[發(fā)明專利]一種基于計算機視覺的室內定位方法

在審

• 申請?zhí)枺?/td>: 202110873083.5
• 申請日: 2021-07-30
• 公開（公告）號: CN113554754A
• 公開（公告）日: 2021-10-26
• 發(fā)明（設計）人: 李爽;蔚保國;李雋;趙茜;梁曉虎;祝瑞輝;李雅寧;張衡;黃璐;賈浩男;程建強;陳沖
• 申請（專利權）人: 中國電子科技集團公司第五十四研究所
• 主分類號: G06T17/05
• 分類號: G06T17/05;G06T17/10;G06T7/73;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 河北東尚律師事務所 13124
• 代理人: 王文慶

本發(fā)明公開了一種基于計算機視覺的室內定位方法，涉及計算機視覺室內定位技術領域。該方法首先建立室內圖像庫，通過室內各種終端采集的圖像與圖像庫比對，找到最相似的圖片，通過特征點提取與匹配，建立特征點在世界坐標系下的三維坐標與圖像坐標系下的二維坐標之間的聯系，得到的位姿即為終端當前位姿。本發(fā)明方法易于實現，能夠有效提高室內導航定位的精度。

技術領域

本發(fā)明涉及視覺導航領域，特別是視覺室內定位領域，尤其是指一種基于計算機視覺的室內定位方法。

背景技術

室內環(huán)境下的高精度定位問題一直以來都是一個技術難題。受限于多徑和室內復雜多變環(huán)境的影響，傳統的室內定位方法都存在這樣或那樣的問題而無法實現高精度定位，例如：

直接采用偽衛(wèi)星進行數據解算定位，受多徑影響，定位精度無法保證；

Wi-Fi、藍牙的基于信號強度值的定位方法受室內環(huán)境變化影響較大,定位精度無法保證；

利用信號指紋的定位方法存在指紋庫建立時間長且隨時間變化的問題。

基于計算機視覺的定位方法具有定位時間短、定位結果準確的優(yōu)點，在室內建筑中有較好的應用前景。但是，現有技術中尚缺少相關嘗試。

發(fā)明內容

有鑒于此，本發(fā)明提出一種基于計算機視覺的室內定位方法，其基于深度學習的圖像匹配及n點透視投影問題求解來實現定位，能夠很好地解決現有技術中室內復雜環(huán)境下定位性能變差的問題，提升室內導航定位的精度。

為了實現上述目的，本發(fā)明采用的技術方案為：

一種基于計算機視覺的室內定位方法，包括以下步驟：

(1)采集室內RGB圖像和深度圖像并保存，記錄采集圖片時相機的位姿，建立室內地圖庫T_MN；

(2)將地圖庫中保存的RGB圖像作為訓練樣本輸入到深度學習網絡模型中，對網絡模型進行訓練，當損失函數數值不再降低時保存網絡模型參數；

(3)當有終端進入室內時，下載深度學習網絡模型參數，并使用終端相機拍攝室內照片，利用深度學習網絡從地圖庫中識別出與終端拍攝照片最相似的匹配圖片，并提取對應的深度圖像和相機位姿；

(4)提取終端拍攝照片和匹配圖片的特征點，對特征點進行匹配并計算得到匹配點在世界坐標系下的坐標；

(5)根據匹配點在世界坐標系下的坐標以及圖像坐標，利用n點透視投影模型求解方法，求解出終端在拍攝照片時在世界坐標系下的位姿，再根據室內地圖將坐標轉換為真實位置并在地圖上顯示；

完成基于計算機視覺的室內定位。

進一步的，步驟(1)的具體方式為：根據面積大小將室內空間分成M×N個網格，采用激光測距儀獲取每個網格中心點的平面坐標，在每個網格中心架設RGB-D相機，使相機距地面的高度為H米，并與地面保持平行；通過這些相機采集RGB圖像和深度圖像，并記錄采集圖片時相機的位姿，從而建立M×N大小的室內地圖庫。

進一步的，所述深度學習網絡模型結合LBP特征進行場景識別；步驟(2)中對網絡模型進行訓練時，利用下式進行LBP特征提取：

式中，(x_c,y_c)為中心像素點的坐標，N的大小為8，i_c,i_n分別為中心像素和鄰域像素的灰度值，s(·)為符號函數；

訓練過程的目的是學習得到網絡各層的參數值，以擬合給定的訓練數據；具體方式為，建立對數似然函數，使其在訓練集上的值最大化，即得到網絡層參數；假設訓練集包含N個樣本，則對數似然函數為：