陶倩文 胡釗政 黃 剛 蔡 浩 吳志鵬

(1.武漢理工大學智能交通系統(tǒng)研究中心 武漢 430063;2.武漢理工大學能動學院 武漢 430063；3.武漢理工大學計算機學院 武漢 430063；4.武漢理工大學信息工程學院 武漢 430070)

0 引 言

近年來，隨著人們在大型室內(nèi)場景活動越來越多。對室內(nèi)交通位置信息服務(wù)的需求也越來越多，例如，在地下停車場利用室內(nèi)定位對車輛進行交通誘導，使得車輛能以最快最短的路徑到達未使用的停車位。除此之外，還有大型商場行人定位導航、火災地震等發(fā)生時逃生路徑規(guī)劃或者大型工廠內(nèi)機器人定位導航等。然而由于建筑材料的隔離效果，室內(nèi)難以接收GPS信號。對此，國內(nèi)外學者提出了許多室內(nèi)定位方法，但是在基礎(chǔ)設(shè)備、定位精度和普遍性方面仍然存在很多問題。

現(xiàn)有的室內(nèi)定位方法可以分類為基于無線網(wǎng)絡(luò)、基于移動傳感器和基于計算機視覺的定位方法3種。其中基于無線網(wǎng)絡(luò)的定位方法主要使用藍牙，Wi-Fi，ZigBee，UWB等[1-4]，利用室內(nèi)廣泛存在的Wi-Fi定位是最常見的定位方法，李煒等[4]提出了基于K近鄰法的Wi-Fi室內(nèi)定位系統(tǒng)，并在Android平臺集成，然而該系統(tǒng)室內(nèi)定位精度低，定位誤差大，難以滿足用戶對位置信息服務(wù)的需求?；谝苿觽鞲衅鞯亩ㄎ环椒ㄖ饕褂萌缂t外發(fā)射器、超聲波發(fā)射器[5]、RFID設(shè)備[6]等來發(fā)送和接收信號并計算當前位置，然而由于設(shè)備部署成本十分昂貴且難以集成，難以得到大規(guī)模的推廣應用。

基于計算機視覺的室內(nèi)定位方法[7-9]可以使用普及化的智能手機進行定位，該方法由于便于推廣而廣受重視。Wael Elloumi等[7]提出的基于Harris特征的零均值歸一化互相關(guān)(zero-based normalized cross correlation, ZNCC)匹配算法，具有較高的準確率和定位精度，然而這種方法依然存在不足之處：需要人為預先選取關(guān)鍵幀作為地圖，工作量大；需要手機在制圖和定位時拍攝的位姿相對固定，以方便拍攝相同視覺目標用于視覺特征匹配，該方式在機器人定位上具有較強的應用意義，但是對于室內(nèi)環(huán)境人員自定位，由于相機姿態(tài)多變，會導致較大定位誤差。Raul Mur-Artal等[9]提出了一種基于ORB(oriented brief)特征的即時定位與制圖(simultaneous localization and mapping，SLAM)算法，該算法使用ORB特征不僅提高了算法整體的運行時間，而且在特征提取與追蹤、關(guān)鍵幀選取、三維重建、閉環(huán)檢測等環(huán)節(jié)具有一致性。然而該算法依然存在不足之處，在轉(zhuǎn)向時由于場景更迭，容易導致前后幀之間無法進行圖像特征匹配；構(gòu)建的地圖點云稀疏，使得ORB提取特征點少的場景中定位誤差較大；其定位精度與場景面積相關(guān)，在大場景中進行定位時定位精度差。

針對當前文獻的不足，特別是文獻[7]和文獻[9]中存在的丟幀或人工選取大量的關(guān)鍵幀等問題，筆者以室內(nèi)普遍存在且均勻分布的消防安全疏散標志為路標，研究了一種基于消防安全疏散標志的高精度室內(nèi)視覺定位算法，該算法以消防安全疏散標志檢測為基礎(chǔ)，利用加速魯棒特征(speeded up robust features, SURF)全局特征匹配和局部特征匹配找到距離最近的消防安全疏散標志地點，并計算手機在地圖中的位姿，可以實現(xiàn)高精度室內(nèi)視覺定位。

1 算法介紹

算法以消防安全疏散標志作為路標。用戶使用手機拍攝消防安全疏散標志時，應該將其置于候選框內(nèi)，限定用戶的拍照姿勢。為了保障災難發(fā)生時能有效地疏散和救援，根據(jù)國家標準[10]和地方標準[11]，強制要求和規(guī)定消防安全疏散標志合理設(shè)置于人員活動范圍內(nèi)。消防安全疏散標志應獨立設(shè)置在醒目位置，不應被遮擋或被移動，且有定期的功能檢查，具有較高的穩(wěn)健性；在不同環(huán)境下，對消防安全疏散標志的間距有不同的要求，確保其密集且均勻的分布在室內(nèi)空間中。而且，以消防安全疏散標志作為路標不需要對環(huán)境進行改造，成本低廉，斷電時消防安全疏散標志有備用供電電源也能正常工作，使本文定位算法具有較高的應用價值。

算法主要分為離線階段與在線階段2個部分。算法流程圖見圖1。

圖1 算法流程圖

1.1 離線階段：SVM分類器訓練與視覺地圖創(chuàng)建

在每個消防安全疏散標志地點采集的地圖圖片，預先在預覽界面中設(shè)置候選框，采集圖像時需要將消防安全疏散標志置于候選框內(nèi)，消防安全疏散標志應該在候選框中占大部分面積又不能超出候選框，即能包含盡可能多的背景信息，然后根據(jù)消防安全疏散標志在場景中的位置信息制作地圖。離線階段包含以下步驟：①從所采集的圖片提取正負樣本，并提取正樣本的顏色特征建立顏色模型，提取帶標簽的正負樣本的HOG特征并利用SVM訓練得到分類器；②提取場景圖片的SURF全局特征與局部特征；③根據(jù)消防圖紙的標注和人工校驗獲取地圖中每個消防安全疏散標志的三維坐標。另外由于顏色閾值分割的限制，拍攝的電光源型消防安全疏散標志應該是能正常工作的。

從采集圖片提取正負樣本，正樣本為候選框內(nèi)消防安全疏散標志圖像，負樣本為采集圖片中非消防安全疏散標志的圖像，正負樣本大小統(tǒng)一為128×64像素，正負樣本的數(shù)量比約為1∶4，正樣本如圖2(a)所示，負樣本如圖2(b)所示。提取正樣本的顏色特征建立顏色模型：截取消防安全疏散標志綠色部分，如圖2(c)所示，將其轉(zhuǎn)換為RGB空間表示方式，經(jīng)統(tǒng)計，共376 307個像素的RGB分量分布，如圖2(d)所示。可以看出安全消防安全疏散標志的顏色在RGB空間中集中趨勢明顯，R分量的范圍為0～154，G分量的范圍為110～254，B分量的范圍為110～254。然后提取帶標簽的正負樣本的HOG特征，采用SVM 分類器對提取的HOG特征向量進行訓練得到分類器。

地圖中包含豐富的場景信息，可以由圖3表征：首先將場景圖片重置為640×480像素，提取其SURF局部特征；再將場景圖重置為63×63像素，提取SURF全局特征根據(jù)消防圖紙的標注和人工校驗獲取場景中消防安全疏散標志4個頂點的三維信息。地圖M包括2個要素：圖像數(shù)據(jù)Si和三維坐標Ci。

其中三維坐標Ci中包含了消防安全疏散標志4個頂點在場景中的絕對位置坐標。

(1)

根據(jù)消防安全疏散標志4個頂點在場景和圖像中的坐標可以計算其單應矩陣Hcw,作為圖像數(shù)據(jù)Si中的一部分。圖像數(shù)據(jù)Si還包含SURF全局特征Vi和SURF局部特征。

1.2 在線階段：標志檢測與多尺度定位

在離線階段的基礎(chǔ)上，在線階段主要分為4步：①檢測圖片候選框中是否含有消防安全疏散標志；②將測試圖片與地圖圖片重置為標準大小63×63像素，提取SURF全局特征，計算測試圖片與每張地圖圖片全局特征之間的歐式距離，利用KNN(K-nearest neighbor)方法選取全局特征距離最小的K個地點作為候選定位結(jié)果；③將測試圖片與候選定位結(jié)果圖片重置為標準大小 像素，提取SURF局部特征并匹配，選出局部特征點匹配數(shù)目最多的地圖圖片地點作為最終地點；④通過度量級定位得到用戶相機在場景中的位姿。

1.2.1 消防安全疏散標志檢測

為了保證室內(nèi)定位的有效性和識別率，要對測試圖片進行消防安全疏散標志檢測，只有在測試圖片正中央檢測出消防安全疏散標志才能進行以下步驟，反之需要用戶重新進行拍攝。筆者利用消防安全疏散標志的顏色特性，對測試圖片進行顏色閾值分割，只保留消防安全疏散標志特有的顏色。可以通過地圖顏色模型對測試圖片候選框內(nèi)部位的顏色進行分割，提取圖片各個像素點的RGB 3個顏色通道的值，只保留RGB3個顏色通道的值在上訴范圍內(nèi)的像素點。完成顏色分割后，繼續(xù)對測試圖片候選框內(nèi)部位進行消防安全疏散標志檢測。

關(guān)于視覺目標檢測的問題，Dalal等[11]提出了一種提取大量帶標簽的正負樣本圖片的方向梯度直方圖(HOG)特征并且使用線性支持向量機(SVM)訓練得到分類器，最初用于行人檢測且得到良好的效果[12]，本文算法將其用于消防安全疏散標志檢測。截取測試圖片候選框內(nèi)部位，對齊進行顏色閾值分割，只保留消防安全疏散標志的綠色部分，顏色閾值分割結(jié)果見圖4(a)；提取其HOG特征，利用分類模型得到的檢測子檢測是否其含有消防安全疏散標志，檢測結(jié)果如圖4(b)所示。

圖4 消防安全疏散標志檢測

1.2.2 圖像級定位

檢測測試圖片含有消防安全疏散標志后，本文提出基于SURF全局特征匹配和SURF局部特征匹配的圖像級定位方法。加速魯棒特征(SURF)算法是由尺度不變特征變換算法(scale invariant feature transform， SIFT)改進而來，保留了后者在旋轉(zhuǎn)、尺度不變性上的優(yōu)點，由于SURF算法結(jié)合了Harr特征、積分圖像的概念，很大程度上提高了其在程序運行的速度[13]。并且SURF局部特征匹配是基于SURF全局特征匹配結(jié)果的候選集對當前位置的測試圖片和地圖圖片進行匹配，減少了SURF局部匹配的圖片數(shù)目，在保持較高的定位精度的情況下，能在很大程度上提高算法效率。

1) 全局特征匹配。SURF全局特征是將整個圖像縮小為標準大小的圖像塊，以圖像塊中心為特征點、以圖像塊整體為鄰域提取整個圖像的SURF特征，該特征用于表征安全出口標志所在的場景特征[14]，該方法不需要Hessian矩陣來定位特征點，就可以生成圖像的SURF特征描述符用于全局匹配，省去了SURF局部特征中所需的構(gòu)造高斯金字塔尺度空間。

以圖像塊中心特征點為中心，將圖像塊整體正方形鄰域分割成為4×4個單元格，計算每個單元格內(nèi)Harr小波特征。然后將每一個單元格內(nèi)的dx，dy分別求和。為了特征描述符具有強度變化的極性信息，同時也對dx和dy的絕對值分別求和，因此，每一個單元格的特征描述符v計算見式(2)。

(2)

將4×4個單元格的描述符串聯(lián)組成該特征點的SURF全局特征描述符。最終的SURF全局特征描述符V是1個1×64維的向量[14]，見式(3)。

V=[v1,v2,…,v15,v16]

(3)

式中：vj(j=1,2,…,15,16)為第j個單元格的特征描述符。

首先將測試圖片和地圖圖片都重置為亮63×63亮像素大小，并提取它們的SURF全局特征，計算測試圖片SURF全局特征與每個地圖圖片SURF全局特征之間的歐式距離，利用KNN方法選出其中歐式距離最小的K張圖片作為候選定位結(jié)果。

2)局部特征匹配。SURF局部特征可以通過求H矩陣的特征值的極值點來定位圖像的特征點定位局部特征點，并生成SURF局部特征描述符[15-16]。首先將測試圖片和候選定位結(jié)果中的K張地圖圖片都重置為亮640×480亮像素大小。定義SURF中Hessian矩陣閾值特征點檢測算子的值為550，運用SURF算子實現(xiàn)局部特征提取，每個特征點仍由1個64維的向量表示，但1張圖片具有許多特征點。隨后，將測試圖片的SURF局部特征與候選定位結(jié)果中的K張圖片分別進行SURF局部特征匹配。為了保證匹配的有效性，首先計算每個相匹配的特征點之間的歐式距離，選出最大值，然后剔除距離大于0.5倍的最大值的匹配點，接著使用隨機抽樣一致性(RANSAC)算法[16]剔除錯誤局部特征點匹配，最后選出與測試圖片SURF局部特征點匹配數(shù)目最多的圖片作為圖像級定位結(jié)果。隨機選取了10張測試圖片，表1展示了SURF局部特征匹配中每一步中測試圖片與相對應的地圖圖片相匹配的SURF局部特征點數(shù)目。

表1 SURF局部特征點數(shù)目

1.2.3 度量級定位

以消防安全疏散標志為路標，在制作地圖時根據(jù)消防圖紙的標注和人工校驗獲取地圖圖片中消防安全疏散標志4個頂點在圖像坐標系中的坐標[upvp1]T。已知消防安全疏散標志頂點在世界坐標系中的三維坐標Ci，參考文獻[17]中的度量級定位方法，可以根據(jù)拍攝地圖圖片手機的內(nèi)參K，得到地圖圖片和世界坐標系之間的單應矩陣[18]，設(shè)為Hcw，見式(4)。

(4)

為了得到測試圖片拍攝時在地圖中的位置，首先要獲得拍攝時的位置與最近的消防安全疏散標志地點的地圖圖片之間的關(guān)系，通過RANSAC算法可以得到當前位置圖片與最近的消防安全疏散標志地圖圖片之間最優(yōu)的單應矩陣Hcc，見式(5)。

(5)

式中：[ucvc1]T是當前位置圖片中消防安全疏散標志4個頂點在圖像坐標系中的坐標。通過圖像級定位可以獲取最近的消防安全疏散標志地點圖片序號m，可以得到當前圖像位置與地圖圖像平面坐標系之間的單應矩陣Hc為

(6)

式中：[xiyi1]T是地圖圖像中消防安全疏散標志頂點在平面坐標系中的坐標。在根據(jù)消防圖紙的標注和人工校驗獲取消防安全疏散標志的三維信息后，可以根據(jù)式(7)得到世界坐標系與消防安全疏散標志平面坐標系之間的旋轉(zhuǎn)矩陣R0和平移矩陣t0為

[XiYiZi]T=R0[xiyizi]T+t0

(7)

式中：[XiYiZi]T和[xiyizi]T分別為消防安全疏散標志上相同點在世界坐標系和圖像坐標系中的坐標，為了方便計算取zi=0，建立消防疏散標志平面坐標系，則R0和t0為世界坐標系與消防安全疏散標志平面坐標系之間的旋轉(zhuǎn)矩陣與偏移向量。由于K已知，根據(jù)小孔成像模型可以得到旋轉(zhuǎn)矩陣R的第一、二列的列向量r1和r2[17]，見式(8)。

Hc?K[r1r2t]T

(8)

因此根據(jù)式(9)和(10)可以計算手機攝像頭與消防安全疏散標志之間的位姿[17]。

(9)

(10)

式中：Hc(i)是Hc的第i個列向量。通過式(11)求取用戶手機拍攝圖像時的位姿，可以得到用戶手機在世界坐標系中的位姿P

(11)

2 實驗結(jié)果

為了驗證本文算法，選取地下停車場和辦公樓2類典型室內(nèi)場景作為實驗地點進行了測試，分別為位于武漢市武昌區(qū)臨江大道96號的萬達威斯汀酒店的地下停車場以及位于武漢市武昌區(qū)友誼大道的武漢理工大學余家頭校區(qū)航海樓的4樓和5樓(見圖5)。圖中黑色方塊表示消防安全疏散標志，并對每個消防安全疏散標志進行編號，可以發(fā)現(xiàn)，這2處的共同特點為消防安全疏散標志密集且分布均勻。在實驗之前需要制作地圖：預先對場景中的消防安全疏散標志進行編號，利用手機采集每個消防安全疏散標志場景的圖像信息；利用該建筑物已有的CAD平面圖、消防平面圖以及人工校驗，獲得地圖中每個消防安全疏散標志地點在地圖中的坐標，并計算拍攝訓練圖像時的相機位姿，將以上幾種數(shù)據(jù)處理后的結(jié)果存儲為地圖。實驗時，不同的實驗人員利用不同類型的手機(VIVO V3、小米MIX、三星SM-T710)隨機對準消防安全疏散標志拍照進行定位，同時人工記錄和測量當前消防安全疏散標志的編號和在室內(nèi)場景內(nèi)的真實位置等實驗數(shù)據(jù)。定位結(jié)果的得到的是當前消防安全疏散標志的編號，最終定位結(jié)果是當前位置在地圖中的位姿。為了能夠得到有效的實驗數(shù)據(jù)，實驗人員在每個消防安全疏散標志地點不同時間段內(nèi)共拍攝了10張測試圖片。

圖5 實驗場景CAD平面圖

2.1 萬達威斯汀酒店地下停車場實驗定位結(jié)果

實驗1。選取了萬達威斯汀酒店的地下停車場負1樓和部分負2樓作為實驗地點，2處面積共約8 000 m2，共計38個消防安全疏散標志。消防安全疏散標志之間的平均間距為10 m，最小間距僅為5 m，每次拍攝消防安全疏散標志圖片地點所占面積大約為50 m2。該場景具有光線恒定且消防安全疏散標志多在高處不易被遮擋等優(yōu)點，同時也具有空曠、消防安全疏散標志之間間距較大等缺點。地下停車場負1樓和部分負2樓的CAD平面圖見圖5。

圖6為地下停車場共38個地點10次測試的圖像級定位結(jié)果。從圖中可以看出，地下停車場的圖像級定位結(jié)果的準確率為96.84%，其中消防安全疏散標志檢測部分的準確率為100%，圖像級定位中全局特征匹配的K值為7，準確率為98%。

圖6 地下停車場圖像級定位結(jié)果

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

本文算法在圖像級定位的基礎(chǔ)上利用度量級定位獲取最終定位結(jié)果，從表3中可以看出，在地下停車場負1樓和負2樓實驗中，定位誤差小于0.2 m的定位次數(shù)占總實驗次數(shù)的75.13%；定位誤差小于0.5 m的定位次數(shù)占總實驗次數(shù)的97.18%；定位誤差小于5 m的定位次數(shù)占總實驗次數(shù)的98.97%；定位誤差小于20 m的定位次數(shù)占總實驗次數(shù)的99.48%；定位誤差小于35 m的定位次數(shù)占總實驗次數(shù)的100%；平均誤差為0.6米。實驗中，本文算法還與文獻[4,7-8]中的算法進行了對比，并在文獻[7-8]基礎(chǔ)上進行了改進，將文獻[7]中視覺定位算法的人工選取關(guān)鍵幀改為以消防安全疏散標志為路標，將文獻[8]中許多路標改為統(tǒng)一以消防安全疏散標志為路標。雖然在地下停車場實驗中，文獻[8]中算法的定位精度略高于本文算法，但是該算法在圖像級定位階段的運行時間比本文算法圖像級定位階段運行時間多出6.67倍。本文算法依然有較大的優(yōu)勢，平均定位誤差在0.6 m以下。

2.2 武漢理工大學余家頭校區(qū)航海樓實驗定位結(jié)果

實驗2。選取了武漢市武昌區(qū)友誼大道武漢理工大學余家頭校區(qū)航海樓的4樓和5樓作為實驗地點，這2層樓的面積共約12 000 m2，共計36個消防安全疏散標志。消防安全疏散標志之間的平均間距為10 m，最小間距僅為3 m，每次拍攝消防安全疏散標志圖片地點所占面積大概為50 m2。該場景具有易受太陽光照影響，很多場景相似等缺點，也有消防安全疏散標志分布緊密、相鄰的消防安全疏散標志之間間距較小等優(yōu)點。實驗中對該地點中的消防安全疏散標志分別預先進行了編號。圖5(b)為航海樓4樓和5樓的CAD平面圖。

如圖7所示，為航海樓實驗共36個地點10次測試的圖像級定位結(jié)果，從圖中可以看出，本文算法航海樓的圖像級定位結(jié)果的準確率為96.1%，其中本文算法消防安全疏散標志檢測部分的準確率為100%，圖像級定位中全局特征匹配的K值為15，準確率為98%。

圖7 航海樓圖像級定位結(jié)果

本文算法在圖像級定位的基礎(chǔ)上利用度量級定位獲取最終定位結(jié)果，從表3可見，在航海樓4樓和5樓實驗中，定位誤差小于0.2 m的定位次數(shù)占總實驗次數(shù)的65.42%；定位誤差小于0.5 m的定位次數(shù)占總實驗次數(shù)的93.33%；定位誤差小于1 m的定位次數(shù)占總實驗次數(shù)的96.1%；定位誤差小于4 m的定位次數(shù)占總實驗次數(shù)的99.17%；定位誤差小于5 m的定位次數(shù)占總實驗次數(shù)的100%，平均誤差為0.5 m。實驗中，本文還與文獻[4,7-8]進行了對比，與地下停車場實驗進行了同樣的改進。實驗發(fā)現(xiàn)改進后的文獻[7]算法相對于原文在定位準確率上有很大程度的提高，但本文算法依然有較大的優(yōu)勢，在各階段定位誤差上的準確率均高于其他算法，平均定位誤差在0.5 m以下。

表3 航海樓度量級定位結(jié)果對比

2個場景的實驗結(jié)果表明，在設(shè)置了符合國家或地方相關(guān)標準與法規(guī)的消防安全疏散標志的建筑物中，本文研究的基于消防安全疏散標志檢測的高精度室內(nèi)視覺定位算法的定位精度高，且魯棒性良好。雖然該算法在環(huán)境相似且特征單一的場景(如對稱的長走廊等)可能會較大的定位誤差，但總體而言，圖像級定位結(jié)果的準確率仍在96%以上，平均定位誤差在0.6 m以下。

3 結(jié)束語

利用室內(nèi)環(huán)境常見且密集分布的消防安全疏散標志作為數(shù)據(jù)采樣點，研究一種新的基于消防安全疏散標志檢測的高精度室內(nèi)視覺定位算法，算法創(chuàng)新點有：①以室內(nèi)普遍存在且均勻分布的消防安全疏散標志為路標，限定用戶手機拍照的姿態(tài)，保證了室內(nèi)定位的有效性與準確率；②SURF局部特征匹配是基于SURF全局特征匹配結(jié)果的候選集對當前位置的測試圖片和地圖圖片進行匹配，減少了匹配的圖片數(shù)目，在保持較高的定位精度的情況下，能在很大程度上提高算法效率；③基于融合SURF全局特征與SURF局部特征的圖像級定位，度量級定位能進一步獲得精確的定位。在12 000 m2辦公樓和8 000 m2的地下停車場進行了實地測試，實驗結(jié)果表明，算法在室內(nèi)場景實驗達到96%以上的正確識別率，平均定位誤差在0.6 m以下。

在實驗中，本文算法也存在不足之處：①定位誤差大的地點主要是在多處相似且特征單一的場景中，如對稱的長走廊等，將進一步研究更有效的排除相似場景的干擾的方法；②精度滿足一般的人員定位需求，但對于地下停車場的車輛或室內(nèi)的移動機器人需要進一步提高定位精度。

參考文獻

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, SCH?N T B. Indoor positioning using ultrawideband and inertial measurements[J]. IEEE Transactions on Vehicular Technology, 2015,64(4):1293-1303.

[4] 李 煒,金 亮,陳 曦.基于Android平臺的室內(nèi)定位系統(tǒng)設(shè)計與實現(xiàn)[J].華中科技大學學報(自然科學版)，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] 中國國家標準管理委員會. 消防應急照明和疏散指示系統(tǒng)：GB17945—2010[S]. 北京：中國國家標準管理委員會，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] 北京市質(zhì)量技術(shù)監(jiān)督局.消防安全疏散標志設(shè)置標準：DB11_1024—2013[S].北京：北京市質(zhì)量技術(shù)監(jiān)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，胡釗政,等.基于ORB全局特征與最近鄰的交通標志快速識別算法[J].交通信息與安全，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 96thAnnual 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.