一种基于图像处理的智能设备定位标记方法与流程

本发明涉及图像处理领域，特别是一种基于图像处理的智能设备定位标记方法。

背景技术：

1、智能设备的智能化技术的发展改变了信息载体，各种各样的计算机视觉技术应运而生，在智能设备的图像识别与定位中发挥着不可替代的作用。图像信息的来源较广泛，包括监控提取、照片等，因此图像信息具有复杂性。常规的图像目标定位识别方法无法保证图像目标定位识别的准确率，因此需要设计一种新的图像目标定位识别方法。针对目前的图像识别问题，有研究人员设计了相关的图像识别系统。尽管这种新型系统能进行图像分割，提取图像目标信息，但由于智能设备的图像信息数量较多，种类丰富，造成智能设备定位标记的定位准确，定位精度不够、定位稳定性较差，因此需要解决这种新型系统出现的难以解决的漏洞。

技术实现思路

1、本发明的目的是为了解决上述问题，设计了一种基于图像处理的智能设备定位标记方法。

2、实现上述目的本发明的技术方案为，进一步，在上述一种基于图像处理的智能设备定位标记方法中，该所述智能设备定位标记方法包括以下步骤：

3、通过智能设备中的图像传感器采集所述智能设备所处空间的空间图像信息，根据所述空间图像信息构建空间地图信息；

4、至少获取一个所述空间地图信息中的位置点，利用所述图像传感器采集所述位置点附近的不同角度、不同方向的多个图像信息，得到位置图像；

5、对所述位置图像中的位置信息和方向信息进行标注，并对所述位置图像建立分类存放的空间位置数据库；

6、利用fcm模糊均值聚类算法对所述空间位置数据库中的位置图像进行分类，得到训练位置图像数据集，和测试位置图像数据集；

7、基于深度学习模型对所述训练位置图像数据集进行训练，得到googlenet图像匹配神经网络模型，将所述测试位置图像数据集输入所述googlenet图像匹配神经网络模型中进行测试，得到目标googlenet图像匹配神经网络模型；

8、通过所述图像传感器采集所述智能设备所处空间的实时空间图像信息，利用所述目标googlenet图像匹配神经网络模型对所述实时空间图像信息进行匹配，得到目标位置信息和目标方向信息；

9、判断所述目标位置信息和所述目标方向信息是否准确，若否，则再次采集所述实时空间图像信息，并输入至所述目标googlenet图像匹配神经网络模型重新匹配。

10、进一步，在上述智能设备定位标记方法中，所述通过智能设备中的图像传感器采集所述智能设备所处空间的空间图像信息，根据所述空间图像信息构建空间地图信息，包括：

11、通过智能设备中的图像传感器采集所述智能设备所处空间的空间图像信息；

12、所述图像传感器包括摄像单元、存储单元、计算单元、传输单元；所述空间图像信息包括建筑物图像信息、人物图像信息、动植物图像信息、家居用品图像信息；

13、获取所述空间图像信息，根据所述空间图像信息构建空间地图信息；

14、所述空间地图信息包括所述空间图像信息中的位置信息、方向信息，通过所述位置信息和所述方向信息可对空间图像信息进行定位。

15、进一步，在上述智能设备定位标记方法中，所述获取所述空间图像信息，根据所述空间图像信息构建空间地图信息，包括：

16、对所述空间图像信息进行增强处理，使用图像数据增广法对所述空间图像信息进行裁剪；

17、将所述空间图像信息缩放到设定的尺寸，并调节所述空间图像信息的敏感度；

18、对所述空间图像信息进行图像验证后进行图像信息重组，得到空间地图信息。

19、进一步，在上述智能设备定位标记方法中，所述至少获取一个所述空间地图信息中的位置点，利用所述图像传感器采集所述位置点附近的不同角度、不同方向的多个图像信息，得到位置图像，包括：

20、至少获取一个所述空间地图信息中的位置点，所述位置点包括一个或者多个位置点，所述位置点还包括对所述空间地图信息随机获取和设定获取；

21、利用所述图像传感器采集所述位置点附近的不同角度、不同方向的多个图像信息；

22、将所述不同角度、不同方向的多个图像信息进行归一化处理，得到位置图像；

23、所述位置图像包括图像特征、图像轮廓、图像距离、图像位置、图像方向和图像角度。

24、进一步，在上述智能设备定位标记方法中，所述对所述位置图像中的位置信息和方向信息进行标注，并对所述位置图像建立分类存放的空间位置数据库，包括：

25、获取位置图像中的位置信息和方向信息，对所述位置信息和所述方向信息进行标注；

26、所述标注包括对所述位置信息的距离进行标注和对所述方向信息的方位进行标注；

27、对所述位置图像建立分类存放的空间位置数据库，所述分类存放包括对位置信息和方向信息进行分类后存放。

28、进一步，在上述智能设备定位标记方法中，所述利用fcm模糊均值聚类算法对所述空间位置数据库中的位置图像进行分类，得到训练位置图像数据集，和测试位置图像数据集，包括：

29、获取所述空间位置数据库中的位置图像，确定所述位置图像中的分类数m，其中m为迭代次数；

30、基于所述位置图像，获取至少一个隶属度，得到第一隶属度，根据所述第一隶属度计算聚类中心，得到第一聚类中心；

31、计算所述位置图像中的目标函数，根据所述第一聚类中心计算所述第一隶属度，得到第二隶属度；

32、根据所述第二隶属度计算所述第一聚类中心，得到第二聚类中心；重复计算m次，得到训练位置图像数据集，和测试位置图像数据集。

33、进一步，在上述智能设备定位标记方法中，所述基于深度学习模型对所述训练位置图像数据集进行训练，得到googlenet图像匹配神经网络模型，将所述测试位置图像数据集输入所述googlenet图像匹配神经网络模型中进行测试，得到目标googlenet图像匹配神经网络模型，包括：

34、获取所述训练位置图像数据集和所述测试位置图像数据集，基于深度学习模型对所述训练位置图像数据集进行训练，得到googlenet图像匹配神经网络模型；

35、所述googlenet图像匹配神经网络模型包括输入层、卷积层、激励层、池化层、全连接层；

36、将所述测试位置图像数据集输入所述googlenet图像匹配神经网络模型中进行测试，得到目标googlenet图像匹配神经网络模型。

37、进一步，在上述智能设备定位标记方法中，所述输入层、卷积层、激励层、池化层、全连接层，包括：

38、所述输入层包括rgb三通道的彩色图像或单通道的灰度图像，并对输入的所述训练位置图像数据集进行预处理；所述预处理包括去均值、归一化、pac白化；

39、所述卷积层通过两个函数生成第三个函数的数学算子，对所述训练位置图像数据集中的输入函数每一个位置进行加权累加；

40、所述激励层通过建立激励函数，利用所述激励函数对卷积层输出的结果做非线性映射；

41、所述池化层对所述激励层或者卷积层的输出结果进行进一步的特征提取，压缩所述训练位置图像数据集中的特征数据和参数数量；

42、全连接层对所述训练位置图像数据集进行分类。

43、进一步，在上述智能设备定位标记方法中，所述通过所述图像传感器采集所述智能设备所处空间的实时空间图像信息，利用所述目标googlenet图像匹配神经网络模型对所述实时空间图像信息进行匹配，得到目标位置信息和目标方向信息，包括：

44、通过所述图像传感器采集所述智能设备所处空间的实时空间图像信息；

45、所述实时空间图像信息包括实时建筑物图像信息、实时人物图像信息、实时动植物图像信息、实时家居用品图像信息；

46、利用所述目标googlenet图像匹配神经网络模型对所述实时空间图像信息进行匹配，得到目标位置信息和目标方向信息。

47、进一步，在上述智能设备定位标记方法中，所述判断所述目标位置信息和所述目标方向信息是否准确，若否，则再次采集所述实时空间图像信息，并输入至所述目标googlenet图像匹配神经网络模型重新匹配，包括：

48、判断所述目标位置信息和所述目标方向信息是否准确；

49、若否，则再次采集所述实时空间图像信息，并输入至所述目标googlenet图像匹配神经网络模型重新匹配；

50、若是，则输出所述实时空间图像信息对应的目标位置信息和所述目标方向信息。

51、其有益效果在于，通过智能设备中的图像传感器采集所述智能设备所处空间的空间图像信息，根据所述空间图像信息构建空间地图信息；至少获取一个所述空间地图信息中的位置点，利用所述图像传感器采集所述位置点附近的不同角度、不同方向的多个图像信息，得到位置图像；对所述位置图像中的位置信息和方向信息进行标注，并对所述位置图像建立分类存放的空间位置数据库；利用fcm模糊均值聚类算法对所述空间位置数据库中的位置图像进行分类，得到训练位置图像数据集，和测试位置图像数据集；基于深度学习模型对所述训练位置图像数据集进行训练，得到googlenet图像匹配神经网络模型，将所述测试位置图像数据集输入所述googlenet图像匹配神经网络模型中进行测试，得到目标googlenet图像匹配神经网络模型；通过所述图像传感器采集所述智能设备所处空间的实时空间图像信息，利用所述目标googlenet图像匹配神经网络模型对所述实时空间图像信息进行匹配，得到目标位置信息和目标方向信息；判断所述目标位置信息和所述目标方向信息是否准确，若否，则再次采集所述实时空间图像信息，并输入至所述目标googlenet图像匹配神经网络模型重新匹配。1、可以提升智能设备的图像目标定位识别准确率，识别效果好，具有较高的识别精度；2、该方法定位快速、泛化性较高，实时性好等特点；使用该放法实现定位相对于无线信号定位有更强鲁棒性和稳定性。