[发明专利]基于OS-ELM融合视觉和惯性信息的室内定位方法

说明书

本发明公开了一种基于OS‑ELM融合视觉和惯性信息的室内定位方法，包括：对获得的惯性和视觉传感器数据进行预处理生成训练特征向量，将包含训练特征向量和目标输出的训练数据进行建模；将训练数据输入到OS‑ELM模型中初始化输出初始权重向量，将训练特征向量作为输入向量，相应的目标位移作为训练输出向量；通过在线顺序学习新的训练数据更新OS‑ELM模型输出更新权重向量，经过迭代，输出最终的权重向量，作为最优权重向量；对测试数据进行建模生成测试特征向量，通过最优权重向量获取测试数据相应的测试输出向量；引入转角判断，对测试输出向量进行优化，对经过转角判断后的输出结果进行计算，得到最终的定位结果。

技术领域

本发明涉及室内定位、信息融合以及信号处理领域，尤其涉及一种基于OS-ELM(在线顺序极限学习机)融合视觉和惯性信息的室内定位方法。

背景技术

近年来，随着室内定位服务的需求快速增长，室内定位系统变得越来越重要。全球定位系统(GPS)是用于定位和导航的最流行的系统，它可以在白天和夜晚在世界任何地方提供准确的位置信息，然而在室内环境中由于墙壁屏障和多径效应，GPS难以接收足够的卫星信号，使得定位精度急剧下降，无法达到与室外环境相当的定位精度。因此，已经提出了许多GPS的替代方案来解决室内定位问题。这些解决方案大致可分为两类：基于单一信息源的定位技术和基于多源信息融合的定位技术。

基于单一信息源的定位技术，目前广泛应用的是基于接收信号强度(RSS)的方法。常见的信号源有WiFi^[1]、FM^[2]、以及蓝牙等，它们通常需要经历两个过程：首先建立与真实位置相对应的指纹数据库，然后通过匹配算法将信号指纹与指纹数据库进行匹配，从而获得相应的位置信息。但是，对于存在其他信号干扰的复杂空间，该方法的稳定性稍差。尽管一些特定设备(如射频识别(RFID)，超宽带(UWB)和超声波)仅使用单一信息源便可以提供相当好的定位精度，但其硬件的部署和维护通常会需要很高的费用。

随着计算机视觉技术的不断完善，视觉导航系统(VNS)已成为专家关注的焦点。通过VNS使用可视化数据来更好的理解和感知室内环境，与其他非视觉导航系统相比，VNS具有信息量大，无噪音，定位精度高的优点，可以在具有丰富的特征匹配和识别的场景中获得高定位精度^[3]。C.Piciarelli^[4]提出了一种将图像与具有位置标记的视觉特征的参考模型进行比较从而实现定位的视觉室内定位技术(在这里简称为VL算法)，实验结果表明，VL算法的定位结果虽然在大多数时间可以精准定位，然而它在诸如遮挡，光线变化和人员访问干扰等某些情况下效果不佳，因此可以将VNS与其他导航装置融合以提供更准确的定位精度。

发明内容

本发明提供了一种基于OS-ELM融合视觉和惯性信息的室内定位方法，本发明将惯性和视觉信息利用OS-ELM进行融合，在定位过程中即可以保留惯性导航系统(INS)在短时间内定位精度高的特点、以及VNS在具有丰富的特征场景中可获得高定位精度的特点，又可以减小VNS在环境突变(比如光线变化和人员进出干扰等)的情况下，产生较大定位误差，详见下文描述：

一种基于OS-ELM融合视觉和惯性信息的室内定位方法，所述方法包括以下步骤：

1)对获得的惯性和视觉传感器数据进行预处理生成训练特征向量，将包含训练特征向量和目标输出的训练数据进行建模；

2)将训练数据输入到OS-ELM模型中初始化输出初始权重向量，将训练特征向量作为输入向量，相应的目标位移作为训练输出向量；

3)通过在线顺序学习新的训练数据更新OS-ELM模型输出更新权重向量，经过迭代，输出最终的权重向量，作为最优权重向量；

4)对测试数据进行建模生成测试特征向量，通过最优权重向量获取测试数据相应的测试输出向量；