一种室内定位方法及其装置制造方法及图纸

本发明专利技术公开了一种室内定位装置，包括：网络建立单元，用于建立预设卷积神经网络；网络训练单元，与网络建立单元相连接，用于对所述预设卷积神经网络进行训练；场景图片采集单元，用于实时拍摄一张室内场景图片，然后发送给识别判断单元；识别判断单元，分别与网络训练单元和场景图片采集单元相连接，用于识别获得该实时拍摄的室内场景图片在整个预设室内场景平面图中的位置，然后发送给显示输出单元；显示输出单元，与识别判断单元相连接。本发明专利技术还公开了一种室内定位方法。本发让人们方便、可靠且精确地实现室内定位，无需借助专门的硬件设备，满足用户对室内定位功能的要求，减少人们的日常经济支出，提高用户的工作和生活品质。

Indoor positioning method and device thereof

The invention discloses an indoor positioning device, including: network unit, used to establish preset convolutional neural network; network training unit, a unit connected to the network, for the training of the preset convolutional neural network; image acquisition unit for real-time shooting an indoor scene picture, and then sent to recognize recognition unit; the judgment unit is respectively connected with the network training unit and scene image acquisition unit is used to identify the indoor scene pictures of the real-time shooting in the preset indoor scene plan in the position, and then sent to the display unit; a display output unit, and identify the units connected. The invention also discloses an indoor positioning method. Let the people convenient, reliable and precise indoor positioning, without special hardware equipment, to meet user demand for indoor positioning function, reduce people's daily economic expenditure, improve the user's quality of work and life.

【技术实现步骤摘要】
一种室内定位方法及其装置
本专利技术涉及大数据计算、人工智能、图像识别和云计算等
，特别是涉及一种室内定位方法及其装置。
技术介绍
目前，随着人类科学技术的不断发展，深度学习(DeepLearning)正在成为机器学习领域的一个新兴领域。近几年，有关深度学习的应用越来越广，已经涉及到语音识别、图像识别、自然语言处理等领域。深度学习并将继续影响到机器学习和人工智能的其它关键领域。随着全球定位系统(GPS)、北斗等卫星导航的民用化，各种导航极大的方便了人们的出行，室外的定位也越来越精准，但是，目前对于室内定位，卫星发射的无线电波在穿透钢筋混泥土的墙壁时，将会有极大的衰减，甚至在室内就接收不到卫星的信号，因此，无法通过卫星来进行室内导航。目前，现有的的室内定位方法，都会受到外界环境的干扰，含有诸多不确定因素，导致室内定位误差很大，无法实现精确的室内定位，并且需要借助专门的硬件设备才能实现定位，这些硬件设备后续维修费用高且需要耗费大量的电能，增加了人们的日常经济支出，从而造成无法广泛地推广应用。因此，目前迫切需要开发出一种技术，其可以让人们方便、可靠且精确地实现室内定位，无需借助专门的硬件设备，满足用户对室内定位功能的要求，减少人们的日常经济支出，提高用户的工作和生活品质。
技术实现思路
有鉴于此，本专利技术的目的是提供一种室内定位方法及其装置，其可以让人们方便、可靠且精确地实现室内定位，无需借助专门的硬件设备，满足用户对室内定位功能的要求，减少人们的日常经济支出，提高用户的工作和生活品质，具有重大的生产实践意义。为此，本专利技术提供了一种室内定位方法，包括步骤：第一步：建立预设卷积神经网络，所述卷积神经网络包括依次对所输入的图像进行处理的输入层、隐含层和输出层；第二步：预先采集预设室内场景内的多个场景图片作为多个采样样本，并预先标记每个采样样本在整个预设室内场景平面图中的位置，并所述多个采样样本输入到所述预设卷积神经网络中，对所述预设卷积神经网络进行训练，直到使得所述预设卷积神经网络的模型收敛，完成所述预设卷积神经网络的训练；第三步：在需要定位当前用户位置的预设室内场景内，实时拍摄一张室内场景图片；第四步：将所实时拍摄的室内场景图片输入到已完成训练的所述预设卷积神经网络中，识别获得与该实时拍摄的室内场景图片的相似度最高的采样样本，并以识别获得的该采样样本在整个预设室内场景平面图中的位置作为该实时拍摄的室内场景图片在整个预设室内场景平面图中的位置；第五步：根据该实时拍摄的室内场景图片在整个预设室内场景平面图中的位置，在整个预设室内场景平面图中进行位置标注并实时显示。其中，在第二步中，所述预先采集预设室内场景内的多个场景图片通过对预先拍摄的室内场景视频进行帧采样获取得到，或者直接通过摄像头拍照获得。其中，在第二步中，所述预先采集的室内场景内的多个场景图片通过互联网网络传输至分布式文件系统HDFS中进行存储。其中，所述第二步具体包括以下步骤：预先采集预设室内场景内的多个场景图片作为多个采样样本；然后通过网络传输至预设数据库进行存储；然后利用MapReduce编程模型，采用所述预设数据库中的采样样本数据作为训练数据而输入到所述预设卷积神经网络中；对所述预设卷积神经网络进行训练，直到使得所述预设卷积神经网络的模型收敛，完成所述预设卷积神经网络的训练。其中，在所述第二步中，利用MapReduce训练所述预设卷积神经网络的具体处理过程包括以下步骤：首先，初始化所述预设卷积神经网络；然后，接收多个采样样本；接着，正向传递计算损失函数；然后，实时计算实际输出与目标输出的误差大小；接着，利用随机梯度下降算法来调整所述预设卷积神经网络的权重和偏置；最后，判断调整所述预设卷积神经网络的权重和偏置的次数是否达到预定的迭代次数；如果达到，则判断完成对所述预设卷积神经网络的训练；如果未达到，需要继续对所述预设卷积神经网络进行训练，继续调整权重和偏置，直到达到预定的迭代次数为止。此外，本专利技术还提供了一种室内定位装置，包括：网络建立单元，用于建立预设卷积神经网络，所述卷积神经网络包括依次对所输入的图像进行处理的输入层、隐含层和输出层；网络训练单元，与网络建立单元相连接，用于预先采集预设室内场景内的多个场景图片作为多个采样样本，并预先标记每个采样样本在整个预设室内场景平面图中的位置，并所述多个采样样本输入到所述预设卷积神经网络中，对所述预设卷积神经网络进行训练，直到使得所述预设卷积神经网络的模型收敛，完成所述预设卷积神经网络的训练；场景图片采集单元，用于在需要定位用户位置的预设室内场景内，实时拍摄一张室内场景图片，然后发送给识别判断单元；识别判断单元，分别与网络训练单元和场景图片采集单元相连接，用于将所述场景图片采集单元发来的实时拍摄的室内场景图片，输入到所述网络训练单元完成训练的所述预设卷积神经网络中，识别获得与该实时拍摄的室内场景图片的相似度最高的采样样本，并以识别获得的该采样样本在整个预设室内场景平面图中的位置作为该实时拍摄的室内场景图片在整个预设室内场景平面图中的位置，然后发送给显示输出单元；显示输出单元，与识别判断单元相连接，用于根据所述识别判断单元发来的所述实时拍摄的室内场景图片在整个预设室内场景平面图中的位置，在整个预设室内场景平面图中进行位置标注并实时显示。其中，所述预先采集预设室内场景内的多个场景图片通过对预先拍摄的室内场景视频进行帧采样获取得到，或者直接通过摄像头拍照获得。其中，所述网络训练单元与分布式文件系统HDFS相连接，所述网络训练单元用于将所述预先采集的室内场景内的多个场景图片可以通过互联网网络传输至分布式文件系统HDFS中进行存储。其中，所述网络训练单元用于预先采集预设室内场景内的多个场景图片作为多个采样样本，然后通过网络传输至预设数据库进行存储，然后利用MapReduce编程模型，采用所述预设数据库中的采样样本数据作为训练数据而输入到所述预设卷积神经网络中，对所述预设卷积神经网络进行训练，直到使得所述预设卷积神经网络的模型收敛。其中，所述网络建立单元和网络训练单元为所述装置安装上的中央处理器CPU、数字信号处理器DSP或者单片机MCU；所述场景图片采集单元为具有图片拍摄功能的移动终端。由以上本专利技术提供的技术方案可见，与现有技术相比较，本专利技术提供了一种室内定位方法及其装置，其可以让人们方便、可靠且精确地实现室内定位，无需借助专门的硬件设备，满足用户对室内定位功能的要求，减少人们的日常经济支出，提高用户的工作和生活品质，具有重大的生产实践意义。附图说明图1为本专利技术提供的一种室内定位方法的流程图；图2为本专利技术提供的一种室内定位装置的结构方框图；图3为本专利技术提供的一种室内定位方法及其装置所建立的基本神经网络的模型示意图。图4为本专利技术提供的一种室内定位方法及其装置所建立的室内场景检测识别的卷积神经网络模型示意图。具体实施方式为了使本
的人员更好地理解本专利技术方案，下面结合附图和实施方式对本专利技术作进一步的详细说明。图1为本专利技术提供的一种室内定位方法的流程图；参见图1，本专利技术提供的一种室内定位方法，包括以下步骤：步骤S101：建立预设卷积神经网络(ConvolutionalNeuralNetwork，CNN)(参见图本文档来自技高网...

【技术保护点】
一种室内定位方法，其特征在于，包括步骤：第一步：建立预设卷积神经网络，所述卷积神经网络包括依次对所输入的图像进行处理的输入层、隐含层和输出层；第二步：预先采集预设室内场景内的多个场景图片作为多个采样样本，并预先标记每个采样样本在整个预设室内场景平面图中的位置，并所述多个采样样本输入到所述预设卷积神经网络中，对所述预设卷积神经网络进行训练，直到使得所述预设卷积神经网络的模型收敛，完成所述预设卷积神经网络的训练；第三步：在需要定位当前用户位置的预设室内场景内，实时拍摄一张室内场景图片；第四步：将所实时拍摄的室内场景图片输入到已完成训练的所述预设卷积神经网络中，识别获得与该实时拍摄的室内场景图片的相似度最高的采样样本，并以识别获得的该采样样本在整个预设室内场景平面图中的位置作为该实时拍摄的室内场景图片在整个预设室内场景平面图中的位置；第五步：根据该实时拍摄的室内场景图片在整个预设室内场景平面图中的位置，在整个预设室内场景平面图中进行位置标注并实时显示。

【技术特征摘要】
1.一种室内定位方法，其特征在于，包括步骤：第一步：建立预设卷积神经网络，所述卷积神经网络包括依次对所输入的图像进行处理的输入层、隐含层和输出层；第二步：预先采集预设室内场景内的多个场景图片作为多个采样样本，并预先标记每个采样样本在整个预设室内场景平面图中的位置，并所述多个采样样本输入到所述预设卷积神经网络中，对所述预设卷积神经网络进行训练，直到使得所述预设卷积神经网络的模型收敛，完成所述预设卷积神经网络的训练；第三步：在需要定位当前用户位置的预设室内场景内，实时拍摄一张室内场景图片；第四步：将所实时拍摄的室内场景图片输入到已完成训练的所述预设卷积神经网络中，识别获得与该实时拍摄的室内场景图片的相似度最高的采样样本，并以识别获得的该采样样本在整个预设室内场景平面图中的位置作为该实时拍摄的室内场景图片在整个预设室内场景平面图中的位置；第五步：根据该实时拍摄的室内场景图片在整个预设室内场景平面图中的位置，在整个预设室内场景平面图中进行位置标注并实时显示。2.如权利要求1所述的方法，其特征在于，在第二步中，所述预先采集预设室内场景内的多个场景图片通过对预先拍摄的室内场景视频进行帧采样获取得到，或者直接通过摄像头拍照获得。3.如权利要求1所述的方法，其特征在于，在第二步中，所述预先采集的室内场景内的多个场景图片通过互联网网络传输至分布式文件系统HDFS中进行存储。4.如权利要求1至3中任一项所述的方法，其特征在于，所述第二步具体包括以下步骤：预先采集预设室内场景内的多个场景图片作为多个采样样本；然后通过网络传输至预设数据库进行存储；然后利用MapReduce编程模型，采用所述预设数据库中的采样样本数据作为训练数据而输入到所述预设卷积神经网络中；对所述预设卷积神经网络进行训练，直到使得所述预设卷积神经网络的模型收敛，完成所述预设卷积神经网络的训练。5.如权利要求4所述的方法，其特征在于，在所述第二步中，利用MapReduce训练所述预设卷积神经网络的具体处理过程包括以下步骤：首先，初始化所述预设卷积神经网络；然后，接收多个采样样本；接着，正向传递计算损失函数；然后，实时计算实际输出与目标输出的误差大小；接着，利用随机梯度下降算法来调整所述预设卷积神经网络的权重和偏置；最后，判断调整所述预设卷积神经网络的权重和偏置的次数是否达到预定的迭代次数；如果达到，则判断完成对所述预设卷积神经网络的训练；如果未达到，需要继续对所述预设卷积神经网络进行训练...

【专利技术属性】
技术研发人员：孙哲南，曹冬，李琦，谭铁牛，
申请(专利权)人：天津中科智能识别产业技术研究院有限公司，
类型：发明
国别省市：天津,12