高速铁路旅客站内无源定位框架研究

Research on Passive In-Station Positioning Framework for Passengers of High-Speed Railway

摘要

针对既有室内空间无源定位方法存在高度依赖蓝牙等外部设备而产生的成本高、精度有限的问题，提出一种组合改进图像检索和基于词袋树的运动恢复结构算法的站内定位框架。首先，根据站内不同区域的图像局部特征分布统计结果，将存在空间相关的图像集进行聚类，形成图像词袋树；其次，通过剪枝及合并计算操作精简树形结构，并针对不同站内区域对应的分枝图像集选择改进分层式运动恢复结构算法，进行站内空间的三维重建，得到空间三维点云；最后，输入旅客视角图像，基于局部敏感哈希编码的DenseNet网络图像检索算法得到视图相似图像，计算其与三维点云空间映射关系，并输出旅客位置坐标。选取衡水北站进行案例验证，结果表明：构建的站内定位框架具有更强的三维重建能力、低误差和高效率，与实际坐标误差保持在1%以下，检索效率提高3.21%~5.61%。该站内定位框架可为高铁客站旅客出行服务质量和运输效能提升提供有效的架构指导和技术支撑。

Abstract

Addressing the issues of high costs and limited accuracy associated with the high dependence on external devices such as Bluetooth in existing passive indoor positioning methods, an in-station positioning framework combining improved image retrieval and bag-of-words tree-based motion recovery structure algorithm is proposed. Firstly, based on the statistical distributions of local image features in different areas within the station, image sets with spatial relevance are clustered to form an image bag-of-words tree. Secondly, the tree structure is refined through pruning and merging calculations. Branch image sets corresponding to different areas within the station are selected to improve the hierarchical motion recovery structure algorithm in order to achieve three-dimensional reconstruction in station, generating the three-dimensional point cloud. Finally, by inputting passenger perspective images, the DenseNet network image retrieval algorithm based on local sensitive hash coding is employed to obtain visually similar images. The spatial mapping relationship between these images and the three-dimensional point cloud is then calculated, and the passenger's position coordinates are output. A case study conducted using images from Hengshui North Station demonstrates that the proposed in-station positioning framework exhibits stronger three-dimensional reconstruction capabilities, low error, and high efficiency. The error margin with actual coordinates is maintained below 1%, and retrieval efficiency is increased by 3.21% to 5.61%. This in-station positioning framework provides effective architectural guidance and technical support for enhancing passenger travel service quality and transport efficiency in high-speed railway stations.

Graphical abstract

关键词

高速铁路客站 / 空间无源定位 / 站内定位框架 / 深度卷积神经网络 / 运动恢复结构 / 图像检索

Key words

High-speed railway station / Spatial passive positioning / In-station positioning framework / Deep convolutional neural network / Structure from motion / Image retrieval

国家交通强国建设目标对客运服务的效率、便捷性提出了更高层次的要求。作为提高铁路旅客出行效率的有效手段，实现站内复杂空间内的精确定位是确保旅客能够准确自主地掌握自身位置、缩短站内出行时间、提高出行服务水平的关键。当前，高铁站内定位通常采用基于蓝牙、无线网络等高度依赖信号传感设备实现有源定位的方法，存在成本高、精度低等缺点。如何建立一种面向旅客站内空间的无源定位框架，降低车站运营成本、优化站内导航服务、提高服务水平是我国高铁客运面临的挑战之一。

现有高铁旅客站内定位方法主要分为有源定位和无源定位2种方式。对于有源定位方法，有学者利用基于射频识别^［1-2］、WIFI^［3］、超声波^［4］和蓝牙^［5］等技术实现对室内物体的定位，但高铁客站内场景复杂、各类型设施设备及旅客的走动等因素均会对信号标识设备产生干扰，使基于有源技术实现站内定位的方法仍缺乏一定的适用性和精确性。而作为一种以被动接受定位目标输出信息实现空间内目标定位的方法，无源定位技术以其场景适用性强、部署成本低、精确度高的特点，为站内精确定位提供了一种新的思路。无源定位技术总体上包括基于人工标记^［6-7］、基于图像场景自然标记^［8-9］、基于卷积神经网络（Convolutional Neural Networks，CNN）的图像定位^［10-11］和基于运动恢复结构（Structure from Motion，SFM）的场景重建^［12-13］定位方法。利用上述方法实现站内位置定位需要输入旅客当前位置图像，从而提取图像信息特征，以构建图像与物理空间的映射关系。通过标记进行定位的方法复杂度较高且容易受到空间遮挡的影响，因此并不适用于场景集约程度较高的高铁客站，在无源定位方式中，SFM方法对图像信息的利用程度较高且重构后的场景辨识度较好，相关学者将其进一步改进以提高定位精度并广泛应用于室内位置定位。张星等^［14］设计了一种匹配图像搜索策略与SFM方法结合的室内连续视觉定位方法，实现亚米级定位精度。凌寒羽等^［15］通过引入分段调节函数和二次图像匹配算法，解决了SFM方法场景重建过程中三维点云目标针对性弱的问题。刘涛等^［16］提出一种将SFM方法和行人航位推算结合的定位方法，使匹配定位的误差范围在0.2 m以内。

近年来，随着深度学习技术的发展，利用深度卷积神经网络提取图像特征实现相似图像间的检索取得了不俗的表现。当前检索领域广泛使用的经典网络模型包括AlexNet^［17］，VggNet^［18］，ResNet^［19］，DenseNet^［20］及其改进模型^［21-23］。

综合上述研究发现，单一式SFM方法的室内定位方法以及基于深度卷积神经网络的图像检索方法能够有效提高人员定位和图像检索的精度和效率，但仍聚焦于针对单一物体或小规模空间，并不适用于高铁客站这类内部场景布局复杂的空间，同时大规模空间带来图像数据集规模的增加导致模型检索效率低下的问题尚未解决。

相比既有研究的不足，本文提出的室内定位方法创新点如下。

（1）集成传统全局和增量式SFM方法优势，并通过提取站内图像特征建立场景图像词袋树，形成基于场景词袋树的分布式SFM方法，兼顾重建效率和精度的车站三维场景的重建。

（2）针对站内图像检索效率低的问题，提出了基于局部敏感哈希图像编码方式的改进DenseNet深度卷积神经网络图像检索算法，解决了由于图像特征向量维度过高、数据集规模扩大导致检索算法效率精度降低的问题。

（3）针对高铁客站内旅客定位精准度低、成本高的问题，研究构建集“场景重建-图像检索-位置定位”于一体的高铁客站旅客室内无源定位框架，通过搭建旅客视角图像与三维场景的空间映射关系，实现旅客站内坐标定位精准化，为建成便捷高效的旅客出行链和客站运营管理模式提供支撑。

1 定位框架构成

研究提出的高铁客站室内定位框架，通过输入拍摄的站内场景图像（旅客视角），在无须外部信号传感设备的情况下输出图像的拍摄位置坐标。为实现站内旅客位置的准确定位，首先需要构建站内场景多角度拍摄图像数据集，然后进行图像局部特征提取以关联图像特征间的空间关系；在基于分层式SFM方法得到场景的三维点云后，最后通过图像检索算法将旅客视角图像在重建场景空间内进行匹配，从而实现站内定位。定位框架主要由3部分构成，包括站内图像数据集模块、图像检索模块和SFM重建定位模块，其示意图如图1所示。图中：SIFT为尺度不变特征转换算法；PnP为透视n点的位姿测量。

1.1　图像数据集模块

图像数据集由站内空间图像的特征信息、包含摄像机型号和拍摄焦距的图像文件格式信息（Exchangeable Image File Format，EXIF）以及图像拍摄时记录的位置坐标信息3部分构成。图像数据集模块一方面为图像检索模块提供用于匹配待检索图像的站内检索图像源，另一方面为三维重建定位模块提供SFM场景重建过程中所需要的摄像机参数、图像特征信息以及图像位置坐标。

1.2　图像检索模块

图像检索模块是以待检索图像（旅客当前位置视图）和已构建的站内图像数据集为输入，结合深度卷积神经网络模型提取识别并量化站内图像特征，将待检索图像和数据集进行匹配，准确识别旅客当前位置所在场景，并输出数据集中与待检索图像相似度最高的图像作为模块的检索结果。该图像将与待检索图像作为定位模块的输入。

1.3　SFM重建定位模块

基于既有站内图像数据集，该模块内首先通过尺度不变特征转换算法（Scale Invariant Feature Transform，SIFT）提取站内场景图像的多类型局部特征，并以图像与特征之间的匹配对应关系构建词袋树，使用改进SFM方法对二维场景进行三维重建。随后基于检索模块输入的待检索图像，结合同步输入的相似图像信息，确定待检索图像和检索图像的相对位置关系，实现对待检索图像即旅客位置的相对精确定位。

2 基于词袋模型分层式SFM方法的高铁旅客站内定位框架

2.1　图像数据集构建

选取高铁客站内进站口、检票口、商业区等高服务频率区域作为研究目标场景，并从多个角度对场景内容进行拍摄。拍摄过程中，为保证场景构建使用的站内空间图像数据集的清晰度和目标完整性，数据集图像拍摄的过程中形成了以摄像机为中心120°的扇形区域，并保持拍摄目标在距离中心3~5 m的区域内，如图2所示。除图像数据外，数据集中还记录了拍摄时使用的摄像机参数以及拍摄时的相机经纬度坐标。

2.2　图像局部特征点提取

高铁站内设施设备类型复杂且分布多样，对于具有相同的场景内容，其数据集内存在多幅无序二维图像，需要从照片序列中提取并匹配图像中局部特征点的空间对应关系，以还原目标场景和相机之间的几何关系，从而实现三维场景的精准构建。研究使用SIFT算法^［24］提取客站图像尺度不变性特征。

SIFT算法首先利用高斯核函数对站内场景原始图像进行卷积计算，构建图像的尺度空间为

G(x,y,\sigma )=\frac{\mathrm{1}}{\mathrm{2}\mathrm{\pi }{\sigma }^{\mathrm{2}}}{\mathrm{e}}^{\frac{-(x^{\mathrm{2}}+y^{\mathrm{2}})}{\mathrm{2}{\sigma }^{\mathrm{2}}}}（1）

L(x,y,\sigma )=G(x,y,\sigma )\mathrm{*}I(x,y)（2）

式中：x,y为图像像素二维坐标；\sigma为尺度空间值；G(x,y,\sigma )为高斯核函数；L(x,y,\sigma )为输入原始图像I(x,y)的尺度空间；\mathrm{*}表示卷积运算。

得到尺度空间后，对图像利用高斯滤波函数进行反降阶采样，进而得到高斯金字塔，实现空间像素极值点定位如图3所示。通过检测区域内极值点并将其与区域特征点进行等价，以参与之后图像特征的量化。

得到图像特征点后，进一步根据特征点邻域像素的梯度方向分布特征为特征点指定方向参数，使其具有旋转不变性，像素点梯度的模和方向分别为

\begin{array}{l}m(x,y)=\sqrt[]{L(x+\mathrm{1},y)-L{(x-\mathrm{1},y)}^{\mathrm{2}}+}\to \\ \leftarrow \sqrt[]{L(x,y+\mathrm{1})-L{(x,y-\mathrm{1})}^{\mathrm{2}}}\end{array}（3）

\theta (x,y)=\mathrm{a}\mathrm{r}\mathrm{c}\mathrm{t}\mathrm{a}\mathrm{n}\frac{L(x,y+\mathrm{1})-L(x,y-\mathrm{1})}{L(x+\mathrm{1},y)-L(x-\mathrm{1},y)}（4）

式中：m(x,y)为像素点梯度模；\theta (x,y)为梯度方向。

通过对图像进行上述处理，图像的每个特征点都具备了包括位置、尺度和方向3个固定的特征信息。每个特征点即拥有16个主方向，可构成1个128维向量，将该向量视为SIFT算法描述的子特征向量，即可实现对原始图像局部区块特征的向量化表示，示意图如图4所示。

2.3　基于分层式SFM算法的客站场景三维重建

得到针对客站场景不同角度原始图像的SIFT特征后，由于特征数据维度和数量较大，穷尽式的匹配策略会浪费大量计算资源，且相关性较低的图像输入会影响三维重建的精确度和效率。为此研究提出1种基于词袋树的分层式SFM算法。

2.3.1　图像词袋树构建

由于每1个SIFT特征向量均由128维的向量表示，将数据集中所有图像的特征向量投影到特征空间内，利用K-Means算法对各类型的特征点进行分层聚类，形成k种类型的特征中心即词根，每张图像表示为由多个特征中心组成的词袋。之后再次聚类操作，使得原k个根节点分支形成k^{\mathrm{2}}个子节点，重复N次。最终形成如图5所示的词袋树，其深度为N，第1层、第2层至第N层分别有k，k^{\mathrm{2}},\dots ,k^n个中心。

因此，在有Y张图像的数据集中，对于1张有\omega个词根的图像，其特征向量\mathit{p}可以表示为

\mathit{p}=(p_{\mathrm{1}}{p}_{\mathrm{2}}\dots p_{\omega })（5）

其中，

p_t=x_t{q}_{t}t=\mathrm{1},\mathrm{2},\dots ,\omega

q_t=\mathrm{l}\mathrm{n}\frac{Y}{Y_t}

式中：x_t为词根t为父节点的特征点个数；p_t为在第t个词根维度下对应的特征值；q_t为词根t在表现图像特征中的权重；Y_t为属于词根t的子节点的最小数量。

2.3.2　场景三维重建

在对图像数据集特征进行聚类并构建词袋树的基础上，运用分层式SFM算法进行场景三维重建，重建流程如图6所示。

首先对词袋树单个分支内的图像进行旋转平均计算，得到该分支下的全局旋转矩阵，确定摄像机间的位姿变换关系。对于2个旋转矩阵分别为{\mathit{R}}_{\mathrm{1}}和{\mathit{R}}_{\mathrm{2}}的相机，其平均最短距离d({\mathit{R}}_{\mathrm{1}},{\mathit{R}}_{\mathrm{2}})为

d({\mathit{R}}_{\mathrm{1}},{\mathit{R}}_{\mathrm{2}})=\frac{\mathrm{1}}{\mathrm{2}}{‖\mathrm{l}\mathrm{g}({\mathit{R}}_{\mathrm{1}}{{\mathit{R}}_{\mathrm{2}}}^{-\mathrm{1}})‖}_{\mathrm{2}}（6）

其中，

\mathrm{l}\mathrm{g}({\mathit{R}}_{\mathrm{1}}{{\mathit{R}}_{\mathrm{2}}}^{-\mathrm{1}})=\theta {\left[\mathit{v}\right]}_{\mathrm{x}}

式中：d(·)为旋转矩阵之间的平均最短距离；{‖·‖}_{\mathrm{2}}为2-范数；{\left[\right]}_x为向量的反对称表示符；\theta \mathit{v}为旋转角\theta与对应的单位向量\mathit{v}的乘积，为旋转矩阵的角轴形式。

因此，根据李群到李代数的映射变换，相机间的平均最短距离便可以表示为\frac{\mathrm{1}}{\mathrm{2}}\left|\theta \right|。

此时对于图像数据集整体，相机i与相机j相对旋转矩阵{\mathit{R}}_{\mathit{i}\mathit{j}}和全局旋转矩阵\mathit{R}的代价函数L(\mathit{R})为

L(\mathit{R})=\sum d^{\mathrm{2}}({\tilde{\mathit{R}}}_{ij},{\mathit{R}}_i{\mathit{R}}_j^T)=\sum {\widehat{\theta }}_{ij}^{\mathrm{2}}（7）

式中：{\tilde{\mathit{R}}}_{ij}为2个图像间旋转矩阵的估计值；{\mathit{R}}_i,{\mathit{R}}_j分别为相机i和相机j的旋转矩阵；{\widehat{\theta }}_{ij}为相机i与相机j间平均最短距离的残差。

此时建立相对旋转矩阵和全局旋转矩阵的代价函数Z为

Z=\mathrm{a}\mathrm{r}\mathrm{g}\underset{R}{\mathrm{m}\mathrm{i}\mathrm{n}}\sum \rho (d({\tilde{\mathit{R}}}_{ij},{\mathit{R}}_j{\mathit{R}}_i^{-\mathrm{1}}))（8）

其中，

\rho (d)=\mathrm{2}(\sqrt[]{d+\mathrm{1}}-\mathrm{1})

式中：\rho (·)为损失函数。

对代价函数进行求解得到全局旋转矩阵\mathit{R}，重建2个图像得到它们的相对旋转矩阵{\mathit{R}}_{ij}。

此时以词袋树分支根节点为原点，结合重建后的旋转矩阵以及点对之间的配对，将原点和图像的旋转矩阵{\mathit{R}}_{ij},{\mathit{R}}_{ip},{\mathit{R}}_{jp}的匹配阈值e表示为

e=‖{\mathit{R}}_{jp}{\mathit{R}}_{ij}{\mathit{R}}_{ip}^{\mathrm{T}}‖（9）

对旋转误差相对于未分枝前图像集旋转误差较大的分枝进行剔除，对剩余分枝通过全局式SFM算法^［25］进行三维重建。估计全场景内相机位姿，以及剩余分枝内全部图像的约束关系，利用三角测量定位方法对空间点进行三维点云恢复。

在此之后进一步对剔除的词袋树分枝进行增量式SFM重建，研究中通过栅格法^［26］挑选1组权值较大的图像作为三角测量定位的最优图像对，在此基础上向整个系统中不断添加新的匹配图像并对其进行位姿估计，并对特征点进行三维定位，最终整合得到客站场景的三维点云。

2.3.3　基于光束平差法的旅客定位优化

在重建过程中加入非线性优化，以降低三维重建阶段重投影误差和三角定位阶段偏差的累计，研究引入光束平差法（Bundle Adjustment，BA）最小化重投影误差，实现相机位姿和特征点参数估计的同步优化，得到如下目标函数。

{\mathit{\xi }}^{\mathrm{*}}=\underset{\xi }{\mathrm{a}\mathrm{r}\mathrm{g}\mathrm{m}\mathrm{i}\mathrm{n}}\frac{\mathrm{1}}{\mathrm{2}}{‖x_i-\frac{\mathrm{1}}{s_i}K{P}_i\mathrm{e}\mathrm{x}\mathrm{p}{\mathit{\xi }}_{\mathbf{Ù}}‖}_{\mathrm{2}}^{\mathrm{2}}（10）

式中：{\mathit{\xi }}_{\mathbf{Ù}}为外部参数矩阵；{\mathit{\xi }}^{\mathrm{*}}为{\mathit{\xi }}_{\mathbf{Ù}}通过对数映射优化后的李代数形式外部参数矩阵；x_i为空间点在像平面坐标；P_i为空间点实际三维坐标；s为深度值；\mathit{K}为相机内参数矩阵，包括相机光轴与图像平面间交点的图像像素的坐标和图像经归一化处理后的焦距。

2.4　站内定位实现

定位过程中，基于待检索图像的内置信息获取到图像拍摄所用到的相机参数，得到相机内置参数矩阵。以场景下平均投影误差最小的相似图像对应相机的位置为原始位置，根据场景重建时得到的相机旋转角为{\theta }_{\mathrm{0}}，求解得到待检测图像拍摄相机的旋转矩阵\mathit{R}为

\mathit{R}=\left(\begin{array}{ccc}\mathrm{c}\mathrm{o}\mathrm{s}\mathrm{\Delta }{\theta }_i& \mathrm{0}& \mathrm{s}\mathrm{i}\mathrm{n}\mathrm{\Delta }{\theta }_i\\ \mathrm{s}\mathrm{i}\mathrm{n}\mathrm{\Delta }{\theta }_i\mathrm{c}\mathrm{o}\mathrm{s}\mathrm{\Delta }{\theta }_i& \mathrm{c}\mathrm{o}\mathrm{s}\mathrm{\Delta }{\theta }_i& -\mathrm{s}\mathrm{i}\mathrm{n}\mathrm{\Delta }{\theta }_i\mathrm{c}\mathrm{o}\mathrm{s}\mathrm{\Delta }{\theta }_i\\ -\mathrm{c}\mathrm{o}\mathrm{s}\mathrm{\Delta }{\theta }_i\mathrm{s}\mathrm{i}\mathrm{n}\mathrm{\Delta }{\theta }_i& \mathrm{s}\mathrm{i}\mathrm{n}\mathrm{\Delta }{\theta }_i& \mathrm{c}\mathrm{o}\mathrm{s}\mathrm{\Delta }{\theta }_i\mathrm{c}\mathrm{o}\mathrm{s}\mathrm{\Delta }{\theta }_i\end{array}\right)（11）

进而计算出待检测图像相机的旋转角{\theta }_i为

{\theta }_i={\theta }_{\mathrm{0}}+\mathrm{\Delta }{\theta }_i（12）

此时已知相似图像的相机坐标位置为(x_{\mathrm{0}}，y_{\mathrm{0}})，结合对极约束可以通过余弦定理计算得到待检索图像的相机位置坐标(x_i,y_i)为

\left\{\begin{array}{l}{x}_i=x_{\mathrm{0}}+d\mathrm{\text{'}}\mathrm{c}\mathrm{o}\mathrm{s}{\theta }_i\\ y_i=y_{\mathrm{0}}+d\mathrm{\text{'}}\mathrm{s}\mathrm{i}\mathrm{n}{\theta }_i\end{array}\right.（13）

式中：d\mathrm{\text{'}}为待检索图像与相似图像相机位置间的相对距离。

3 基于LSH-DenseNet的客站场景图像检索算法

3.1　DenseNet图像特征提取模型

近年来，基于CNN的深度学习框架在图像特征提取方面取得了显著的成果，相比传统基于内容的图像检索算法（Content-Based Image Retrieval，CBIR）具有更高的全图特征提取效率和正确率；且由于引入了DenseNet模型，相较于传统的CNN和ResNet网络，DenseNet模型具备密集连接和特征重用机制，这种机制不仅可以有效地降低网络复杂度，而且可解决梯度消失的问题。通过直接堆叠来自不同层的特征图，DenseNet模型实现了图像特征重用，从而提升了模型的计算效率和特征提取性能。

DenseNet模型主要由密集块（Dense Block）和过渡层（Transition）构成，网络结构如图7所示。

从图7可以看出：在每个密集块中，层与层之间相互连接，且各网络层获取到的特征图大小一致，且各层卷积后均输出k个特征图，特征图和梯度之间的传递效率因为这种密集连接而提高。

网络中第l层的输出{\lambda }_l可以表示为

{\lambda }_l=H_l(x_{\mathrm{0}},{\lambda }_{\mathrm{1}},\dots ,{\lambda }_{l-\mathrm{1}})（14）

式中：H_l(·)为复合函数，包括批量归一化、ReLU激活函数和1个（3×3）像素卷积操作，即BN+ReLU+3×3Conv结构；(x_{\mathrm{0}},x_{\mathrm{1}},\dots ,x_{l-\mathrm{1}})为前l-\mathrm{1}层生成的特征图连接。

过渡层在相邻密集块间起到连接的作用，包括1个归一化层，（1×1）像素的卷积层和（2×2）像素平均池化层，通过池化（Pooling）的方法降低特征图大小，减少训练过程中的参数数量。

3.2　基于局部敏感哈希的图像编码

提取图像特征向量后，对于得到的n维图像特征向量\mathit{X}\in R^n，通过局部敏感哈希算法（Locality-Sensetive Hashing，LSH）使用哈希函数\mathit{H}=(h_{\mathrm{1}}h_{\mathrm{2}}\dots h_n)将高维度的图片特征向量\mathit{X}变为低维度的哈希编码，即将\mathit{X}代入哈希函数，得到的编码为

\mathit{y}=(h_{\mathrm{1}}(\lambda )h_{\mathrm{2}}(\lambda )\dots h_m(\lambda ))（15）

式中：h_m(\lambda )为第m个哈希函数对哈希值第m维的计算，。

通过对站内图像特征向量的哈希值计算，将图像特征向量由n维迁移到m维哈希空间，实现维度的降低，提高检索效率并降低算法复杂度。

根据图像间哈希值的相似程度，将相似度较高图像对应的哈希值划分到同一哈希表内。在随后的检索过程中，为缩小检索范围，只需将同一个哈希表中的数据集作为候选集，对比目标数据的哈希值与候选集数据哈希值的相似度。选取欧氏距离衡量数据之间的相似度，则哈希距离D为

D({\mathit{u}}_{\mathit{\alpha }},{\mathit{v}}_{\mathit{\beta }})=\sqrt[]{{\displaystyle \sum _{i=\mathrm{1}}^n}({\mathit{u}}_{\mathit{\alpha }}-{\mathit{v}}_{\mathit{\beta }}{)}^{\mathrm{2}}}（16）

式中：{\mathit{u}}_{\mathit{\alpha }},{\mathit{v}}_{\mathit{\beta }}为2张图像在\alpha和\beta维度的哈希编码。

最终输出数据集中与待检索图像相似度最高的图像作为待检索图像在三维场景中的参照，进而在定位模块中求得待检索图像对应的旅客精确坐标。

4 实例验证

衡水北站作为北京局管内高速铁路客站，总占地面积为6.834 5万m²，为单侧式站房布局。选取衡水北站为例，采集其场景作为图像采集区域，构建数据集，基于所构建的三维重建理论与定位方法进行验证。

4.1　数据准备与预处理

运用Exifer软件采集衡水北站内包括检票口、商务座候车区、站内卫生间、服务台及站内商业区等5个场景的图像，每个场景分别拍摄700张共计3 500张图像用于三维场景重建和图像检索训练，拍摄过程中同时记录拍摄该图像时对应的摄像机经纬度坐标。

特征提取阶段，每个场景的对应图像均能够被分到该场景下对应的词根下，以站内服务区为例分别聚类为场景的左侧、中间和右侧3种类型，图像集分层聚类结果示例见表1。之后对总图像集进行全局旋转估计，保留旋转误差值小于总图像集的图像类型数值，并进行全局式重建，与总图像集的旋转误差值差距较大的图像子集则进行增量式重建。

在建立词根图像和3D点云之间的匹配关系时，利用由软件Exifer提取到的相机内置参数，将场景重建点云中的3D点进行重投影，选取平均投影误差最小的图像与3D点建立匹配关系，服务区场景图像的旋转误差均值见表2。

4.2　模型参数

图像检索阶段，研究以DenseNet121模型对站内图像进行训练，试验运行环境配置为：内存32 Gb，CPU为Intel（R）Core（TM）i7-12700H 2.30 GHz，软件环境为Windows 11操作系统，深度学习框架为Python 3.8和Pytorch 1.12.0。训练过程中训练集和测试集分别取80%和20%，迭代次数为100次，使用交叉熵作为训练损失函数和RAdam优化器^［27］，初始网络学习率设置为1×10^-4，模型参数配置信息详见表3。

每张图像均量化为1个1 024维的特征向量。对于局部敏感哈希算法，选择4个局部敏感哈希函数映射图像数据，哈希表中图像编码设置为16，图像及其哈希值编码结果示例如图8所示。

在特征提取阶段，构建树杈个数为15个，层数为3层的词袋树，即每个站内场景对应的词根下对应的树杈均为3个。对于场景三维重建采用OpenMVG进行分层式SFM重建的可视化操作。

4.3　试验结果及对比分析

通过分层式SFM得到各场景3D点云如图9所示。

利用分层式SFM重建算法与传统的全局式、增量式和混合式SFM方法进行对比，以商务候车室重建结果为例，重建结果对比见表4。由表4可知：从各模型的整体表现看，分层式SFM相比传统全局式和增量式SFM算法具有更强的三维恢复能力以及更高的准确率，而混合式在重建上的表现能力最差，虽然其具有较小的旋转误差均值，但是恢复的三维点个数远少于其他模型。

使用分层式SFM算法得到的不同站内场景图像的拍摄定位结果，以及待检索图像及其通过图像检索算法得到的数据集中的相似图像，得到待检测图像实际与计算坐标对比见表5。基于相同的数据集，将研究提出的基于LSH的DenseNet模型与既有基于神经网络模型的图像检索进行对比，结果见表6。

由表5和表6可知：基于LSH-DenseNet的图像检索算法检索效果优于传统基准模型以及原始DenseNet模型，将检索效果提高了3.21%~5.61%，准确率接近99%，能够从数据集中获取到与待检索图像高度一致的原始图像；在检索时长指标上，对比原始DenseNet图像检索算法，提出的基于LSH-DenseNet的图像检索方法节约了近40%检索时长，随着数据集规模的增大该差距会不断被扩大。

为进一步说明提出的站内定位框架的定位精准度，分别计算以站内检票口图像为例的实际与计算横纵坐标误差，如图10所示。从图10可以看出：当拍摄范围在3~5 m的距离时，定位框架能够提供相对精确的坐标，其计算结果相比真实坐标的误差大小均低于1%。

为进一步验证图像拍摄距离对定位效果的影响以及研究构建定位框架的鲁棒性，对距离目标场景10~13 m的拍摄图像使用提出的定位框架进行定位，计算得到的定位结果与实际坐标的误差百分比如图11所示。从图11可以看出：误差值相比拍摄范围在3~5 m距离时的误差结果有所增大，且横坐标相比纵坐标的误差变化幅度要更大，但仍能够保持在3%的误差范围内。

5 结论

（1）提出的基于三维场景重建模块、改进图像编码和检索模块的高速铁路客站无源定位框架，有效解决了传统单一式SFM算法重建效果差的缺陷，实现对高铁旅客站内位置的精确定位。

（2）提出的基于词袋树和分层式SFM模型在表现上显著优于其他三维重建模型，其中三维点个数恢复、摄像机旋转误差均值指标的优化程度分别达10.3%~34.9%和20.6%~73.3%。

（3）基于局部敏感哈希编码的深度学习图像检索模型的运用，相比传统图像检索算法时长降低了超68%，且准确率提高了3.21%~5.61%，使得定位框架具有更少的运行时长和更高的定位效率。提出的旅客站内定位框架可以为助力我国高速铁路客站在客运服务和运营工作方面的改善提供有效的技术支撑。

参考文献

[1] 艾浩军，曾维珂，陶荆杰，等.基于扩散模型的室内定位射频指纹数据增强方法［J］.通信学报，2023，44（11）：201-212.

[2] AI Haojun， ZENG Weike， TAO Jingjie， et al. Radio Frequency Fingerprint Data Augmentation for Indoor Localization Based on Diffusion Model ［J］. Journal on Communications， 2023， 44 （11）： 201-212. in Chinese

[3] 兰庆庆，肖本贤.基于网格的密度峰值聚类算法的RFID定位［J］.电子测量与仪器学报，2018，32（10）：73-78.

[4] LAN Qingqing， XIAO Benxian. Grid-Based Density Peak Clustering Algorithm for RFID Positioning ［J］. Journal of Electronic Measurement and Instrumentation， 2018， 32 （10）： 73-78. in Chinese

[5] 沈天盛，陈文莹，朱彬斌，等.基于改进WKNN的蓝牙室内定位方法［J］.现代电子技术，2023，46（10）：11-16.

[6] SHEN Tiansheng， CHEN Wenying， ZHU Binbin， et al. Method of Bluetooth Indoor Positioning Based on Improved WKNN ［J］. Modern Electronics Technique， 2023， 46 （10）： 11-16. in Chinese

[7] 刘永福，黄芳艳，林镇滔，等.基于超声波的无人机室内定位技术研究［J］.科技与创新，2020（1）：51-53.

[8] LIU Yongfu， HUANG Fangyan， LIN Zhentao， et al. Research on Indoor Positioning Technology of Unmanned Aerial Vehicle Based on Ultrasonic Wave ［J］. Science and Technology & Innovation， 2020 （1）： 51-53. in Chinese

[9] 施福根.基于5G高精度融合定位的铁路客运站安全监管系统研究［J］.铁道运输与经济，2022，44（6）：84-91.

[10] SHI Fugen. Research on Safety Supervision System of Railway Passenger Station Based on 5G High-Precision Fusion Positioning ［J］. Railway Transport and Economy， 2022， 44 （6）： 84-91. in Chinese

[11] SARLIN P E， CADENA C， SIEGWART R， et al. From Coarse to Fine： Robust Hierarchical Localization at Large Scale ［C］// 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Long Beach， CA， USA. New York： IEEE Press， 2019： 12716-12725.

[12] NIU Q， LI M K， HE S N， et al. Resource-Efficient and Automated Image-Based Indoor Localization ［J］. ACM Transactions on Sensor Networks， 2019， 15 （2）： 1-31.

[13] CHEN Y J， CHEN R Z， LIU M Y， et al. Indoor Visual Positioning Aided by CNN-Based Image Retrieval： Training-Free， 3D Modeling-Free ［J］. Sensors， 2018， 18 （8）： 2692.

[14] SATTLER T， LEIBE B， KOBBELT L. Efficient & Effective Prioritized Matching for Large-Scale Image-Based Localization ［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2017， 39 （9）： 1744-1756.

[15] LYNEN S， ZEISL B， AIGER D， et al. Large-Scale， Real-Time Visual–Inertial Localization Revisited ［J］. The International Journal of Robotics Research， 2020， 39 （9）： 1061-1084.

[16] KENDALL A， GRIMES M， CIPOLLA R. PoseNet： a Convolutional Network for Real-Time 6-DOF Camera Relocalization ［C］// 2015 IEEE International Conference on Computer Vision （ICCV）. Santiago， Chile. New York： IEEE Press， 2015： 2938-2946.

[17] RAZAVIAN S M， REZAI B， IRANNAJAD M， et al. Numerical Simulation of High Voltage Electric Pulse Comminution of Phosphate Ore ［J］. International Journal of Mining Science and Technology， 2015， 25 （3）： 473-478.

[18] WU Y H， ZHU H Z， HU Z Y， et al. Camera Calibration from the Quasi-Affine Invariance of Two Parallel Circles ［C］// Computer Vision - ECCV 2004. Lecture Notes in Computer Science. Prague， Czech Republic. Berlin， Heidelberg： Springer， 2004， 3021： 190-202.

[19] 张星，林静，李清泉，等.结合感知哈希与空间约束的室内连续视觉定位方法［J］.测绘学报，2021，50（12）：1639-1649.

[20] ZHANG Xing， LIN Jing， LI Qingquan， et al. Continuous Indoor Visual Localization Using a Perceptual Hash Algorithm and Spatial Constraint ［J］. Acta Geodaetica et Cartographica Sinica， 2021， 50 （12）： 1639-1649. in Chinese

[21] 凌寒羽，王培元，彭彬彬.基于增量式SFM的特定目标加速定位方法［J］.计算机仿真，2020，37（3）：243-248，263.

[22] LING Hanyu， WANG Peiyuan， PENG Binbin. Specific Target Acceleration Positioning Method Based on Incremental SFM ［J］. Computer Simulation， 2020， 37 （3）： 243-248， 263. in Chinese

[23] 刘涛，张星，李清泉，等.一种运动恢复结构和航位推算结合的室内行人视觉定位方法［J］.地球信息科学学报，2017，19（6）：744-753.

[24] LIU Tao， ZHANG Xing， LI Qingquan， et al. An Indoor Pedestrian Positioning Approach Based on the Integration of SFM and PDR ［J］. Journal of Geo-Information Science， 2017， 19 （6）： 744-753. in Chinese

[25] KRIZHEVSKY A， SUTSKEVER I， HINTON G E. ImageNet Classification with Deep Convolutional Neural Networks ［J］. Communications of the ACM， 2017， 60 （6）： 84-90.

[26] SIMONYAN K， ZISSERMAN A. Very Deep Convolutional Networks for Large-Scale Image Recognition ［EB/OL］. 2014： arXiv： 1409.1556.

[27] HE K M， ZHANG X Y， REN S Q， et al. Deep Residual Learning for Image Recognition ［C］// 2016 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）. Las Vegas， NV， USA. New York： IEEE Press， 2016： 770-778.

[28] 赵雅琴，宋雨晴，吴晗，等.基于DenseNet和卷积注意力模块的高精度手势识别［J］.电子与信息学报，2024，46（3）：967-976.

[29] ZHAO Yaqin， SONG Yuqing， WU Han， et al. High-Precision Gesture Recognition Based on DenseNet and Convolutional Block Attention Module ［J］. Journal of Electronics & Information Technology， 2024， 46 （3）： 967-976. in Chinese

[30] 倪翠，王朋，朱元汀，等.嵌套网络模型下的相似图像检索方法［J］.应用科学学报，2022，40（3）：400-410.

[31] NI Cui， WANG Peng， ZHU Yuanting， et al. A Similar Image Retrieval Method Based on Nested Network Model ［J］. Journal of Applied Sciences， 2022， 40 （3）： 400-410. in Chinese

[32] 史丽晨，张鹏，王海涛，等.基于GASF与MSCAM-DenseNet的小样本齿轮故障诊断方法［J/OL］.计算机集成制造系统，2023（2023-11-15）［2024-10-29］.

[33] SHI Lichen， ZHANG Peng， WANG Haitao， et al. Small-Sample Gear Fault Diagnosis Method Based on GASF and MSCAM-DenseNet ［J/OL］. Computer Integrated Manufacturing Systems， 2023 （2023-11-15） ［2024-10-29］. in Chinese

[34] 王阳萍，韩淑梅，杨景玉，等.改进YOLOv4的铁路沿线遥感影像地物检测方法［J］.光谱学与光谱分析，2022，42（10）：3275-3282.

[35] WANG Yangping， HAN Shumei， YANG Jingyu， et al. Improved YOLOv4 Remote Sensing Image Detection Method of Ground Objects Along Railway ［J］. Spectroscopy and Spectral Analysis， 2022， 42 （10）： 3275-3282. in Chinese

[36] LOWE D G. Object Recognition from Local Scale-Invariant Features ［C］// Proceedings of the Seventh IEEE International Conference on Computer Vision. Kerkyra， Greece. New York： IEEE Press， 1999： 1150-1157.

[37] WILSON K， SNAVELY N. Robust Global Translations with 1DSfM ［C］// Computer Vision - ECCV 2014. Lecture Notes in Computer Science. Zurich， Switzerland. Cham： Springer， 2014， 8691： 61-75.

[38] SCHÖNBERGERJ L， FRAHM J M. Structure-from-Motion Revisited ［C］// 2016 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）. Las Vegas， NV， USA. New York： IEEE Press， 2016： 4104-4113.

[39] LIU L Y， JIANG H M， HE P C， et al. On the Variance of the Adaptive Learning Rate and Beyond ［EB/OL］. 2019： arXiv： 1908.03265.

基金资助

中央高校基本科研业务费专项资金项目(2022JBQY006)