一种基于ConvNet指纹特征的室内高精度定位方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115862458A(43)申请公布日2023.03.28(21)申请号202211511633.XG06V10/74(2022.01)(22)申请日2022.11.29G06V10/82(2022.01)(71)申请人湖北工业大学地址430068湖北省武汉市洪山区南李路28号(72)发明人王相龙杜江毅严忠贞郭峰徐志刚董新华韩洪木朱信远周辉(74)专利代理机构武汉科皓知识产权代理事务所(特殊普通合伙)42222专利代理师严彦(51)Int.Cl.G09B29/10(2006.01)G06N3/0464(2023.01)G06N3/08(2023.01)权利要求书2页说明书4页附图2页(54)发明名称一种基于ConvNet指纹特征的室内高精度定位方法(57)摘要本发明公开了一种基于ConvNet指纹特征的室内高精度定位方法。首先提取图像的多种深度学习特征并进行层次化构建，形成具有表征能力强、鲁棒性高的ConvNet指纹特征，然后基于ConvNet指纹特征构建高精度地图，最后通过匹配不同尺度的深度学习特征，实现室内高精度定位。本发明无需布设定位信号发射器，仅通过图像便可实现室内高精度定位。相比于已有方法，本方法成本低且定位精度高。CN115862458ACN115862458A权利要求书1/2页1.一种基于ConvNet指纹特征的室内高精度定位方法，其特征在于，包括以下步骤：步骤1，构建定位点的ConvNet指纹特征，包括深度学习特征和深度特征；步骤2，构建基于ConvNet指纹特征的节点高精度地图；步骤3，基于ConvNet指纹特征进行多尺度定位；步骤3.1，将待定位点的深度学习特征和地图节点的深度学习聚合特征进行匹配，实现初定位；步骤3.2，将待定位点的深度学习特征和候选定位区域内的地图节点的深度学习特征进行匹配，实现图像级定位；步骤3.3，计算待定位点的深度特征和步骤3.2定位到的地图节点的深度特征的相对位置关系，实现度量级定位。2.如权利要求1所述的一种基于ConvNet指纹特征的室内高精度定位方法，其特征在于：步骤1中构建的ConvNet指纹特征包含深度学习特征f和深度特征d，首先将定位点处的图像输入到训练好的深度学习网络中提取中间层特征m，并对中间层特征m进行向量化处理，得到深度学习特征f，然后将定位点处的图像输入到用于提取图像深度的深度学习网络中，得到图像的深度特征d，最后将深度学习特征f和深度特征d按照树形结构进行拼接，得到ConvNet指纹特征P。3.如权利要求1所述的一种基于ConvNet指纹特征的室内高精度定位方法，其特征在于：步骤2中高精度地图采用节点方式构建而成，为了充分表征地图，每个节点包含ConvNet指纹特征P和深度学习聚合特征Z：S＝{x1,x2,...,xi,...,xn}(1)xi＝{Pi,Zi}(2)式中，S表示高精度地图；xi为第i个节点；n为节点的数量；Pi为由当前地图节点处图像构建的ConvNet指纹特征；深度学习聚合特征Z通过当前节点所在分区中所有节点的深度学习特征f均值化得到，分区是对整个室内区域进行的面积等分。4.如权利要求3所述的一种基于ConvNet指纹特征的室内高精度定位方法，其特征在于：步骤3.1中首先利用步骤1得到待定位点的深度学习特征，然后通过匹配待定位点的深度学习特征和地图节点的深度学习聚合特征，确定待定位点的大致范围，具体计算方式如下：D＝dis(fq,Z)(3)式中，fq为待定位点的深度学习特征，Z为地图节点的深度学习聚合特征，dis为距离计算公式，D为待定位点的深度学习特征与地图节点的深度学习聚合特征的距离集合；选取最大距离对应的分区为候选定位区域：k*＝argmax(D)(4)式中，k*表示候选定位区域。5.如权利要求4所述的一种基于ConvNet指纹特征的室内高精度定位方法，其特征在于：步骤3.2在步骤3.1初定位的结果上，将待定位点的深度学习特征和候选定位区域内的*地图节点的深度学习特征fi逐一进行匹配，距离最大值对应的地图节点f为定位结果：T＝dis(fq,fi)(5)f*＝argmax(T)(6)2CN115862458A权利要求书2/2页*式中，fq为待定位点的深度学习特征，fi表示候选定位区域k内的地图节点的深度学习特征，dis为距离计算公式，T为待定位点的深度学习特征与候选地图节点的深度学习特征的距离集合，f*为图像级定位的结果。6.如权利要求5所述的一种基于ConvNet指纹特征的室内高精度定位方法，其特征在于：步骤3.3中利用步骤1得到待定位点的深度特征，通过计算待定位点的深度特征dq和地图节点f*的深度特征d*的相对位置关系，即旋转矩阵R和平移矩阵t，实现基于图像深度特征的度