基于对极几何的多传感器视觉室内定位方法研究

Multi-sensor indoor positioning is one of the most potential indoor positioning and navigating support in the future. The existing wireless positioning method, however, can hardly obtain the quick and accurate positioning result because of the indoor complex factors like shielding effect and material distribution. The breakthrough of this research is the adoption of visual information as the positioning element. The establishment and update of visual map is realized based on multi-sensor crowdsourcing. Scenes understanding based visual image searching algorithm is proposed to push quick index in scene pre-classification conditions. First-order gradient of regional gray will be introduced to strengthen the differentiation of character descriptors so as to improve the visual image matching rate and accuracy. Improved AdaBoost algorithm will be put forward to select key features of grid unit to distinguish correct matching and wrong matching in order to increase the robustness of the descriptors. Taking pole geometry as the basis, the relative position between query images and database images will be built to improve the positioning accuracy as well as guarantee the fault tolerance and robustness for the positioning result. This project will integrate alternately machine learning theory, convex optimization theory, pole geometry theory and pattern recognition and control theory, aiming to solve the problem of low positioning accuracy, long time cost and hard to update for wireless signal, so as to provide a new research approach for future application of indoor positioning and navigating system.

多传感器室内定位是未来最具广泛应用潜力的定位导航技术支撑。然而，现有无线信号定位方式因受到遮挡效应、材料分布等室内特有复杂因素影响而无法获得快速准确的定位效果。本项目将采用视觉信息作为定位要素，以对极几何为核心,构建用户视觉图像与数据库图像之间的相对位置信息，在提高定位精度同时保证定位结果的容错性和鲁棒性。研究中将通过多传感器群智信息感知实现Visual Map的构建与更新；设计基于场景理解的视觉图像检索算法以提高场景预分类下的检索效率；特征描述中将引入区域灰度一阶梯度加强特征描述子的区分性，从而提高视觉图像匹配时的速率及精确度；研究改进的AdaBoost算法用于选择网格单元关键特征以更精确地划分正确匹配与错误匹配，从而提高描述子的鲁棒性。本项目交叉融合机器学习、凸优化、对极几何及模式识别等知识，构建准确高效的视觉室内定位系统，从而为未来室内定位与导航系统的推广提供新的研究思路。

本项目针对现有“射频室内定位技术”（WiFi、蓝牙、RFID、超宽带等）对信号源的严重依赖以及高成本、低精度、长耗时、易遮挡等实际问题，采用视觉信息作为定位要素，以对极几何为核心构建用户视觉图像与数据库图像之间的相对位置信息，在提高定位精度的同时保证定位结果的容错性和鲁棒性。项目通过多传感器群智信息感知实现了Visual Map的构建与更新，完成了室内多AP的优化与筛选，在保证精度的同时实现了低碳环保的低能耗需求，基于图论在整个视觉图像采集传感器网络全局大尺度约束条件下对每个传感器节点进行多次迭代定位。根据Visual Map中已有信息和对传感器节点定位计算而来的景深信息对Visual Map中部分以改变数据进行更新，从本质上减少了后续基于视觉图像定位的定位误差。分析了Visual Map信号空间的低秩结构，设计了基于残差网络图像检索的方法，研究了最小化矩阵重构理论填充缺失的信号，有效实现了在场景预分类下相似室内场景视觉图片的快速检索，提高了视觉图像匹配时的速率及精度。在特征描述过程中引入区域灰度一阶梯度加强特征描述子的区分性，构建了自适应金字塔模型，设计出同时满足低计算量和高准确度的重构算法，较好实现了多重图像描述符的高精度室内场景分类，提高了描述子的普适性与鲁棒性。基于对极几何构建了用户视觉图像与数据库图像之间的相对位置信息，实现了室内目标的视觉定位模型。针对已有射频室内定位部署或不完全具备视觉定位条件的室内环境，给出了基于射频信号与视觉信号相融合的定位方法，解决了信号混叠、图像目标遮挡以及航迹误差累积等实际问题引起的定位失败；针对中空式建筑结构采用无线信号实现定位导航过程中出现的跨层误差问题，给出了多域传感器的协同定位方法，实现了多楼层建筑物的高精度定位。对于大面积、复杂场景的室内泛在环境下的高精度定位与导航服务提供重要的技术基础。此外，所构建的视觉定位方法也将为增强现实及智慧城市建设提供有力的技术保障。