【技术实现步骤摘要】
一种基于手机的机场地下停车位定位导航方法
[0001]本专利技术属于室内定位领域，特别是涉及一种基于手机的机场地下停车位定位导航方法。
技术介绍
[0002]近些年随着经济的快速发展，汽车的数量已经大大增加，使用汽车出行也越来越受欢迎，停车已成为汽车出行的刚需，为了应对激增的停车位的需求，随之而来地下停车场的不断建设和增加，并且其规模也越来越大，当车主在停车之后进行其他活动，再回到停车场进行寻找车辆变得非常困难，所以对于规模很大的停车场的定位导航服务是必不可少的，尤其是机场的地下停车场，一般都是开私家车停车之后乘坐飞机去往外地再返回到停车场寻找车辆，经过长时间之后再寻找停车位置变得更加困难。
[0003]目前市面上主要是针对室外定位导航技术开发的平台比较多，并且大部分都已经很成熟，一般的地上的停车场的导航定位，主要采用GPS定位系统，系统会为车主提供车辆的位置信息，并且还可以得到车主人员的位置信息，利用GPS定位得到的车主自身的位置信息，根据停车位与车主人员本身的之间的相对位置规划出到达停车位最好的的导航方案，进行导...
【技术保护点】
【技术特征摘要】
1.一种基于手机的机场地下停车位定位导航方法，具体步骤如下，其特征在于S11手机端的图像采集单元采集图像，通过可微分的RANSAC方法对获取的RGB图像进行坐标回归，得到该张图像中心点位姿预测，上述可微分RANSAC方法包括：S11
‑
1场景坐标回归，通过ResNet网络预测二维RGB图像的每个像素i对应的3维停车场的场景坐标y
i
(ω)，其中ω为神经网络ResNet模型的参数，通过该模型实现图像2维像素点(x
i
,y
i
)到3维场景坐标的(R,T)，R表示3个自由度的空间旋转，T表示3个自由度的位移，其中表示用f(ω)表示2维图像相机坐标系到相机6维姿态的映射，其中ω为ResNet神经网络需要学习的参数，优化可学习的参数ω通过最小化训练集上最终估计的期望姿势损失l：式中f
*
表示图像I的位姿的真值，为了对神经网络通过梯度下降法训练优化参数ω，对参数ω求导，上述公式的偏导数为：S11
‑
2位姿假设采样，每个假设f(ω)的生成都是由图像对应的子集产生的，这个子集的大小为计算唯一解所需的最小映射数，这个最小子集为M
J
，其中J＝{j1,L,j
n
}，其中n为最小子集数量；假设f(ω)的场景回归坐标为PnP问题，所以四个场景坐标足以定义一个独特的相机姿态，所以n＝4，由于每次随机选取四个点进行预测的结果可能是错误的，所以通过随机选择4对的图像到场景坐标进行预测，最终可以生成n个图像的姿态预测f(ω)的集合，每一个生成的场景坐标假设f(ω)都取决于参数ω；S11
‑
3选择最优位姿假设，对于有不同场景坐标回归性能的假设f(ω)，需要有评价机制选择最优的假设，评价决定了相机姿态假设的选择和最后细化假设的效果，以产生最终的估计，具体如下；首先定义图像的像素i和假设f(ω)的重投影误差为：e
i
(f,ω)＝||Cf
‑1k
i
(ω)
‑
p
i
||式中p
i
为图像的每个像素i的图像坐标(x
i
,y
i
)，C为相机投影矩阵，k
i
为内点，如果e
i
＜τ，其中τ确定内点的误差阈值；场景坐标回归工作依赖于对内点k
i
计数来对假设进行评分，为了实现神经网络端到端的训练，通过用sigmoid函数来构造一个可微函数：式中e
i
表示重投影误差，超参数β控制sigmoid的柔软度；评价函数p(f)对每个假设与所有场景坐标预测的一致性进行评分，指标为j的假设f
j
(ω)是根据评分值导出的概率分布P(j,ω,α)选择的，得分高的假设更有可能被选中，选择最终假设根据softmax分布P：
内点计数分数的大小可以根据场景的难度而有很大的不同，通常在不同环境下有很大数量级的不同，将评价分数保持在合理的范围内对于拥有广泛的分布P(j；ω,α)很重要，对稳定端到端训练很重要，手动设置每个场景的超参数α是一项乏味的任务，在端到端训练中自动适应α，通过熵来对超参数α大小进行选择：在端到端的训练中训练是通过argmin
α
|...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。