基于边缘检测算法的室内地图构建的方法、计算机存储介质和终端与流程

本发明属于室内地图构建领域，具体地涉及基于边缘检测算法的室内地图构建的方法、计算机存储介质和终端。

背景技术：

随着移动互联网普及、物联网应用兴起，云计算、大数据、机器人、智能感知等技术慢慢进入我们的视野之中，定位技术作为感知层重要技术之一，具有举足轻重的地位。依赖于gps、北斗等卫星定位技术，室外定位技术的发展比较成熟。但是，由于“城市峡谷”以及大型建筑内部信号屏蔽、反射严重等导致卫星通信不通畅，室内导航需求变得更加迫切，尤其是室内大型商场、博物馆、图书馆、博览会等场景。

现有的开发地图主要关注于公共区域，如城市道路等，并没有收入室内场景。为了实现室内导航，需要构建室内地图数据。而目前大多的室内导航定位技术是基于gps与wsn结合，或者在北斗卫星的基础上实现室内定位。而在室内环境下经常出现物品存放位置变更，如工厂中随生产过程的物料位置变更、大型商场因促销活动等原因导致的摊位位置变更等，室内地图数据往往还是位置变动之前的，导致室内导航定位不准确甚至失效，室内地图应用度不高。

技术实现要素：

本发明在于克服现有技术的不足而提供基于边缘检测算法的室内地图构建的方法，实现了一种精准、有效的室内地图的构建，从而实现准确有效的室内导航定位。

本发明的提供的技术方案如下：

基于边缘检测算法的室内地图构建的方法，包括以下步骤：

包括以下步骤：

步骤一：通过将室内空间看做二维图像，根据一定的间隔将室内空间划分为合适大小的网格，作为图像的像素点；

步骤二：获取近一段时间内该室内环境下的定位热点信息，将室内空间的定位热点信息转换为室内空间的图像像素值，用于去除随机噪声；

步骤三：使用边缘检测算法，识别室内空间的边缘信息，去除孤立噪声点；

步骤四：确定室内地图。

优选的，所述步骤二中，通过室内定位技术，获取近一段时间内该室内环境下的定位热点信息。

优选的，所述步骤二中，将室内空间的定位热点信息转换为室内空间的图像像素值具体是：获取近一段时间内该室内环境下的定位结果，计算落在每一个网格的定位信息的数量值，并将该数量值转换为图像像素值。

优选的，所述图像像素值在[0,255]范围内，计算公式如下：，其中，是目前数据最大值，是目前数据最小值，x是假设目前数据中的任一值，y是归一化映射后的值。

优选的，所述步骤二中，去除随机噪音具体是：使用基于模糊数学的方法自动去除背景噪声的干扰，使用中值滤波和高斯平滑滤波，去除随机噪声。

优选的，所述使用基于模糊数学的方法自动去除背景噪声的干扰具体是：将图像分为背景区域和目标区域（需要检测边缘的区域），根据模糊数学中的隶属度最大原则自动提取目标区域。

优选的，所述步骤三中，使用边缘检测算法，识别室内空间的边缘信息具体是：利用canny边缘检测算法进行边缘跟踪，获得连续边缘，梯度幅值图像中像素值大于最佳高阈值的极值点为边缘点，搜索每个边缘点周围八邻域中标记为极值点的像素点，把像素值大于低阈值的点标记为边缘点，最后，对每一个边缘点取一个以该边缘点为中心的3×3区域，求出这个区域中边缘点总个数m，若m=1，则该边缘点为孤立噪声点被去除，得到最终的边缘图像，以获得边缘位置，确定室内地图。

优选的，所述最佳高阈值的获取方法是：基于最大熵的自动阈值选取，首先对上述滤波后的每个像素点求宽度方向和高度方向的梯度，得到梯度幅值图像，利用非极大值抑制方法，对梯度图像中的网格进行标注后的图像，根据梯度幅值图像和标注后的图像计算最大熵，得到最佳阈值。

优选的，所述步骤一之前，先执行定位结果保存步骤：采集数据，使用室内定位算法对代表新的定位热点信息的未知标签进行定位，将定位结果保存到mysql数据库，对定位热点信息进行更新。

优选的，执行所述定位结果保存步骤之前，先根据环境特点确定室内定位部署方案，使用通信模块部署室内定位环境。

一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被执行时实现以上所述的基于边缘检测算法的室内地图构建的方法。

一种终端，包括处理器和存储器，所述存储器存储有计算机程序，其特征在于：所述处理器执行所述计算机程序时实现以上所述的基于边缘检测算法的室内地图构建的方法。

本发明的有益效果：本发明的基于边缘检测算法的室内地图构建的方法，通过将室内空间看做二维图像，根据一定的间隔将室内空间划分为合适大小的网格，作为图像的像素点；获取近一段时间内该室内环境下的定位热点信息，将室内空间的定位热点信息转换为室内空间的图像像素值，用于去除随机噪声；使用边缘检测算法，识别室内空间的边缘信息，去除孤立噪声点；进而确定室内地图，本发明实现了一种精准、有效的室内地图的构建，从而实现准确有效的室内导航定位，并能扩展到多种主流的室内定位技术方案。

附图说明

图1为本发明的基于边缘检测算法的室内地图构建的方法的流程图。

图2为室内定位算法的流程图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。

请参阅图1，本发明的实施例提供基于边缘检测算法的室内地图构建的方法，包括以下步骤：

s1：根据环境特点确定室内定位的部署方案，如使用蓝牙、wifi、wlan（wirelesslocalareanetworks）等室内定位技术，部署室内定位环境。

s2：测试网络的连通性，通过极大似然估计得到后面室内定位算法需要的参数（环境复杂度、信号强度）。

其中极大似然估计法是指求估计的另一种方法；这是一种上前仍然得到广泛应用的方法，它是建立在极大似然原理的基础上的一个统计方法，极大似然原理的直观想法是：一个随机试验如有若干个可能的结果a，b，c，…。若在一次试验中，结果a出现，则一般认为试验条件对a出现有利，也即a出现的概率很大。

s3：采集数据，使用室内定位算法对未知标签进行定位，将定位结果保存到mysql（mysql_num_rows）数据库。

s4：将整个室内环境看做二维图像，如1米、0.5米，根据一定的间隔，将室内空间划分为合适大小的网格，每个网格作为一个像素点。

s5：获取近一段时间内该室内环境下的定位结果，计算落在每一个网格的定位结果的数量，并将该值转换为图像像素值，即转换到[0,255]范围内，计算公式如下：

其中的图像像素值是指原稿图像被数字化时由计算机赋予的值，它代表了原稿某一小方块的平均亮度信息，或者说是该小方块的平均反射(透射)密度信息。在将数字图像转化为网目调图像时，网点面积率(网点百分比)与数字图像的像素值(灰度值)有直接的关系，即网点以其大小表示原稿某一小方块的平均亮度信息。

s6：使用基于模糊数学（fuzzy数学）的方法自动去除背景噪声的干扰，将图像分为背景区域和目标区域（需要检测边缘的区域），根据模糊数学中的隶属度最大原则自动提取目标区域。

s7：用中值滤波和高斯平滑滤波，去除随机噪声。中值滤波是基于排序统计理论的一种能有效抑制噪声的非线性信号处理技术，中值滤波的基本原理是把数字图像或数字序列中一点的值用该点的一个邻域中各点值的中值代替，让周围的像素值接近的真实值，从而消除孤立的噪声点。方法是用某种结构的二维滑动模板，将板内像素按照像素值的大小进行排序，生成单调上升(或下降)的为二维数据序列；高斯平滑滤波是一种线性平滑滤波，适用于消除高斯噪声，广泛应用于图像处理的减噪过程。

s8：基于最大熵的自动阈值选取，首先对上述滤波后的每个像素点求宽度方向和高度方向的梯度，得到梯度幅值图像，利用非极大值抑制方法，对梯度图像中的网格进行标注后的图像，根据梯度幅值图像和标注后的图像计算最大熵，得到最佳阈值。

s9：canny边缘检测算法进行边缘跟踪，获得连续边缘，梯度幅值图像中像素值大于最佳高阈值的极值点为边缘点，搜索每个边缘点周围八邻域中标记为极值点的像素点，把像素值大于低阈值的点标记为边缘点；其中canny边缘检测算法分为应用高斯滤波来平滑图像，目的是去除噪声；找寻图像的强度梯度(intensitygradients)；应用非最大抑制(non-maximumsuppression)技术来消除边误检；应用双阈值的方法来决定可能的(潜在的)边界；利用滞后技术来跟踪边界。

s10：对每一个边缘点取一个以该边缘点为中心的3×3区域，求出这个区域中边缘点总个数m，若m=1，则该边缘点为孤立噪声点被去除，得到最终的边缘图像，以获得边缘位置，确定室内地图；重复上述步骤s3至s9，实时更新室内地图。

以上，每一个步骤都是为后面的步骤做准备的。

s1、s2根据特定的室内定位环境确定部署方案，有利于提高定位精度以及降低部署能本；

s3~s9是基于边缘检测算法更新室内地图的方法；

s10得到最终的边缘图像，以获得边缘位置。

如图2所示，室内定位算法具体是：

步骤一：接收预处理后的数据，将rssi值（接收的信号强度指示值）转换成距离的计算模块。

步骤二：进行标签是否位于室内空间的边缘判断。

步骤三：位于室内空间边缘：选取rssi最大的3个基站。

基于rssi的三点定位算法，是已知三个点的坐标和未知点到这三个点的rssi的信号值，求解未知点的坐标。

步骤四：基于三边与投影等比例算法求出n个预估位置。

在基于测距的定位算法中，三边测量法是比较简单的算法，算法原理为：平面上有三个不共线的基站a,b,c，和一个未知终端d，并已测出三个基站到终端d的距离分别为r1，r2，r3，则以三个基站坐标为圆心，三基站到未知终端距离为半径可以画出三个相交的圆，如图下图所示，未知节点坐标即为三圆相交点。

步骤五：利用cfdp算法预估位置的聚类中心。

聚类算法包括：基于位置的聚类（kmeans\kmodes\kmedians）、层次聚类（agglomerative\birch）、基于密度的聚类（dbscan）、基于模型的聚类（gmm\基于神经网络的算法）。

步骤六：计算n个预估位置到聚类中心的距离。

步骤六：根据上述距离和聚类中心，求出n个加权质心。

步骤七：计算n个加权质心到聚类中心的距离，再计算加权质心。

步骤八：使用滤波算法对估计坐标进行平滑去噪处理。

步骤九：将数据通过可视化终端，放入数据库操作模块。

通过本实施例提供的基于边缘检测算法的室内地图构建的方法，可以构建精准的、有效的室内地图，为实现精准的、有效的室内导航定位提供了地图，并且能扩展到多种主流的室内定位技术方案中。

本实施例的基于边缘检测算法的室内地图构建的方法通过存储于存储介质的计算机程序实现，具体的，存储器可以包括用于数据或指令的大容量存储器，举例来说而非限制，存储器可包括硬盘驱动器(harddiskdrive，hdd)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(universalserialbus，usb)驱动器或者两个或更多个以上这些的组合；在合适的情况下存储器可包括可移除或不可移除(或固定)的介质；在合适的情况下，存储器可在数据处理装置的内部或外部；在特定实施例中，存储器是非易失性固态存储器；在特定实施例中，存储器包括只读存储器(rom)；在合适的情况下，该rom可以是掩模编程的rom、可编程rom(prom)、可擦除prom(eprom)、电可擦除prom(eeprom)、电可改写rom(earom)或闪存或者两个或更多个以上这些的组合。

本实施例的基于边缘检测算法的室内地图构建的方法通过终端运行计算机程序实现，更详细的说，是通过终端中的处理器运行存储介质中的计算机程序实现，具体的，上述处理器可以包括中央处理器(cpu)，或者特定集成电路(applicationspecificintegratedcircuit，asic)，或者可以被配置成实施本发明实施例的一个或多个集成电路，本发明的元素是被用于执行所需任务的程序或者代码段；程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、rom、闪存、可擦除rom(erom)、软盘、cd-rom、光盘、硬盘、光纤介质、射频(rf)链路，等等，代码段可以经由诸如因特网、内联网等的计算机网络被下载。

最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。