[发明专利]一种基于深度学习区域聚合特征的室内多尺度定位方法

说明书

本发明提供一种基于区域聚合特征的室内多尺度定位方法。本方法利用深度学习提取区域聚合特征，仅通过构建包含区域聚合特征和深度学习特征的节点式地图，采用多尺度定位方法即可实现室内定位。其特征在于：1.利用深度学习特征构建区域聚合特征；2.构建包含区域聚合特征和深度学习特征的节点式地图；3.利用所构建的节点式地图，采用室内多尺度定位方法，实现场景识别。本发明公开的方法仅通过前视图像，不需要在室内布设其他的定位信号，即可实现精确的定位。相比于目前已有的方法，本方法便于部署，且成本低廉。

技术领域

本发明涉及地图测绘领域，具体涉及一种基于深度学习区域聚合特征的室内多尺度定位方法。

背景技术

随着室内机器人的应用不断增加，感知技术作为机器人应用的基础，而定位技术是机器人感知的根基，成为机器人研究的重点内容。由于室内缺乏GPS信号，在定位过程中需要密集地布设能发射WiFi、蓝牙或ZigBee等定位信号的基站，通过三角定位方法实现定位。但这种方法需要室内环境进行改造，不仅加大部署难度，也增加了定位成本。对此，一些方法引入图像特征进行匹配，仅在初定位阶段对比定位信号，在精细定位阶段仅通过匹配图像特征便可实现精确的定位。然而，这种方法依然需要布设基站，从而对室内环境进行改造。针对于此，本文利用深度学习特征构建区域聚合特征，从而能充分的表征区域。然后提出一种基于区域聚合特征和深度学习特征的节点式地图构建模型。最后，采用一种室内多尺度定位模型方法对待定位节点和地图模型进行匹配，实现精确和鲁棒性高的室内定位。相比于传统方法，所提出的基于深度学习区域聚合特征的室内方法仅利用前视图像实现定位，不需要对室内环境进行改造，不仅便于部署，还大幅度减小成本。

目前，在室内定位方面已有一些成果，例如已授权的专利CN110360999A，授权日2018年3月26日，专利名为“室内定位方法、室内定位系统和计算机可读介质”，公开了一种利用计算机视觉和无线结合的定位方法。该方法需要布设无线设备才能实现，增加部署难度和成本。而本方法只构建地图，不需要部署额外的设备。已申请的专利201810510842.X，申请日2018年05月24日，专利名为“室内定位装置、室内定位灯具及室内定位系统”，公开了一种利用电子标签信号实现的定位方法。但该方法需要将电子标签布设到室内才能实现。不利于大量部署和成本较高。

本发明提供一种基于深度学习区域聚合特征的室内多尺度定位方法。首先，该方法通过构建基于深度学习的区域聚合特征。并利用区域聚合特征与深度学习特征构建节点，所构建的节点包含当前位置的特征。然后，构建用于表征室内场景的节点式地图。最后利用室内多尺度定位方法对待定位节点进行定位，定位到距离待定位节点最近的地图节点，实现室内定位。

本发明的创新之处在于：1.提出一种基于深度学习的区域聚合特征提取方法，仅通过提取前视图像的特征即可表征区域。2.提供一种包含区域聚合特征和深度学习特征的节点式地图构建方法，用于表征室内场景，并为定位提供定位参考。3.提供一种基于区域聚合特征的室内多尺度定位方法。

发明内容

本发明所要解决的技术问题：提供一种基于深度学习区域聚合特征的室内多尺度定位方法。首先，该方法构建区域聚合特征。即提取区域内前视图像的深度学习特征，通过均值化处理得到区域聚合特征。然后，该方法构建基于区域聚合特征和深度学习特征的节点式地图。最后，通过室内多尺度定位方法，定位到距离当前位置最近的地图节点，实现精确室内定位。

本发明解决其技术问题采用以下技术方案：

所述一种基于区域聚合特征的室内多尺度定位方法，该方法包括区域聚合特征的提取方法，基于区域聚合特征和深度学习特征的节点式地图构建方法和基于区域聚合特征的室内多尺度定位方法。所述的区域聚合特征的提取方法是指聚合区域的深度学习特征，得到一种表征区域的特征；所述的节点式地图构建是指利用区域聚合特征和深度学习特征共同表征节点，并构建用于表征室内场景的模型。所述的基于区域聚合特征的室内多尺度定位方法是指利用区域聚合特征和深度学习特征实现场景识别，从而实现室内定位。