基于消防安全疏散标志的高精度室内视觉定位*

0 引 言

近年来，随着人们在大型室内场景活动越来越多。对室内交通位置信息服务的需求也越来越多，例如，在地下停车场利用室内定位对车辆进行交通诱导，使得车辆能以最快最短的路径到达未使用的停车位。除此之外，还有大型商场行人定位导航、火灾地震等发生时逃生路径规划或者大型工厂内机器人定位导航等。然而由于建筑材料的隔离效果，室内难以接收GPS信号。对此，国内外学者提出了许多室内定位方法，但是在基础设备、定位精度和普遍性方面仍然存在很多问题。

PBL教学法运用于临床实践培训中，提高了学生学习的积极性、主动性和创造性，取得比较好的教学效果。同时也有助于教学模式的创新，促进教学方法的改进和完善，对医学教育改革的理论和实践具有重要价值[12]。

现有的室内定位方法可以分类为基于无线网络、基于移动传感器和基于计算机视觉的定位方法3种。其中基于无线网络的定位方法主要使用蓝牙，Wi-Fi，ZigBee，UWB等[1-4]，利用室内广泛存在的Wi-Fi定位是最常见的定位方法，李炜等[4]提出了基于K近邻法的Wi-Fi室内定位系统，并在Android平台集成，然而该系统室内定位精度低，定位误差大，难以满足用户对位置信息服务的需求。基于移动传感器的定位方法主要使用如红外发射器、超声波发射器[5]、RFID设备[6]等来发送和接收信号并计算当前位置，然而由于设备部署成本十分昂贵且难以集成，难以得到大规模的推广应用。

基于计算机视觉的室内定位方法[7-9]可以使用普及化的智能手机进行定位，该方法由于便于推广而广受重视。Wael Elloumi等[7]提出的基于Harris特征的零均值归一化互相关(zero-based normalized cross correlation, ZNCC)匹配算法，具有较高的准确率和定位精度，然而这种方法依然存在不足之处：需要人为预先选取关键帧作为地图，工作量大；需要手机在制图和定位时拍摄的位姿相对固定，以方便拍摄相同视觉目标用于视觉特征匹配，该方式在机器人定位上具有较强的应用意义，但是对于室内环境人员自定位，由于相机姿态多变，会导致较大定位误差。Raul Mur-Artal等[9]提出了一种基于ORB(oriented brief)特征的即时定位与制图(simultaneous localization and mapping，SLAM)算法，该算法使用ORB特征不仅提高了算法整体的运行时间，而且在特征提取与追踪、关键帧选取、三维重建、闭环检测等环节具有一致性。然而该算法依然存在不足之处，在转向时由于场景更迭，容易导致前后帧之间无法进行图像特征匹配；构建的地图点云稀疏，使得ORB提取特征点少的场景中定位误差较大；其定位精度与场景面积相关，在大场景中进行定位时定位精度差。

针对当前文献的不足，特别是文献[7]和文献[9]中存在的丢帧或人工选取大量的关键帧等问题，笔者以室内普遍存在且均匀分布的消防安全疏散标志为路标，研究了一种基于消防安全疏散标志的高精度室内视觉定位算法，该算法以消防安全疏散标志检测为基础，利用加速鲁棒特征(speeded up robust features, SURF)全局特征匹配和局部特征匹配找到距离最近的消防安全疏散标志地点，并计算手机在地图中的位姿，可以实现高精度室内视觉定位。

1 算法介绍

算法以消防安全疏散标志作为路标。用户使用手机拍摄消防安全疏散标志时，应该将其置于候选框内，限定用户的拍照姿势。为了保障灾难发生时能有效地疏散和救援，根据国家标准[10]和地方标准[11]，强制要求和规定消防安全疏散标志合理设置于人员活动范围内。消防安全疏散标志应独立设置在醒目位置，不应被遮挡或被移动，且有定期的功能检查，具有较高的稳健性；在不同环境下，对消防安全疏散标志的间距有不同的要求，确保其密集且均匀的分布在室内空间中。而且，以消防安全疏散标志作为路标不需要对环境进行改造，成本低廉，断电时消防安全疏散标志有备用供电电源也能正常工作，使本文定位算法具有较高的应用价值。

地图中包含丰富的场景信息，可以由图3表征：首先将场景图片重置为640×480像素，提取其SURF局部特征；再将场景图重置为63×63像素，提取SURF全局特征根据消防图纸的标注和人工校验获取场景中消防安全疏散标志4个顶点的三维信息。地图M包括2个要素：图像数据Si和三维坐标Ci。

  

图1 算法流程图

 

Fig.1 The flow diagram of proposed algorithm

1.1 离线阶段：SVM分类器训练与视觉地图创建

在每个消防安全疏散标志地点采集的地图图片，预先在预览界面中设置候选框，采集图像时需要将消防安全疏散标志置于候选框内，消防安全疏散标志应该在候选框中占大部分面积又不能超出候选框，即能包含尽可能多的背景信息，然后根据消防安全疏散标志在场景中的位置信息制作地图。离线阶段包含以下步骤：①从所采集的图片提取正负样本，并提取正样本的颜色特征建立颜色模型，提取带标签的正负样本的HOG特征并利用SVM训练得到分类器；②提取场景图片的SURF全局特征与局部特征；③根据消防图纸的标注和人工校验获取地图中每个消防安全疏散标志的三维坐标。另外由于颜色阈值分割的限制，拍摄的电光源型消防安全疏散标志应该是能正常工作的。

从采集图片提取正负样本，正样本为候选框内消防安全疏散标志图像，负样本为采集图片中非消防安全疏散标志的图像，正负样本大小统一为128×64像素，正负样本的数量比约为1∶4，正样本如图2(a)所示，负样本如图2(b)所示。提取正样本的颜色特征建立颜色模型：截取消防安全疏散标志绿色部分，如图2(c)所示，将其转换为RGB空间表示方式，经统计，共376 307个像素的RGB分量分布，如图2(d)所示。可以看出安全消防安全疏散标志的颜色在RGB空间中集中趋势明显，R分量的范围为0～154，G分量的范围为110～254，B分量的范围为110～254。然后提取带标签的正负样本的HOG特征，采用SVM 分类器对提取的HOG特征向量进行训练得到分类器。

  

图2 分类器训练样本示意图

 

Fig.2 Schematic diagram of classifier training sample

算法主要分为离线阶段与在线阶段2个部分。算法流程图见图1。

其中三维坐标Ci中包含了消防安全疏散标志4个顶点在场景中的绝对位置坐标。

随着科学技术的发展，施工机械设备的科技含量也在不断提升，这就在一定程度上给施工企业的管理工作提出了更高的要求，在工作过程中想要将机械设备的工作效率提高，那么在控制施工技术人员操作能力的同时，还需要做好机械设备的更新，在选择设备过程中，要选择能耗低、安全性能高、施工效率高、养护成本低的设备[5]。

 

(1)

根据消防安全疏散标志4个顶点在场景和图像中的坐标可以计算其单应矩阵Hcw,作为图像数据Si中的一部分。图像数据Si还包含SURF全局特征Vi和SURF局部特征。

  

图3 地图表征

 

Fig.3 The representation of map

1.2 在线阶段：标志检测与多尺度定位

式中：Hc(i)是Hc的第i个列向量。通过式(11)求取用户手机拍摄图像时的位姿，可以得到用户手机在世界坐标系中的位姿P

虽然说在UGC模式下，新闻内容质量无法得到完全保障，但是优质UGC内容可以成为报业企业在竞争中无法比拟的优势资源。2017年，各报业机构开始通过各种措施引入优质UGC。2017年，今日头条推出“千人百万粉计划”、一点资讯“百校万人计划”等圈地了一批UGC。而依托于传统报业的“澎湃新闻”“封面号”“九派号”等都是采用了UGC+PGC的模式，在保证高质量的专业新闻内容的基础上，引入用户对内容的反馈作为补充。

1.2.1 消防安全疏散标志检测

2)局部特征匹配。SURF局部特征可以通过求H矩阵的特征值的极值点来定位图像的特征点定位局部特征点，并生成SURF局部特征描述符[15-16]。首先将测试图片和候选定位结果中的K张地图图片都重置为亮640×480亮像素大小。定义SURF中Hessian矩阵阈值特征点检测算子的值为550，运用SURF算子实现局部特征提取，每个特征点仍由1个64维的向量表示，但1张图片具有许多特征点。随后，将测试图片的SURF局部特征与候选定位结果中的K张图片分别进行SURF局部特征匹配。为了保证匹配的有效性，首先计算每个相匹配的特征点之间的欧式距离，选出最大值，然后剔除距离大于0.5倍的最大值的匹配点，接着使用随机抽样一致性(RANSAC)算法[16]剔除错误局部特征点匹配，最后选出与测试图片SURF局部特征点匹配数目最多的图片作为图像级定位结果。随机选取了10张测试图片，表1展示了SURF局部特征匹配中每一步中测试图片与相对应的地图图片相匹配的SURF局部特征点数目。

627 基于计算机断层扫描血管造影的冠状动脉心肌桥分型特点 杨 阳，鞠志国，袁明远，李荣先，张慧群，宁忠平，方 明，李新明

关于视觉目标检测的问题，Dalal等[11]提出了一种提取大量带标签的正负样本图片的方向梯度直方图(HOG)特征并且使用线性支持向量机(SVM)训练得到分类器，最初用于行人检测且得到良好的效果[12]，本文算法将其用于消防安全疏散标志检测。截取测试图片候选框内部位，对齐进行颜色阈值分割，只保留消防安全疏散标志的绿色部分，颜色阈值分割结果见图4(a)；提取其HOG特征，利用分类模型得到的检测子检测是否其含有消防安全疏散标志，检测结果如图4(b)所示。

  

图4 消防安全疏散标志检测

 

Fig.4 Fire safety evacuation sign detection

1.2.2 图像级定位

地质灾害监测物联网应用层软件系统功能特点 王安玉，李建波，杨开平，黄文康，高志轩，韦学林，卢 誉(2-44)

检测测试图片含有消防安全疏散标志后，本文提出基于SURF全局特征匹配和SURF局部特征匹配的图像级定位方法。加速鲁棒特征(SURF)算法是由尺度不变特征变换算法(scale invariant feature transform， SIFT)改进而来，保留了后者在旋转、尺度不变性上的优点，由于SURF算法结合了Harr特征、积分图像的概念，很大程度上提高了其在程序运行的速度[13]。并且SURF局部特征匹配是基于SURF全局特征匹配结果的候选集对当前位置的测试图片和地图图片进行匹配，减少了SURF局部匹配的图片数目，在保持较高的定位精度的情况下，能在很大程度上提高算法效率。

1) 全局特征匹配。SURF全局特征是将整个图像缩小为标准大小的图像块，以图像块中心为特征点、以图像块整体为邻域提取整个图像的SURF特征，该特征用于表征安全出口标志所在的场景特征[14]，该方法不需要Hessian矩阵来定位特征点，就可以生成图像的SURF特征描述符用于全局匹配，省去了SURF局部特征中所需的构造高斯金字塔尺度空间。

3）提高对不定型管道的走向及布置的重视。经过科学的计算、设计和相关部门严格的审核批准之后，才能够按照批准之后的走向以及布置进行施工，不能够随意进行更改和布置。在对不定型管道进行布置的过程中，需要严格遵守统筹规划布局。

以图像块中心特征点为中心，将图像块整体正方形邻域分割成为4×4个单元格，计算每个单元格内Harr小波特征。然后将每一个单元格内的dx，dy分别求和。为了特征描述符具有强度变化的极性信息，同时也对dx和dy的绝对值分别求和，因此，每一个单元格的特征描述符v计算见式(2)。

 

(2)

将4×4个单元格的描述符串联组成该特征点的SURF全局特征描述符。最终的SURF全局特征描述符V是1个1×64维的向量[14]，见式(3)。

V=[v1,v2,…,v15,v16]

(3)

式中：vj(j=1,2,…,15,16)为第j个单元格的特征描述符。

首先将测试图片和地图图片都重置为亮63×63亮像素大小，并提取它们的SURF全局特征，计算测试图片SURF全局特征与每个地图图片SURF全局特征之间的欧式距离，利用KNN方法选出其中欧式距离最小的K张图片作为候选定位结果。

为了保证室内定位的有效性和识别率，要对测试图片进行消防安全疏散标志检测，只有在测试图片正中央检测出消防安全疏散标志才能进行以下步骤，反之需要用户重新进行拍摄。笔者利用消防安全疏散标志的颜色特性，对测试图片进行颜色阈值分割，只保留消防安全疏散标志特有的颜色。可以通过地图颜色模型对测试图片候选框内部位的颜色进行分割，提取图片各个像素点的RGB 3个颜色通道的值，只保留RGB3个颜色通道的值在上诉范围内的像素点。完成颜色分割后，继续对测试图片候选框内部位进行消防安全疏散标志检测。

 

表1 SURF局部特征点数目

 

Tab.1 The numbers of SURF local feature points

  

序号初始点<0.5maxRANSAC算法11811409121991301053149104754202129805128103836213181129723511785837225013492641881101012610083

1.2.3 度量级定位

临床使用方面，中国药典按品种来源分五味子、南五味子，且标准各不相同，而临床上按照中药药性理论，两个来源的品种均统称为五味子，且各地在名称、处方应付方面差别较大，临床五味子和南五味子的使用较为混乱，临床用药和药典标准未有效衔接。建议在提升标准、规范生产和流通环节外，加强对标准和临床使用的衔接，对临床使用环节不同来源五味子的名称、饮片规格、处方应付等应该按照《中国药典》进行明确和规范。另外，本次抽验还发现一些地方饮片标准收载的饮片规格有跨区超范围使用情况，建议加强生产、流通、使用领域的监管，开展专项抽验的长效机制，保障公众的用药安全和有效。

以消防安全疏散标志为路标，在制作地图时根据消防图纸的标注和人工校验获取地图图片中消防安全疏散标志4个顶点在图像坐标系中的坐标[up vp 1]T。已知消防安全疏散标志顶点在世界坐标系中的三维坐标Ci，参考文献[17]中的度量级定位方法，可以根据拍摄地图图片手机的内参K，得到地图图片和世界坐标系之间的单应矩阵[18]，设为Hcw，见式(4)。

 

(4)

为了得到测试图片拍摄时在地图中的位置，首先要获得拍摄时的位置与最近的消防安全疏散标志地点的地图图片之间的关系，通过RANSAC算法可以得到当前位置图片与最近的消防安全疏散标志地图图片之间最优的单应矩阵Hcc，见式(5)。

电力自动化系统在电力工程中的运用，实现了系统对设备的监控，维护与管理。再结合了各种现代化通讯技术的同时，建立了一套完善的电力自动化控制系统。这其中包括对电网数据用户，电网结构以及离线数据等多种信息的保存和处理。

 

≅

(5)

式中：[xi yi 1]T是地图图像中消防安全疏散标志顶点在平面坐标系中的坐标。在根据消防图纸的标注和人工校验获取消防安全疏散标志的三维信息后，可以根据式(7)得到世界坐标系与消防安全疏散标志平面坐标系之间的旋转矩阵R0和平移矩阵t0为

 

(6)

式中：[uc vc 1]T是当前位置图片中消防安全疏散标志4个顶点在图像坐标系中的坐标。通过图像级定位可以获取最近的消防安全疏散标志地点图片序号m，可以得到当前图像位置与地图图像平面坐标系之间的单应矩阵Hc为

[Xi Yi Zi]T=R0[xi yi zi]T+t0

(7)

式中：[Xi Yi Zi]T和[xi yi zi]T分别为消防安全疏散标志上相同点在世界坐标系和图像坐标系中的坐标，为了方便计算取zi=0，建立消防疏散标志平面坐标系，则R0和t0为世界坐标系与消防安全疏散标志平面坐标系之间的旋转矩阵与偏移向量。由于K已知，根据小孔成像模型可以得到旋转矩阵R的第一、二列的列向量r1和r2[17]，见式(8)。

Hc≅K[r1 r2 t]T

(8)

因此根据式(9)和(10)可以计算手机摄像头与消防安全疏散标志之间的位姿[17]。

⊗

 

(9)

 

(10)

在离线阶段的基础上，在线阶段主要分为4步：①检测图片候选框中是否含有消防安全疏散标志；②将测试图片与地图图片重置为标准大小63×63像素，提取SURF全局特征，计算测试图片与每张地图图片全局特征之间的欧式距离，利用KNN(K-nearest neighbor)方法选取全局特征距离最小的K个地点作为候选定位结果；③将测试图片与候选定位结果图片重置为标准大小 像素，提取SURF局部特征并匹配，选出局部特征点匹配数目最多的地图图片地点作为最终地点；④通过度量级定位得到用户相机在场景中的位姿。

 

(11)

式中：为正交投影矩阵。

2 实验结果

为了验证本文算法，选取地下停车场和办公楼2类典型室内场景作为实验地点进行了测试，分别为位于武汉市武昌区临江大道96号的万达威斯汀酒店的地下停车场以及位于武汉市武昌区友谊大道的武汉理工大学余家头校区航海楼的4楼和5楼(见图5)。图中黑色方块表示消防安全疏散标志，并对每个消防安全疏散标志进行编号，可以发现，这2处的共同特点为消防安全疏散标志密集且分布均匀。在实验之前需要制作地图：预先对场景中的消防安全疏散标志进行编号，利用手机采集每个消防安全疏散标志场景的图像信息；利用该建筑物已有的CAD平面图、消防平面图以及人工校验，获得地图中每个消防安全疏散标志地点在地图中的坐标，并计算拍摄训练图像时的相机位姿，将以上几种数据处理后的结果存储为地图。实验时，不同的实验人员利用不同类型的手机(VIVO V3、小米MIX、三星SM-T710)随机对准消防安全疏散标志拍照进行定位，同时人工记录和测量当前消防安全疏散标志的编号和在室内场景内的真实位置等实验数据。定位结果的得到的是当前消防安全疏散标志的编号，最终定位结果是当前位置在地图中的位姿。为了能够得到有效的实验数据，实验人员在每个消防安全疏散标志地点不同时间段内共拍摄了10张测试图片。

做客《杨澜访谈》时，巩俐说出了自己拒绝的原因：“觉得人物设定太简单了，让我没有太多发挥的机会。”这就是巩俐对拍戏的赤子之心，如果角色不够丰满，没有挑战性和故事性，她宁愿放弃。

  

图5 实验场景CAD平面图

 

Fig. 5 CAD diagram of experimental scenes

2.1 万达威斯汀酒店地下停车场实验定位结果

实验1。选取了万达威斯汀酒店的地下停车场负1楼和部分负2楼作为实验地点，2处面积共约8 000 m2，共计38个消防安全疏散标志。消防安全疏散标志之间的平均间距为10 m，最小间距仅为5 m，每次拍摄消防安全疏散标志图片地点所占面积大约为50 m2。该场景具有光线恒定且消防安全疏散标志多在高处不易被遮挡等优点，同时也具有空旷、消防安全疏散标志之间间距较大等缺点。地下停车场负1楼和部分负2楼的CAD平面图见图5。

图6为地下停车场共38个地点10次测试的图像级定位结果。从图中可以看出，地下停车场的图像级定位结果的准确率为96.84%，其中消防安全疏散标志检测部分的准确率为100%，图像级定位中全局特征匹配的K值为7，准确率为98%。

  

图6 地下停车场图像级定位结果

 

Fig.6 The result of image-level localization Parking space

 

表2 地下停车场度量级定位结果对比

 

Tab.2 Comparison the result of final positioning aftermatric positioning in Parking space

  

算法定位误差/m及占比/%≤0.2≤0.5≤5≤20≤35地下停车场75.1397.1898.9799.48100Harris+ZNCC[7]73.5994.1097.1897.69100SURF[8]76.6799.7499.7499.74100Wi-Fi[4]8.5123.4084.39100100

本文算法在图像级定位的基础上利用度量级定位获取最终定位结果，从表3中可以看出，在地下停车场负1楼和负2楼实验中，定位误差小于0.2 m的定位次数占总实验次数的75.13%；定位误差小于0.5 m的定位次数占总实验次数的97.18%；定位误差小于5 m的定位次数占总实验次数的98.97%；定位误差小于20 m的定位次数占总实验次数的99.48%；定位误差小于35 m的定位次数占总实验次数的100%；平均误差为0.6米。实验中，本文算法还与文献[4,7-8]中的算法进行了对比，并在文献[7-8]基础上进行了改进，将文献[7]中视觉定位算法的人工选取关键帧改为以消防安全疏散标志为路标，将文献[8]中许多路标改为统一以消防安全疏散标志为路标。虽然在地下停车场实验中，文献[8]中算法的定位精度略高于本文算法，但是该算法在图像级定位阶段的运行时间比本文算法图像级定位阶段运行时间多出6.67倍。本文算法依然有较大的优势，平均定位误差在0.6 m以下。

2.2 武汉理工大学余家头校区航海楼实验定位结果

实验2。选取了武汉市武昌区友谊大道武汉理工大学余家头校区航海楼的4楼和5楼作为实验地点，这2层楼的面积共约12 000 m2，共计36个消防安全疏散标志。消防安全疏散标志之间的平均间距为10 m，最小间距仅为3 m，每次拍摄消防安全疏散标志图片地点所占面积大概为50 m2。该场景具有易受太阳光照影响，很多场景相似等缺点，也有消防安全疏散标志分布紧密、相邻的消防安全疏散标志之间间距较小等优点。实验中对该地点中的消防安全疏散标志分别预先进行了编号。图5(b)为航海楼4楼和5楼的CAD平面图。

2.2 观察组与对照组患儿不同时段NBNA相关指标评分比较 经过不同方式的治疗，观察组患儿治疗后1、2及4周行为能力、被动肌张力等各项NBNA评分均显著高于对照组，不同时段总平均分分别为(36.6±2.5)分、(37.9±2.5)分及(39.5±1.4)分，与对照组比较差异有统计学意义(P<0.05)，见表2。

如图7所示，为航海楼实验共36个地点10次测试的图像级定位结果，从图中可以看出，本文算法航海楼的图像级定位结果的准确率为96.1%，其中本文算法消防安全疏散标志检测部分的准确率为100%，图像级定位中全局特征匹配的K值为15，准确率为98%。

  

图7 航海楼图像级定位结果

 

Fig.7 The result of image-level localization in Navigation building

本文算法在图像级定位的基础上利用度量级定位获取最终定位结果，从表3可见，在航海楼4楼和5楼实验中，定位误差小于0.2 m的定位次数占总实验次数的65.42%；定位误差小于0.5 m的定位次数占总实验次数的93.33%；定位误差小于1 m的定位次数占总实验次数的96.1%；定位误差小于4 m的定位次数占总实验次数的99.17%；定位误差小于5 m的定位次数占总实验次数的100%，平均误差为0.5 m。实验中，本文还与文献[4,7-8]进行了对比，与地下停车场实验进行了同样的改进。实验发现改进后的文献[7]算法相对于原文在定位准确率上有很大程度的提高，但本文算法依然有较大的优势，在各阶段定位误差上的准确率均高于其他算法，平均定位误差在0.5 m以下。

舟山电网是浙江省十一个地市电网中唯一的海岛电网，通过4回220 kV交流线路、3回110 kV交流线路和±50 kV直流线路与大陆电网相联，共拥有220 kV变电站5座，±200 kV柔性直流输电工程换流站5座，110 kV变电站28座，35 kV变电站26座，用户变26个[2]。

 

表3 航海楼度量级定位结果对比

 

Tab.3 Comparison the result of final positioning aftermatric positioning in Navigation building

  

算法定位误差/m及占比/%≤0.2≤0.5≤1≤4≤5≤20≤60本文算法65.4293.3396.1099.17100100100Harris+ZNCC[7]65.0090.4294.5895.4195.4198.33100SURF[8]64.5888.3392.0895.0095.0095.42100Wi-Fi[4]5.1314.7426.9266.6774.36100100

2个场景的实验结果表明，在设置了符合国家或地方相关标准与法规的消防安全疏散标志的建筑物中，本文研究的基于消防安全疏散标志检测的高精度室内视觉定位算法的定位精度高，且鲁棒性良好。虽然该算法在环境相似且特征单一的场景(如对称的长走廊等)可能会较大的定位误差，但总体而言，图像级定位结果的准确率仍在96%以上，平均定位误差在0.6 m以下。

3 结束语

利用室内环境常见且密集分布的消防安全疏散标志作为数据采样点，研究一种新的基于消防安全疏散标志检测的高精度室内视觉定位算法，算法创新点有：①以室内普遍存在且均匀分布的消防安全疏散标志为路标，限定用户手机拍照的姿态，保证了室内定位的有效性与准确率；②SURF局部特征匹配是基于SURF全局特征匹配结果的候选集对当前位置的测试图片和地图图片进行匹配，减少了匹配的图片数目，在保持较高的定位精度的情况下，能在很大程度上提高算法效率；③基于融合SURF全局特征与SURF局部特征的图像级定位，度量级定位能进一步获得精确的定位。在12 000 m2办公楼和8 000 m2的地下停车场进行了实地测试，实验结果表明，算法在室内场景实验达到96%以上的正确识别率，平均定位误差在0.6 m以下。

在实验中，本文算法也存在不足之处：①定位误差大的地点主要是在多处相似且特征单一的场景中，如对称的长走廊等，将进一步研究更有效的排除相似场景的干扰的方法；②精度满足一般的人员定位需求，但对于地下停车场的车辆或室内的移动机器人需要进一步提高定位精度。

如图6A和B所示，尾静脉注射ST激发1 h和24 h后，与左足比较，模型组右足可观察到明显的足部肿胀，SHLI给药组足肿胀呈现不同程度的减轻。测定足容积发现（图6C和D），SHLI组小鼠足容积和足容积差均显著减小，速发相（抗原攻击1 h）时2.5和5.0 mL·kg-1SHLI组足容积差分别降低69%和83%（P＜0.01），迟发相（抗原攻击24 h）时则分别降低70%和100%（P＜0.05，P＜0.01），表明SHLI对抗ST多抗血清和ST诱导的小鼠Ⅰ型超敏反应速发相和迟发相足肿胀均具有明显的抑制作用。

参考文献

References

[1] CHEN L, PEI L, KUUSNIEMI H, et al. Bayesian fusion for indoor positioning using Bluetooth fingerprints[J]. Wireless Personal Communications, 2013,70(4):1735-1745.

[2] FANG S H, WANG C H, HUANG T Y, et al. An enhanced Zigbee indoor positioning system with an ensemble approach[J]. IEEE Communications Letters, 2012,16(4):564-567.

[3] KOK M, HOL J D, SCHÖN T B. Indoor positioning using ultrawideband and inertial measurements[J]. IEEE Transactions on Vehicular Technology, 2015,64(4):1293-1303.

[4] 李 炜,金 亮,陈 曦.基于Android平台的室内定位系统设计与实现[J].华中科技大学学报(自然科学版)，2013(增刊1):422-424.

LI Wei, JIN Liang, CHEN Xi. Indoor positioning system design and implementation based on Android platform[J]. Journal of Huazhong University of Science and Technology (Natural Science Edition), 2013(S1):422-424. (in Chinese)

[5] KIM S J, KIM B K. Dynamic ultrasonic hybrid localization system for indoor mobile robots [J]. IEEE Transactions on Industrial Electronics, 2013,60(10):4562-4573.

[6] HUANG C H, LEE L H, HO C C, et al. Real-time RFID indoor positioning system based on Kalman-filter drift removal and heron-bilateration location estimation[J]. IEEE Transactions on Instrumentation and Measurement, 2015,64(3):728-739.

[7] ELLOUMI W, LATOUI A, CANALS R, et al. Indoor pedestrian localization with a smartphone: A comparison of inertial and vision-based methods[J]. IEEE Sensors Journal, 2016,16(13):5376-5388.

[8] GUAN K, MA L, TAN X, et al. Vision-based indoor localization approach based on surf and landmark[C]. Wireless Communications and Mobile Computing Conference, Paphos, Cyprus: IEEE, 2016.

[9] MUR-ARTAL R, MONTIEL J M M, TARDOS J D. ORB-SLAM: A versatile and accurate monocular slam system[J]. IEEE Transactions on Robotics, 2015,31(5):1147-1163.

[10] 中国国家标准管理委员会. 消防应急照明和疏散指示系统：GB17945—2010[S]. 北京：中国国家标准管理委员会，2010.

China National Standardization Management Committee. Fire emergency lighting and evacuation indicator system: GB17945—2010[S]. Beijing: China National Standardization Management Committee, 2010. (in Chinese)

[11] 北京市质量技术监督局.消防安全疏散标志设置标准：DB11_1024—2013[S].北京：北京市质量技术监督局，2013.

Beijing Municipal Administration of Quality and Technology Supervision. Fire safety evacuation mark setting standard: DB11_1024—2013[S]. Beijing: Beijing Municipal Administration of Quality and Technology Supervision, 2013. (in Chinese)

[12] DALAL N, TRIGGS B. Histograms of oriented gradients for human detection[C]. IEEE Computer Society Conference on Computer Vision and Pattern Recognition, San Diego, CA, USA: IEEE, 2005.

[13] HERBERT B, ANDREAS E, TINNE T, et al. SURF: Speeded up robust features[J]. Computer Vision and Image Understanding, 2008,110(3):346-359.

[14] 胡月志，李 娜，胡钊政,等.基于ORB全局特征与最近邻的交通标志快速识别算法[J].交通信息与安全，2016(1):23-29.

HU Yuezhi, LI Na, HU Zhaozheng，et al. Fast sign recognition based on orb holistic feature and k-nearest neighbor method[J]. Journal of Transport Information and Safety, 2016(1):23-29. (in Chinese)

[15] LOWE D G. Distinctive image features from scale-invariant keypoints[J]. International Journal of Computer Vision, 2004,60(2):91-110.

[16] SONG C, ZHAO H, JING W, et al. Robust video stabilization based on particle filtering with weighted feature points[J]. IEEE Transactions on Consumer Electronics, 2012,58(2):570-577.

[17] HU Zhaozheng, LI Na, HU Yuezhi. Smartphone-based accurate self-localization by referring to road sign inventory databases[C]. Transportation Research Board 96th Annual Meeting, Washington, D. C., USA: the National Academies of Sciences, Engineering, and Medicine, 2017.

[18] ZHANG Z. A flexible new technique for camera calibration[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2000,22(11):1330-1334.