一种基于射频层析成像的无设备目标定位的方法及装置与流程
本发明涉及无设备目标定位(device-freelocalization，dfl)技术领域，特别涉及一种基于射频层析成像的无设备目标定位的方法及装置。
背景技术：
随着无线通信和移动计算的进步，定位技术得到了极大的普及和发展，例如，在网约车服务中对乘客位置的定位跟踪、大型建筑内部的导航服务、大型仓库的产品定位检测等。
目前定位技术分为有源定位(主动定位)和无源定位(被动定位)。有源定位需要被定位目标携带相应的设备，发送信号与基站或服务端通信，从而反演出目标所在的位置；gps是现在应用最广泛的有源定位技术，另外，还包括基于wifi、蓝牙的室内定位技术。但随着人类社会的发展，新的应用层出不穷，在一些特定的应用场景下，如救援现场、安全监控、特殊情况下的老人照料等，目标无法或者不愿意携带任何设备，有源定位方不再适用，因此，一种新兴的不需要目标携带任何设备的无设备目标定位(device-freelocalization，dfl)技术应运而生，即无源定位。
基于无线传感器网络(wirelesssensornetwork,wsn)的无设备目标定位(device-freelocalization,dfl)技术是广泛使用的无源定位，是一种利用监测目标对无线通信链路接收信号产生的影响对目标位置进行估计的技术，如接收信号强度(receivedsignalstrength,rss)变化。基于wsn的无设备目标定位技术主要包括几何定位方法、指纹匹配(fingerprintmatching,fm)定位方法和射频层析成像(radiotomographicimaging,rti)定位方法。
其中，rti定位方法由于建立了rss值和目标位置间的模型关系，可以基于实时的rss测量来便捷地解决定位问题，所以被广泛使用。其基本思想是：
将监测区域划分为若干个大小相等的小网格，并形象地称之为像素；通过监测区域周围的无线收、发节点建立wsn，wsn中节点两两进行通信，构成多条无线链路对整个监测区域进行扫描；无线链路因为阴影衰落效应在像素上成不同权重的分布，所以每条链路具有不同的rss值，因此每条链路的阴影衰落可以看成是每个像素上的阴影衰落与相应权重相乘之后的线性加成；最后通过求解反问题得到整个wsn的阴影衰落在每个像素上的分布。
但是，由于rss值易受环境影响，再加上rti中阴影衰落模型鲁棒性和复杂环境适应性的欠缺，rti成像结果总是伴随着背景噪声和伪目标。
技术实现要素：
本发明旨在至少解决现有技术存在的技术问题之一。为此，本发明提出一种基于射频层析成像的无设备目标定位的方法及装置，充分利用了各频段的互补优势，全面提高了dfl定位性能；而且结合以通信质量信息为标准的rti融合方案弱化了背景噪声和伪目标的干扰，增强了真实目标的影响，提高目标检测精度。
根据本发明第一方面实施例的一种基于射频层析成像的无设备目标定位的方法，包括以下步骤：
在监测区域进行高频段无线传感器网络、中频段无线传感网络和低频段无线传感网络组网；每个频段无线传感网络包括布置在监测区域周围、且在对应频段可以相互间通信的多个组网节点和收集组网节点之间通信链路信号接收强度值的采集节点；
每个频段无线传感器网络的每个组网节点，通过对应频段向该无线传感器网络的其他组网节点发送获取通信链路信号强度的信息，获取组网节点与其他组网节点间通信链路信号强度值；
采集节点从对应频段无线传感网络的其他组网节点接收的通信链路信号强度值，并利用通信链路信号强度值计算每个频段无线传感器网络的射频层析成像rti结果；
以通信质量信息为标准对每个频段无线传感器网络的rti结果图进行加权融合，根据融合后的rti结果图确定目标位置。
在本方法中，所述高频段无线传感器网络、中频段无线传感网络和低频段无线传感网络的组网节点数量相同，且不同频段无线传感器网络的组网节点布置在同一个物理位置的不同空间高度上。
在本方法中，所述高频段无线传感器网络采用2.4ghz频段；所述中频段无线传感网络采用915mhz频段；所述低频段无线传感网络采用433mhz频段。
在本方法中，所述每个频段无线传感器网络的每个组网节点，通过对应频段向该无线传感器网络的其他组网节点发送获取通信链路信号强度的信息，获取组网节点与其他组网节点间通信链路信号强度值，包括：
发射组网节点和接收组网节点工作在相同频点；
发射组网节点将数据信息填至发送数据缓冲区，添加前导码id、同步字后进行发送数据包，并在发送完成后产生中断信号；
接收组网节点检查到数据包接收完成中断，读取并返回数据包接收寄存器中的数据和通信链路的信号强度值至采集节点。
在本方法中，每个频段无线传感器网络的所述通信质量信息为在预设时间内对应频段无线传感器网络采集到的正确轮询数占总轮询数的百分比；其中，
一次轮询为：无线传感器网络的每个组网节点都完成向其他组网节点发送获取通信链路信号强度的信息，获取组网节点与其他组网节点间通信链路信号强度值；
正确轮询为：在一次轮询中，完整采集到组网节点与其他组网节点间通信链路信号强度数据的数量达到预设数量。
在本方法中，以通信质量信息为标准对三个频段的rti结果图进行加权融合的公式为
其中：
w为三个频段的权重矩阵；δy1为高频段无线传感器网络的信号强度rss变化值向量；δy2为低频段无线传感器网络的rss变化值向量；δy3为中频段无线传感器网络的rss变化值向量；c1、c2、c3为高频段无线传感器网络、低频段无线传感器网络、中频段无线传感器网络rti结果在加权平均中的权值，具体为：
c1＝r1/(r1+r2+r3)
c2＝r2/(r1+r2+r3)
c3＝r3/(r1+r2+r3)
r1、r2、r3为高频段无线传感器网络、低频段无线传感器网络、中频段无线传感器网络的通信质量。
在本方法中，所述根据融合后的rti结果图确定目标位置为通过训练一个精确的二分类神经网络cnn模型来区分真实目标区域和非真实目标区域，包括以下步骤：
利用滑动窗的方式对融合后的rti结果图进行分割，得到小图像；
利用训练后的cnn模型对分割得到的小图像的置信度分析，得到区分真实目标区域和非真实目标区域的置信度得分；
判断置信度得分是否大于置信度阈值，如果小于等于舍去，如果大于记录相应的滑动窗位置，将其作为真实目标位置候选区域；
执行预配置的候选滑动窗位置选择策略；
得到rti结果图的目标检测结果。
在本方法中，所述cnn模型的训练集的制作：
收集真实的rti结果图；
通过标注工具，并提取所标注的正样本、负样本图片；样本标注规则如下：
正样本无论在对应的rti结果图上真实区域位置光斑是否最亮都应标注，但是对于一些没有任何特征的正样本，则舍去；负样本包括rti结果图中的背景区域、伪目标光斑和噪声光斑。
在本方法中，预配置的候选滑动窗位置选择策略为：
选择候选窗口中置信度得分con_t最高的窗口，记为boxa；
计算其他候选窗口与boxa的iou值，记为ioui(i∈[1,n_ca-1])；
设置一个iou阈值iouth，当ioui的值大于iouth时，即boxi与boxa有大部分区域重合，又因为boxa置信度得分最高，所以可将第i个窗口舍去；
在第一次过程结束后，候选窗口集合更新，去除了置信度得分最高的窗口boxa，并且box{c}也因为iou阈值判断被舍去；循环上述过程，直至候选窗口集合为空则停止；
在每次过程中，都更新候选窗口集合，分别记录每次过程中所选择的置信度得分最高的窗口，汇总至box{o}中，并且也记录每个选定的窗口对应吸收的其他窗口的个数numi(i∈{o})，其中{o}为集合，表示所选定的窗口的序号索引；
以选定窗口所吸收的其他窗口的个数，作为真实目标区域的判断标准。
根据本发明第二方面实施例的一种基于射频层析成像的无设备目标定位的装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面所述的一种基于射频层析成像的无设备目标定位的方法。
本发明实施例采用三个频段构建三个不同频段无线传感器网络，不仅将现有的2.4ghz频段保留，而且引入915mhz和433mhz频段，充分利用了各频段的互补优势，全面提高了dfl定位性能；而且结合以通信质量信息为标准的rti融合方案弱化了背景噪声和伪目标的干扰，增强了真实目标的影响，提高目标检测精度。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1是权重矩阵构建方式——椭圆模型示意图；
图2是卷积神经网络基本架构图；
图3是卷积层对图片进行特征提取示意图；
图4是本发明实施例提供的一种基于射频层析成像的无设备目标定位的方法的流程图；
图5是本发明实施例的433mhz与915mhz频段组网节点的硬件设计框图；
图6是本发明实施例的si4463模块与主控芯片的连接原理框图；
图7是本发明实施例的每个频段的无线传感器网络中的组网节点之间相互进行通信的流程图；
图8是本发明实施例通过训练一个精确的二分类神经网络来区分真实目标区域和非真实目标区域的流程图；
图9是本发明具体实施例基于cnn的rti目标检测的示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
(一)2.4ghz频段信号。
2.4ghz频段信号由于其传播速度较快，有遮挡时rss值变化明显，并且2.4ghz接近于人体水分子的振荡频率，因此在许多dfl的wsn都是建立在2.4ghz频段。虽然2.4ghz频段信号在一些小范围空旷区域定位性能良好，但其也存在传输距离短、传输衰减大、信号穿透能力弱等固有的弊端，所以基于2.4ghz频段的dfl技术在有些场合并不适用，例如大范围区域、有墙壁等遮挡物区域。
为了弥补2.4ghz频段的上述不足，且保留2.4ghz频段信号实现dfl时rss值变化明显这一优势，本发明利用提出了一种多频段dfl方案，不仅将现有的高频频段(2.4ghz)保留，而且引入中频段(915mhz)和低频段(433mhz)，因为频段越高传输速度越快，传输距离和信号穿透力越差，频段越低传输速度越慢、传输距离越远、信号穿透力也越强，所以采用高中低三个频段能够充分利用了各频段的互补优势，再结合rti的改进，全面提高dfl定位性能。
(二)射频层析成像rti。
在基于无线传感器网络的无设备目标定位方法中，无线传感网络中各节点两两互相通信，在监测区域中形成多条无线链路；区域中的目标、障碍物等会导致电磁波的衍射、反射、吸收等，造成节点间链路的功率变化。
rti定位方法作为被广泛使用的无设备目标定位方案，将监测区域划分为若干个相同面积的小网格，将每个小网格称为“像素”，无线链路由于阴影衰落在像素上产生不同权重分布，因此可以将链路的阴影衰落表示为每个像素上所有权重的线性叠加。
假设无线传感网络中有m个无线传感器节点，该无线传感器网络中便有l＝m×(m-1)/2条双向链路，将监测区域划分为n个像素点。则目标引起的第i(i≤l)条链路的阴影衰落为si(t)：
其中，ωij表示阴影衰落模型，xj为在第i条链路上第j个像素的权重。
如果从ta到tb时刻第i条链路的rss值变化为δyi，则δyi可表示为：
δyi＝yi(ta)-yi(tb)＝si(ta)-si(tb)+vi(ta)-vi(tb)(2)；
其中，si(ta)为在ta时刻第i条链路的阴影衰落；si(tb)为在tb时刻第i条链路的阴影衰落；vi(ta)为在ta时刻第i条链路的噪声；vi(tb)为在tb时刻第i条链路的噪声。
结合式(1)，式(2)可以改写为：
其中,ni＝vi(ta)-vi(tb),为噪声项；δxj＝xj(ta)-xj(tb)，表示第j个像素点的rss衰减值。
则无线传感器网络中所有链路的阴影衰落δy可用以下矩阵方程表示为：
δy＝wδx+n(4)；
其中，δyi为l条链路的接收信号强度值向量，δyi＝[δy1，δy2…，δyl]t；δxi为n个像素点的阴影衰落权重向量，δxi＝[δx1，δx2…，δxl]t；ni为噪声向量，ni＝[n1，n2…，nl]t；w为阴影衰落权重矩阵，维度为l×n。
权重矩阵有很多种方式构建，最常用的为椭圆模型。该模型的前提是假设目标，只对以经过的链路所在直线为长轴的椭圆区域产生影响，如图1所示，以节点i、节点j为椭圆的两个焦点，当像素的中心到两个节点的距离和大于椭圆两焦点之间距离加上短轴长度时，判断该像素具有权重，不满足该条件的像素权重值为0。
按上述方法，各像素的权重值wij表示为：
其中，n1、n2为第i条链路对应的两个节点，两节点之间的距离为
则rti问题，便转化为已知rss值的变化情况δy以及权重矩阵w，求解各像素值δx的问题。根据公式(4)，结合最小二乘准则，目标函数可以表示为：
为了使最小二乘解有意义，权重矩阵w必须满足满秩的条件，但此处的权重矩阵很难满足这个条件。一般地，使用tikhonov正则化来对方程求解，目标函数表示为：
其中，q为正则化矩阵，α为正则化常数。若将正则化矩阵q近似为像素点在横轴与纵轴上的差分矩阵dx和dy,则式(7)的解为：
通过以上方法，得到各个像素点的权值，根据各像素点的值赋予成像图不同的色阶，从而恢复出目标位置的图像，以像素值最大点(即最亮像素点)来计算目标的位置坐标。
由于环境干扰对各频段产生的影响各异，因此反应在rti结果图上的背景噪声和伪目标位置也是不同的，利用该特征，本发明进一步提出了使用通信质量信息为标准的rti结果图加权融合方法，来减轻各频段rti结果图的背景噪声和伪目标的影响，提高rti定位的准确度。
(三)卷积神经网络(convolutionalneuralnetwork,cnn)。
卷积神经网络(cnn)作为深度学习的一种方式，能够提取出样本深层信息的特征表达，被广泛应用于图像分类、人脸识别和目标检测等领域。如图2所示，卷积神经网络主要包括卷积层、池化层和激活函数。其中：
卷积层，是对输入数据进行特征提取。如图3所示，图中8×6的网格图表示一副输入图片；3×3的网格表示卷积层的一个卷积核，卷积核的每个单元网格内都赋有权重，该卷积核的大小即为3×3。假设做步长为1的卷积操作，即卷积核每次向右移动一个像素(当移动到边界时回到最左端并向下移动一个单位)；在卷积核移动的过程中，将输入图片上的像素和卷积核的对应权重相乘，最后将所有乘积相加得到一个输出，这样，8×6的图片通过上述卷积层后，就会输出一个图3中6×4的网格图。含有卷积层的神经网络中每个神经元的权重个数都是卷积核的大小，这样就相当于每个神经元只与对应图片部分的像素相连接，并且每个卷积核的权重值是整张图片共享的，不仅极大地减少了权重的数量，而且这种图像一定范围内的卷积方式相比于传统神经网络，更有利于提取图像的结构化特征，并且多层卷积层连接更可以得到图像的高层抽象特征。
池化层，池化层也称为下采样层，其具体操作和卷积层基本相同，区别在于池化层的“卷积核”只取对应位置的最大值、平均值等(最大池化、平均池化)，并且不经过反向传播的修改，本发明采用的是最大池化层。池化层主要用于压缩数据，使得神经网络参数进一步收缩；并且在一定程度上也可以起到防止神经网络过拟合和增大感受视野的作用。一般地，cnn都由多层卷积层和池化层衔接，最后再与全连接层连接构成。
激活函数，激活函数用于将卷积层的输出结果做非线性映射，使得神经网络可以处理许多非线性情况下的分类或回归任务。例如relu激活函数，relu实质是分段函数，具体如下：
它将所有的负值都变为0，而正值不变，这种操作叫做单侧抑制。由于relu激活函数在反向传播时，求梯度简单，且收敛速度快，所以在很多经典的神经网络中被广泛采用。
本发明还提出了基于卷积神经网络(convolutionalneuralnetwork,cnn)的rti目标检测方法。
如图4所示，本发明实施例中提供的一种基于射频层析成像的无设备目标定位的方法，包括以下步骤：
步骤s10、在监测区域进行无线传感器网络的组网；该无线传感器网络包括高频段无线传感网络、中频段无线传感网络和低频段无线传感网络；其中，在本实施例中高频段无线传感网络可以采用2.4ghz频段的无线传感网络，中频段无线传感网络采用915mhz频段的无线传感网络，低频段无线传感网络采用433mhz的无线传感网络，因为这三个频段常见，易于组建；当然也可以选则高中低频段的其他具体频段，在此不对高中低频段进行具体频段限定，对使用的频段个数也不进行限定，也可以在每个频段取多个；每个频段的无线传感网络包括布置在监测区域周围相互间能够通信的多个组网节点和一个用于收集组网节点之间通信链路的信号接收强度值的采集节点；为了降低后续rti算法的复杂度，在本实施例中，每个频段无线传感网络的组网节点数量相同，且组网节点布置在同一个物理位置的不同空间高度上，使rti算法在二维平面上三个频段无线传感网络的组网节点位置都是一致，从而保证三个频段的权重矩阵也一致。
步骤s20、每个频段无线传感器网络的每个组网节点，通过对应频段向该频段无线传感器网络的其他组网节点发送获取通信链路信号强度的信息(即2.4gh频段无线传感器网络向通过2.4gh频段向2.4gh频段无线传感器网络的其他组网节点发送信息)，在整个监测区域构成多条无线链路对其进行扫描，获取组网节点与其他组网节点间通信链路信号强度值；其他组网节点将接收信息时的通信链路信号强度值发送给该频段无线传感器网络对应的采集节点；在本实施例中，高中低频段无线传感器网络同时进行扫描，即同时向对应频段无线传感器网络的其他节点发送获取通信链路信号强度的信息。
步骤s30、采集节点从对应频段无线传感网络的其他组网节点接收的通信链路信号强度值，并利用每个频段无线传感网络对应采集节点接收的每个组网节点与其他组网节点的通信链路信号强度值，计算每个频段无线传感器网络的rti结果；
步骤s40、以通信质量信息为标准对三个频段的rti结果图进行加权融合，并根据融合后的rti结果图确定目标位置。
在实施例中，2.4ghz频段的无线传感器网络采用zigbee模块搭建；相应的，选用的2.4ghz无线射频模块为cc2530，cc2530模块集成了cc2530芯片和与其匹配的功率放大器cc2591，硬件部分除了cc2530模块，还集成了串口、烧写等功能电路；软件部分使用ti公司设计的z-stack协议栈进行开发。
对于433mhz、915mhz频段的无线传感器网络采用si4463模块进行搭建。si4463模块是采用siliconlabs研发的si4463芯片集成的无线电射频模块；si4463芯片支持119mhz至1050mhz的sub-1ghz频段，它是一款高性能低功耗的射频收发器，其输出功率最大可达20dbm，在空旷环境下，通信距离最远可达1500m，数据传输速率可在0.123kbps至1mbps间调节，接收灵敏度也达到了优异的-126dbm。
由于si4463芯片可以覆盖119mhz至1050mhz频段，并且，通过外围电路的配置，可以在这个区间内调整si4463芯片的工作频段；而433mhz频段与915mhz频段正好处于这一范围，因此选用si4463系列的无线射频模块来实现433mhz与915mhz频段的组网节点，只需要在芯片外围配置不同的外围电路即可，433mhz与915mhz频段的si4463模块，外形、引脚个数、功能也完全一致，因此两个频段的si4463模块的工作方式、寄存器配置等也几乎是相同的，避免了重复性的硬件开发。
如图5所示，为433mhz与915mhz频段组网节点的硬件设计框图，系统以stc90le58rd+为主控芯片，外围搭载了si4463射频电路、按键电路、复位电路、下载接口以及通信接口。图6详细描述了si4463模块与主控芯片的连接原理框图。其中2号引脚sdn为驱动关断输入引脚，用来控制模块上电复位和关闭状态的切换；当sdn为低电平时，模块上电复位并根据其他寄存器配置进入相应的工作模式；sdn为高电平时，模块为关闭状态，此时寄存器内容丢失并禁止spi总线访问；9号irq引脚为中断输出引脚，当发生数据包发送或接收时，该引脚立刻触发一个可供监测的低电平信号；si4463模块与单片机间通过spi总线进行通信，图中5号至8号引脚为模块spi接口，其中的6号、7号的mosi、miso引脚为spi数据输入输出引脚。
为了成功实现无线传感器的数据收发与交换以及对整个网络数据的采集，与433mhz与915mhz频段无线传感器网络的硬件部分相辅相成的软件协议设计，即si4463模块的收发流程(组网节点在发射时和接收时的流程)包括：
发射组网节点和接收组网节点工作在同一频点上；
发射组网节点(组网节点作为发射端时)采用中断方式进行发送，发射组网节点初始化后，将数据填至发送数据缓冲区，控制芯片添加上前导码、同步字等附加数据，来保证数据被可靠接收，减少不必要的数据接收，由控制芯片自动完成发送功能，并在发送完成后产生中断信号；
接收组网节点(组网节点作为接收端时)一旦检查到数据包接收完成中断，即可读取并返回数据包接收寄存器(rxfifo)中的数据和通信链路的信号强度值至采集节点，其中，通信链路的信号强度值为接收端接收发射端发送数据包时的通信链路的信号强度值。
si4463模块内部具有复杂的寄存器，为了便于开发，siliconlabs设计了许多应用程序编程接口(api)，这些api接口相当于预定义函数，因此开发人员可以使用这些api接口组成的指令集，便捷快速地进行开发调试。与传统寄存器配置方式不同，si4463模块可以使用特有的wirelessdevelopmentsuite(wds)软件来对绝大部分寄存器进行基础配置，这是一用于该系列射频模块的通用配置与在线调试的计算机端程序，在此方式下，用户可以选择合适的配置方案来满足不同的需求。
在实施例中，为避免发送数据包和接收数据包间的碰撞以及完成对网络中各位置组网节点进行定位的功能，本发明给不同组网节点的传感器设置不同id(前导码)作为识别标志，将id存入待发送的数据包中，以实现网络中不同位置处节点间的信息交换；发送节点的id称为源标号，接收节点id称为目的标号，则发送数据包格式如表1所示。
表1、数据包格式。
在实施例中，充分利用各节点的工作时隙来完成组网功能，如图7所示，假设无线传感器网络中有n个无线节点和1个数据采集节点，则每个频段无线传感器网络的每个组网节点，通过对应频段向该无线传感器网络的其他组网节点发送获取通信链路信号强度的信息，具体为：
各组网节点射频模块上电复位后，第一个无线节点进入发送数据模式，其他节点均处于接收数据模式；
当第一个无线节点发送数据包完毕后，立即转为接收状态；
每个节点接收到有效数据包后，读出源标号及相关通信链路的信号接收强度值(receivedsignalstrength，rss)并对源标号进行判断；
当第n号无线节点判断出接收到的id值从属于第n-1号节点时，进入发送模式执行向其他节点发送数据包的操作，否则继续等待接收数据；
当第一个无线节点接收到第n号节点的id时再次发送自身的信息，以此实现有序的组网循环。
每次轮询结束数据采集节点将不同通信链路上的信号强度值上传至pc机终端。
在本发明实施例中，每个频段无线传感器网络的所述通信质量信息为在预设时间内对应频段无线传感器网络采集到的正确轮询数占总轮询数的百分比；其中，
一次轮询为：无线传感器网络的每个组网节点都完成向其他组网节点发送获取通信链路信号强度的信息，获取组网节点与其他组网节点间通信链路信号强度值；
正确轮询为：在一次轮询中，完整采集到组网节点与其他组网节点间通信链路信号强度数据的数量达到预设数量。
例如：当目标位于多频段wsn中时，三个频段网络对监测区域同时进行扫描，采集一段时间的数据后，假设2.4ghz频段网络采集到了共计l1轮数据，433mhz频段共计l2轮数据，915mhz频段有l3轮数据；其中,完整采集到20个组网节点数据的轮询，称之为“正确轮询”，计这一段时间采集到的2.4ghz频段、433mhz频段和915mhz频段数据中，正确轮询分别有l1、l2和l3轮。本发明以正确轮询数占总轮询数的百分比作为该频段网络的通信质量衡量，则三频段通信质量如下所示
r1＝l1/l1
r2＝l2/l2
r3＝l3/l3(10)
本文以通信质量信来决定后期图像融合中三个频段所起到的作用大小。通信质量越好，即r值越大，则该频段在图像融合中所占比重越大；反之，r值越小，则该频段在图像融合中所占比重越小。
在二维平面上三个频段网络的无线节点位置都是一致的，因此三个频段的权重矩阵也是一致的，统一记为w。记录采集到的2.4ghz频段的rss变化值向量δy1，433mhz频段的δy2和915mhz频段的δy3，根据(8)式，可以得到三个频段的rti结果如下：
由于环境噪声的存在，各频段rti结果图中，伪目标和背景噪声出现的位置和程度也是不一的。在实施例中采取了加权平均的方式来对三频段rti结果图进行融合处理，这样对于三个频段结果图上光斑都较亮的相同位置区域，例如真实目标位置，在加权平均后，仍保持较大值，呈现较亮光斑；而如果三个频段结果图的相同位置处，各结果图的光斑亮暗程度区别明显，例如一些频段该位置处无背景噪声、伪目标，一些频段存在，则会在加权平均后，折中像素值，也在一定程度上，减轻了伪目标和背景噪声的影响。
加权平均中的权值，根据三个频段的通信质量信息确定，各频段的权值如下：
c1＝r1/(r1+r2+r3)
c2＝r2/(r1+r2+r3)
c3＝r3/(r1+r2+r3)(12)
则融合结果为：
通过这种方式，可以在一定程度上，减轻融合后的rti图中背景噪声和伪目标的干扰。
然而，当环境噪声严重，各频段的rti结果都伴随着大量背景噪声或伪目标时，存在着通过上述方法，也无法减轻干扰的情况。在这种情况下，人眼无法确定目标位置，而若以最大像素值，这一单一标准来确定目标的位置坐标，无疑会带来较大的定位偏差，因此本发明采用深度学习的方式，构造了一个深度卷积识别模型，用于融合后rti结果图上目标位置区域的检测，以进一步提高定位精度。
在实施例中认为rti结果图由两个部分组成，即真实目标区域以及由rti结果图的背景以及噪声、伪目标构成的非真实目标区域，因此本发明可以通过训练一个精确的二分类神经网络来区分真实目标区域和非真实目标区域，如图8所示，步骤s40包括以下步骤：
步骤s41、利用滑动窗的方式对融合后的rti结果图进行分割，得到小图像；
图9为一张成像结果良好的rti结果图，其中最亮光斑区域为真实目标位置，由于检测区域划分为了n个像素点，且一般将rti结果图转化为方型图像方便后续处理，因此rti结果图为一个边长为
通过统计多幅rti结果图中真实目标区域的光斑大小，假设确定了滑动窗的尺寸为10*10，如图9中的红色网格图，设置滑动窗移动步长为1，从图像左上角开始，每次向右移动一个像素(当移动到边界时回到最左端并向下移动一个单位)，每次滑动过程，窗口都会截取rti结果图的一部分，即每次都会产生一张10*10的小图像；
步骤s42、利用训练后的cnn模型对分割得到的小图像的置信度分析，得到区分真实目标区域和非真实目标区域的置信度得分；
步骤s43、判断置信度得分是否大于置信度阈值，如果大于，执行步骤s44，否则，舍去；
步骤s44、记录相应的滑动窗位置，将其作为真实目标位置候选区域；
步骤s45、为了应对一个目标位置处有多个候选窗口的情况，执行预配置的候选滑动窗位置选择策略；
步骤s46、最后得到rti结果图的目标检测结果。
在实施例中，遵循了cnn的一般结构，在中间的隐藏层中，多次使用了卷积层+池化层的组合，便于提取图像深层次的特征；最后在卷积层、池化层后连接全连接层，整合前面卷积层所提取的特征，再通过softmax函数得出最后结果。
cnn每层中包含的具体网络参数如表2所示，本发明所采用的rti特征表示网络由4个卷积层和2个全连接层组成，其中relu、pool和softmax分别代表激活、池化和softmax归一化函数。
表2、cnn模型各层主要参数。
对于cnn模型的训练集，在实施例中，训练集都源于真实的rti结果图，在训练集收集制作时，我们先批量得到rti结果图，再通过matlabtrainingimagelabeler标注工具，对rti结果图进行标注，并提取所标注的正样本、负样本图片。
为了保证训练后的网络准确有效，在标注时需遵从如下规则：
正样本即真实目标应处于的区域，无论在这张结果图上真实区域位置光斑是否最亮都应标注，但是对于一些没有任何特征(无色彩特征、形状特征等)的正样本，则舍去；负样本包括rti结果图中的背景区域、伪目标光斑和噪声光斑等。
为了应对一个目标位置处有多个候选窗口的情况，根据网络给出的小图像为真实目标区域的置信度得分，并引入交并比(intersection-over-union，iou)的概念，设计了一种窗口选择方法，iou是两图像交集面积与并集面积的比值，表示为：
下面以具体实施例进行说明，假设在检测阶段，滑动窗共计截取了某张rti结果图共计
通过设置一个置信度阈值conth，来对窗口图像进行初步的筛选。当窗口图像的con_ti大于置信度阈值conth时，将这些窗口图像记录下来作为候选窗口，不满足筛选条件的舍去。为简单起见，记共有n_ca(n_ca<n_sw)个候选窗口，候选窗口集合为{box1,box2,…,boxn_ca}。
利用iou对候选窗口进行进一步筛选，具体包括：
先选择候选窗口中置信度得分con_t最高的窗口，记为boxa；
然后，计算其他候选窗口与boxa的iou值，记为ioui(i∈[1,n_ca-1])；
接着设置一个iou阈值iouth，当ioui的值大于iouth时，即boxi与boxa有大部分区域重合，又因为boxa置信度得分最高，所以可将第i个窗口舍去。
在第一次过程中，所有舍去的窗口记为box{c}，此处的{c}为集合，表示舍去窗口的序号索引，这个过程可以形象地称为“吸收”，即boxa吸收了与之重叠部分较多的|{c}|(|·|表示集合c的元素个数)个窗口。
在第一次过程结束后，候选窗口集合更新，去除了置信度得分最高的窗口boxa，并且box{c}也因为iou阈值判断被舍去；循环上述吸收过程，直至候选窗口集合为空则停止。在每次过程中，都更新候选窗口集合，分别记录每次过程中所选择的置信度得分最高的窗口，汇总至box{o}中，并且也记录每个选定的窗口对应吸收的其他窗口的个数numi(i∈{o})，其中{o}为集合，表示所选定的窗口的序号索引。以选定窗口所吸收的其他窗口的个数，作为真实目标区域的判断标准。
以此为判断标准的主要原因是，在最初候选窗口集合{box1,box2,…,boxn_ca}中，候选窗口的置信度得分十分接近，考虑到训练得到的cnn模型不可避免地会存在一些误差，因此我们采取了一种类似于“群体决策”的思路，所选定的窗口吸收的其余窗口越多，代表着“支持”该选定窗口的其余窗口数目越多，则该窗口为真实目标区域的可能性越高。在确定了真实目标区域后，取该区域中值最大的像素位置作为目标的定位坐标。
本发明具有以下有益效果：
(1)本发明采用三个频段构建三个不同频段无线传感器网络，不仅将现有的2.4ghz频段保留，而且引入915mhz和433mhz频段，充分利用了各频段的互补优势，全面提高了dfl定位性能；
(2)通过分析rti算法原理，并针对其结果图背景噪声和伪目标严重的问题，设计了一种以通信质量信息为标准的rti融合方案，弱化了背景噪声和伪目标的干扰，增强了真实目标的影响；
(3)利用cnn对融合后的rti结果图进行目标检测，获得真实目标区域与非真实目标区域的特征网络，从而进行判断，得到最终的目标检测结果，进一步提高定位精度。
本发明实施例还提供了一种基于射频层析成像的无设备目标定位的装置包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述一种基于射频层析成像的无设备目标定位的方法。
可以理解的是，所述装置可以包括多个设备、部件、模块，等等，除非另有相反说明，所述计算机程序实现的一种相偏估计方法或一种信号修正方法的一个或多个功能和/或特征，可以被集成在单个物理装置和/或软件模块中，或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是，所述装置可包括附加的设备、部件、模块等和/或可以不包括有关附图中所阐述的全部设备、部件、模块等。
以上具体结构是对本发明的较佳实施例进行了具体的说明，但并非因此限制本发明的实施方式及保护范围，熟悉本领域的技术人员在不违背本发明精神的前提下还可以做出种种的等同变形或者替换，这些等同的变形或者替换均包含在本申请权利要求所限定的范围内。
- 还没有人留言评论。精彩留言会获得点赞！