[發(fā)明專利]一種基于位置識(shí)別的車輛定位方法及系統(tǒng)

在審

• 申請(qǐng)?zhí)枺?/td>: 202110769740.1
• 申請(qǐng)日: 2021-07-07
• 公開（公告）號(hào): CN113378992A
• 公開（公告）日: 2021-09-10
• 發(fā)明（設(shè)計(jì)）人: 龐丹丹;江永清;李成棟
• 申請(qǐng)（專利權(quán)）人: 山東建筑大學(xué)
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62;G06N3/08
• 代理公司: 濟(jì)南克雷姆專利代理事務(wù)所(普通合伙) 37279
• 代理人: 張祥明

1.一種基于位置識(shí)別的車輛定位方法，其特征在于，包括：

數(shù)據(jù)采集步驟：采集完成后的數(shù)據(jù)集首先經(jīng)過特征提取模塊進(jìn)行特征提取，特征提取模塊包括一系列神經(jīng)網(wǎng)絡(luò)模型；

數(shù)據(jù)處理步驟：特征提取模塊對(duì)任意神經(jīng)網(wǎng)絡(luò)模型進(jìn)行隨機(jī)組合，然后將提取到的特征經(jīng)自動(dòng)編碼器進(jìn)行圖像的重構(gòu)，并與原始圖像進(jìn)行對(duì)比，當(dāng)重構(gòu)圖像與原始圖像最為相似時(shí)，則認(rèn)定當(dāng)前特征提取網(wǎng)絡(luò)的組合為最優(yōu)組合，并將當(dāng)前組合的特征提取網(wǎng)絡(luò)提取到的最優(yōu)特征前向傳播到定位模塊進(jìn)行特征的后續(xù)處理；

模型建立步驟：將上述特征經(jīng)過定位模塊訓(xùn)練后，將獲得由圖像關(guān)鍵描述子組成的特征庫；

位置識(shí)別步驟：將需要定位的圖像的特征描述子與經(jīng)過定位模塊訓(xùn)練后得到的特征庫里的圖像關(guān)鍵描述子進(jìn)行匹配，最后，通過弱監(jiān)督排序?qū)⒄龢颖局芯嚯x查詢圖像最近的圖片作為定位結(jié)果進(jìn)行輸出，以此達(dá)到車輛定位的目的。

2.根據(jù)權(quán)利要求1所述的一種基于位置識(shí)別的車輛定位方法，其特征在于，采集完成后的數(shù)據(jù)集為位置識(shí)別圖像數(shù)據(jù)集，所述位置識(shí)別圖像數(shù)據(jù)集包括同一地點(diǎn)下不同視角和不同時(shí)間的圖像數(shù)據(jù)，并統(tǒng)一對(duì)其添加GPS坐標(biāo)或其他位置信息的標(biāo)簽。

3.根據(jù)權(quán)利要求1所述的一種基于位置識(shí)別的車輛定位方法，其特征在于，自動(dòng)編碼器用來對(duì)特征提取網(wǎng)絡(luò)提取到的特征進(jìn)行輸入圖像的重構(gòu)并與原始圖像進(jìn)行對(duì)比，所述對(duì)比方法包括：

S31：利用原始圖像和重構(gòu)圖像獲取到的多維特征平鋪到一維上得到兩個(gè)一維向量；

S32：然后將兩個(gè)一維向量進(jìn)行相減，再進(jìn)行絕對(duì)值的求和，求取兩個(gè)特征向量的L1范數(shù)，以此代表兩個(gè)一維向量的距離即兩者的相似程度；

S33：接著對(duì)求取到的距離再進(jìn)行兩次全連接，將第二次全連接層連接到一個(gè)神經(jīng)元上，并對(duì)其結(jié)果取Sigmoid函數(shù)，使其值在分布于[0,1]之間，用于代表兩個(gè)輸入圖片的相似程度；

S34：當(dāng)兩個(gè)圖片的相似程度達(dá)到最大時(shí)，即代表當(dāng)前神經(jīng)網(wǎng)絡(luò)模型的組合提取到的特征為最優(yōu)特征，將提取到的最優(yōu)特征前向傳播到定位模塊進(jìn)行特征的后續(xù)處理。

4.根據(jù)權(quán)利要求2所述的一種基于位置識(shí)別的車輛定位方法，其特征在于，還包括，聚類模塊，所述聚類模塊用于對(duì)部分的位置識(shí)別數(shù)據(jù)集進(jìn)行訓(xùn)練以初始化模型的聚類中心。

5.根據(jù)權(quán)利要求4所述的一種基于位置識(shí)別的車輛定位方法，其特征在于，所述聚類中心作為定位模塊中的可訓(xùn)練參數(shù)，即根據(jù)已知圖像數(shù)據(jù)的類別進(jìn)行訓(xùn)練，將屬于同一物體的特征聚合在一起，使模型學(xué)習(xí)到更好的聚類中心，讓最終特征庫里代表圖像的描述子更有區(qū)分度。

6.根據(jù)權(quán)利要求5所述的一種基于位置識(shí)別的車輛定位方法，其特征在于，所述定位模塊獲得由圖像關(guān)鍵描述子組成的特征庫的方法包括：

S61：首先對(duì)特征提取模塊提取到的最優(yōu)特征進(jìn)行L2歸一化處理，將其視為一個(gè)密度描述符提取器；

S62：將被提取出來的描述符池化為固定的圖像表示，然后前向傳播到模型中的聚合模塊進(jìn)行處理，被提取出來的描述符池化層為GhostVLAD層，GhostVLAD網(wǎng)絡(luò)模塊將多個(gè)位置特征聚合成固定維數(shù)的特征矩陣，并且其參數(shù)可通過向后傳播進(jìn)行學(xué)習(xí)；

S63：將特征矩陣前向傳播到FC和L2歸一化層，將其歸一化為緊湊鑒別的向量，再被用于當(dāng)作是圖像的表示。

7.根據(jù)權(quán)利要求6所述的一種基于位置識(shí)別的車輛定位方法，其特征在于，所述步驟S61中，為了使得后續(xù)描述子足夠簡(jiǎn)潔并節(jié)約內(nèi)存和減少運(yùn)算時(shí)間，在歸一化層后面加入全連接層，使得輸出維度從2048降為256。

8.根據(jù)權(quán)利要求6所述的一種基于位置識(shí)別的車輛定位方法，其特征在于，所述步驟S62中，將貢獻(xiàn)程度較低的圖像單獨(dú)作為一類進(jìn)行簇的劃分，并使其不參與到網(wǎng)絡(luò)的權(quán)重更新中，通過端到端的訓(xùn)練方法，讓模型自動(dòng)提取貢獻(xiàn)程度較低的圖像，且該圖像不再作為學(xué)習(xí)和訓(xùn)練的特征。

9.一種基于位置識(shí)別的車輛定位系統(tǒng)，其特征在于，包括：

特征提取模塊，其用于對(duì)位置識(shí)別數(shù)據(jù)集進(jìn)行特征的提取；

自動(dòng)編碼器，其用于對(duì)特征提取網(wǎng)絡(luò)提取到的特征進(jìn)行輸入圖像的重構(gòu)并與原始圖像進(jìn)行對(duì)比；

聚類模塊，其用于對(duì)部分的位置識(shí)別數(shù)據(jù)集進(jìn)行訓(xùn)練以初始化模型的聚類中心；

定位模塊，其用于特征提取模塊提取到的最優(yōu)特征進(jìn)行池化處理，即將提取到的最優(yōu)特征處理為可表示圖像的二維特征描述子；

特征庫，對(duì)位置識(shí)別數(shù)據(jù)集采集到的數(shù)據(jù)通過自動(dòng)編碼器、聚類模塊和定位模塊進(jìn)行訓(xùn)練后，將訓(xùn)練好的模型作為特征庫，特征庫將實(shí)時(shí)采集到的街景圖像和特征庫里的圖像進(jìn)行對(duì)比，以此達(dá)到車輛定位的目的。