CN112135246B
有效
一种基于SSD目标检测的RSSI更新的室内定位方法
技术领域
[0001]本发明涉及通信定位技术领域，特别涉及一种基于SSD目标检测的RSSI更新的室内定位方法。
背景技术
[0002]蓝牙信号强度RSSI值(Received Signal Strength Indication，接收信号强度指示)非常容易受到干扰，尤其是复杂的室内环境，比如各种物品遮挡、墙体等的多径干扰和走动的人群，都会使所计算的距离与实际距离值产生极大的偏差。
[0003]一般基于RSSI的测距算法往往是事先测量发射端和接收端相隔1米时的信号强度得到参数A，预先设置好不同测量点通过RSSI与距离的数值拟合曲线得到参数n。而这种做法在环境不变的情况下所计算的距离和实际距离误差不大，但一旦环境产生变化，误差将会迅速增大。
发明内容
[0004]本发明的目的在于提供一种基于SSD目标检测的RSSI更新的室内定位方法，以解决背景技术中的问题。
[0005]为解决上述技术问题，本发明提供了一种基于SSD目标检测的RSSI更新的室内定位方法，包括：
[0006]在定位场地部署N个蓝牙网关，并获取其坐标；
[0007]采集N个蓝牙网关对定位标签的蓝牙信号RSSI值和身份ID发送至服务器；
[0008]摄像头拍摄含有定位标签的区域实时照片，并将照片和区域中的定位标签发送至服务器；
[0009]根据测距模型d＝10(ABS(RSSI)-A)/(10*n)，分别计算每个蓝牙基站与定位标签的距离d；其中A指发射端和接收端相隔1米时的信号强度；n是基于SSD的目标检测给出的环境衰减因子；
[0010]采用两重滤波和三点时域加权定位算法计算出定位标签的坐标；
[0011]将坐标送给Web显示端，显示定位标签的位置和轨迹。
[0012]可选的，基于SSD的目标检测给出环境衰减因子具体为：基于深度学习的SSD目标检测算法，对不同的环境进行检测从而设置不同的环境衰减因子n，包括：
[0013]采用InteriorNet的室内场景数据集，针对此数据集，增加环境衰减因子标签；
[0014]将检测数据集划分为三个部分：训练集、测试集和验证集；
[0015]搭建Tensorflow深度学习框架进行SSD室内场景检测模型的训练与测试；
[0016]SSD的损失函数L(x,c,l,g)定义为预测位置误差Lloc与类别置信度误差Lconf的加权和：
[0017]
[0018]其中，N为匹配的默认框个数，x为匹配的默认框是否属于某个类别，l为预测框，g为真实目标框，c为被默认框包围的目标属于某类别的置信度，α代表权重项，设置为1；
[0019]预测位置损失函数Lloc(x,l,g)的计算方式如式(1.2)和式(1.3)所示：
[0020]
[0021]
[0022]d＝(dcx,dcy,dw,dh)表示先验框位置，
为第i个框的中心x轴坐标，
为第i个框的宽度，
为第i个框的中心y轴坐标，
为第i个框的高度；其中采用的smoothL1损失函数，定义如式(1.4)所示：
[0023]
[0024]式中i为默认框序号，i∈Pos是被分为正样本的默认框，j为真实目标框序号，k为类别序号，
为第i个预测框与第j个真实目标框关于类别k是否匹配，取值{0,1}，(cx,cy)为默认框的中心坐标，w和h为默认框的宽和高，m是对默认框4个参数的取值，则
为第i个默认框的4个参数，
为第j个真实框的4个参数；
[0025]类别置信度损失函数Lconf(x,c)定义如式(1.5)和式(1.6)所示，其使用的是Softmax损失函数：
[0026]
[0027]
[0028]式中输入每一类的置信度c，i指代默认框序号，i∈Pos是被分为正样本的默认框，i∈Neg是被分为负样本的默认框，j指代真实框序号，p指代类别序号，p＝0代表背景，
表示第i个预测框与第j个真实框关于类别p是否匹配，取值{0，1}，
表示第i个默认框对应类别p的预测概率；
[0029]SSD在训练时先将图像的默认框与真实目标框匹配，然后通过SSD的损失函数输出损失值，最后进行反向传播，更新网络权值，并重复这一过程；
[0030]对该SSD的模型进行训练，然后根据训练模型在验证集上的表现设定最优参数；摄像头拍摄的区域内场景一旦发生变化，将这种变化检测出来，从而更新环境衰减因子n，从而信号强度值RSSI转为距离值d时就会提高精度。
[0031]可选的，所述InteriorNet的室内场景数据集包括家具制造商提供已用于实际生产的CAD模型、以及专业设计师基于所述CAD模型创建的室内布局。
[0032]可选的，针对此数据集，增加环境衰减因子标签具体为：识别出不同的室内场景后，环境衰减因子n会进行改变，不同场景下的环境衰减因子标签需要事先进行测试得出。
[0033]可选的，所述训练集是学习样本数据集，用于模型的训练；
[0034]所述验证集用以对模型进行参数调优，得到网络的最优解，所述参数包括学习率，动量参数和批样本数量；
[0035]所述测试集用以测试训练好的模型的分辨能力。
[0036]可选的，采用两重滤波和三点时域加权定位算法计算出定位标签的坐标包括：
[0037]对采集的蓝牙信号RSSI值先进行小波变换，将低频噪声和干扰信号滤除，再通过Kalman滤波器进行滤波处理，得到平滑准确的RSSI值；
[0038]通过测距模型d＝10(ABS(RSSI)-A)/(10*n)和实时更新的环境衰减因子n，得到距离值d；
[0039]N个蓝牙网关对某一信标得到的{d1,d2,...,dN}，选取距离值最近的三个d值作为三点进行定位，d越小的权值越大，计算出标签坐标；
[0040]保留每次所选取的距离值参与到下次的坐标计算更新，时间尺度上越近，权值也越大，由此当标签在移动时，定位坐标会快速响应进行更新但是不会发生突变。
[0041]在本发明提供的基于SSD目标检测的RSSI更新的室内定位方法中，在定位场地部署N个蓝牙网关，并获取其坐标；采集N个蓝牙网关对定位标签的蓝牙信号RSSI值和身份ID发送至服务器；摄像头拍摄含有定位标签的区域实时照片，并将照片和区域中的定位标签发送至服务器；根据模型d＝10(ABS(RSSI)-A)/(10*n)，分别计算每个蓝牙基站与定位标签的距离d；其中A指发射端和接收端相隔1米时的信号强度；n是基于SSD的目标检测给出的环境衰减因子；采用两重滤波和三点时域加权定位算法计算出定位标签的坐标；将坐标送给Web显示端，显示定位标签的位置和轨迹。
[0042]本发明具有以下有益效果：
[0043](1)传统的测距做法是固定环境衰减因子n的值，容易受到环境的干扰和遮挡导致测距不准确，本发明利用SSD目标检测给出实时的环境衰减因子n，进而求出的测距模型更准确；
[0044](2)本发明采用两重滤波的做法，首先对接收信号进行小波变换，能有效将低频噪声和干扰信号滤除，再通过Kalman滤波器对接收到大信号强度RSSI值进行滤波处理，确保RSSI值不因环境稍加改变而出现较大的抖动值；
[0045](3)当定位标签出现移动时，采用三点时域加权定位算法，能够有效追踪到标签的位置并对位置信息进行实时更新。
附图说明
[0046]图1是本发明提供的基于SSD目标检测的RSSI更新的室内定位方法流程示意图；
[0047]图2是SSD训练流程示意图。
具体实施方式
[0048]以下结合附图和具体实施例对本发明提出的一种基于SSD目标检测的RSSI更新的室内定位方法作进一步详细说明。根据下面说明和权利要求书，本发明的优点和特征将更清楚。需说明的是，附图均采用非常简化的形式且均使用非精准的比例，仅用以方便、明晰地辅助说明本发明实施例的目的。
[0049]实施例一
[0050]本发明提供了一种基于SSD(Single Shotmultibox Detector)目标检测的RSSI更新的室内定位方法，其流程如图1所示，包括如下步骤：
[0051]步骤S11、在定位场地部署N个蓝牙网关，并获取其坐标；
[0052]步骤S12、采集N个蓝牙网关对定位标签的蓝牙信号RSSI值和身份ID发送至服务器；
[0053]步骤S13、摄像头拍摄含有定位标签的区域实时照片，并将照片和区域中的定位标签发送至服务器；
[0054]步骤S14、根据测距模型d＝10(ABS(RSSI)-A)/(10*n)，分别计算每个蓝牙基站与定位标签的距离d；其中A指发射端和接收端相隔1米时的信号强度；n是基于SSD的目标检测给出的环境衰减因子；
[0055]步骤S15、采用两重滤波和三点时域加权定位算法计算出定位标签的坐标；
[0056]步骤S16、将坐标送给Web显示端，显示定位标签的位置和轨迹。
[0057]基于SSD的目标检测给出环境衰减因子具体为：基于深度学习的SSD目标检测算法，对不同的环境进行检测从而设置不同的环境衰减因子n，包括：
[0058]采用InteriorNet的室内场景数据集，针对此数据集，增加环境衰减因子标签，即识别出不同的室内场景后，环境衰减因子n会进行改变，不同场景下的环境衰减因子标签需要事先进行测试得出。所述InteriorNet的室内场景数据集收集了由世界领先的家具制造商提供的大约一百万个CAD模型，这些模型已用于实际生产中；基于这些模型，大约1100名专业设计师创建了大约2200万个室内布局，大多数此类布局已用于现实世界的装饰中。
[0059]将检测数据集划分为三个部分：训练集、测试集和验证集；所述训练集是学习样本数据集，用于模型的训练；所述验证集用以对模型进行参数调优，得到网络的最优解，所述参数包括学习率，动量参数和批样本数量；所述测试集用以测试训练好的模型的分辨能力。在一种可实行的具体案例中，可以选取InteriorNet数据集中的20000张室内典型场景，按随机方式选取16000张作为训练集，2000张作为测试集，2000张作为验证集。
[0060]搭建Tensorflow深度学习框架进行SSD室内场景检测模型的训练与测试；
[0061]SSD的损失函数L(x,c,l,g)定义为预测位置误差Lloc与类别置信度误差Lconf的加权和：
[0062]
[0063]其中，N为匹配的默认框个数，x为匹配的默认框是否属于某个类别，l为预测框，g为真实目标框，c为被默认框包围的目标属于某类别的置信度，α代表权重项，设置为1；
[0064]预测位置损失函数Lloc(x,l,g)的计算方式如式(1.2)和式(1.3)所示：
[0065]
[0066]
[0067]d＝(dcx,dcy,dw,dh)表示先验框位置，
为第i个框的中心x轴坐标，
为第i个框的宽度，
为第i个框的中心y轴坐标，
为第i个框的高度；其中采用的smoothL1损失函数，定义如式(1.4)所示：
[0068]
[0069]式中i为默认框序号，i∈Pos是被分为正样本的默认框，j为真实目标框序号，k为类别序号，
为第i个预测框与第j个真实目标框关于类别k是否匹配，取值{0,1}，(cx,cy)为默认框的中心坐标，w和h为默认框的宽和高，m是对默认框4个参数的取值，则
为第i个默认框的4个参数，
为第j个真实框的4个参数；
[0070]类别置信度损失函数Lconf(x,c)定义如式(1.5)和式(1.6)所示，其使用的是Softmax损失函数：
[0071]
[0072]
[0073]式中输入每一类的置信度c，i指代默认框序号，i∈Pos是被分为正样本的默认框，i∈Neg是被分为负样本的默认框，j指代真实框序号，p指代类别序号，p＝0代表背景，
表示第i个预测框与第j个真实框关于类别p是否匹配，取值{0，1}，
表示第i个默认框对应类别p的预测概率；
[0074]SSD在训练时先将图像的默认框与真实目标框匹配，然后通过SSD的损失函数输出损失值，最后进行反向传播，更新网络权值，并重复这一过程；具体训练细节如图2所示。
[0075]对该SSD的模型进行训练，然后根据训练模型在验证集上的表现设定最优参数；摄像头拍摄的区域内场景一旦发生变化，将这种变化检测出来，从而更新环境衰减因子n，从而信号强度值RSSI转为距离值d时就会提高精度。
[0076]采用两重滤波和三点时域加权定位算法计算出定位标签的坐标包括：
[0077]对采集的蓝牙信号RSSI值先进行小波变换，将低频噪声和干扰信号滤除，再通过Kalman滤波器进行滤波处理，得到平滑准确的RSSI值；
[0078]通过测距模型d＝10(ABS(RSSI)-A)/(10*n)和实时更新的环境衰减因子n，得到距离值d；
[0079]N个蓝牙网关对某一信标得到的{d1,d2,...,dN}，选取距离值最近的三个d值作为三点进行定位，d越小的权值越大，计算出标签坐标；
[0080]保留每次所选取的距离值参与到下次的坐标计算更新，时间尺度上越近，权值也越大，由此当标签在移动时，定位坐标会快速响应进行更新但是不会发生突变。
[0081]上述描述仅是对本发明较佳实施例的描述，并非对本发明范围的任何限定，本发明领域的普通技术人员根据上述揭示内容做的任何变更、修饰，均属于权利要求书的保护范围。
[0018]其中，N为匹配的默认框个数，x为匹配的默认框是否属于某个类别，l为预测框，g为真实目标框，c为被默认框包围的目标属于某类别的置信度，α代表权重项，设置为1；
[0019]预测位置损失函数Lloc(x,l,g)的计算方式如式(1.2)和式(1.3)所示：
[0020]
[0021]
[0022]d＝(dcx,dcy,dw,dh)表示先验框位置，为第i个框的中心x轴坐标，为第i个框的宽度，为第i个框的中心y轴坐标，为第i个框的高度；其中采用的smoothL1损失函数，定义如式(1.4)所示：
[0023]
[0024]式中i为默认框序号，i∈Pos是被分为正样本的默认框，j为真实目标框序号，k为类别序号，为第i个预测框与第j个真实目标框关于类别k是否匹配，取值{0,1}，(cx,cy)为默认框的中心坐标，w和h为默认框的宽和高，m是对默认框4个参数的取值，则为第i个默认框的4个参数，为第j个真实框的4个参数；
[0025]类别置信度损失函数Lconf(x,c)定义如式(1.5)和式(1.6)所示，其使用的是Softmax损失函数：
[0026]
[0027]
[0028]式中输入每一类的置信度c，i指代默认框序号，i∈Pos是被分为正样本的默认框，i∈Neg是被分为负样本的默认框，j指代真实框序号，p指代类别序号，p＝0代表背景，表示第i个预测框与第j个真实框关于类别p是否匹配，取值{0，1}，表示第i个默认框对应类别p的预测概率；
[0029]SSD在训练时先将图像的默认框与真实目标框匹配，然后通过SSD的损失函数输出损失值，最后进行反向传播，更新网络权值，并重复这一过程；
[0030]对该SSD的模型进行训练，然后根据训练模型在验证集上的表现设定最优参数；摄像头拍摄的区域内场景一旦发生变化，将这种变化检测出来，从而更新环境衰减因子n，从而信号强度值RSSI转为距离值d时就会提高精度。
[0031]可选的，所述InteriorNet的室内场景数据集包括家具制造商提供已用于实际生产的CAD模型、以及专业设计师基于所述CAD模型创建的室内布局。
[0032]可选的，针对此数据集，增加环境衰减因子标签具体为：识别出不同的室内场景后，环境衰减因子n会进行改变，不同场景下的环境衰减因子标签需要事先进行测试得出。
[0033]可选的，所述训练集是学习样本数据集，用于模型的训练；
[0034]所述验证集用以对模型进行参数调优，得到网络的最优解，所述参数包括学习率，动量参数和批样本数量；
[0035]所述测试集用以测试训练好的模型的分辨能力。
[0036]可选的，采用两重滤波和三点时域加权定位算法计算出定位标签的坐标包括：
[0037]对采集的蓝牙信号RSSI值先进行小波变换，将低频噪声和干扰信号滤除，再通过Kalman滤波器进行滤波处理，得到平滑准确的RSSI值；
[0038]通过测距模型d＝10(ABS(RSSI)-A)/(10*n)和实时更新的环境衰减因子n，得到距离值d；
[0039]N个蓝牙网关对某一信标得到的{d1,d2,...,dN}，选取距离值最近的三个d值作为三点进行定位，d越小的权值越大，计算出标签坐标；
[0040]保留每次所选取的距离值参与到下次的坐标计算更新，时间尺度上越近，权值也越大，由此当标签在移动时，定位坐标会快速响应进行更新但是不会发生突变。
[0041]在本发明提供的基于SSD目标检测的RSSI更新的室内定位方法中，在定位场地部署N个蓝牙网关，并获取其坐标；采集N个蓝牙网关对定位标签的蓝牙信号RSSI值和身份ID发送至服务器；摄像头拍摄含有定位标签的区域实时照片，并将照片和区域中的定位标签发送至服务器；根据模型d＝10(ABS(RSSI)-A)/(10*n)，分别计算每个蓝牙基站与定位标签的距离d；其中A指发射端和接收端相隔1米时的信号强度；n是基于SSD的目标检测给出的环境衰减因子；采用两重滤波和三点时域加权定位算法计算出定位标签的坐标；将坐标送给Web显示端，显示定位标签的位置和轨迹。
[0042]本发明具有以下有益效果：
[0043](1)传统的测距做法是固定环境衰减因子n的值，容易受到环境的干扰和遮挡导致测距不准确，本发明利用SSD目标检测给出实时的环境衰减因子n，进而求出的测距模型更准确；
[0044](2)本发明采用两重滤波的做法，首先对接收信号进行小波变换，能有效将低频噪声和干扰信号滤除，再通过Kalman滤波器对接收到大信号强度RSSI值进行滤波处理，确保RSSI值不因环境稍加改变而出现较大的抖动值；
[0045](3)当定位标签出现移动时，采用三点时域加权定位算法，能够有效追踪到标签的位置并对位置信息进行实时更新。
附图说明
[0046]图1是本发明提供的基于SSD目标检测的RSSI更新的室内定位方法流程示意图；
[0047]图2是SSD训练流程示意图。
具体实施方式
[0048]以下结合附图和具体实施例对本发明提出的一种基于SSD目标检测的RSSI更新的室内定位方法作进一步详细说明。根据下面说明和权利要求书，本发明的优点和特征将更清楚。需说明的是，附图均采用非常简化的形式且均使用非精准的比例，仅用以方便、明晰地辅助说明本发明实施例的目的。
[0049]实施例一
[0050]本发明提供了一种基于SSD(Single Shotmultibox Detector)目标检测的RSSI更新的室内定位方法，其流程如图1所示，包括如下步骤：
[0051]步骤S11、在定位场地部署N个蓝牙网关，并获取其坐标；
[0052]步骤S12、采集N个蓝牙网关对定位标签的蓝牙信号RSSI值和身份ID发送至服务器；
[0053]步骤S13、摄像头拍摄含有定位标签的区域实时照片，并将照片和区域中的定位标签发送至服务器；
[0054]步骤S14、根据测距模型d＝10(ABS(RSSI)-A)/(10*n)，分别计算每个蓝牙基站与定位标签的距离d；其中A指发射端和接收端相隔1米时的信号强度；n是基于SSD的目标检测给出的环境衰减因子；
[0055]步骤S15、采用两重滤波和三点时域加权定位算法计算出定位标签的坐标；
[0056]步骤S16、将坐标送给Web显示端，显示定位标签的位置和轨迹。
[0057]基于SSD的目标检测给出环境衰减因子具体为：基于深度学习的SSD目标检测算法，对不同的环境进行检测从而设置不同的环境衰减因子n，包括：
[0058]采用InteriorNet的室内场景数据集，针对此数据集，增加环境衰减因子标签，即识别出不同的室内场景后，环境衰减因子n会进行改变，不同场景下的环境衰减因子标签需要事先进行测试得出。所述InteriorNet的室内场景数据集收集了由世界领先的家具制造商提供的大约一百万个CAD模型，这些模型已用于实际生产中；基于这些模型，大约1100名专业设计师创建了大约2200万个室内布局，大多数此类布局已用于现实世界的装饰中。
[0059]将检测数据集划分为三个部分：训练集、测试集和验证集；所述训练集是学习样本数据集，用于模型的训练；所述验证集用以对模型进行参数调优，得到网络的最优解，所述参数包括学习率，动量参数和批样本数量；所述测试集用以测试训练好的模型的分辨能力。在一种可实行的具体案例中，可以选取InteriorNet数据集中的20000张室内典型场景，按随机方式选取16000张作为训练集，2000张作为测试集，2000张作为验证集。
[0060]搭建Tensorflow深度学习框架进行SSD室内场景检测模型的训练与测试；
[0061]SSD的损失函数L(x,c,l,g)定义为预测位置误差Lloc与类别置信度误差Lconf的加权和：
[0062]
[0063]其中，N为匹配的默认框个数，x为匹配的默认框是否属于某个类别，l为预测框，g为真实目标框，c为被默认框包围的目标属于某类别的置信度，α代表权重项，设置为1；
[0064]预测位置损失函数Lloc(x,l,g)的计算方式如式(1.2)和式(1.3)所示：
[0065]
[0066]
[0067]d＝(dcx,dcy,dw,dh)表示先验框位置，为第i个框的中心x轴坐标，为第i个框的宽度，为第i个框的中心y轴坐标，为第i个框的高度；其中采用的smoothL1损失函数，定义如式(1.4)所示：
[0068]
[0069]式中i为默认框序号，i∈Pos是被分为正样本的默认框，j为真实目标框序号，k为类别序号，为第i个预测框与第j个真实目标框关于类别k是否匹配，取值{0,1}，(cx,cy)为默认框的中心坐标，w和h为默认框的宽和高，m是对默认框4个参数的取值，则为第i个默认框的4个参数，为第j个真实框的4个参数；
[0070]类别置信度损失函数Lconf(x,c)定义如式(1.5)和式(1.6)所示，其使用的是Softmax损失函数：
[0071]
[0072]
[0073]式中输入每一类的置信度c，i指代默认框序号，i∈Pos是被分为正样本的默认框，i∈Neg是被分为负样本的默认框，j指代真实框序号，p指代类别序号，p＝0代表背景，表示第i个预测框与第j个真实框关于类别p是否匹配，取值{0，1}，表示第i个默认框对应类别p的预测概率；
[0074]SSD在训练时先将图像的默认框与真实目标框匹配，然后通过SSD的损失函数输出损失值，最后进行反向传播，更新网络权值，并重复这一过程；具体训练细节如图2所示。
[0075]对该SSD的模型进行训练，然后根据训练模型在验证集上的表现设定最优参数；摄像头拍摄的区域内场景一旦发生变化，将这种变化检测出来，从而更新环境衰减因子n，从而信号强度值RSSI转为距离值d时就会提高精度。
[0076]采用两重滤波和三点时域加权定位算法计算出定位标签的坐标包括：
[0077]对采集的蓝牙信号RSSI值先进行小波变换，将低频噪声和干扰信号滤除，再通过Kalman滤波器进行滤波处理，得到平滑准确的RSSI值；
[0078]通过测距模型d＝10(ABS(RSSI)-A)/(10*n)和实时更新的环境衰减因子n，得到距离值d；
[0079]N个蓝牙网关对某一信标得到的{d1,d2,...,dN}，选取距离值最近的三个d值作为三点进行定位，d越小的权值越大，计算出标签坐标；
[0080]保留每次所选取的距离值参与到下次的坐标计算更新，时间尺度上越近，权值也越大，由此当标签在移动时，定位坐标会快速响应进行更新但是不会发生突变。
[0081]上述描述仅是对本发明较佳实施例的描述，并非对本发明范围的任何限定，本发明领域的普通技术人员根据上述揭示内容做的任何变更、修饰，均属于权利要求书的保护范围。
