高级搜索

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于视觉物体识别的抗差岭估计定位算法

徐昊玮 廉保旺 邹晓军 岳哲 吴鹏

徐昊玮, 廉保旺, 邹晓军, 岳哲, 吴鹏. 基于视觉物体识别的抗差岭估计定位算法[J]. 电子与信息学报, 2018, 40(10): 2453-2460. doi: 10.11999/JEIT170876
引用本文: 徐昊玮, 廉保旺, 邹晓军, 岳哲, 吴鹏. 基于视觉物体识别的抗差岭估计定位算法[J]. 电子与信息学报, 2018, 40(10): 2453-2460. doi: 10.11999/JEIT170876
Haowei XU, Baowang LIAN, Xiaojun ZOU, Zhe YUE, Peng WU. Visual Objects Detection Based Robust Ridge Regression Indoor Localization Method[J]. Journal of Electronics & Information Technology, 2018, 40(10): 2453-2460. doi: 10.11999/JEIT170876
Citation: Haowei XU, Baowang LIAN, Xiaojun ZOU, Zhe YUE, Peng WU. Visual Objects Detection Based Robust Ridge Regression Indoor Localization Method[J]. Journal of Electronics & Information Technology, 2018, 40(10): 2453-2460. doi: 10.11999/JEIT170876

基于视觉物体识别的抗差岭估计定位算法

doi: 10.11999/JEIT170876
基金项目: 国家自然科学基金(61473308, 61771393)
详细信息
    作者简介:

    徐昊玮:男,1990年生,博士生,研究方向为卫星导航、惯性导航、LiDAR导航、组合导航、深度学习

    廉保旺:男,1962年生,教授,研究方向为导航、通信系统、雷达

    邹晓军:男,1984年生,博士生,研究方向为卫星导航、跟踪环路设计

    岳哲:男,1992年生,博士生,研究方向为卫星导航、多源组合导航

    吴鹏:男,1986年生,博士,研究方向为卫星导航、多径抑制

    通讯作者:

    徐昊玮  xuhaoweiself@aliyun.com

  • 中图分类号: V249.32+8

Visual Objects Detection Based Robust Ridge Regression Indoor Localization Method

Funds: The National Natural Science Foundation of China (61473308, 61771393)
  • 摘要: 基于视觉物体识别的室内定位算法是一种新型的室内定位解决方案,算法通过物体检测、位置匹配、定位方程解算等步骤确定用户位置。然而,受到单目相机视域较小和物体检测算法精度较低的影响,根据检测物体测距信息而构成的定位方程存在严重的病态性,极大降低了算法的定位成功率和定位精度。因此,该文提出一种抗差岭估计定位解算算法,通过引入岭参数将无偏估计变为有偏估计,实现均方误差最小约束条件下的最优位置估计,并利用迭代选权降低了质量较差的观测量对定位精度的影响。实验结果表明,与OLS (Ordinary Least Square), LM (Levenberg-Marquardt)和RR (Ridge Regression)算法相比,该文提出的抗差岭估计定位解算算法能够有效提高基于视觉物体识别的室内定位方法的成功率和精度。
  • 图  1  MG与IG生成图示例

    图  2  单目相机成像原理

    图  3  岭估计参数K对非线性方程解算的影响

    图  4  实验环境示意图

    图  5  Faster-R-CNN对于物体的检测示例以及对物体的识别率与伪距测量精度

    图  6  物体几何结构较差时的定位示例

    表  1  4种定位解算方法的定位结果比较

    检测出物体数 3个 4个 5个 6个 7个
    照片数 47 22 7 3 1 80
    OLS算法 定位成功率(%) 61.7 50.0 42.8 0.0 0.0 53.8
    定位误差(m) 1.8 2.1 2.4 1.9
    收敛率(%) 42.1 37.5 23.1 0.0 0.0 39.6
    迭代次数 8 8 9 8
    LM算法 定位成功率(%) 66.0 68.2 42.8 33.0 0.0 62.5
    定位误差(m) 1.6 2.0 2.0 1.2 1.7
    收敛率(%) 45.7 42.5 34.6 9.0 0.0 43.3
    迭代次数 7 7 8 6 7
    RR算法 定位成功率(%) 70.2 63.6 71.4 66.0 0.0 67.5
    定位误差(m) 1.5 1.9 1.9 1.0 1.6
    收敛率(%) 56.0 50.9 53.8 36.4 0.0 53.7
    迭代次数 7 7 9 9 7
    RRR算法 定位成功率(%) 80.9 81.8 85.7 100.0 100.0 82.5
    定位误差(m) 1.4 1.3 1.3 0.5 0.6 1.3
    收敛率(%) 62.9 62.1 57.7 45.5 40.0 61.1
    迭代次数 8 9 11 13 12 9
    下载: 导出CSV
  • KOPPANYI Z and TOTH C K. Indoor ultra-wide band network adjustment using maximum likelihood estimation[J]. ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 2014, 2(1): 31–35 doi: 10.5194/isprsannals-II-1-31-2014
    陈增强, 国峰, 张青. 基于模糊神经网络建模的RFID室内定位算法[J]. 系统科学与数学, 2014, 34(12): 1438–1450

    CHEN Zengguo, GUO Feng, and ZHANG Qing. An RFID indoor location algorithm based on fuzzy neural network model[J]. Journal of Systems Science&Mathematical Sciences, 2014, 34(12): 1438–1450
    周牧, 唐云霞, 田增山, 等. 基于流形插值数据库构建的WLAN室内定位算法[J]. 电子与信息学报, 2017, 39(8): 1826–1834 doi: 10.11999/JEIT161269

    ZHOU Mu, TANG Yunxia, TIAN Zengshan, et al. WLAN indoor localization algorithm based on manifold interpolation database construction[J]. Journal of Electronics&Information Technology, 2017, 39(8): 1826–1834 doi: 10.11999/JEIT161269
    CHAE H, PARK C, and SONG J B. Sliding window based landmark extraction for indoor 2D SLAM using forward-looking monocular camera[C]. Control, Automation and Systems (ICCAS), Busan, Korea, 2015: 336–341.
    SHIM J H and CHO Y I. A Mobile robot localization using external surveillance cameras at indoor[J]. Procedia Computer Science, 2015, 56: 502–507 doi: 10.1016/j.procs.2015.07.242
    LU Guoyu, YAN Yan, SEBE N, et al. Indoor localization via multi-view images and videos[J]. Computer Vision and Image Understanding, 2017, 32: 121–132 doi: 10.1016/j.cviu.2017.05.003
    XU Haowei, KOPPANYI Z, TOTH C K, et al. Indoor localization using region-based convolutional neural network[C]. Proceedings of the 2017 International Technical Meeting of ION, Monterey, USA, 2017: 314–323.
    TOTH C K, KOPPANYI Z, XU Haowei, et al. Localization using region-based convolution neural network: A comparison study[C]. Proceedings of the 10th International Conference of Mobile Mapping Technology, Cairo, Egypt, 2017: 134–142.
    UEDA K and YAMASHITA N. On a global complexity bound of the Levenberg-Marquardt method[J]. Journal of Optimization Theory and Applications, 2010, 147(3): 443–453.
    CHEN B H, DA R, and TEKIN I. Location determination using weighted ridge regression[P]. USA, Patent, US6587692, 2003-7-1.
    GIRSHICK R, DONAHUE J, DARRELL T, et al. Rich feature hierarchies for accurate object detection and semantic segmentation[C]. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, Columbus, USA, 2014: 580–587.
    GIRSHICK R. Fast R-CNN[C]. Proceedings of the IEEE International Conference on Computer Vision, Santiago, Chile, 2015: 1440–1448.
    REN Shaoqing, HE Kaiming, GIRSHICK R, et al. Faster R-CNN: Towards real-time object detection with region proposal networks[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2017, 39(6): 1137–1149 doi: 10.1109/TPAMI.2016.2577031
    HOERL A E and KENNARD R W. Ridge regression: Biased estimation for nonorthogonal problems[J]. Technometrics, 1970, 12(1): 55–67.
    MORÉ J J. The Levenberg-Marquardt Algorithm: Implementation and Theory[M]. Berlin, Heidelberg: Springer, 1978: 105–116.
    KIBRIA B M G. Performance of some new ridge regression estimators[J]. Communications in Statistics-Simulation and Computation, 2003, 32(2): 419–435 doi: 10.1081/SAC-120017499
  • 加载中
图(6) / 表(1)
计量
  • 文章访问数:  1739
  • HTML全文浏览量:  494
  • PDF下载量:  32
  • 被引次数: 0
出版历程
  • 收稿日期:  2017-09-18
  • 修回日期:  2018-07-23
  • 网络出版日期:  2018-07-26
  • 刊出日期:  2018-10-01

目录

    /

    返回文章
    返回