[发明专利]基于数据模态缺失和Embrace Net的图像定位方法

说明书

本发明揭示了一种基于数据模态缺失和Embrace Net的图像定位方法，由离线建模与在线定位两阶段构成，包括：S1、收集训练图像，对训练图像进行图像预处理后进行类别划分，并作为训练数据集：S2、对训练图像进行特征提取与特征融合，随后进行离线分类学习，得到最佳参数的特征提取网络、特征融合网络和位置分类模型；S3、收集目标图像，对目标图像进行图像预处理；S4、对每幅目标图像进行特征提取，特征融合，随后得到目标的位置估计值。本发明将多图像测量技术与机器学习技术相结合、实现了针对室内复杂环境的目标定位，利用相机所采集的图像进行后续的定位作业，不仅克服了信号衰减问题，而且降低了方案的实现成本。

技术领域

本发明涉及一种室内目标定位方法，具体涉及一种基于数据模态缺失和EmbraceNet的图像定位方法，属于定位导航技术和机器学习应用领域。

背景技术

近年来，随着计算机通信技术及移动智能终端的发展与普及，人们也越来越依赖于通过手中的电子设备来获取自身的物理位置信息、进而满足各项基于位置信息的服务需求。

现阶段，针对室外环境的定位技术发展已经非常成熟、各种卫星导航系统的应用也十分广泛，比如我国自主研发的北斗卫星导航系统、美国的GPS、俄罗斯的GLONASS以及欧洲的GALILEO等。虽然上述卫星导航系统普遍具有定位精度高、实时性强等优点，但是在面对峡谷、高大建筑群附近、地下室及室内等复杂环境时，由于受到多径干扰、环境噪声及非直射环境等因素的影响，GPS信号会高度衰减，其定位精度也会迅速降低、难以满足精确定位的需要。

在各种需求的推动下，国内外学者也陆续提出了多种针对复杂室内环境的定位方案，如蓝牙室内定位技术、WiFi定位技术、红外线定位技术、无线射频识别定位技术、超宽带技术以及ZigBee、惯导、超声波等。上述这些室内定位方案，大都是基于无线传感网络，需要在目标区域内部署足够数量的、用于信号发送和接收的特定设备，而这些设备的部署和维护无疑会提高方案整体的实现成本。为此，部分业内人士开始着眼于基于图像和机器学习的室内定位技术，以期在克服传统方案中所存在的信号衰减问题的同时，尽可能地降低成本。

具体而言，现阶段常见的基于图像的定位方法主要包括：基于灰度图像的室内定位方法，即先对灰度图像数据进行特征提取，再根据提取的特征进行位置的求解，得到定位结果；基于彩色图像的室内定位方法，即通过图像分类的方式来实现定位，采用深度神经网络对图像的特征进行提取并分类，通过分类结果来确认其地理位置信息进行定位。

无论使用上述哪种方法，或多或少都需要利用深度学习网络模型。对于目前大多数深度学习网络模型中普遍存在的多模态数据的缺失问题，普遍的解决方案是重复利用已经获取到的值、使用默认值或使用插值方法来填补缺失的数据，但将这样的处理方式应用到室内定位方面时，就很难保证方案定位性能的稳健性。

综上所述，如果能够提出一种全新的、结合有定位导航和机器学习的定位方法，那么必将对未来的室内目标定位技术的发展具有重要的参考价值。

发明内容

鉴于现有技术存在上述缺陷，本发明的目的是提出一种基于数据模态缺失和Embrace Net的图像定位方法，具体如下。

一种基于数据模态缺失和Embrace Net的图像定位方法，由离线建模与在线定位两阶段构成，

所述离线建模阶段包括如下步骤，

S1、利用相机收集训练图像，对训练图像进行图像预处理后进行类别划分，并作为训练数据集，

S2、对所述训练数据集中的训练图像进行特征提取与特征融合，随后进行离线分类学习，得到最佳参数的特征提取网络、特征融合网络和位置分类模型；

所述在线定位阶段包括如下步骤，

S3、利用相机收集目标图像，对目标图像进行图像预处理，