一种基于机器视觉与制造技术

本发明专利技术提供了一种基于机器视觉与

【技术实现步骤摘要】
一种基于机器视觉与WSN的室内定位方法及系统


[0001]本专利技术涉及室内定位
，具体来说，特别涉及一种基于机器视觉与
WSN
的室内定位方法及系统
。

技术介绍

[0002]随着科技进步的加速，现代移动通信和无线网络正急速发展，对无线定位的需求也越来越迫切
。
无线定位服务指的是通过无线终端和无线网络协同工作来确定移动用户的精确位置信息，以提供有关用户位置和方向的相关服务
。
在室外环境中，全球定位系统（
GPS
）是最常用的定位系统，被广泛应用于军事侦查
、
实时飞机导航等领域
。
[0003]然而，随着建筑物的扩大和室内紧急状况的增加，对室内定位的需求正在迅速增长
。
尽管
GPS
在室外环境中得到了广泛应用，但由于室内环境的干扰，接收到的
GPS
卫星信号强度较弱，无法满足定位需求
。
因此，急需研究更适合室内定位的技术
。
近年来，室内定位领域受到了日益增长的关注
。
由于无线传感器网络（
WSN
）价格实惠
、
易于组网且易于实现，它们正在被广泛应用，使基于
WSN
的定位研究逐渐成为热门焦点
。
[0004]无线传感器网络是随着微型处理器
、
传感技术
、
无线通信技术与嵌入式技术的发展而产生的，它通过大量微型传感器节点监测
、
采集所需要的目标数据
、
加工处理信息
、
采用多跳自组织网络把监测目标的信息传输给用户，实现了物与物
、
物与人的联系
。
但是，由于室内环境较复杂，较多的障碍物和四周的墙壁都会对信号产生影响，使信号被吸收或发生衍射
、
反射等现象，仅仅通过无线传感器网络实现定位会存在不少问题，会出现信号的丢失或者信号强度的发生变化，从而会对室内的定位精度产生很大影响，进而会使得定位效果大大降低，几乎无法正确地定位
。
[0005]针对相关技术中的问题，目前尚未提出有效的解决方案
。

技术实现思路

[0006]有鉴于此，本专利技术提供一种基于机器视觉与
WSN
的室内定位方法及系统，以解决上述提及的仅仅通过无线传感器网络实现定位会使得定位效果大大降低的问题
。
[0007]为了解决上述问题，本专利技术采用的具体技术方案如下：根据本专利技术的一方面，提供了一种基于机器视觉与
WSN
的室内定位方法，该基于机器视觉与
WSN
的室内定位方法包括以下步骤：
S1、
通过图像采集设备获取室内环境的图像数据；
S2、
通过机器视觉算法对采集的图像数据进行处理，识别出目标的初步位置信息；
S3、
基于图论法在室内环境中部署无线传感器网络；
S4、
通过部署的无线传感器网络对室内环境进行目标检测，得到目标的二次位置信息；
S5、
将目标的初步位置信息和目标的二次位置信息进行融合分析，得到目标的最终位置信息
。
[0008]优选的，通过机器视觉算法对采集的图像数据进行处理，识别出目标的初步位置信息包括以下步骤：
S21、
对采集的图像数据进行图像噪声去除
、
对比度增强
、
亮度调整和色彩平衡处理；
S22、
通过边缘检测算法对处理后的图像数据进行特征提取，并进行目标检测；
S23、
根据目标检测的结果确定目标在图像中的初步位置信息
。
[0009]优选的，基于图论法在室内环境中部署无线传感器网络包括以下步骤：
S31、
通过图论法建立无线传感器网络的网络拓扑图，并确定网络拓扑图中各节点之间的连接关系；
S32、
基于矩阵运算法计算网络拓扑图中每个节点的负载分布，得到每个节点需要发送和接收的数据量；
S33、
根据每个节点的负载分布结果，通过萤火虫算法调整每个节点的位置，将每个节点的负载达到均衡；
S34、
根据每个节点的负载均衡结果，确定无线传感器网络在室内环境中部署方案
。
[0010]优选的，基于矩阵运算法计算网络拓扑图中每个节点的负载分布，得到每个节点需要发送和接收的数据量包括以下步骤：
S321、
确定网络拓扑图中节点的数量，并建立构建网络拓扑图的邻接矩阵；
S322、
根据建立的邻接矩阵，计算数据通过不同路径到达每个节点的到达概率；
S323、
根据每个节点的到达概率，分别计算每个节点的接收负载和发送负载
。
[0011]优选的，根据每个节点的负载分布结果，通过萤火虫算法调整每个节点的位置，将每个节点的负载达到均衡包括以下步骤：
S331、
将网络拓扑图中每个节点作为萤火虫，并随机将节点放置在室内环境中的机器视觉范围内，得到萤火虫群体；
S332、
并对随机放置的节点进行荧光素赋值，作为每个节点的吸引力；
S333、
根据网络拓扑图中每个节点的负载分布，更新每个节点的荧光素；
S334、
对比当前节点和荧光素浓度低于当前节点的节点，并计算当前节点向荧光素浓度低于当前节点的节点移动的概率；
S335、
根据计算出的当前节点移动的概率，确定当前节点的移动方向和移动距离，并移动当前节点，更新当前节点的位置；
S336、
重复步骤
S334
‑
S336
，直至所有节点的负载达到均衡，并得到调整后的节点位置
。
[0012]优选的，通过部署的无线传感器网络对室内环境进行目标检测，得到目标的二次位置信息包括以下步骤：
S41、
基于部署的无线传感器网络，建立
RSSI
信号传播模型，得到节点之间的距离信息；
S42、
将得到的节点之间的距离信息构成有向图，并在有向图中识别锚节点和盲节点，获取从锚节点到盲节点的拓扑顺序；
S43、
根据获得的节点之间的距离信息和锚节点到盲节点的拓扑顺序，采用极大似
然估计法计算盲节点的位置，并将其作为目标的二次位置信息
。
[0013]优选的，将目标的初步位置信息和目标的二次位置信息进行融合分析，得到目标的最终位置信息包括以下步骤：
S51、
将目标的初步位置信息和目标的二次位置信息进行坐标转换，映射到同一坐标系统下；
S52、
将初步位置信息和二次位置信息按照时间进行对齐；
S53、
通过
Kalman
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于机器视觉与
WSN
的室内定位方法，其特征在于，该基于机器视觉与
WSN
的室内定位方法包括以下步骤：
S1、
通过图像采集设备获取室内环境的图像数据；
S2、
通过机器视觉算法对采集的图像数据进行处理，识别出目标的初步位置信息；
S3、
基于图论法在室内环境中部署无线传感器网络；
S4、
通过部署的无线传感器网络对室内环境进行目标检测，得到目标的二次位置信息；
S5、
将目标的初步位置信息和目标的二次位置信息进行融合分析，得到目标的最终位置信息
。2.
根据权利要求1所述的一种基于机器视觉与
WSN
的室内定位方法，其特征在于，所述通过机器视觉算法对采集的图像数据进行处理，识别出目标的初步位置信息包括以下步骤：
S21、
对采集的图像数据进行图像噪声去除
、
对比度增强
、
亮度调整和色彩平衡处理；
S22、
通过边缘检测算法对处理后的图像数据进行特征提取，并进行目标检测；
S23、
根据目标检测的结果确定目标在图像中的初步位置信息
。3.
根据权利要求1所述的一种基于机器视觉与
WSN
的室内定位方法，其特征在于，所述基于图论法在室内环境中部署无线传感器网络包括以下步骤：
S31、
通过图论法建立无线传感器网络的网络拓扑图，并确定网络拓扑图中各节点之间的连接关系；
S32、
基于矩阵运算法计算网络拓扑图中每个节点的负载分布，得到每个节点需要发送和接收的数据量；
S33、
根据每个节点的负载分布结果，通过萤火虫算法调整每个节点的位置，将每个节点的负载达到均衡；
S34、
根据每个节点的负载均衡结果，确定无线传感器网络在室内环境中部署方案
。4.
根据权利要求3所述的一种基于机器视觉与
WSN
的室内定位方法，其特征在于，所述基于矩阵运算法计算网络拓扑图中每个节点的负载分布，得到每个节点需要发送和接收的数据量包括以下步骤：
S321、
确定网络拓扑图中节点的数量，并建立构建网络拓扑图的邻接矩阵；
S322、
根据建立的邻接矩阵，计算数据通过不同路径到达每个节点的到达概率；
S323、
根据每个节点的到达概率，分别计算每个节点的接收负载和发送负载
。5.
根据权利要求3所述的一种基于机器视觉与
WSN
的室内定位方法，其特征在于，所述根据每个节点的负载分布结果，通过萤火虫算法调整每个节点的位置，将每个节点的负载达到均衡包括以下步骤：
S331、
将网络拓扑图中每个节点作为萤火虫，并随机将节点放置在室内环境中的机器视觉范围内，得到萤火虫群体；
S332、
并对随机放置的节点进行荧光素赋值，作为每个节点的吸引力；
S333、
根据网络拓扑图中每个节点的负载分布，更新每个节点的荧光素；
S334、
对比当前节点和荧光素浓度低于当前节点的节点，并计算当前节点向荧光素浓度低于当前节点的节点移动的概率；
S335、
根据计算出的当前节点移动的概率，确定当前节点的移动方向和移动距离，并移
动当前节点，更新当前节点的位置；
S336、
重复步骤
S334
‑
S336
，直至所有节点的负载达到均衡，并得到调整后的节点位置
。6.
根据权利要求1所述的一种基于机器视觉与
WSN
的室内定位方法，其特征在于，所述通过部署的无线传感器网络对室内环境进...

【专利技术属性】
技术研发人员：魏鑫，田晓峰，宗肖骐，
申请(专利权)人：江苏达海智能系统股份有限公司，
类型：发明
国别省市：