[发明专利]基于深度卷积网络的室内人员定位跟踪算法

说明书

本发明公开了一种基于深度卷积网络的室内人员定位跟踪算法，在进行室内人员定位跟踪算法中，包括通过拍摄视频图像由摄像头实时输入到网络中，ZCA白化进行所述数据预处理用于减少特征的相关性，基于所述卷积、池化、多层稀疏自动编码器构建深层网络特征提取器进行所述平均池化，利用训练集网络参数和所述全连接网络的权重参数对测试图像进行分类，通过所述Softmax分类器进行分类，收集到的特征被所述人脸识别模块准确识别，最后输出人脸识别的信息。本发明多目标干扰或目标外观的改变的情况下有效地定位。与传统方法相比，这个算法可更快适应环境。

技术领域

本发明涉及深度学习、机器学习技术领域，尤其涉及基于深度卷积网络的室内人员定位跟踪算法。

背景技术

随着科学技术的发展，人们对定位的需求服务正在逐渐增加。特别是在复杂的室内环境中，如建筑物，机场大厅，矿山和其他环境，通常有必要准确定位移动工作人员在室内的确切位置并实现人员调度管理，人身安全，紧急救助。大多数定位算法存在以下问题：定位精度比较差。大多数定位系统都存在室内定位精度不够，通过RSSI定位模型一般只能够达到3米的精度，即使借助触发器，也只能达到1.5米，远远达不到室内精确定位的要求；覆盖范围小，由于无线电传播过程中信号的衰减和传播环境的复杂的原因，所有的定位模型都必须满足一定的定位范围，在超过定位范围后，模型误差会增加，精度严重受到影响；抗干扰能力弱。由于室内环境的相对狭小和封闭，很多情况下无线信号无法实现视距内的直接传输，墙壁、挡板、楼层对无线信道的传播影响很大，其它电器设备的噪声也会影响无线信号的传播，这就是所谓的非视距误差。

发明内容

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本发明的一个目的在于提出基于深度卷积网络的室内人员定位跟踪算法，多目标干扰或目标外观的改变的情况下有效地定位。与传统方法相比，这个算法可更快适应环境。

根据本发明实施例的一种基于深度卷积网络的室内人员定位跟踪算法，在进行室内人员定位跟踪算法中，包括通过拍摄视频图像由摄像头实时输入到网络中，ZCA白化进行所述数据预处理用于减少特征的相关性，基于所述卷积、池化、多层稀疏自动编码器构建深层网络特征提取器进行所述平均池化，利用训练集网络参数和所述全连接网络的权重参数对测试图像进行分类，通过所述Softmax分类器进行分类，收集到的特征被所述人脸识别模块准确识别，最后输出人脸识别的信息。

在本发明的一些实施例中，室内人员定位跟踪算法，具体分为下述步骤：

S1：采集室内条件下的监控视频，生成训练数据和测试数据，初始化深度卷积网络结构；

S2：引入ZCA白化和归一化，对原始视频图像进行预处理；

S3：采用多层稀疏自动编码器构建深度网络特征提取器来提取视频图像的深层特征；

S4：引入Softmax回归模型，对深层网络特征提取器得到的特征向量进行分类；

S5：引入人脸识别模块用于识别面部特征，输出人脸识别的信息。

在本发明的另一些实施例中，所述S1中初始化深度卷积网络结构，其中包括稀疏自动编码器的数量、池化层数量和池化层的降幅。

在本发明的另一些实施例中，所述S2中引入ZCA白化和归一化来预处理实验数据，所述归一化处理采用尺度归一化、灰度归一化和直方图均衡化。

在本发明的另一些实施例中，所述S3中多层稀疏自动编码器包括降噪稀疏自动编码器和稀疏自动编码器，所述是降噪稀疏自动编码器为第一层自动编码器，将噪声人为地添加到训练数据中，深度网络学习去除噪声以获得没有受到噪音干扰的输入，所述稀疏自动编码器为第二层自动编码器，所述稀疏自动编码器为不添加噪声的自动编码器。