[發明專利]一種基于SSD目標檢測的RSSI更新的室內定位方法

有效

• 申請號: 202011005852.1
• 申請日: 2020-09-23
• 公開（公告）號: CN112135246B
• 公開（公告）日: 2023-04-07
• 發明（設計）人: 葛敏婕;唐健喬
• 申請（專利權）人: 中科芯集成電路有限公司
• 主分類號: H04W4/02
• 分類號: H04W4/02;H04W4/021;H04W4/029;H04W4/33;H04W4/80;H04W64/00;G01S11/06;G06F18/214;G06F18/24;G06N3/084
• 代理公司: 無錫派爾特知識產權代理事務所(普通合伙) 32340
• 代理人: 楊立秋

1.一種基于SSD目標檢測的RSSI更新的室內定位方法，其特征在于，包括：

在定位場地部署N個藍牙網關，并獲取其坐標；

采集N個藍牙網關對定位標簽的藍牙信號RSSI值和身份ID發送至服務器；

攝像頭拍攝含有定位標簽的區域實時照片，并將照片和區域中的定位標簽發送至服務器；

根據測距模型d＝10^{(ABS(RSSI)-A)/(10*n)}，分別計算每個藍牙基站與定位標簽的距離d；其中A指發射端和接收端相隔1米時的信號強度；n是基于SSD的目標檢測給出的環境衰減因子；

采用兩重濾波和三點時域加權定位算法計算出定位標簽的坐標；

將坐標送給Web顯示端，顯示定位標簽的位置和軌跡；

基于SSD的目標檢測給出環境衰減因子具體為：基于深度學習的SSD目標檢測算法，對不同的環境進行檢測從而設置不同的環境衰減因子n，包括：

采用InteriorNet的室內場景數據集，針對此數據集，增加環境衰減因子標簽；

將檢測數據集劃分為三個部分：訓練集、測試集和驗證集；

搭建Tensorflow深度學習框架進行SSD室內場景檢測模型的訓練與測試；

SSD的損失函數L(x,c,l,g)定義為預測位置誤差L_loc與類別置信度誤差L_conf的加權和：

其中，N為匹配的默認框個數，x為匹配的默認框是否屬于某個類別，l為預測框，g為真實目標框，c為被默認框包圍的目標屬于某類別的置信度，α代表權重項，設置為1；

預測位置損失函數L_loc(x,l,g)的計算方式如式(1.2)和式(1.3)所示：

d＝(d^cx,d^cy,d^w,d^h)表示先驗框位置，為第i個框的中心x軸坐標，為第i個框的寬度，為第i個框的中心y軸坐標，為第i個框的高度；

其中采用的smooth_L1損失函數，定義如式(1.4)所示：

式中i為默認框序號，i∈Pos是被分為正樣本的默認框，j為真實目標框序號，k為類別序號，為第i個預測框與第j個真實目標框關于類別k是否匹配，取值{0,1}，(cx,cy)為默認框的中心坐標，w和h為默認框的寬和高，m是對默認框4個參數的取值，則為第i個默認框的4個參數，為第j個真實框的4個參數；

類別置信度損失函數L_conf(x,c)定義如式(1.5)和式(1.6)所示，其使用的是Softmax損失函數：

式中輸入每一類的置信度c，i指代默認框序號，i∈Pos是被分為正樣本的默認框，i∈Neg是被分為負樣本的默認框，j指代真實框序號，p指代類別序號，p＝0代表背景，表示第i個預測框與第j個真實框關于類別p是否匹配，取值{0，1}，表示第i個默認框對應類別p的預測概率；

SSD在訓練時先將圖像的默認框與真實目標框匹配，然后通過SSD的損失函數輸出損失值，最后進行反向傳播，更新網絡權值，并重復這一過程；

對該SSD的模型進行訓練，然后根據訓練模型在驗證集上的表現設定最優參數；攝像頭拍攝的區域內場景一旦發生變化，將這種變化檢測出來，從而更新環境衰減因子n，從而信號強度值RSSI轉為距離值d時就會提高精度。

2.如權利要求1所述的基于SSD目標檢測的RSSI更新的室內定位方法，其特征在于，所述InteriorNet的室內場景數據集包括家具制造商提供已用于實際生產的CAD模型、以及專業設計師基于所述CAD模型創建的室內布局。

3.如權利要求1所述的基于SSD目標檢測的RSSI更新的室內定位方法，其特征在于，針對此數據集，增加環境衰減因子標簽具體為：識別出不同的室內場景后，環境衰減因子n會進行改變，不同場景下的環境衰減因子標簽需要事先進行測試得出。