Towards Robust Device-Free Passive Localization Through Automatic Camera-Assisted Recalibration

Citation:Xu C, Gao M, Firner B, et al. Towards robust device-free passive localization through automatic camera-assisted recalibration[C]//Proceedings of the 10th ACM Conference on Embedded Network Sensor Systems. ACM, 2012: 339-340.

学习者:刘超

这篇文章介绍了一种名为SenCam的技术,此技术通过摄像头辅助,对无线隐式定位进行重新校准,以维持其定位精度。

隐式定位技术在当下是易于实现且应用广泛的,但是,隐式定位技术同样存在着弱点,在不同时间段,随着环境的变化,测量得到的RSS(无线信号强度)会有较大的误差,为此,需要花费相当大的代价,对试验所得的RSS数据集进行频繁地重校准。相关试验表明,如果不随着环境的变化对数据训练集进行重校准,在一段时间以后,隐式定位的精度就可能会从97%降到20%。由此,这篇文章提出了一个新的设想来解决这个问题。

SenCam技术将传感器sensor与摄像头camera结合,当摄像头探测到环境改变,以此定时地触发重校准,更新相应RSS值。文中介绍这种技术仅需要在每个月偶尔开启几次摄像头进行探测,所以,其可以在保留良好的定位效果的同时,既减少频繁手动重校准的成本也充分考虑到了个人隐私问题。

在文中,整个定位系统分为三个部分,无线射频部分,计算机视觉部分,Sensor-Camera融合部分。第一部分(无线射频部分),试验者收集当实验对象出现在试验环境中的每一个单元格内时的多个RSS值,然后对所有单元格所对应的RSS值提取特征,利用线性判别法(LDA)来解决室内无线定位问题。第二部分(计算机视觉部分),从图像出发,比较当前新传入的图像与旧的已知的背景图像,得出像素绝对差,如果这个差值超过预定阈值,则可以认为这些像素包含被实验对象。通过这种背景减法,得到相应的前景图像,图像的底部边缘便是所要探测的实验对象在室内位置。文中提示上面步骤需要用到SVM。第三部分(SenCam融合部分),文中列举了单纯依靠无线定位的一些缺点,如当试验环境中无线传感器电池电量低,相应测得RSS值会改变,当环境中有其他物体在运动,也会影响测得的RSS值。文中说明,随着时间的推移,相较于RSS特征可能会迅速变得无效,图像特征则可以保持稳定。因此,利用背景减法,图像训练数据集是相对稳定的这一事实,对RSS数据集进行自动重校准,来维持无线定位的精确度,来消除因为试验环境的变化对无线定位产生的影响。 

试验评估:针对试验环境内的某些变化,在没有进行自动重校准的情况下,随着时间的推移,定位精度低至56%。当在有SenCam技术重校准的情况下,随着时间的推移,定位精度依然可以维持在91%。

anyShare分享到:
This entry was posted in 学习笔记. Bookmark the permalink.

发表评论