基于深度学习的室内导航方法技术

本发明专利技术提出一种基于深度学习的室内导航方法，包括：在预设区域内进行图像采集，并记录采集到的图片的当前位置信息；对图片进行处理以得到预设尺寸的灰度图；对预设尺寸的灰度图进行训练，以得到深度自动编码器；对得到的所有预设尺寸的灰度图进行编码，得到第一编码结果；获取新采集的图片，并处理成预设尺寸的灰度图；对新采集的图片对应的预设尺寸的灰度图进行编码，得到第二编码结果；将第二编码结果和第一编码结果进行匹配，得到匹配程度最高的编码对应的目标图片，获取目标图片的目标位置信息；比对目标位置信息和当前位置信息，并根据比对结果确定用户的行进路线。本发明专利技术的方法具有成本低和易用性高的优点。

【技术实现步骤摘要】

本专利技术设及深度学习及定位
，特别设及一种基于深度学习的室内导航方 法。
技术介绍
移动互联网的迅猛发展使得基于位置的服务成为可能。传统的定位方式主要是通 过移动设备上配备的全球定位系统(Global化sitioningSystem,GPS)进行定位，或者通 过移动电信运营商的网络，即全球移动通讯网络（GlobalSystemforMobile Communications,GSM)进行定位，运两种定位方式现在已广泛使用在室外定位和导航领域。 然而，全球定位系统在大型建筑物内部信号极弱，因此定位效果不理想，对于在复杂的建筑 物内部导航来说，其功能几乎失效；另一方面，运营商网络定位本身定位精度就比较差，因 此在室内的定位精度更差。 目前大型建筑物(如大型商场）内部还没有广泛应用的在的定位和导航技术。目前 相关的室内定位技术方案大致有W下Ξ种，但都处在尝试阶段。第一种是Wi-Fi定位，通过 测量移动设备端连接无线局域网后接收到的信号强度来计算其距离接入点的距离从而实 现定位;第二种是蓝牙低功耗(BluetoothLow化ergy，BLE)技术进行定位，当配备有BLE功 能的移动设备靠近其它具备化E功能的设备时，可W互相传输信息，达到定位的目的；第Ξ 种是通过在室内安装特定功能的传感器，再在移动设备上安装与之相对应的传感器，通过 互相之间的感应达到定位的目的。然而，对于W上Ξ种室内导航技术，一方面需要大量物理 设备的投入，另一方面也提高了对用户移动设备的要求，运些问题都使得运些技术不能投 入到大量实际使用中。
技术实现思路
本专利技术旨在至少在一定程度上解决上述相关技术中的技术问题之一。 为此，本专利技术的目的在于提出一种，该方法W直观 的图片作为输入，通过深度学习算法的匹配，得到当前位置，再通过计算目标位置的方向和 距离，得出导航路径，具有成本低和易用性高的优点。 为了实现上述目的，本专利技术的实施例提出了一种， 包括W下步骤:S1:在预设区域内进行图像采集，并记录采集到的图片对应的当前位置信 息；S2:对采集到的图片进行处理W得到预设尺寸的灰度图；S3:对所述预设尺寸的灰度图 进行训练，W得到深度自动编码器;S4:根据所述深度自动编码器对得到的所有所述预设尺 寸的灰度图进行编码，得到第一编码结果；S5:获取所述预设区域内新采集的图片，并将所 述新采集的图片处理成预设尺寸的灰度图；S6:根据所述深度自动编码器对所述新采集的 图片对应的预设尺寸的灰度图进行编码，得到第二编码结果;S7:将所述第二编码结果和所 述第一编码结果进行匹配，得到所述第一编码结果中匹配程度最高的编码对应的目标图 片，并获取所述目标图片对应的目标位置信息；W及S8:比对所述目标位置信息和所述当前 位置信息，并根据比对结果确定用户的行进路线。 根据本专利技术实施例的，W直观的图片作为输入，通 过深度学习算法的匹配，得到当前位置，再通过计算目标位置的方向和距离，得出导航路 径。因此，该方法避免了大量物理设备的投入，降低了成本及对用户移动设备的要求，同时 W图片作为输入更加直观，也避免了传统的导航中基于地图的东南西北方位的描述，提高 了易用性。 另外，根据本专利技术上述实施例的还可W具有如下附 加的技术特征： 在一些示例中，所述对采集到的图片进行处理包括:对采集到的图片进行缩放和 灰度处理。 在一些示例中，所述预设尺寸为256*256。 在一些示例中，所述深度自动编码器包括输入层、隐藏层和输出层，其中，所述输 入层包括256*256个单元，所述隐藏层包括16384个单元，所述输出层包括256*256个单元。 在一些示例中，在所述步骤S4中，所述第一编码结果为所述采集到的图片对应的 特征向量集，所述特征向量集为： Si=(Sl,S2,...,Sk,... 'S16384)， 其中，i为采集到的图片的数量。 在一些示例中，在所述步骤S6中，所述第二编码结果为所述新采集的图片对应的 特征向量，所述特征向量为：I= (ii,i2，...，ik，...，ii6384)。 在一些示例中，所述步骤S7进一步包括:计算所述新采集的图片对应的特征向量I 与所述采集到的图片对应的特征向量集Si的余弦相似度，其中，所述余弦相似度的计算公 式如下：[001 引（simila;rity)=cos(I,Sik) =I*Sik/( 111*|Sik|)， 其中，Sik为特征向量集Si中的第k个特征向量； 获取所述特征向量集Si中与所述特征向量I相似度最大的特征向量Sim，并得到所 述Sim对应的图片的四元组(Pm，X，y，Z)，其中，Pm表示所述Sim对应的图片，（X，y，Z)表示所述 Pm在Ξ维空间中的位置坐标。 在一些示例中，在所述步骤S8中，如果所述目标位置信息为(a，b，c)，所述当前位 置信息为(x，y，z)，则所述根据比对结果确定用户的行进路线，进一步包括:如果c〉z，则提 示所述用户向上移动；如果，则提示所述用户向下移动;如果C=Z，则：当^<曰且7<13时，提 示用户向东北方向移动；当X〉a且y<b时，提示所述用户向西北方向移动；当义<曰且7〉13时，提 示所述用户向西南方向移动；当^<曰且7〉13时，提示所述用户向东南方向移动；当x=a且y<b 时，提示所述用户向正北方向移动；当X=a且y〉b时，提示所述用户向正南方向移动；当x<a 且y=b时，提示所述用户向正东方向移动；当x〉a且y=b时，提示所述用户向正西方向移动； W及当x=a，且y=b时，提示所述用户不移动。 本专利技术的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变 得明显，或通过本专利技术的实践了解到。【附图说明】 本专利技术的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得 明显和容易理解，其中： 图1是本专利技术一个实施例的的流程图； 图2是本专利技术一个实施例的单层深度自动编码器的结构示意图；W及 图3是本专利技术一个实施例的Ξ层深度自动编码器的结构示意图。【具体实施方式】 下面详细描述本专利技术的实施例，所述实施例的示例在附图中示出，其中自始至终 相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附 图描述的实施例是示例性的，仅用于解释本专利技术，而不能理解为对本专利技术的限制。 W下结合附图描述根据本专利技术实施例的。 图1是根据本专利技术一个实施例的的流程图。如图1所 示，该方法包括W下步骤： 步骤S1:在预设区域内进行图像采集，并记录采集到的图片对应的当前位置信息。 作为具体地示例，预设区域例如为建筑物内部，则W口店为最小粒度对建筑物内 部进行拍照，并记录所拍摄照片所表示的当前位置信息，例如用Ξ维空间中的一个点的坐 标表示，其中Z坐标轴根据楼层建立，x、y平面平行于每一个楼层，从而最终形成一个四元 组，例如化，10,20,30)，其中口康示采集到的第巧长图片。 步骤S2:对采集到的图片进行处理W得到预设尺寸的灰度图。其中，在本专利技术的一 个实施例中，该步骤中对采集到的图片进行处理包括:对采集到的图片进行缩放和灰度处 理。预设尺寸例如为256*256。例如，对步骤S1中采集到的图片Pi进行缩放和灰度处理，得到 尺寸本文档来自技高网...

【技术保护点】
一种基于深度学习的室内导航方法，其特征在于，包括以下步骤：S1：在预设区域内进行图像采集，并记录采集到的图片对应的当前位置信息；S2：对采集到的图片进行处理以得到预设尺寸的灰度图；S3：对所述预设尺寸的灰度图进行训练，以得到深度自动编码器；S4：根据所述深度自动编码器对得到的所有所述预设尺寸的灰度图进行编码，得到第一编码结果；S5：获取所述预设区域内新采集的图片，并将所述新采集的图片处理成预设尺寸的灰度图；S6：根据所述深度自动编码器对所述新采集的图片对应的预设尺寸的灰度图进行编码，得到第二编码结果；S7：将所述第二编码结果和所述第一编码结果进行匹配，得到所述第一编码结果中匹配程度最高的编码对应的目标图片，并获取所述目标图片对应的目标位置信息；以及S8：比对所述目标位置信息和所述当前位置信息，并根据比对结果确定用户的行进路线。

【技术特征摘要】

【专利技术属性】
技术研发人员：靳晓明，何涛，
申请(专利权)人：清华大学，
类型：发明
国别省市：北京;11