【技术实现步骤摘要】
基于Siamese Network的相似性度量和改进EightPoint
‑
RANSAC算法的室内图像定位方法
[0001]本专利技术属于室内定位技术，具体涉及一种基于Siamese Network的相似性度量和改进EightPoint
‑
RANSAC算法的室内图像定位方法。
技术介绍
[0002]随着移动通信技术和无线网络的发展，基于位置的服务(LBS)在现代人的生活中扮演着重要的角色。全球定位系统(GPS)和基于蜂窝基站的定位技术(GSM)基本满足了用户在室外场景下的定位服务需求。然而，室内场景受到墙壁、建筑物的阻挡，GPS信号会迅速衰减，甚至完全无法到达。因此，在室内定位场景下，传统的GPS和GSM无法满足用户的定位需求。为了解决这一问题，人们开始研究和开发基于其他技术的室内定位方法。其中，利用Wi
‑
Fi,Infrare,Radio Frequency Identification(RFID),Bluetooth,and Ultra Wide Band(UWB)等...
【技术保护点】
【技术特征摘要】
1.一种基于Siamese Network的相似性度量和改进EightPoint
‑
RANSAC算法的视觉图像定位方法，其特征在于包括以下步骤：步骤一、在走廊和房间两个区域内共部署31个位置已知的参考点(Access Point,AP)，记为AP1,,
…
，AP
m
，第j个AP记为AP
j
(j≤m,j为整数)。以走廊的右下角为世界坐标系的坐标原点，以走廊的方向为世界坐标系的x轴和y轴，记录下每个参考点的真实二维坐标位置。步骤二、使用手持相机在每个参考点处分别拍摄了一定数量的图像，包括45
°
、90
°
和135
°
三个方向。这些图像用于构建一个图像数据库，其中90％的图像被用作训练集，10％的图像被用作测试集。所有的训练图像和测试图像都具有3024*4032像素的分辨率。步骤三、构建一个基于卷积神经网络的Siamese Network对比学习框架，学习有效的图像特征表示和相似度度量方式。步骤四、利用改进的EightPoint
‑
RANSAC算法进行基础矩阵的计算与优化，以进一步解算相机的姿态变化，估计用户的位置。2.根据权利要求1所述的基于Siamese Network的相似性度量和改进EightPoint
‑
RANSAC算法的视觉图像定位方法，其特征在于所述步骤三包括以下步骤：步骤三、构建一个基于卷积神经网络的Siamese Network对比学习框架，学习有效的图像特征表示和相似度度量方式。如图3所示是Siamese Network网络框架图，具体包括以下步骤：步骤三(一)、通过数据预处理模块，创建图像样本库的正负样本对。具体来说，就是对数据集中的图像对打上相似或不相似的标签。正样本对代表两个图像之间具有高相似度，而负样本对代表两个图像之间具有低相似度。具体而言，我们从数据集中选择一对图像，将它们视为一个样本对。来自同一参考点的不同图像被视为正样本对，来自不同参考点的不同图像则被视为负样本对。用Y来表示正负样本对的相似程度，若图像X1、X2是正样本对，则认为Y＝1，该样本对的标签设置为(X1,X2,1)，反之为(X1,X2,0)。样本对的正负划分不仅简化了模型、降低了数据需求，还提高模型的性能和泛化能力，可以保证模型学习到有用的特征并区分相似和不相似的图像。步骤三(二)、通过卷积神经网络处理图像数据，并从输入图像中提取出图像的深层特征，具体网络结构与参数如表I所示。Siamese Network的一个主要特点是它包含了两个相同的卷积神经网络，这两个卷积神经网络共享相同的网络结构、权重和偏置。图4展示了卷积神经网络结构示意图，卷积神经网络通常包括卷积层、池化层和全连接层，通过前向传播过程实现图像特征的提取。卷积神经网络可以看作一个非线性函数，即:h
i
＝f(X
i
),i＝1,2
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)其中，h为提取的特征向量。表I网络参数设置
步骤三(三)、完成特征提取后，在对比损失模块进行相似度度量训练。定义对比损失函数，这种损失函数可以有效的处理孪生神经网络中的成对样本之间的关系。表达式如下：其中，(h1,h2,Y)
i
是第i个样本对，h1,h2代表一对图像的特征向量，Y表示相似程度；D(E
w
(h1,h2))＝||h1‑
h2||2代表样本特征的欧氏距离，D
G
是正样本对的部分损失函数，D
I
是负样本对的部分损失函数，N为样本个数。损失...
【专利技术属性】
技术研发人员：蒲巧林，蔡睿，蒋逢怡，张潇文，陈凝紫，令狐衣茗，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：
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。