一种基于深度图片特征提取的双目摄像头室内定位方法技术

本发明专利技术提出了一种基于深度图片特征提取的双目摄像头室内定位方法，该方法在离线阶段，将获得的深度图片进行尺寸裁剪处理，选取深度图片中不受人员变化影响的深度信息；然后通过卷积核对深度图片信息进行特征提取，去除图片中的无用信息，降低噪声，从而提高离线学习的效率；最后通过支持向量机方法进行基于位置的回归学习，得到位置回归模型。在线阶段，对获得的深度图片进行裁剪和卷积核特征提取后，通过位置回归模型直接计算出位置。该方法在定位人员变化的情况下，具有更好的稳健性和定位估计结果。估计结果。估计结果。

【技术实现步骤摘要】
一种基于深度图片特征提取的双目摄像头室内定位方法


[0001]本专利技术涉及一种室内目标定位方法，具体的说是一种基于深度脱线裁剪和卷积核特征提取的双目摄像头室内定位方法，属于定位导航


技术介绍

[0002]随着室内定位的需求日益增大，室内定位技术受到越来越多的关注。传统的室内定位技术主要是利用超宽带、蓝牙、WiFi等无线电信号进行位置估计。随着计算机计算处理能力的提高和图像技术的发展，基于图像的室内定位技术已经成为研究的热点。基于图像信息的室内定位具有成本低，无电磁干扰，绿色环保等优势。
[0003]目前图像定位的方法如文献[1]Liang J Z,Corso N,Turner E,etal.Image Based Localization in Indoor Environments,FourthInternational Conference on Computing for Geospatial Research andApplication.2013,pp.70
‑
75.以及文献[2]Kawaji H,Hatada K,YamaskiT,et al.Image
‑
based indoor positioning system:fast image matchingusing omnidirectional panoramic images.in:Proceeding of the 1st ACMinternational workshop on Multimodal pervasive video analysis.ACM, 2010.1
‑
4.所示。文献[1]使用可移动的立体视觉设备建立含有地理坐标系的3的图像库，然后利用SIFT(Scale Invariant Feature Transform) 特征在图像库中检索与输入图片最接近的图像，返回该图像的位置信息实现室内定位；文献[2]通过全景相机采集室内全景图片，连同位置信息一起存储到数据库中，通过PAC
‑
SIFT算法和局部敏感哈希算法LSH分别完成图像检索的处理和图像特征匹配的处理，然后根据检索出的图像位置推算得到用户的位置信息。上述基于图像检索的定位方法需要花费很多时间来完成定位。
[0004]随着机器学习的发展，基于机器学习的图像定位技术通过离线阶段的学习，能够克服图像检索方法在线时间复杂程度高的缺点，从未使得图像定位技术得到更加广泛的应用。经过检索发现，申请号为202010960213.4的中国专利申请公开了一种基于支持向量机和交互多模型技术的双目摄像头目标定位方法，该方法是直接利用深度图片进行位置估计学习。然而，由于深度图片中包含了大量背景深度信息，直接利用整个深度图片会导致离线学习效率不高。此外深度图片中包含噪声，直接利用未处理的深度图片进行离线学习，同样降低学习性能。

技术实现思路

[0005]本专利技术所要解决的技术问题是，克服现有技术的不足而提供一种基于深度图片裁剪和卷积核特征提取的双目摄像头室内定位方法。
[0006]本专利技术提供一种基于深度图片特征提取的双目摄像头室内定位方法，包括如下步骤：
[0007]步骤1、离线阶段
[0008]步骤1
‑
1、将定位区域划分成若干参考点，目标位于每一个参考点上，利用双目摄
像头获取目标的深度图片；
[0009]步骤1
‑
2、对接收的深度图片进行裁剪并利用卷积核进行图片特征提取后，结合相应的参考点位置与摄像头之间的距离，构建基于深度图片特征和距离信息的训练数据集；
[0010]步骤1
‑
3、利用支持向量机(SVM)算法对训练数据集进行回归训练，得到基于位置的回归函数；
[0011]步骤2、在线阶段
[0012]步骤2
‑
1、双目摄像头采集目标的深度图片；
[0013]步骤2
‑
2、对采集的深度图片进行裁剪和卷积核特征提取，得到深度图片特征；
[0014]步骤2
‑
3、将步骤2
‑
2得到的深度图片特征代入基于位置的回归函数中，实现对采集目标位置的估计。
[0015]本专利技术的方法在离线阶段，将获得的深度图片进行尺寸裁剪处理，选取深度图片中不受人员变化影响的深度信息；然后通过卷积核对深度图片信息进行特征提取，去除图片中的无用信息，降低噪声，从而提高离线学习的效率；最后通过支持向量机方法进行基于位置的回归学习，得到位置回归模型。在线阶段，对获得的深度图片进行裁剪和卷积核特征提取后，通过位置回归模型直接计算出位置。本专利技术利用卷积核提取裁剪后的深度图片特征作为定位指纹，通过支持向量机进行回归学习，实现目标定位。同时，该方法在定位人员变化的情况下，具有更好的稳健性和定位估计结果。
[0016]作为本专利技术进一步的技术方案：
[0017]所述步骤1中，在离线阶段对数据进行预处理，包含深度图片的尺寸裁剪和卷积核深度图片特征提取。
[0018]所述步骤1
‑
2中，利用卷积核提取深度图片的特征信息，可利用的卷积核有锐化卷积核、水平边缘检测卷积核、垂直边缘检测卷积核和sobel卷积核。
[0019]所述步骤1
‑
3中，训练数据集的回归学习具体包括以下步骤：
[0020]对于给定的训练数据集为(Γ
n
，d
n
)，其中d
n
表示为当目标位于第n 个参考点时目标与摄像头的距离信息，Γ
n
表示深度图片进行裁剪和利用卷积核进行图片特征提取后得到的深度图片特征，n∈(1，2，
…
，N)， N表示参考点的数目；
[0021]将离线阶段基于距离信息的回归函数定义为：
[0022]f(Γ
n
)＝<w，Γ
n
>+b
[0023]其中，w表示权重参数向量，<，>表示内积算子，b表示偏置常量；
[0024]利用ε
‑
支持向量回归(ε
‑
Support Vector Regression,ε
‑
SVR)算法，离线回归训练可以转化为：
[0025][0026][0027]其中，ε是回归函数与实际距离d
n
坐标之间的偏差，C是惩罚系数，ξ
n
和是松弛变
量；
[0028]在参数最优条件下，利用Hessian矩阵使对偶拉格朗日函数达到最大值，同时结合核函数定义，则距离信息回归函数可表示为：
[0029][0030]式中，α、α
*
为拉格朗日乘子向量，b
*
为通过拉格朗日函数得到的最佳阈值，K(Γ
n
，Γ
j<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度图片特征提取的双目摄像头室内定位方法，其特征在于，包括如下步骤：步骤1、离线阶段步骤1
‑
1、将定位区域划分成若干参考点，目标位于每一个参考点上，利用双目摄像头获取目标的深度图片；步骤1
‑
2、对接收的深度图片进行裁剪并利用卷积核进行图片特征提取后，结合相应的参考点位置与摄像头之间的距离，构建基于深度图片特征和距离信息的训练数据集；步骤1
‑
3、利用支持向量机对训练数据集进行回归训练，得到基于位置的回归函数；步骤2、在线阶段步骤2
‑
1、双目摄像头采集目标的深度图片；步骤2
‑
2、对采集的深度图片进行裁剪和卷积核特征提取，得到深度图片特征；步骤2
‑
3、将步骤2
‑
2得到的深度图片特征代入基于位置的回归函数中，实现对采集目标位置的估计。2.根据权利要求1所述一种基于深度图片特征提取的双目摄像头室内定位方法，其特征在于，所述步骤1中，在离线阶段对数据进行预处理，包含深度图片的尺寸裁剪和卷积核深度图片特征提取。3.根据权利要求2所述一种基于深度图片特征提取的双目摄像头室内定位方法，其特征在于，所述步骤1
‑
2中，利用卷积...

【专利技术属性】
技术研发人员：颜俊，吴超辉，曹艳华，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：