一种基于目标检测和PnP的移动终端室内定位方法

doi:10.13474/j.cnki.11-2246.2019.0350

测绘通报 ›› 2019, Vol. 0 ›› Issue (11): 51-55.doi: 10.13474/j.cnki.11-2246.2019.0350

一种基于目标检测和PnP的移动终端室内定位方法

刘振耀, 李瑞东, 潘军道

中国科学院空天信息研究院, 北京 100094

收稿日期:2019-02-21 发布日期:2019-12-02
作者简介:刘振耀(1990-),男,硕士,助理工程师,研究方向为室内定位。E-mail:lzy_0332@163.com
基金资助:
中国科学院光电研究院院创新项目（Y80B05AIEY）

A method for indoor location of mobile terminal based on target detection and PnP

LIU Zhenyao, LI Ruidong, PAN Jundao

Aerospace Information Research Institute, Chinese Academy of Sciences, Beijing 100094, China

Received:2019-02-21 Published:2019-12-02

摘要/Abstract

摘要： 针对传统的视觉定位易受噪声干扰、目标检测准确率低且无法获取终端准确位姿信息的问题，提出了一种基于卷积神经网络的目标检测和PnP相结合的移动终端室内定位方法，通过Mask-RCNN进行目标检测，然后采用EPnP算法求解相机准确的位姿信息，并对该方法进行系统实现及真实场景试验。试验结果表明，该方法目标检测准确率在98%以上，单轴定位误差在0.35 m以内，满足移动终端室内定位的精度，具有精度高、稳定性好的优点，为基于视觉的移动终端室内定位提供了新的思路。

关键词: Mask-RCNN, 目标检测, PnP, 室内定位, 移动终端

Abstract: Aiming at the problem that traditional visual positioning is susceptible to noise interference, the accuracy of target detection is low and the accurate pose information cannot be obtained, this paper proposes an indoor positioning method of mobile terminal based on convolution neural network for target detection and PnP. The target detection is carried out by Mask-RCNN, and the accurate pose information of camera is obtained by EPnP algorithm. The method is implemented systematically and experimented in real scenes. The experimental results show that the target detection accuracy is more than 98%, the single-axis positioning error is less than 0.35 m, which meets the accuracy of indoor positioning of mobile terminals, and has the advantages of high precision and good stability. It provides a new idea for indoor positioning of mobile terminal based on vision.

Key words: Mask-RCNN, target detection, PnP, indoor location, mobile terminal

中图分类号:

P228

刘振耀, 李瑞东, 潘军道. 一种基于目标检测和PnP的移动终端室内定位方法[J]. 测绘通报, 2019, 0(11): 51-55.

LIU Zhenyao, LI Ruidong, PAN Jundao. A method for indoor location of mobile terminal based on target detection and PnP[J]. Bulletin of Surveying and Mapping, 2019, 0(11): 51-55.

参考文献

[1] 邓中亮,尹露,唐诗浩,等.室内定位关键技术综述[J].导航定位与授时,2018,5(3):14-23.
[2] 刘振耀.基于UWB/GNSS/MIMU的室内外无缝定位技术研究[D].郑州:信息工程大学,2017.
[3] 周家鹏, 汪云甲, 李昕, 等. 地磁室内定位技术研究[J]. 测绘通报, 2019(1):18-22.
[4] 杨洲.基于UWB/MEMS的高精度室内定位技术研究[D].徐州:中国矿业大学,2015.
[5] 高翔,张涛.视觉SLAM十四讲从理论到实践[M].北京:电子工业出版社,2017.
[6] 付若楠.基于深度学习的目标检测研究[D].北京:北京交通大学,2017.
[7] 郑泽宇,顾思宇. Tensorflow:实战Google深度学习框架[M].北京:电子工业出版社,2017:140-141.
[8] GIRSHICK R,DONAHUE J,DARRELL T,et al. Rich feature hierarchies for accurate object detection and semantic segmentation[C]//IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Columbus:[s.n.], 2014:580-587.
[9] GIRSHICK R. Fast R-CNN[C]//IEEE International Conference on Computer Vision (ICCV). Santiago:[s.n.], 2015:1440-1448.
[10] REN S, HE K, GIRSHICK R,et al. Faster R-CNN:towards real-time object detection with region proposal networks[J]. IEEE Transactions on Pattern Anal Mach Intell,2017, 39(6):1137-1149.
[11] HE K,GKIOXARI G,DOLLAR P,et al. Mask R-CNN[J].IEEE Transactions on Pattern Analysis & Machine Intelligence, 2017, PP(99):1.
[12] 白宝林.基于改进的Mask R-CNN的车辆识别及检测[D]. 合肥:安徽大学,2018.
[13] 任之俊,蔺素珍,李大威,等.基于改进特征金字塔的Mask R-CNN目标检测方法[EB/OL].[2018-12-04].http://kns.cnki.net/kcms/detail/31.1690.TN.20180907.1121.048.html.
[14] LEPETIT V,MORENO N,FUA F. EPnP:an accurate O(n) solution to the PnP problem[J].International Journal of Computer Vision, 2009, 81(2):155-166.
[15] 李爽,甘兴利,祝瑞辉,等.场景识别与PnP结合的视觉室内定位技术研究[J].无线电工程,2018,48(8):634-638.

一种基于目标检测和PnP的移动终端室内定位方法

A method for indoor location of mobile terminal based on target detection and PnP

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	柳林, 孙毅, 李万武. 基于CNN海上钻井平台检测模型的构建及训练算法分析[J]. 测绘通报, 2022, 0(7): 26-32,99.
[2]	文奴, 郭仁忠, 贺彪, 万远. YOLO v4框架下Multi-Patch多帧增量式交通视频目标检测[J]. 测绘通报, 2022, 0(5): 38-44.
[3]	赵胤植, 邹进贵, 蔡礼贤, 黄格格. 一种顾及电子元件延迟的超宽带室内定位方法[J]. 测绘通报, 2022, 0(4): 1-5,31.
[4]	段晨阳, 冯建中, 全斌, 白林燕, 王盼盼. 利用深度学习进行GF-6影像枣园检测识别[J]. 测绘通报, 2022, 0(3): 54-59.
[5]	程瑞, 高建, 邢强, 孙中昶. 一种优化的Faster R-CNN小目标检测方法[J]. 测绘通报, 2021, 0(9): 21-27.
[6]	梁哲恒, 邓鹏, 姜福泉, 盛森, 魏汝兰, 谢刚生. 基于卷积神经网络的无人机影像违章建筑检测应用[J]. 测绘通报, 2021, 0(4): 111-115.
[7]	马京振, 陈换新, 朱新铭, 张付兵. 利用Faster R-CNN进行立交桥自动识别与定位[J]. 测绘通报, 2021, 0(3): 28-32,86.
[8]	侯翘楚, 李必军, 蔡毅. 高分辨率遥感影像的车道级高精地图要素提取[J]. 测绘通报, 2021, 0(3): 38-43.
[9]	周宗锟, 姜卫平, 唐健, 王一文, 欧阳文一. LiDAR地图匹配与二维码融合的AGV室内定位与导航[J]. 测绘通报, 2021, 0(1): 9-12,52.
[10]	王安义, 欧雪. 基于粒子滤波的PDR/地磁指纹室内定位[J]. 测绘通报, 2021, 0(1): 24-28.
[11]	陆妍玲, 韦俊伶, 刘采玮, 李景文, 姜建武. 融合地磁/WiFi/PDR的自适应粒子滤波室内定位[J]. 测绘通报, 2020, 0(6): 1-6.
[12]	何肖娜, 宋斌斌, 余敏. 融合上下文感知的地标检测辅助WiFi-PDR室内定位[J]. 测绘通报, 2020, 0(6): 7-11,16.
[13]	赵琪, 孙立双, 谢志伟. 基于改进MCNN的密度图在室内定位中的应用[J]. 测绘通报, 2020, 0(6): 12-16.
[14]	王照远, 高井祥, 李增科, 常梦阳. 一种融合WiFi/地磁/PDR的室内定位方法[J]. 测绘通报, 2020, 0(6): 17-21.
[15]	沈雨, 仇宇轩, 于正浩. 分部加权的行道树检测网络构建[J]. 测绘通报, 2020, 0(2): 77-81,101.