[发明专利]一种室内空间识别方法

说明书

本发明提供一种室内空间识别方法，包括如下步骤，S1：对待识别的室内空间进行视频拍摄；S2：将拍摄的视频拆帧为图片，过滤掉不符合条件的图片数据，将图片按照不同的空间进行分类，构建训练集；S3：利用训练集训练构建好的基于DenseNet的深度卷积神经网络得到网络模型；S4：构建移动端APP，用户可通过APP发起位置识别请求，部署有网络模型的服务器计算结构并通过网络相应请求，将位置识别结果返回用户。本发明为解决消费级室内定位问题，提出一种基于基于手机图片和计算机视觉的方法来实现室内定位，不要求提前布设室内基础设施，在识别过程中也不需要借助其他特殊设备。

技术领域

本发明主要涉及室内定位相关技术领域，具体是一种室内空间识别方法。

背景技术

随着城市化速度的加快、智慧城市的建设与发展、以及移动设备的日益增多，基于位置的服务在城市居民生活中扮演着越来越重要的角色。现有的定位服务大多基于全球定位系统(GPS)、北斗导航系统、手机信号基站等技术设施，在室外定位环境中具有出色的表现，在室内定位中缺有着很大的缺陷。例如，基于通讯和定位卫星的全球定位系统，北斗导航系统的信号无法进入室内环境。随着城镇化进程的发展，居民在室内的活动比例正在日益提高，而当前的室内定位技术的发展并不能很好的满足居民对室内定位服务日益增长的需求。

在室内定位的相关方法中，利用WiFi信号基站，RFID等方式在实验室环境下可以取得较高的精度。然而在面对复杂多变的建筑环境时，此类方法的泛化能力较差，针对不同的建筑空间需要有对应的个性化方案支持；更重要的是，此类定位方法严重依赖于前期布设的基础设施，在提高成本的同时，对于电力、通信网络、防火标准等条件的依赖性也比较强。相比之下，基于手机图片和计算机视觉的方法不要求提前布设室内基础设施，在识别过程中也不需要借助其他特殊设备，在室内空间识别中更加稳定和鲁棒，可以广泛应用于室内商场导览，写字楼位置确定，餐厅送餐等场景。

在利用计算机视觉进行室内空间识别过程中，卷积神经网络(CNN)已经被广泛地用于图像分类、物体检测等问题上，在没有任何人为干预的情况下，从图像提取信息并且能够以高精度识别图像中的对象。神经网络是一种大规模、多参数优化的工具。依靠大量的训练数据，神经网络能够学习出数据中难以总结的隐藏特征，从而完成多项复杂的任务，如图片分类、物体检测等等。

在现有的基于计算机视觉和照片的室内空间识别方法中，大多基于传统手工/半手工的特征，如SIFT，SURF，ORB等，进行特征点匹配。此类方法泛化能力受室内环境的变化影响非常大，无法应用于大尺度环境和经常发生变化的环境。

发明内容

为解决目前技术的不足，本发明结合现有技术，从实际应用出发，提供一种室内空间识别方法，不要求提前布设室内基础设施，在识别过程中也不需要借助其他特殊设备即可实现室内的精确定位。

本发明的技术方案如下：

一种室内空间识别方法，包括如下步骤，

S1：对待识别的室内空间进行视频拍摄；

S2：将拍摄的视频拆帧为图片，过滤掉不符合条件的图片数据，将图片按照不同的空间进行分类，构建训练集；

S3：利用训练集训练构建好的基于DenseNet的深度卷积神经网络得到网络模型；

S4：构建移动端APP，用户可通过APP发起位置识别请求，部署有网络模型的服务器计算结构并通过网络相应请求，将位置识别结果返回用户。

进一步的，在步骤S1中，在室内空间拍摄前，首先根据应用场景对室内空间进行划分，进而在后期拍摄过程中对不同的空间进行标记。

进一步的，在步骤S1中，通过全景相机视频拍摄方法一次性拍摄指定位置多角度的视频数据。