一种基于超高频RFID电子标签的精准定位方法及系统与流程

本发明涉及电子标签，具体为一种基于超高频rfid电子标签的精准定位方法及系统。

背景技术：

1、当前的全球卫星导航系统可以在室外环境下为人们提供准备的位置信息，极大方便了人们的出行。但是在室内环境中，建筑物的遮挡以及室内环境的复杂性导致的非视距传播及多径效应使以卫星导航为基础的人员定位技术受到了极大限制。

2、目前，rfid技术已广泛应用于室内定位。在进行rfid标签的精准定位时，主要依赖于信号强度(rssi)与距离之间的非线性映射模型。rssi定位技术的基本原理是射频信号的衰减量与距离的平方成反比关系，通过测量接收信号的功率强度来推算信号传输的距离。然而，由于环境中可能存在的干扰，这种映射关系会出现波动。因此，研究如何量化rssi与距离之间的关系，成为解决rfid标签定位技术的关键问题之一。

3、伴随着技术的不断发展，深度学习成为大数据处理领域的一项新兴技术，是一个能够学习rssi与距离之间关系的有效工具。但是，在现有技术文献对基于rfid标签的室内定位中仍存在一些缺陷，如专利公开号cn111537952b的中国专利提出一种基于深度学习的rfid室内三维定位方案，该方案结合相对定位与绝对定位，运用深度学习技术，进一步挖掘数据特征，实现较好的rfid三维室内定位效果，定位模型稳定可靠，能够应用在实际生活场景中。如专利公开号cn114710831b的中国专利提出一种基于深度学习的rfid标签定位系统，该系统通过构建rss/pdoa联合指纹数据库对卷积神经网络进行训练，使其具有良好的分类效果，以实现室内较高的定位精度。如专利公开号cn115103299b的中国专利一种基于rfid的多传感器融合定位方法，该方法采用深度神经网络建立指纹特征和位置坐标之间的非线性关系，利用卡尔曼滤波器融合多个传感器采集的数据，从而提高定位精度。

4、以上这些现有技术对于输入指纹数据进行单一滤波操作，造成rfid标签模型在面对复杂环境下的鲁棒性较差；同时，这些技术没有结合视觉信息来提高rfid标签模型的定位精度。

5、为此，提出一种基于超高频rfid电子标签的精准定位方法及系统。

技术实现思路

1、本发明的目的在于提供一种基于超高频rfid电子标签的精准定位方法及系统。首先，获得所有参考移动标签的指纹数据；其次，对采集到的指纹数据进行预处理操作，使用小波变换融合技术对均值滤波后的第一指纹数据和残差高斯滤波后的第二指纹数据进行融合，有效提高了模型对复杂信号环境下的鲁棒性；然后，提出了一个基于深度信息特征嵌入的位置预测模型，该模型使用深度信息引导的方案可以准确得到移动标签的位置信息；最后，提出了一个混合定位误差用于训练位置预测模型，该误差通过加权计算指纹特征差值和预测位置差值，有效提高位置预测模型的预测准确性。

2、为实现上述目的，本发明提供如下技术方案：

3、一种基于超高频rfid电子标签的精准定位方法，包括：

4、获得所有参考移动标签的指纹数据；

5、预处理所述指纹数据，得到预处理指纹数据；其中，所述预处理包括融合滤波和归一化；

6、将视觉摄像头获得的图像数据分别输入至定位算法、深度预测模型和目标检测模型，得到位姿信息、深度信息以及类别和位置信息；其中，所述深度预测模型和所述目标检测模型是预训练后的模型；

7、整合所述位姿信息、所述深度信息以及所述类别信息，得到第一位置坐标；

8、构建基于深度信息特征嵌入的位置预测模型，将所述预处理指纹数据输入至所述位置预测模型，得到第二位置坐标；

9、根据所述第一位置坐标和所述第二位置坐标计算得到的混合定位误差，优化所述位置预测模型，得到最终位置预测模型；

10、将待定位的移动标签的指纹数据输入至所述最终位置预测模型，得到所述移动标签的位置坐标。

11、进一步地，获得所有参考移动标签的指纹数据；

12、进一步地，预处理所述指纹数据，得到预处理指纹数据；其中，所述预处理包括融合滤波和归一化；其中，所述预处理过程包括：获得所述参考定位点的指纹数据；使用融合滤波处理所述指纹数据，得到滤波指纹数据；使用归一化处理所述滤波指纹数据，得到所述预处理指纹数据；

13、其中，所述融合滤波的具体实现过程包括：

14、使用均值滤波处理所述指纹数据，得到第一指纹数据；

15、进一步地，使用残差高斯滤波处理所述指纹数据，得到第二指纹数据；

16、进一步地，使用小波变换融合技术对所述第一指纹数据和所述第二指纹数据进行融合，得到所述滤波指纹数据；

17、其中，所述融合的具体实现过程包括：

18、使用小波变换分别对所述第一指纹数据和所述第二指纹数据进行处理，得到了两个指纹数据的高频分量和低频分量；

19、将两个指纹数据的所述高频分量和所述低频分量的平均值进行融合；

20、对融合后的指纹数据进行小波逆变换重构，得到所述滤波指纹数据。

21、进一步地，将视觉摄像头获得的图像数据分别输入至定位算法、深度预测模型和目标检测模型，得到位姿信息、深度信息以及类别和位置信息；其中，所述深度预测模型和所述目标检测模型是预训练后的模型；

22、进一步地，整合所述位姿信息、所述深度信息以及所述类别信息，得到第一位置坐标；

23、进一步地，构建基于深度信息特征嵌入的位置预测模型，将所述预处理指纹数据输入至所述位置预测模型，得到第二位置坐标；

24、其中，所述基于深度信息特征嵌入的位置预测模型的具体实现过程包括：

25、卷积网络对预处理数据应用卷积层进行特征提取，得到初始特征图；

26、进一步地，编码端对所述初始特征图分别进行多次下采样操作，每次所述下采样操作前通过采用多个特征提取模块，得到低维深层次指纹特征；

27、进一步地，解码端对所述低维深层次指纹特征进行多次上采样操作，每次操作前同样采用相同数量的特征提取模块，同时下采样前的卷积特征使用跳跃连接与上采样后的特征进行特征图相加，接着在跳跃连接前嵌入深度信息特征，最终得到移动标签的所述第二位置坐标；

28、得到所述第二位置坐标的过程可由以下公式表示为：

29、(px,py)＝fc(ri,d)；

30、其中，fc()表示为所述基于深度信息特征嵌入的卷积神经网络；ri表示为所述预处理数据；d表示为所述深度信息特征；(px,py)表示为模型输出的所述第二位置坐标。

31、进一步地，根据所述第一位置坐标和所述第二位置坐标计算得到的混合定位误差，优化所述位置预测模型，得到最终位置预测模型；

32、其中，所述混合定位误差的具体实现过程包括：

33、获得所述位置预测模型的预测指纹特征和预测位置坐标；

34、进一步地，获得指纹数据库中实际标签下的真实指纹特征和真实位置坐标；其中，所述指纹特征包括强度特征和相位特征；

35、进一步地，计算两种指纹特征中的所述强度特征和所述相位特征的差值，并设定相应的权重，得到特征误差；

36、进一步地，计算两种位置坐标的欧氏距离，得到位置误差；

37、进一步地，将所述特征误差和所述位置误差进行加权求和，得到所述混合定位误差；

38、所述混合定位误差的计算公式如下：

39、e＝ω*pe+(1-ω)*fe；

40、

41、其中，m表示为指纹特征样本的个数；e表示为所述混合定位误差；pe表示为所述位置误差；fe表示为所述特征误差；表示为所述真实位置坐标；表示为所述预测位置坐标；qdi表示为第i个指纹特征样本的强度特征值个数；表示为第i个指纹特征样本的第j1个真实强度特征值；表示为第i个指纹特征样本的第j2个预测强度特征值；xwi表示为第i个指纹特征样本的相位特征值个数；表示为第i个指纹特征样本的第j2个真实相位特征值；表示为第i个指纹特征样本的第j2个预测相位特征值；ω和β分别代表不同的权重。

42、进一步地，将待定位的移动标签的指纹数据输入至所述最终位置预测模型，得到所述移动标签的位置坐标。

43、一种基于超高频rfid电子标签的精准定位系统，包括：设备控制模块、数据采集模块、数据处理模块、位置预测模块和输出模块；其中，所述设备控制模块用于控制设备的启动、暂停和停止；所述数据采集模块用于获取视觉摄像头的图像数据和移动标签的指纹数据；所述数据处理模块用于对获取的所述指纹数据进行预处理，得到预处理指纹数据；所述位置预测模块包括第一位置预测单元和第二位置预测单元；所述第一位置预测单元用于对获取的所述图像数据进行位置预测，得到第一位置坐标；所述第二位置预测单元用于对所述预处理指纹数据进行位置预测，得到第二位置坐标；所述输出模块用于显示移动标签定位点的最终位置预测结果。

44、其中，所述数据处理模块的具体实现过程包括：

45、接收所述数据采集模块输出的所述指纹数据；

46、进一步地，使用融合滤波处理所述指纹数据，得到滤波指纹数据；其中，所述融合滤波的具体实现过程包括：

47、使用均值滤波处理所述指纹数据，得到第一指纹数据；

48、使用残差高斯滤波处理所述指纹数据，得到第二指纹数据；

49、使用小波变换融合技术对所述第一指纹数据和所述第二指纹数据进行融合，得到所述滤波指纹数据；

50、其中，所述融合的具体实现过程包括：

51、使用小波变换分别对所述第一指纹数据和所述第二指纹数据进行处理，得到了两个指纹数据的高频分量和低频分量；

52、将两个指纹数据的所述高频分量和所述低频分量的平均值进行融合；

53、对融合后的指纹数据进行小波逆变换重构，得到所述滤波指纹数据。

54、进一步地，使用归一化处理所述滤波指纹数据，得到所述预处理指纹数据。

55、所述第二位置预测单元采用基于深度信息特征嵌入的卷积神经网络，具体实现过程包括：

56、卷积网络对预处理数据应用卷积层进行特征提取，得到初始特征图；

57、进一步地，编码端对所述初始特征图分别进行多次下采样操作，每次所述下采样操作前通过采用多个特征提取模块，得到低维深层次指纹特征；

58、进一步地，解码端对所述低维深层次指纹特征进行多次上采样操作，每次操作前同样采用相同数量的特征提取模块，同时下采样前的卷积特征使用跳跃连接与上采样后的特征进行特征图相加，接着在跳跃连接前嵌入深度信息特征，最终得到移动标签的所述第二位置坐标；

59、得到所述第二位置坐标的过程可由以下公式表示为：

60、(px,py)＝fc(ri,d)；

61、其中，fc()表示为所述基于深度信息特征嵌入的卷积神经网络；ri表示为所述预处理数据；d表示为所述深度信息特征；(px,py)表示为模型输出的所述第二位置坐标。

62、所述第二位置预测单元是利用混合定位误差进行优化训练的，所述混合定位误差的具体实现过程包括：

63、获得所述位置预测模型的预测指纹特征和预测位置坐标；

64、进一步地，获得指纹数据库中实际标签下的真实指纹特征和真实位置坐标；其中，所述指纹特征包括强度特征和相位特征；

65、进一步地，计算两种指纹特征中的所述强度特征和所述相位特征的差值，并设定相应的权重，得到特征误差；

66、进一步地，计算两种位置坐标的欧氏距离，得到位置误差；

67、进一步地，将所述特征误差和所述位置误差进行加权求和，得到所述混合定位误差；

68、所述混合定位误差的计算公式如下：

69、e＝ω*pe+(1-ω)*fe；

70、

71、其中，m表示为指纹特征样本的个数；e表示为所述混合定位误差；pe表示为所述位置误差；fe表示为所述特征误差；表示为所述真实位置坐标；表示为所述预测位置坐标；qdi表示为第i个指纹特征样本的强度特征值个数；表示为第i个指纹特征样本的第j1个真实强度特征值；表示为第i个指纹特征样本的第j2个预测强度特征值；xwi表示为第i个指纹特征样本的相位特征值个数；表示为第i个指纹特征样本的第j2个真实相位特征值；表示为第i个指纹特征样本的第j2个预测相位特征值；ω和β分别代表不同的权重。

72、与现有技术相比，本发明的有益效果为：

73、1、本发明提出了一种融合滤波方法，该方法首先通过均值滤波算法和残差高斯滤波算法分别获得第一指纹数据和第二指纹数据，然后利用小波变换融合技术将两种指纹数据进行融合，得到滤波指纹数据，这样可以避免多径效应、反射和折射等复杂环境因素对指纹数据造成的干扰，提高指纹数据的优化质量，进而可以提高模型的预测鲁棒性。

74、2、本发明提出了一种基于深度信息特征嵌入的位置预测模型，该模型将深度预测模型的输出特征嵌入到预测模型中，通过使用深度信息引导的方案准确得到待定位移动标签的位置信息；该模型是基于深度信息特征嵌入的卷积网络算法，通过在解码器下采样操作前嵌入深度信息特征，利用深度特征图中不同标签对象的相对位置关系帮助定位目标标签的预测位置，提高模型对移动标签的位置预测能力。

75、3、本发明提出了一种混合定位误差，该误差用于训练基于深度信息特征嵌入的位置预测模型；该误差首先获得位置预测模型的预测指纹特征和预测位置坐标以及指纹数据库中的真实指纹特征和真实位置坐标，然后通过计算特征误差和位置误差进行加权求和得到的；这样可以有效地帮助位置预测模型学习指纹数据与位置坐标之间的映射关系，进一步提高模型位置预测的准确性。

技术特征：

1.一种基于超高频rfid电子标签的精准定位方法，其特征在于，包括：

2.根据权利要求1所述的一种基于超高频rfid电子标签的精准定位方法，其特征在于，所述预处理过程包括：

3.根据权利要求2所述的一种基于超高频rfid电子标签的精准定位方法，其特征在于，所述融合滤波的具体实现过程包括：

4.根据权利要求1所述的一种基于超高频rfid电子标签的精准定位方法，其特征在于，所述位置预测模型是基于深度信息特征嵌入的卷积神经网络，具体实现过程包括：

5.根据权利要求1所述的一种基于超高频rfid电子标签的精准定位方法，其特征在于，所述混合定位误差的具体实现过程包括：

6.一种基于超高频rfid电子标签的精准定位系统，其特征在于，包括：设备控制模块、数据采集模块、数据处理模块、位置预测模块和输出模块；其中，所述设备控制模块用于控制设备的启动、暂停和停止；所述数据采集模块用于获取视觉摄像头的图像数据和移动标签的指纹数据；所述数据处理模块用于对获取的所述指纹数据进行预处理，得到预处理指纹数据；所述位置预测模块包括第一位置预测单元和第二位置预测单元；所述第一位置预测单元用于对获取的所述图像数据进行位置预测，得到第一位置坐标；所述第二位置预测单元用于对所述预处理指纹数据进行位置预测，得到第二位置坐标；其中，所述第二位置预测单元是利用混合定位误差进行优化训练的；所述输出模块用于显示移动标签定位点的最终位置预测结果。

7.根据权利要求6所述的一种基于超高频rfid电子标签的精准定位系统，其特征在于，所述数据处理模块的具体实现过程包括：

8.根据权利要求7所述的一种基于超高频rfid电子标签的精准定位系统，其特征在于，所述融合滤波的具体实现过程包括：

9.根据权利要求6所述的一种基于超高频rfid电子标签的精准定位系统，其特征在于，所述第二位置预测单元采用基于深度信息特征嵌入的卷积神经网络，具体实现过程包括：

10.根据权利要求6所述的一种基于超高频rfid电子标签的精准定位系统，其特征在于，所述混合定位误差的具体实现过程包括：

技术总结
本发明涉及电子标签技术领域，具体为一种基于超高频RFID电子标签的精准定位方法及系统。首先，获得所有参考移动标签的指纹数据；其次，对采集到的指纹数据进行预处理操作，使用小波变换融合技术对均值滤波后的第一指纹数据和残差高斯滤波后的第二指纹数据进行融合，有效提高了模型对复杂信号环境下的鲁棒性；然后，提出了一个基于深度信息特征嵌入的位置预测模型，该模型使用深度信息引导的方案可以准确得到移动标签的位置信息；最后，提出了一个混合定位误差用于训练位置预测模型，该误差通过加权计算指纹特征差值和预测位置差值，有效提高位置预测模型的预测准确性。

技术研发人员：刘妃,王飞扬
受保护的技术使用者：刘妃
技术研发日：
技术公布日：2024/12/5