CN109116298A - 一种定位方法、存储介质及定位*** - Google Patents
一种定位方法、存储介质及定位*** Download PDFInfo
- Publication number
- CN109116298A CN109116298A CN201710481197.9A CN201710481197A CN109116298A CN 109116298 A CN109116298 A CN 109116298A CN 201710481197 A CN201710481197 A CN 201710481197A CN 109116298 A CN109116298 A CN 109116298A
- Authority
- CN
- China
- Prior art keywords
- led
- positioning
- wifi
- lattice point
- position location
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- 230000004807 localization Effects 0.000 title claims abstract description 38
- 238000012706 support-vector machine Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 229910052704 radon Inorganic materials 0.000 claims description 6
- SYUHGPGVQRZVTB-UHFFFAOYSA-N radon atom Chemical compound [Rn] SYUHGPGVQRZVTB-UHFFFAOYSA-N 0.000 claims description 6
- 239000013589 supplement Substances 0.000 abstract description 3
- 230000004927 fusion Effects 0.000 description 11
- 230000006854 communication Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 239000000284 extract Substances 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 241000282994 Cervidae Species 0.000 description 1
- 206010052143 Ocular discomfort Diseases 0.000 description 1
- 108010076504 Protein Sorting Signals Proteins 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007175 bidirectional communication Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
- G01S5/0252—Radio frequency fingerprinting
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S11/00—Systems for determining distance or velocity not using reflection or reradiation
- G01S11/12—Systems for determining distance or velocity not using reflection or reradiation using electromagnetic waves other than radio waves
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S2205/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S2205/01—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations specially adapted for specific applications
- G01S2205/02—Indoor
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Electromagnetism (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明公开了一种定位方法、存储介质及定位***。定位方法,包括:根据定位终端发送的无线局域网WiFi定位信号,对所述定位终端进行预测定位,得到所述定位终端的WiFi定位位置;根据定位终端发送的发光二极管LED定位信号,对所述定位终端进行预测定位,得到所述定位终端的LED定位位置;根据所述WiFi定位位置和LED定位位置,分别获取与上述两定位位置对应的权重值;根据所述WiFi定位位置、LED定位位置,以及两定位位置各自对应的权重值,得到所述定位终端最终的定位位置。本发明融合了两种定位方法的优点,实现不同定位方法的优势互补,从而将WiFi定位和可见光定位有效结合,提升了定位的精度和稳定性。
Description
技术领域
本发明涉及定位领域,特别是涉及一种定位方法、存储介质及定位***。
背景技术
近年来,面向需求越来越迫切的室内位置服务,室内定位技术发展迅速,是移动互联时代的研究热点,逐步在各行各业发挥作用,给人们的日常生活带来了一定的影响。但与室外环境相比,室内环境受定位时间、定位精度及室内复杂环境等条件的限制,定位效果在实际应用中还很不理想。
目前,常见的室内定位的方法主要有以下几种:
1、红外线定位
红外线定位通过室内的光学传感器接收到的红外线发射器发射出的特定红外线(Infrared Ray)后进行定位。Cambridge大学AT&T实验室开发的红外线室外定位***Active Badge System被称为第一代的室内定位***。Ambiplex在2011年提出了IR.Loc***通过测量热辐射进行定位,10m范围内的定位精度达到20~30cm。
红外线室内定位***的实现包含两个部分:红外线发射器和红外线接收器。通常,红外线发射器是网络的固定节点,而红外线接收器安装在待定位目标上,作为移动终端。红外线室内定位的优点是定位精度高,反应灵敏,单个器件成本低廉。
2、蓝牙室内定位
蓝牙室内定位根据测量终端设备信号强度通过指纹定位算法进行定位。iBeacon是苹果公司制定的专用于蓝牙定位的一种协议技术,定位精度在2~3m,购物应用Shopkick在商场中布局iBeacon应用在实际生活中,我国的“寻鹿”“广发easy go”等APP也采用该模式定位。蓝牙定位技术安全性高、成本低、功耗低、设备体积小,目前大部分手机终端都自带蓝牙模块,容易大范围的普及和部署实施。
3、射频识别定位
射频识别(Radio Frequency Identification,简称RFID)定位技术利用射频信号进行非接触式双向通信交换数据以达到识别和定位的目的。目前,具有代表性的RFID定位***有MIT Oxygen项目开发的Cricket***、华盛顿大学的SpotON***、微软公司的RADAR***等。RFID技术传输范围大、成本很低。
虽然目前有很多成熟的定位方法,然而每种定位方法都有其显著的无法避免的缺点,例如,红外线定位方法限制于视距定位、红外线信息在空气中的衰减很大,只能用于短距定位、定位精度很容易受到其它光源的影响;蓝牙室内定位方法易受到外部噪声信号的干扰,信号稳定性较差,通信范围较小;射频室内定位方法作用距离短,最长只有几十米,而且射频信号不具有通信能力,只使用射频识别技术是不能进行室内定位的,必须与其他辅助技术相结合才能完成。
发明内容
本发明要解决的技术问题是提供一种定位方法、存储介质及定位***,用以解决现有技术室内定位精度不高的问题。
为解决上述技术问题,一方面,本发明提供一种定位方法,包括:
根据定位终端发送的无线局域网WiFi定位信号,对所述定位终端进行预测定位,得到所述定位终端的WiFi定位位置;
根据定位终端发送的发光二极管LED定位信号,对所述定位终端进行预测定位,得到所述定位终端的LED定位位置;
根据所述WiFi定位位置和LED定位位置,分别获取与上述两定位位置对应的权重值;
根据所述WiFi定位位置、LED定位位置,以及两定位位置各自对应的权重值,得到所述定位终端最终的定位位置。
进一步,在进行定位之前,预先将定位区域划分为若干个格点,获取每个格点上基于WiFi定位对应的WiFi权重值,以及获取每个格点上基于LED定位对应的LED权重值;
在定位过程中,将与所述WiFi定位位置最接近的格点所对应的WiFi权重值,作为所述WiFi定位位置对应的权重值;将与所述LED定位位置最接近的格点所对应的LED权重值,作为所述LED定位位置对应的权重值。
进一步,获取每个格点上基于WiFi定位对应的WiFi权重值,具体包括:
根据在每个格点上采集的设定次数的接收信号强度指示RSSI数据,得到WiFi指纹库;
根据WiFi指纹库,得到利用RSSI数据进行位置预测定位的WiFi分类器;
利用公式(2)、(3)计算每个格点上基于WiFi定位对应的WiFi权重值wr1;
ε(xr(i))=||xr(i)-xr||2 公式(3)
其中,argmin表示公式(2)最小取得的wr1值;ε(xr(i))表示在格点r的第i个采集数据的预测定位坐标xr(i)与真实位置坐标xr的平方误差;N是在格点r采集样本个数,r代表格点编号,r=1,...,R。
进一步,所述方法还包括:
得到WiFi指纹库之后,按照设定比例将WiFi指纹库划分为训练集和验证集;
选择支持向量机算法SVM非线性分类器,利用Python语言进行训练,得到所述WiFi分类器。
进一步,根据所述WiFi分类器,对所述定位终端进行预测定位,得到所述定位终端的WiFi定位位置。
进一步,获取每个格点上基于LED定位对应的LED权重值,具体包括:
根据在每个格点上采集的LED定位数据,得到LED指纹库;
根据LED指纹库,得到利用LED定位数据进行位置预测定位的LED分类器;
利用公式(3)(4)计算每个格点上基于LED定位对应的LED权重值wr2;
ε(xr(i))=||xr(i)-xr||2 公式(3)
其中,argmin表示公式(2)最小取得的wr2值;ε(xr(i))表示在格点r的第i个采集数据的预测定位坐标xr(i)与真实位置坐标xr的平方误差;N是在格点r采集样本个数,r代表格点编号,r=1,...,R。
进一步,所述方法还包括:
得到LED指纹库之后,按照设定比例将LED指纹库划分为训练集和验证集;
选择支持向量机算法SVM非线性分类器,利用Python语言进行训练,得到所述LED分类器。
进一步,所述LED定位数据包括:采集所述LED定位数据的设备的航向角、俯仰角和横滚角,以及所述设备拍摄的一个或多个LED灯在图像上的位置坐标。
进一步,根据所述LED分类器,对所述定位终端进行预测定位,得到所述定位终端的LED定位位置。
进一步,所述定位终端最终的定位位置通过公式(1)求得:
其中,p表示所述定位终端最终的定位位置;j=1,2;f1(x)表示格点r处基于WiFi定位得到的预测定位位置;f2(x)表示格点r处基于LED定位得到的预测定位位置;wr1表示格点r处基于WiFi定位对应的权重值;wr2表示格点r处基于LED定位对应的权重值。
另一方面,本发明还提供一种LED定位信号的获取方法,包括
利用定位终端拍摄包括LED灯的图像;
进行图像处理,获取图像中各个LED灯的闪烁频率,根据所述闪烁频率对被拍摄的LED灯识别;
获取识别的LED灯在图像中的坐标,以及获取定位终端的航向角、俯仰角和横滚角;
由定位终端的航向角、俯仰角和横滚角,以及被识别的LED灯在图像中的坐标,构成定位终端再其位置格点处的定位信号。
进一步,进行图像处理,获取图像中各个LED灯的闪烁频率,具体包括:
将彩色图像转换为灰度图像;
依次进行图像模糊处理、二值化处理;
分离出图像中每一个LED灯对应的图形,提取每一个图形的轮廓信息,并找出中心位置;
在每个图形轮廓内,通过radon变换,统计出黑白条纹的间距,根据所述间距计算出该图形轮廓对应的LED的闪烁频率。
另一方面,本发明还提供一种存储介质,所述存储介质存储有用于进行定位的定位程序,所述程序包括:
根据定位终端发送的无线局域网WiFi定位信号,对所述定位终端进行预测定位,得到所述定位终端的WiFi定位位置;
根据定位终端发送的发光二极管LED定位信号,对所述定位终端进行预测定位,得到所述定位终端的LED定位位置;
根据所述WiFi定位位置和LED定位位置,分别获取与上述两定位位置对应的权重值;
根据所述WiFi定位位置、LED定位位置,以及两定位位置各自对应的权重值,得到所述定位终端最终的定位位置。
进一步,在进行定位之前,预先将定位区域划分为若干个格点,获取每个格点上基于WiFi定位对应的WiFi权重值,以及获取每个格点上基于LED定位对应的LED权重值;
在定位过程中,将与所述WiFi定位位置最接近的格点所对应的WiFi权重值,作为所述WiFi定位位置对应的权重值;将与所述LED定位位置最接近的格点所对应的LED权重值,作为所述LED定位位置对应的权重值。
进一步,获取每个格点上基于WiFi定位对应的WiFi权重值,具体包括:
根据在每个格点上采集的设定次数的接收信号强度指示RSSI数据,得到WiFi指纹库;
根据WiFi指纹库,得到利用RSSI数据进行位置预测定位的WiFi分类器;
利用公式(2)、(3)计算每个格点上基于WiFi定位对应的WiFi权重值wr1;
ε(xr(i))=||xr(i)-xr||2 公式(3)
其中,argmin表示公式(2)最小取得的wr1值;ε(xr(i))表示在格点r的第i个采集数据的预测定位坐标xr(i)与真实位置坐标xr的平方误差;N是在格点r采集样本个数,r代表格点编号,r=1,...,R。
进一步,所述程序包括:
得到WiFi指纹库之后,按照设定比例将WiFi指纹库划分为训练集和验证集;
选择支持向量机算法SVM非线性分类器,利用Python语言进行训练,得到所述WiFi分类器。
进一步,根据所述WiFi分类器,对所述定位终端进行预测定位,得到所述定位终端的WiFi定位位置。
进一步,获取每个格点上基于LED定位对应的LED权重值,具体包括:
根据在每个格点上采集的LED定位数据,得到LED指纹库;
根据LED指纹库,得到利用LED定位数据进行位置预测定位的LED分类器;
利用公式(3)(4)计算每个格点上基于LED定位对应的LED权重值wr2;
ε(xr(i))=||xr(i)-xr||2 公式(3)
其中,argmin表示公式(2)最小取得的wr2值;ε(xr(i))表示在格点r的第i个采集数据的预测定位坐标xr(i)与真实位置坐标xr的平方误差;N是在格点r采集样本个数,r代表格点编号,r=1,...,R。
进一步,所述程序还包括:
得到LED指纹库之后,按照设定比例将LED指纹库划分为训练集和验证集;
选择支持向量机算法SVM非线性分类器,利用Python语言进行训练,得到所述LED分类器。
进一步,所述LED定位数据包括:采集所述LED定位数据的设备的航向角、俯仰角和横滚角,以及所述设备拍摄的一个或多个LED灯在图像上的位置坐标。
进一步,根据所述LED分类器,对所述定位终端进行预测定位,得到所述定位终端的LED定位位置。
进一步,所述定位终端最终的定位位置通过公式(1)求得:
其中,p表示所述定位终端最终的定位位置;j=1,2;f1(x)表示格点r处基于WiFi定位得到的预测定位位置;f2(x)表示格点r处基于LED定位得到的预测定位位置;wr1表示格点r处基于WiFi定位对应的权重值;wr2表示格点r处基于LED定位对应的权重值。
另一方面,本发明还提供一种存储介质,所述存储介质存储有用于获取LED定位信号的程序,所述程序包括:
利用定位终端拍摄包括LED灯的图像;
进行图像处理,获取图像中各个LED灯的闪烁频率,根据所述闪烁频率对被拍摄的LED灯识别;
获取识别的LED灯在图像中的坐标,以及获取定位终端的航向角、俯仰角和横滚角;
由定位终端的航向角、俯仰角和横滚角,以及被识别的LED灯在图像中的坐标,构成定位终端再其位置格点处的定位信号。
进一步,进行图像处理,获取图像中各个LED灯的闪烁频率,具体包括:
将彩色图像转换为灰度图像;
依次进行图像模糊处理、二值化处理;
分离出图像中每一个LED灯对应的图形,提取每一个图形的轮廓信息,并找出中心位置;
在每个图形轮廓内,通过radon变换,统计出黑白条纹的间距,根据所述间距计算出该图形轮廓对应的LED的闪烁频率。
再一方面,本发明还提供一种定位***,包括布置在定位区域内的多个无线路由器、多个LED灯,以及定位终端、监控终端和服务器:
所述定位终端采集其位置格点的WiFi定位信号和LED定位信号,并发送给服务器;
服务器根据所述WiFi定位信号和LED定位信号,对定位终端进行定位,并将定位信息发送给监控终端;
监控终端接收定位信息,显示所述定位终端的位置。
进一步,所述服务器包括存储有用于融合定位程序的存储介质。
进一步,所述定位终端包括上述存储有用于图像处理程序的存储介质。
进一步,所述LED的灯光调制为方波信号,各个LED灯的调制频率不同。
本发明有益效果如下:
本发明提出了一种基于WiFi和可见光的融合定位方法及***,融合了两种定位方法的优点,实现不同定位方法的优势互补,从而将WiFi定位和可见光定位有效结合,提升了定位的精度和稳定性。
附图说明
图1是本发明实施例中实际拍摄的LED灯的效果图;
图2是本发明实施例中拍摄不同频率的LED灯的效果图;
图3是本发明实施例中定位***的结构示意图;
图4是本发明实施例中进行定位的流程图。
具体实施方式
以下结合附图以及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不限定本发明。
实施例一
本发明实施例提出了一种基于WiFi和可见光的动态指纹融合定位方法。
在定位之前,要分别构建进行WiFi定位和LED定位的分类器,然后构建进行融合定位的***,此过程,本实施例称之为“离线阶段”。利用构建的***,进行融合定位的过程,本过程称之为“在线阶段”。
因此,本实施例包括两大部分,第一部分是分别构造WiFi分类器和LED分类器,以及将两种定位方法融合一起的融合定位***。第二部分是利用构建好的WiFi分类器和LED分类器,以及融合定位***,进行具体的定位。
首先,描述WiFi分类器的构造步骤:
(1)建立WiFi指纹库
在房间内(定位区域)部署四台无线路由器,分别放置在不同角落。在“离线阶段”,先将房间划分为不同格点,房间首先被划分为6*8=48个格点,在本例中,格点大小为1m×1m。
然后在不同格点采集WiFi RSSI数据,持手机(定位终端)站在某个格点中,控制手机开始采集数据,并打上对应的标签(即格点编号:1,2,…48),保存到文件中。分别在48个格点中采集,在每个格点采集100组RSSI数据,每一组数据包含4个路由器的RSSI信息,因此获得了48*100*4的WiFi指纹库。
(2)构造分类器
在得到WiFi指纹库之后,就可以进行训练,构建分类器了。我们选择Python语言进行处理,以Python中强大的机器学习库Scikit-Learn为基础,先将指纹库按照9:1划分为训练集(Train set)和验证集(Validation set),以避免过拟合。由于该模型的特征不是线性可分的,因此要选择非线性分类器,此处我们选择的是支持向量机算法(SVM,SupportVector Machine)模型进行训练,得到WiHi定位的WiFi分类器。由于数据量比较小,几十秒内可以训练完成。
得到WiFi分类器之后,将每次新采集的RSSI数据输入WiFi分类器,就可以得到该RSSI数据采集位置的一个预测定位结果,该定位结果就可以将目标位置定位到具体的格点中。
其次,描述LED分类器的构造步骤:
(1)设置LED灯
在定位区域内设置多个LED灯,并记录各个LED灯的位置;将LED灯光调制为方波信号(高于100Hz的方波,人眼觉察不到闪烁,不会造成视觉不适的影响,只是会适当降低亮度,并且方波信号容易处理,抗干扰能力强),通常调制为200Hz-4000Hz,且使各个LED灯被调制为不同的频率。
需要说明的是,由于需要利用定位终端拍照来采集LED位置信息,而且拍照后还需要进行图像处理,因此LED的发光面积越大,识别效果就越好,因此本方案选择了圆形面板灯(如果是普通灯,则可通过加灯罩的方式,扩大发光面积)。
另外,为了便于图像处理,定位终端设置摄像头曝光时间(快门)(普通手机摄像头均可以调节曝光时间),使拍出的图像中LED灯呈现出明暗相间的条纹;其余物体在图像上将会呈现为黑色背景(由于曝光时间较短,天花板、家具等不发光物体在图像中形成“漆黑一片”的效果),这就更有利于进行图像处理。如图1所示。
(2)建立指纹库
构造分类器需要先提取特征,在“WiHi定位环节中”,特征直接可得,即RSSI的值。在LED定位中,拍摄的图片数据量很大,而真正有用的信息很少,因此需要对图片就能进行预处理,提取特征,指纹库存储的是特征,而不是整张图片。
每个LED灯的频率均不同,在拍摄的图像中的表现为条纹间距(宽度对应于所调制的频率)不同,如图2所示,因此,通过图像处理,就可以识别出灯图像所对应的频率,就等于识别出了LED灯。每个LED灯的位置坐标是固定的,因此不同LED灯在图像中的成像位置,即可成为定位的特征。
通过图像处理,进行LED灯识别的流程如下:
1、将拍摄的彩色照片转换为灰度图像,提高处理速度的同时也可以去除干扰。
2、对图像进行模糊处理(提升LED分离准确度),并进行二值化处理,以方便分离出每个LED灯;二值化处理是设定一个全局的阈值T,用T将图像的数据分成两部分:大于T的像素群和小于T的像素群。将大于T的像素群的像素值设定为白色或者黑色,小于T的像素群的像素值设定为黑色或者白色。
3、分离出每个LED灯,提取每个LED灯的轮廓信息,并找出每个LED的中心位置(在图像中的像素点位置)。在每个轮廓内,通过radon变换,可以统计出黑白条纹的间距,由此计算出LED的闪烁频率,根据闪烁频率进行LED灯识别。
由于摄像头视角有限,能拍摄到的范围有限,很难同时拍摄到多个LED,因此无法定位方向,如果不能确定方向,定位精度就会大打折扣。而手机拍摄照片时的角度也会影响LED在图像中的成像位置。为了提高定位精度,可以利用智能手机的电子罗盘和陀螺仪,得到手机的三维倾角,即航向角(Yaw)、俯仰角(Pitch)、横滚角(Roll)。将三维角度作为LED定位的另一特征,可以提高定位的精度。在智能手机(Android、IOS)中,均开放了三维倾角的API,因此,三维倾角特征很容易就能获取。
因此,构建LED指纹库,每一条特征包含的信息如表1所示:
表1
Yaw | Pitch | Roll | X1 | Y1 | X2 | Y2 | X3 | Y3 | X4 | Y4 |
其中,前三项特征表示三维倾角,Xi和Yi分别表示标号为i的LED灯在图像中的成像位置(即在图像中的像素点坐标,均为正数),如果标号为i的LED没有出现在图像中,则令Xi=Yi=-1。
例如,当Yaw=10.0,Pitch=20.0,Roll=30.0,图像中只出现了3号LED,且3号LED在图像中的位置为(500,800)。则特征表示如表2所示:
表2
Yaw | Pitch | Roll | X1 | Y1 | X2 | Y2 | X3 | Y3 | X4 | Y4 |
10.0 | 20.0 | 30.0 | -1 | -1 | -1 | -1 | 500 | 800 | -1 | -1 |
同WiHi定位一样,构建指纹库就需要在每个格点中采集数据(LED定位数据),按照上述所示的特征格式,提取图片中的信息,并获得三维倾角,存储起来,每个格点都采集完毕后,就可以构成LED指纹库。与WiFi定位不同的是,在每个位置只需要采集一次数据,因为摄像头所得到的数据比较稳定。
(3)构造LED分类器
同WiHi定位一样,在得到指纹库之后,需要进行训练,构造分类器。方法同WiHi定位一样,LED定位同样选择SVM分类器,只不过特征维数不同(WiHi定位4维特征,LED定位11维特征)。通过机器学习中的回归(Regression)算法,求出LED定位数据与预测的位置定位之间的映射关系,即得到LED分类器。
在实际定位中,手机自动拍摄照片,按照上文所述的图像处理方法,识别LED,然后获取三维倾角,共同构成11维特征。就可以输入(3)中构造的LED分类器,会输出一个基于LED定位的预测定位结果。
LED定位直接依赖于LED在图像中出现的位置,而LED有时不可见,即手机摄像头拍不到LED,而因此无法得出定位结果,此时就需要更多地依赖于WiHi定位。
最后,融合上述两种定位方法的流程如下:
首先,设置融合指标ε(xr(i)):
ε(xr(i))=||xr(i)-xr||2 (1)
ε(xr(i))代表在格点r的第i个采集样本的预测值坐标xr(i)与真实坐标xr的平方误差。其中,预测值坐标xr(i)由上述得到的分类器进行预测得到,而真实坐标xr则由实际测量得到。比如,在实际定位中***预测出的格点坐标为(1,2),而真实的格点坐标为(1,1),那么所以,这个指标若小,即预测位置和真实位置越接近,代表***定位精度越好。
其次,由融合指标计算得到相应的权重wrj:
公式(2)就是权重计算公式,argmin指使上式最小取得的wrj值。其中N是在格点r采集样本个数,r代表格点位置,j代表指纹库,r=1,...,R;j=1,2;N指在格点r采集到的样本个数;i=1,2...,N。
根据指纹库数据,可以计算出在格点r用指纹库j的权重系数。具体的说,在线下阶段,假设我们已经采集好了WiFi定位指纹库和LED定位指纹库,现在我们把指纹库中的80%数据取出来进行分类器训练,剩余20%数据用来计算权重值。
比如说,现在分类器已经训练完毕,剩余20%的数据中的一个样本,可以用分类器来预测它的格点,假设预测的格点坐标是x1=(1,1),但真实的格点坐标为x=(0.5,0.5),那么这时用(1)的融合指标计算出值为现在我们在用(2)式的权值公式来优化这个定位结果。即我们希望ε(w*x1)=||w*x1-x||2,0≤w≤1最小。在这个例子中,w=0.5,即取这个值时,我们就能使ε(w*x1)最小,为0。
依照这种思路,我们能求出一个权重矩阵。
w11就是指格点1的WiFI定位的优化权重,w12就是指格点1的LED定位的优化权重。即每个格点都能通过上面的方法算出相应的WiFi定位的优化权重和LED定位的优化权重。
***搭建完成后,进入具体定位服务阶段,
首先,定位终端采集其所在位置的数据;
然后,根据相似性,匹配指纹库的数据;
最后,根据指纹库的数据,利用公式(3)计算得到定位结果:
fj(x)指线上采集到的数据匹配指纹库j所得到的最相似的格点r坐标,然后再乘上线下得到的相应位置相应指纹的权重wrj,得到最终定位位置p。
例如,WiFi分类器进行定位预测的结果是(1,2),LED分类器进行定位预测的结果是(2,1),然后根据相似性匹配,找到指纹库中跟预测结果最相似的格点,在权重矩阵中查找该格点的优化权重。具体的说,比如WiFi的(1,2)跟WiFi指纹库格点1最接近,那么就取权重w11,LED定位预测的结果跟LED指纹库中格点2最接近,那么就取权重w22,这样最后的输出结果p=w11×(1,2)+w22×(2,1)。
所以本实施例方案会根据定位过程中测得的数据,根据权重动态调整定位结果,从而提升了整个***的性能表现;融合两种定位方法的优点,实现不同定位方法的优势互补,从而将WiFi定位和可见光定位有效结合,提升了定位的精度和稳定性。
实施例二
如图3所示,本发明实施例还涉及一种包括无线局域网和可见光通信的定位***。定位***包括定位端、服务器端和监控端组成,其中定位端由被监控目标携带,它用于定位目标的位置并将位置信息发送给服务器端;服务器端计算定位结果,实现定位融合,并将定位结果发送至监控端;监控端由监控者携带,它可以实时查看被监控目标的位置信息。通信***包括无线局域网和可见光通信两部分,其中,无线局域网包括多个AP(Access Point,接入点),它们作为发送端发射出WiFi信号,而手机作为接收端利用信号强度进行无线定位。可见光通信***包括多个不同频率的LED灯,手机通过可见光通信识别不同的LED灯,进行定位。最后使用实施例一的定位方法将两种定位***的结果进行融合,得到最终定位。
本实施例的定位***还可用于多目标定位和监控,即一个监控端手机可以监控多个不同的定位端。
利用该***进行定位的流程如图4所示,包括:
步骤401,定位终端首先实现WiFi RSSI和LED可见光信号的采集,LED可见光信号即摄像头所拍摄到的图像,经过图像处理后,提取出LED图像中所包含的频率、位置信息,形成LED定位信息;然后定位终端将WiFi定位信息和LED定位信息发送至服务器,
步骤402,服务器计算最终的定位结果,根据定位终端发送的无线局域网WiFi定位信号,对所述定位终端进行预测定位,得到所述定位终端的WiFi定位位置;
根据定位终端发送的发光二极管LED定位信号,对所述定位终端进行预测定位,得到所述定位终端的LED定位位置;
根据所述WiFi定位位置和LED定位位置,分别获取与上述两定位位置对应的权重值;
根据所述WiFi定位位置、LED定位位置,以及两定位位置各自对应的权重值,得到所述定位终端最终的定位位置。
步骤403,服务器将定位结果发送至监控终端,对定位终端的位置进行显示,实现定位。
本实施例中还涉及一种设置在服务器端的存储介质,该存储介质可以为服务器,也可以为安装在服务器上的一个数据的存储、调用、处理设备,用于建立WiFi指纹库、构建WiFi分类器和进行WiFi定位,建立LED指纹库、LED分类器和进行LED定位,以及用于建立权重矩阵,并对WiFi定位和LED定位进行融合,确定最终的定位结果。具体的,
存储介质,其特征在于,所述存储介质存储有用于进行定位的定位程序,所述程序包括:
根据定位终端发送的无线局域网WiFi定位信号,对所述定位终端进行预测定位,得到所述定位终端的WiFi定位位置;
根据定位终端发送的发光二极管LED定位信号,对所述定位终端进行预测定位,得到所述定位终端的LED定位位置;
根据所述WiFi定位位置和LED定位位置,分别获取与上述两定位位置对应的权重值;
根据所述WiFi定位位置、LED定位位置,以及两定位位置各自对应的权重值,得到所述定位终端最终的定位位置。
其中,在进行定位之前,预先将定位区域划分为若干个格点,获取每个格点上基于WiFi定位对应的WiFi权重值,以及获取每个格点上基于LED定位对应的LED权重值;
在定位过程中,将与所述WiFi定位位置最接近的格点所对应的WiFi权重值,作为所述WiFi定位位置对应的权重值;将与所述LED定位位置最接近的格点所对应的LED权重值,作为所述LED定位位置对应的权重值。
其中,获取每个格点上基于WiFi定位对应的WiFi权重值,具体包括:
根据在每个格点上采集的设定次数的接收信号强度指示RSSI数据,得到WiFi指纹库;
根据WiFi指纹库,得到利用RSSI数据进行位置预测定位的WiFi分类器;
利用公式(2)、(3)计算每个格点上基于WiFi定位对应的WiFi权重值wr1;
ε(xr(i))=||xr(i)-xr||2 公式(3)
其中,argmin表示公式(2)最小取得的wr1值;ε(xr(i))表示在格点r的第i个采集数据的预测定位坐标xr(i)与真实位置坐标xr的平方误差;N是在格点r采集样本个数,r代表格点编号,r=1,...,R。
其中,所述方法还包括:
得到WiFi指纹库之后,按照设定比例将WiFi指纹库划分为训练集和验证集;
选择支持向量机算法SVM非线性分类器,利用Python语言进行训练,得到所述WiFi分类器。
其中,根据所述WiFi分类器,对所述定位终端进行预测定位,得到所述定位终端的WiFi定位位置。
其中,获取每个格点上基于LED定位对应的LED权重值,具体包括:
根据在每个格点上采集的LED定位数据,得到LED指纹库;
根据LED指纹库,得到利用LED定位数据进行位置预测定位的LED分类器;
利用公式(3)(4)计算每个格点上基于LED定位对应的LED权重值wr2;
ε(xr(i))=||xr(i)-xr||2 公式(3)
其中,argmin表示公式(2)最小取得的wr2值;ε(xr(i))表示在格点r的第i个采集数据的预测定位坐标xr(i)与真实位置坐标xr的平方误差;N是在格点r采集样本个数,r代表格点编号,r=1,...,R。
其中,所述方法还包括:
得到LED指纹库之后,按照设定比例将LED指纹库划分为训练集和验证集;
选择支持向量机算法SVM非线性分类器,利用Python语言进行训练,得到所述LED分类器。
其中,所述LED定位数据包括:采集所述LED定位数据的设备的航向角、俯仰角和横滚角,以及所述设备拍摄的一个或多个LED灯在图像上的位置坐标。
其中,根据所述LED分类器,对所述定位终端进行预测定位,得到所述定位终端的LED定位位置。
其中,所述定位终端最终的定位位置通过公式(1)求得:
其中,p表示所述定位终端最终的定位位置;j=1,2;f1(x)表示格点r处基于WiFi定位得到的预测定位位置;f2(x)表示格点r处基于LED定位得到的预测定位位置;wr1表示格点r处基于WiFi定位对应的权重值;wr2表示格点r处基于LED定位对应的权重值。
本发明实施例还涉及一种存储介质,位于定位终端侧,可以是定位终端,也可以是定位终端的一个数据存储、处理的硬件设备。该存储介质存储有用于获取LED定位信号的程序,所述程序包括:
利用定位终端拍摄包括LED灯的图像;
进行图像处理,获取图像中各个LED灯的闪烁频率,根据所述闪烁频率对被拍摄的LED灯识别;
获取识别的LED灯在图像中的坐标,以及获取定位终端的航向角、俯仰角和横滚角;
由定位终端的航向角、俯仰角和横滚角,以及被识别的LED灯在图像中的坐标,构成定位终端再其位置格点处的定位信号。
上述步骤中,进行图像处理,获取图像中各个LED灯的闪烁频率,具体包括:
将彩色图像转换为灰度图像;
依次进行图像模糊处理、二值化处理;
分离出图像中每一个LED灯对应的图形,提取每一个图形的轮廓信息,并找出中心位置;
在每个图形轮廓内,通过radon变换,统计出黑白条纹的间距,根据所述间距计算出该图形轮廓对应的LED的闪烁频率。
本发明提出了一种基于WiFi和可见光的融合定位方法及***,融合了两种定位方法的优点,实现不同定位方法的优势互补,从而将WiFi定位和可见光定位有效结合,提升了定位的精度和稳定性。
尽管为示例目的,已经公开了本发明的优选实施例,本领域的技术人员将意识到各种改进、增加和取代也是可能的,因此,本发明的范围应当不限于上述实施例。
Claims (28)
1.一种定位方法,其特征在于,包括:
根据定位终端发送的无线局域网WiFi定位信号,对所述定位终端进行预测定位,得到所述定位终端的WiFi定位位置;
根据定位终端发送的发光二极管LED定位信号,对所述定位终端进行预测定位,得到所述定位终端的LED定位位置;
根据所述WiFi定位位置和LED定位位置,分别获取与上述两定位位置对应的权重值;
根据所述WiFi定位位置、LED定位位置,以及两定位位置各自对应的权重值,得到所述定位终端最终的定位位置。
2.如权利要求1所述的定位方法,其特征在于,在进行定位之前,预先将定位区域划分为若干个格点,获取每个格点上基于WiFi定位对应的WiFi权重值,以及获取每个格点上基于LED定位对应的LED权重值;
在定位过程中,将与所述WiFi定位位置最接近的格点所对应的WiFi权重值,作为所述WiFi定位位置对应的权重值;将与所述LED定位位置最接近的格点所对应的LED权重值,作为所述LED定位位置对应的权重值。
3.如权利要求2所述的定位方法,其特征在于,获取每个格点上基于WiFi定位对应的WiFi权重值,具体包括:
根据在每个格点上采集的设定次数的接收信号强度指示RSSI数据,得到WiFi指纹库;
根据WiFi指纹库,得到利用RSSI数据进行位置预测定位的WiFi分类器;
利用公式(2)、(3)计算每个格点上基于WiFi定位对应的WiFi权重值wr1;
ε(xr(i))=||xr(i)-xr||2 公式(3)
其中,argmin表示公式(2)最小取得的wr1值;ε(xr(i))表示在格点r的第i个采集数据的预测定位坐标xr(i)与真实位置坐标xr的平方误差;N是在格点r采集样本个数,r代表格点编号,r=1,...,R。
4.如权利要求3所述的定位方法,其特征在于,所述方法还包括:
得到WiFi指纹库之后,按照设定比例将WiFi指纹库划分为训练集和验证集;
选择支持向量机算法SVM非线性分类器,利用Python语言进行训练,得到所述WiFi分类器。
5.如权利要求3或4所述的定位方法,其特征在于,根据所述WiFi分类器,对所述定位终端进行预测定位,得到所述定位终端的WiFi定位位置。
6.如权利要求2所述的定位方法,其特征在于,获取每个格点上基于LED定位对应的LED权重值,具体包括:
根据在每个格点上采集的LED定位数据,得到LED指纹库;
根据LED指纹库,得到利用LED定位数据进行位置预测定位的LED分类器;
利用公式(3)(4)计算每个格点上基于LED定位对应的LED权重值wr2;
ε(xr(i))=||xr(i)-xr||2 公式(3)
其中,argmin表示公式(2)最小取得的wr2值;ε(xr(i))表示在格点r的第i个采集数据的预测定位坐标xr(i)与真实位置坐标xr的平方误差;N是在格点r采集样本个数,r代表格点编号,r=1,...,R。
7.如权利要求6所述的定位方法,其特征在于,所述方法还包括:
得到LED指纹库之后,按照设定比例将LED指纹库划分为训练集和验证集;
选择支持向量机算法SVM非线性分类器,利用Python语言进行训练,得到所述LED分类器。
8.如权利要求6所述的定位方法,其特征在于,所述LED定位数据包括:采集所述LED定位数据的设备的航向角、俯仰角和横滚角,以及所述设备拍摄的一个或多个LED灯在图像上的位置坐标。
9.如权利要求6或7或8所述的定位方法,其特征在于,根据所述LED分类器,对所述定位终端进行预测定位,得到所述定位终端的LED定位位置。
10.如权利要求3或6所述的定位方法,其特征在于,所述定位终端最终的定位位置通过公式(1)求得:
其中,p表示所述定位终端最终的定位位置;j=1,2;f1(x)表示格点r处基于WiFi定位得到的预测定位位置;f2(x)表示格点r处基于LED定位得到的预测定位位置;wr1表示格点r处基于WiFi定位对应的权重值;wr2表示格点r处基于LED定位对应的权重值。
11.一种LED定位信号的获取方法,其特征在于,包括:
利用定位终端拍摄包括LED灯的图像;
进行图像处理,获取图像中各个LED灯的闪烁频率,根据所述闪烁频率对被拍摄的LED灯识别;
获取识别的LED灯在图像中的坐标,以及获取定位终端的航向角、俯仰角和横滚角;
由定位终端的航向角、俯仰角和横滚角,以及被识别的LED灯在图像中的坐标,构成定位终端再其位置格点处的定位信号。
12.如权利要求11所述的LED定位信号的获取方法,其特征在于,进行图像处理,获取图像中各个LED灯的闪烁频率,具体包括:
将彩色图像转换为灰度图像;
依次进行图像模糊处理、二值化处理;
分离出图像中每一个LED灯对应的图形,提取每一个图形的轮廓信息,并找出中心位置;
在每个图形轮廓内,通过radon变换,统计出黑白条纹的间距,根据所述间距计算出该图形轮廓对应的LED的闪烁频率。
13.一种存储介质,其特征在于,所述存储介质存储有用于进行定位的定位程序,所述程序包括:
根据定位终端发送的无线局域网WiFi定位信号,对所述定位终端进行预测定位,得到所述定位终端的WiFi定位位置;
根据定位终端发送的发光二极管LED定位信号,对所述定位终端进行预测定位,得到所述定位终端的LED定位位置;
根据所述WiFi定位位置和LED定位位置,分别获取与上述两定位位置对应的权重值;
根据所述WiFi定位位置、LED定位位置,以及两定位位置各自对应的权重值,得到所述定位终端最终的定位位置。
14.如权利要求13所述的存储介质,其特征在于,在进行定位之前,预先将定位区域划分为若干个格点,获取每个格点上基于WiFi定位对应的WiFi权重值,以及获取每个格点上基于LED定位对应的LED权重值;
在定位过程中,将与所述WiFi定位位置最接近的格点所对应的WiFi权重值,作为所述WiFi定位位置对应的权重值;将与所述LED定位位置最接近的格点所对应的LED权重值,作为所述LED定位位置对应的权重值。
15.如权利要求14所述的存储介质,其特征在于,获取每个格点上基于WiFi定位对应的WiFi权重值,具体包括:
根据在每个格点上采集的设定次数的接收信号强度指示RSSI数据,得到WiFi指纹库;
根据WiFi指纹库,得到利用RSSI数据进行位置预测定位的WiFi分类器;
利用公式(2)、(3)计算每个格点上基于WiFi定位对应的WiFi权重值wr1;
ε(xr(i))=||xr(i)-xr||2 公式(3)
其中,argmin表示公式(2)最小取得的wr1值;ε(xr(i))表示在格点r的第i个采集数据的预测定位坐标xr(i)与真实位置坐标xr的平方误差;N是在格点r采集样本个数,r代表格点编号,r=1,...,R。
16.如权利要求15所述的存储介质,其特征在于,所述程序包括:
得到WiFi指纹库之后,按照设定比例将WiFi指纹库划分为训练集和验证集;
选择支持向量机算法SVM非线性分类器,利用Python语言进行训练,得到所述WiFi分类器。
17.如权利要求15或16所述的存储介质,其特征在于,根据所述WiFi分类器,对所述定位终端进行预测定位,得到所述定位终端的WiFi定位位置。
18.如权利要求14所述的存储介质,其特征在于,获取每个格点上基于LED定位对应的LED权重值,具体包括:
根据在每个格点上采集的LED定位数据,得到LED指纹库;
根据LED指纹库,得到利用LED定位数据进行位置预测定位的LED分类器;
利用公式(3)(4)计算每个格点上基于LED定位对应的LED权重值wr2;
ε(xr(i))=||xr(i)-xr||2 公式(3)
其中,argmin表示公式(2)最小取得的wr2值;ε(xr(i))表示在格点r的第i个采集数据的预测定位坐标xr(i)与真实位置坐标xr的平方误差;N是在格点r采集样本个数,r代表格点编号,r=1,...,R。
19.如权利要求18所述的存储介质,其特征在于,所述程序还包括:
得到LED指纹库之后,按照设定比例将LED指纹库划分为训练集和验证集;
选择支持向量机算法SVM非线性分类器,利用Python语言进行训练,得到所述LED分类器。
20.如权利要求19所述的存储介质,其特征在于,所述LED定位数据包括:采集所述LED定位数据的设备的航向角、俯仰角和横滚角,以及所述设备拍摄的一个或多个LED灯在图像上的位置坐标。
21.如权利要求18或19或20所述的存储介质,其特征在于,根据所述LED分类器,对所述定位终端进行预测定位,得到所述定位终端的LED定位位置。
22.如权利要求15或18所述的存储介质,其特征在于,所述定位终端最终的定位位置通过公式(1)求得:
其中,p表示所述定位终端最终的定位位置;j=1,2;f1(x)表示格点r处基于WiFi定位得到的预测定位位置;f2(x)表示格点r处基于LED定位得到的预测定位位置;wr1表示格点r处基于WiFi定位对应的权重值;wr2表示格点r处基于LED定位对应的权重值。
23.一种存储介质,其特征在于,所述存储介质存储有用于获取LED定位信号的程序,所述程序包括:
利用定位终端拍摄包括LED灯的图像;
进行图像处理,获取图像中各个LED灯的闪烁频率,根据所述闪烁频率对被拍摄的LED灯识别;
获取识别的LED灯在图像中的坐标,以及获取定位终端的航向角、俯仰角和横滚角;
由定位终端的航向角、俯仰角和横滚角,以及被识别的LED灯在图像中的坐标,构成定位终端再其位置格点处的定位信号。
24.如权利要求23所述的存储介质,其特征在于,进行图像处理,获取图像中各个LED灯的闪烁频率,具体包括:
将彩色图像转换为灰度图像;
依次进行图像模糊处理、二值化处理;
分离出图像中每一个LED灯对应的图形,提取每一个图形的轮廓信息,并找出中心位置;
在每个图形轮廓内,通过radon变换,统计出黑白条纹的间距,根据所述间距计算出该图形轮廓对应的LED的闪烁频率。
25.一种定位***,其特征在于,包括布置在定位区域内的多个无线路由器、多个LED灯,以及定位终端、监控终端和服务器:
所述定位终端采集其位置格点的WiFi定位信号和LED定位信号,并发送给服务器;
服务器根据所述WiFi定位信号和LED定位信号,对定位终端进行定位,并将定位信息发送给监控终端;
监控终端接收定位信息,显示所述定位终端的位置。
26.如权利要求25所述的定位***,其特征在于,所述服务器包括权利要求13~22任一项所述的存储介质。
27.如权利要求25所述的定位***,其特征在于,所述定位终端包括权利要求23或24所述的存储介质。
28.如权利要求25所述的定位***,其特征在于,所述LED的灯光调制为方波信号,各个LED灯的调制频率不同。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710481197.9A CN109116298B (zh) | 2017-06-22 | 2017-06-22 | 一种定位方法、存储介质及定位*** |
PCT/CN2018/092439 WO2018233692A1 (zh) | 2017-06-22 | 2018-06-22 | 一种定位方法、存储介质及定位*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710481197.9A CN109116298B (zh) | 2017-06-22 | 2017-06-22 | 一种定位方法、存储介质及定位*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109116298A true CN109116298A (zh) | 2019-01-01 |
CN109116298B CN109116298B (zh) | 2023-12-22 |
Family
ID=64732611
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710481197.9A Active CN109116298B (zh) | 2017-06-22 | 2017-06-22 | 一种定位方法、存储介质及定位*** |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN109116298B (zh) |
WO (1) | WO2018233692A1 (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109889981A (zh) * | 2019-03-08 | 2019-06-14 | 中南大学 | 一种基于二分类技术的定位方法及*** |
CN113494910A (zh) * | 2020-04-02 | 2021-10-12 | 广州汽车集团股份有限公司 | 一种基于uwb定位的车辆定位方法、装置及存储介质 |
CN113840228A (zh) * | 2021-08-25 | 2021-12-24 | 北京航空航天大学杭州创新研究院 | 一种基于定位匹配的行人室内定位方法 |
CN117474991A (zh) * | 2023-10-24 | 2024-01-30 | 纬创软件(武汉)有限公司 | 一种基于SpectFormer的Poi定位方法及装置 |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111356082B (zh) * | 2020-03-10 | 2021-06-08 | 西安电子科技大学 | 基于wifi及可见光通信的室内移动终端定位方法 |
CN111935628B (zh) * | 2020-07-28 | 2022-06-28 | 河南大学 | 基于位置指纹的Wi-Fi定位方法和装置 |
CN115100279A (zh) * | 2022-06-10 | 2022-09-23 | 暨南大学 | 基于bn-cnn的高速可见光定位图像处理方法、***及介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105388456A (zh) * | 2015-10-21 | 2016-03-09 | 宁波大学 | 可见光通信多阵元三维无线定位*** |
CN106027149A (zh) * | 2016-07-21 | 2016-10-12 | 长春光客科技有限公司 | 采用多个可转动置顶端的多用户可见光通信装置及方法 |
CN106248077A (zh) * | 2016-07-06 | 2016-12-21 | 北京理工大学 | 一种基于粒子滤波的可见光组合定位***和方法 |
CN106597374A (zh) * | 2016-11-09 | 2017-04-26 | 北京大学 | 一种基于摄像帧分析的室内可见光定位方法及*** |
US20170127428A1 (en) * | 2015-10-30 | 2017-05-04 | Kabushiki Kaisha Toshiba | Wireless communication device and wireless communication method |
CN106646366A (zh) * | 2016-12-05 | 2017-05-10 | 深圳市国华光电科技有限公司 | 基于粒子滤波算法和智能设备的可见光定位方法和*** |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWM450170U (zh) * | 2012-05-07 | 2013-04-01 | Jung-Tang Huang | 智慧聯網系統 |
CN103079269A (zh) * | 2013-01-25 | 2013-05-01 | 哈尔滨工业大学 | 基于LDE算法的WiFi室内定位方法 |
CN104198989B (zh) * | 2014-09-16 | 2017-10-20 | 北京邮电大学 | 一种基于照明光源和Wi‑Fi信号的混合模式室内定位*** |
CN104270194A (zh) * | 2014-09-16 | 2015-01-07 | 南京邮电大学 | 一种可见光室内定位方法 |
-
2017
- 2017-06-22 CN CN201710481197.9A patent/CN109116298B/zh active Active
-
2018
- 2018-06-22 WO PCT/CN2018/092439 patent/WO2018233692A1/zh active Application Filing
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105388456A (zh) * | 2015-10-21 | 2016-03-09 | 宁波大学 | 可见光通信多阵元三维无线定位*** |
US20170127428A1 (en) * | 2015-10-30 | 2017-05-04 | Kabushiki Kaisha Toshiba | Wireless communication device and wireless communication method |
CN106248077A (zh) * | 2016-07-06 | 2016-12-21 | 北京理工大学 | 一种基于粒子滤波的可见光组合定位***和方法 |
CN106027149A (zh) * | 2016-07-21 | 2016-10-12 | 长春光客科技有限公司 | 采用多个可转动置顶端的多用户可见光通信装置及方法 |
CN106597374A (zh) * | 2016-11-09 | 2017-04-26 | 北京大学 | 一种基于摄像帧分析的室内可见光定位方法及*** |
CN106646366A (zh) * | 2016-12-05 | 2017-05-10 | 深圳市国华光电科技有限公司 | 基于粒子滤波算法和智能设备的可见光定位方法和*** |
Non-Patent Citations (2)
Title |
---|
牛衍方 等: "VLC智能照明***探讨", 《光源与照明》 * |
黄文彬: "LiFi创造智慧应用新场景", 《上海信息化》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109889981A (zh) * | 2019-03-08 | 2019-06-14 | 中南大学 | 一种基于二分类技术的定位方法及*** |
CN113494910A (zh) * | 2020-04-02 | 2021-10-12 | 广州汽车集团股份有限公司 | 一种基于uwb定位的车辆定位方法、装置及存储介质 |
CN113494910B (zh) * | 2020-04-02 | 2024-06-18 | 广州汽车集团股份有限公司 | 一种基于uwb定位的车辆定位方法、装置及存储介质 |
CN113840228A (zh) * | 2021-08-25 | 2021-12-24 | 北京航空航天大学杭州创新研究院 | 一种基于定位匹配的行人室内定位方法 |
CN113840228B (zh) * | 2021-08-25 | 2024-04-02 | 北京航空航天大学杭州创新研究院 | 一种基于定位匹配的行人室内定位方法 |
CN117474991A (zh) * | 2023-10-24 | 2024-01-30 | 纬创软件(武汉)有限公司 | 一种基于SpectFormer的Poi定位方法及装置 |
CN117474991B (zh) * | 2023-10-24 | 2024-06-07 | 纬创软件(武汉)有限公司 | 一种基于SpectFormer的Poi定位方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
WO2018233692A1 (zh) | 2018-12-27 |
CN109116298B (zh) | 2023-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109116298A (zh) | 一种定位方法、存储介质及定位*** | |
CN106793086B (zh) | 一种室内定位方法 | |
CN110261823B (zh) | 基于单个led灯的可见光室内通信定位方法及*** | |
Guan et al. | High-precision indoor positioning algorithm based on visible light communication using complementary metal–oxide–semiconductor image sensor | |
CN108332748B (zh) | 一种室内可见光定位方法及装置 | |
CN106291517A (zh) | 基于位置与视觉信息优化的室内云机器人角度定位方法 | |
CN106767822B (zh) | 基于相机通信与图像定位技术的室内定位***及方法 | |
CN113705376B (zh) | 一种基于rfid和摄像机的人员定位方法及*** | |
CN111753757B (zh) | 一种图像识别处理方法及装置 | |
CN104661300B (zh) | 定位方法、装置、***及移动终端 | |
CN109655790A (zh) | 基于室内led光源的多目标检测及身份识别***及方法 | |
US20180082410A1 (en) | Image processing using histograms | |
Llorca et al. | Recognizing individuals in groups in outdoor environments combining stereo vision, RFID and BLE | |
Mao et al. | High precision indoor positioning method based on visible light communication using improved Camshift tracking algorithm | |
Feng et al. | Visual Map Construction Using RGB‐D Sensors for Image‐Based Localization in Indoor Environments | |
CN111090074A (zh) | 基于机器学习的室内可见光定位方法和设备 | |
CN114758364B (zh) | 基于深度学习的工业物联网场景融合定位方法及*** | |
WO2016197816A2 (zh) | 终端定位方法、装置和电子设备 | |
Wang et al. | Spectral-Loc: Indoor localization using light spectral information | |
Wen et al. | High-precision indoor three-dimensional positioning system based on visible light communication using modified artificial fish swarm algorithm | |
CN108932478A (zh) | 基于图像的物体定位方法、装置及购物车 | |
CN117197789A (zh) | 基于多尺度边界特征融合的幕墙框识别方法及*** | |
CN110596739B (zh) | 基于卫星定位和WiFi模块的建筑物识别***及方法 | |
Li et al. | Artificial neural network-embedded millimeter-level 3D positioning system with single LED and monitoring camera | |
Fernandez-Llorca et al. | Comparison between UHF RFID and BLE for stereo-based tag association in outdoor scenarios |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |