[發明專利]基于BN-CNN的高速可見光定位圖像處理方法、系統及介質

在審

• 申請號: 202210654874.3
• 申請日: 2022-06-10
• 公開（公告）號: CN115100279A
• 公開（公告）日: 2022-09-23
• 發明（設計）人: 方俊彬;李丹婕;林嘉俊;魏展航;江燦健;陳姝豫;蔣琳
• 申請（專利權）人: 暨南大學
• 主分類號: G06T7/73
• 分類號: G06T7/73;G06V10/764;G06V10/774;G06V10/82;G06N3/04;G06N3/08
• 代理公司: 廣州市華學知識產權代理有限公司 44245
• 代理人: 李斌

1.基于BN-CNN的高速可見光定位圖像處理方法，其特征在于，包括下述步驟：

獲取信號發射端LED燈的唯一標識符并編碼為交叉二五碼，再通過調制器使用開關鍵控對LED燈進行調制，驅動LED燈發出不同頻率的光信號；

使用CMOS圖像傳感器在信號接收端捕獲不同LED燈發出的光信號圖像，并劃分獲得條紋圖像訓練集和條紋圖像測試集；

將條紋圖像訓練集導入設計好的批規范化卷積神經網絡進行訓練，使用連續梯度下降法優化損失，獲得條紋圖像分類模型；

將條紋圖像測試集導入條紋圖像分類模型進行識別，判斷條紋圖像所屬類別及類別對應LED燈的唯一標識符，確定信號接收端的位置。

2.根據權利要求1所述的基于BN-CNN的高速可見光定位圖像處理方法，其特征在于，所述獲得條紋圖像訓練集和條紋圖像測試集，具體為：

使用CMOS圖像傳感器在不同移動速度狀態下從不同角度對多個LED燈的光信號進行捕獲，并將捕獲到的條紋圖像保存，同時記錄條紋圖像對應的LED燈唯一標識符UID、拍攝時的移動速度以及拍攝角度作為標簽值；

對拍攝得到的條紋圖像進行圖像預處理：將條紋圖像轉換為灰度圖像；通過檢驗行列像素和的方法，設置閾值，確定完整條紋圖像的行列邊界，向外延伸邊界進行裁剪得到完整條紋圖像；

將預處理后的條紋圖像進行隨機劃分，獲得條紋圖像訓練集和條紋圖像測試集。

3.根據權利要求1所述的基于BN-CNN的高速可見光定位圖像處理方法，其特征在于，所述設計好的批規范化卷積神經網絡BN-CNN包括輸入層、Conv1層、Conv2層、M1層、FC1層、M2層、FC2層及輸出層；

所述Conv1層包括卷積層、批規范化層、ReLU激活層及最大池化層，用于提取特征獲取特征圖；

所述Conv2層包括卷積層、批規范化層、ReLU激活層及最大池化層，用于提取高維特征獲得高維特征圖；

所述M1層包括dropout層及flatten層，用于將高維特征圖轉換為特征數組；

所述FC1層包括全連接層、批規范化層及ReLU激活層，用于加入非線性因素；

所述M2層包括dropout層，用于降低神經網絡神經元之間的共適應關系；

所述FC2層包括全連接層和批規范化層，用于輸出分類結果；

所述輸出層包括Softmax分類器，用于計算分類結果對應的概率分布，輸出概率最大的分類信息。

4.根據權利要求3所述的基于BN-CNN的高速可見光定位圖像處理方法，其特征在于，所述Conv1層中的卷積層使用32個3×3大小的卷積核且步長為(1,1對輸入層輸入的條紋圖像訓練集進行特征提取，生成32個特征圖，卷積層進行特征映射獲取特征圖的公式為：

其中，X_i為條紋圖像訓練集中第i張條紋圖像，Y_i為第i張條紋圖像對應的特征圖，b_i為神經元的偏置，w_ji為神經元的權值，*為卷積運算；

使用零填充方式填充特征圖的邊緣像素，得到32個800×800大小的特征圖；

利用批規范化層對卷積層填充后的特征圖進行規范化，將特征圖的平均值和方差限制在[0,1]的范圍內；

利用ReLU激活層的激勵函數，將批規范化層的輸出非線性映射到Conv1層中的最大池化層；

最大池化層使用步長為(2,2)的最大池化，計算并輸出輪詢窗口滑動過程所對應的數據最大值，輸出大小為400×400像素的特征圖。

5.根據權利要求4所述的基于BN-CNN的高速可見光定位圖像處理方法，其特征在于，所述Conv2層中的卷積層使用64個3×3大小的卷積核對Conv1層獲取32個400×400像素大小的特征圖進行高維特征提取，生成64個高維特征圖；

再將高維特征圖經過Conv2層中批規范化層、ReLU激活層和最大池化層，輸出64個大小為200×200像素的高維特征圖。