |
| US20210390334A1 (en) | Vehicle association method and device, roadside equipment and cloud control platform | |
| CN113255819B (zh) | 用于识别信息的方法和装置 | |
| CN113705363B (zh) | 一种特定卫星上行信号的识别方法及系统 | |
| CN115424060A (zh) | 模型训练方法、图像分类方法和装置 |
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 |