0 引言

　　传统的室内可见光定位（VLP）技术[1]因成本、设备部署等因素存在局限性。因此，基于多源信息融合[2]的室内定位技术逐渐受到研究者的关注，成为室内定位的一个重要方向。文献[3]为解决发光二极管（LED）与光电探测器（PD）之间因辐射角度导致的光强采集问题，加入了角度特征融合建立模型，输入卷积神经网络实现定位，其平均定位误差为4.16 cm，但角度特征的精确采集较为困难。文献[4]结合了无线网络（WiFi）和蓝牙的信号强度数据以增强系统定位精度，但此方法复杂度较高。文献[5]将信号强度数据与测距数据融合，提出了基于接收信号强度（RSS）[6]和到达时间（TOA）[7]的分布式融合定位系统，但该系统的光源会受到复杂环境的影响。文献[8]将红外与相机传感器融合，利用红外和相机独立观测的数据，通过极大似然估计来确定融合位置。但红外容易受到其它灯光的干扰，同时红外线的传输距离较短。与此相比，图像特征[9]不会因周围环境遮挡光源而影响特征数据的采集。此外，颜色矩相对于其它图像特征对图像的尺寸、方向、视角变化的依赖性较小，提取的特征向量维数较少，更便于后续的特征融合。鉴于此，本文提出一种基于多源信息融合的RBF神经网络VLP算法，将RSS与图像的颜色矩特征融合处理，通过径向基函数（RBF）神经网络拟合得到高精度的室内定位结果。

4 结束语

　　本文基于室内复杂环境结构和障碍物对光强数据采集的干扰情况，结合图像特征本身所具备的特征稳定性，提出了一种基于多源信息融合的RBF神经网络室内VLP算法。该算法旨在利用图像特征来弥补单一光强信息源在定位方面的局限，从而提升定位算法的整体性能。此外，算法还采用RBF神经网络来解决LED光源的非线性问题，并通过将光源视为朗伯模型来进一步优化训练算法模型，进而减少定位误差。在算法实现过程中，本文选择了具有向量维数简洁、数据可视化等优点的颜色矩特征作为图像特征。经过维数筛选后，将最终的颜色矩特征向量与光强数据融合，构建了融合源指纹库，并完成了神经网络算法模型的搭建。在基于0.8 m×0.8 m×0.8 m的立体模型中进行的测试表明，所提算法的平均误差约为4.1 cm，相较于RSS定位算法，其定位精度提升了9.4%。同时，该算法还具备良好的稳定性，为室内VLP算法提供了更加可行的解决方案。