阅读说明：本技术 一种可见光通信中设备定位方法及系统 (Equipment positioning method and system in visible light communication ) 是由 王昭诚 刘沛玺 赵培尧 于 2019-08-09 设计创作，主要内容包括：本发明实施例提供一种可见光通信中设备定位方法及系统,其中,所提供的方法包括：获取相机在可见光通信中产生的信号图像,对所述信号图像进行预处理,获得特征图像；将所述特征图像输入训练好的神经网络中,获得所述相机的三维位置信息；其中,所述相机的三维位置信息包括但不限于相机位置信息和相机倾角中的一项或多项的组合。本发明实施例提供的方法及系统,采用训练好的神经网络对可见光通信系统中的相机进行定位,与传统的几何方法对比,在相同分辨率下,可以实现更高的定位精度,同时受相机高度的影响较小。(The embodiment of the invention provides a method and a system for positioning equipment in visible light communication, wherein the method comprises the following steps: acquiring a signal image generated by a camera in visible light communication, and preprocessing the signal image to obtain a characteristic image; inputting the characteristic image into a trained neural network to obtain three-dimensional position information of the camera; wherein the three-dimensional position information of the camera includes, but is not limited to, a combination of one or more of camera position information and camera tilt angle. According to the method and the system provided by the embodiment of the invention, the trained neural network is adopted to position the camera in the visible light communication system, compared with the traditional geometric method, under the same resolution, higher positioning precision can be realized, and meanwhile, the influence of the height of the camera is small.)

一种可见光通信中设备定位方法及系统

技术领域

本发明涉及计算机技术领域，尤其涉及一种可见光通信中设备定位方法及系统。

背景技术

随着移动通信用户***增长，传统的射频通信已经逐渐无法满足通信需求，而可见光通信(Visible Light Communication，VLC)由于其高速率、低功耗、高安全性和较强适用性，引起了广大科研人员的关注。在室内通信、车辆通信、物联网等短距离通信场景中，可见光通信都拥有巨大潜力。在这些通信场景中，基于定位的服务(Location-Base Service，LBS)需求越来越多，如智能驾驶、室内导航、行为检测等。由于可见光通信过程中主要通过LOS径传输信号，且其接收机(光电二极管、相机等)能获得比传统射频通信更准确的信号入射角信息，所以在可见光通信过程中获取终端位置是一个研究热点。

传统的可见光通信采用了与射频通信相似的定位方法：利用自由空间内可见光通信信道模型，通过接收信号强度(Received Signal Strength，RSS)估计LED信源与接收机的距离，然后通过三边定位的方法求得接收机位置；由于光通信中主要通过LOS径传输，利用信号到达时间(Time of Arrival，TOA)或信号到达时间差(Time Difference ofArrival，TDOA)得到LED信源与接收机的距离或距离差，再通过三边定位即可获得接收机位置。但这种传统定位方法并没有利用可见光通信中信号到达角估计准确的优势，于是通过信号到达角的几何约束判断接收机位置的方法被提出。

由于现在的移动智能终端大多配有照相机或摄像机(汽车、手机、笔记本电脑、平板电脑等)，且相机对于光信号的入射角估计十分准确，于是通过获取已知位置的LED信源在相机感光板上的成像坐标，可以很容易计算出光信号的入射角。一个已知位置的LED信源和其像点坐标就会对相机倾角有一个约束，通过这样的三个LED就可以获得三个角度约束，进一步能通过数值方法求解出相机位置。但是由于目前相机大多数为数字相机，难以准确获取LED的像点坐标，于是当相机分辨率较低或距离LED信源太远时难以获取准确位置甚至无法获得位置估计，同时定位精度还会受到相机焦距、镜头屈光度等参数的影响。

发明内容

为解决上述现有技术中存在的问题，本发明实施例提供一种可见光通信中设备定位方法及系统。

第一方面，本发明实施例提供一种可见光通信中设备定位方法，包括：

获取相机在可见光通信中产生的信号图像，对所述信号图像进行预处理，获得特征图像；

将所述特征图像输入训练好的神经网络中，获得所述相机的三维位置信息；

其中，所述相机的三维位置信息包括但不限于相机位置信息和相机倾角中的一项或多项的组合。

其中，所述方法还包括：获取若干相机在可见光通信中产生的特征图像以及相机对应的位置信息，构建训练样本集；通过所述训练样本集对预设的神经网络进行训练，获得所述训练好的神经网络。

其中，所述获取若干相机在可见光通信中产生的特征图像以及相机对应的位置信息，构建训练样本集的步骤，还包括：获取LED的位置信息以及LED的功率信息，采用相机仿真系统构建训练样本集。

其中，所述获取相机在可见光通信中产生的信号图像，对所述信号图像进行预处理，获得特征图像的步骤，具体包括：通过相机感光板上的光电二极管的接收信号，获取信号图像；分离所述信号图像中的环境光和LED光，对所述信号图像中的LED光中进行标注，建立LED光和标注的映射规则；对所述信号图像中的环境光和所述LED光进行渲染，获得所述特征图像。

其中，所述通过所述训练样本集对预设的神经网络进行训练，获得所述训练好的神经网络的步骤，具体包括：根据训练样本集特征构建神经网络，根据相机位置预测和角度预测倾斜，决定所述神经网络的损失函数；通过反向传播算法训练神经网络，直至所述神经网络的损失函数满预设条件。

其中，所述获取LED的位置信息以及LED的功率信息，采用相机仿真系统构建训练样本集的步骤，具体包括：根据LED的位置信息以及LED的功率信息和相机的参数信息进行建模；将所述相机在预设区域内进行布置，形成采样点，根据小孔呈像原理获得LED的信号图像；记录所述信号图像与对应的采样点构建训练样本集。

其中，所述方法还包括：以所述相机建立相机坐标系；根据所述相机的三维位置信息以及所述LED的位置信息，获得所述LED相对于所述相机的位置信息。

第二方面，本发明实施例提供一种可见光通信中设备定位方法，包括：

获取相机在可见光通信中产生的信号图像，对所述信号图像进行预处理，获得特征图像；

将所述特征图像输入训练好的神经网络中，结合LED自身位置信息，获得相机相对于LED的位置。

第三方面，本发明实施例提供一种可见光通信中设备定位系统，包括：

预处理模块，用于获取相机在可见光通信中产生的信号图像，对所述信号图像进行预处理，获得特征图像；

定位模块，用于将所述特征图像输入训练好的神经网络中，获得所述相机的三维位置信息；

其中，所述相机的三维位置信息包括但不限于相机位置信息和相机倾角中的一项或多项的组合。

第四方面，本发明实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述第一方面所提供的可见光通信中设备定位方法的步骤。

第五方面，本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述第一方面所提供的可见光通信中设备定位方法的步骤。

本发明实施例提供的可见光通信中设备定位方法及设备，采用训练好的神经网络对可见光通信系统中的相机进行定位，与传统的几何方法对比，在相同分辨率下，可以实现更高的定位精度，同时受相机高度的影响较小。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明一实施例提供的一种可见光通信中设备定位方法的流程示意图；

图2为本发明一实施例提供的一种可见光通信中设备定位方法中，适用场景示意图；

图3为本发明又一实施例提供的一种可见光通信中设备定位方法的流程示意图

图4为本发明另一实施例提供的一种可见光通信中设备定位方法中，相机仿真系统示意图；

图5为本发明另一实施例提供的一种可见光通信中设备定位方法中，相机仿真系统生成的特征图像示意图；

图6为本发明另一实施例提供的一种可见光通信中设备定位方法中，卷积神经网络结构示意图；

图7为本发明另一实施例提供的一种可见光通信中设备定位方法中，深度残差网络结构示意图；

图8为本发明又一实施例提供的一种可见光通信中设备定位方法中，卷积神经网络和深度残差网络训练过程比较示意图；

图9为本发明又一实施例提供的一种可见光通信中设备定位方法中，定位误差随高度变化的示意图；

图10为本发明又一实施例提供的一种可见光通信中设备定位方法中，定位误差与传统几何方法的对比示意图；

图11为本发明一实施例提供的可见光通信中设备定位系统的结构示意图；

图12为本发明一实施例提供的电子设备的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

参考图1，图1为本发明一实施例提供的一种可见光通信中设备定位方法的流程示意图，所提供的方法包括：

S1，获取相机在可见光通信中产生的信号图像，对所述信号图像进行预处理，获得特征图像。

S2，将所述特征图像输入训练好的神经网络中，获得所述相机的三维位置信息。

其中，所述相机的三维位置信息包括但不限于相机位置信息和相机倾角中的一项或多项的组合。

具体的，在获得相机通信过程中的图像之后，需要采用线下相同的预处理手段，将其处理成为标准的特征图像，以输入神经网络。即通过相机感光板上的光电二极管(Photodiode，PD)接收的信号图像判断接收信号是来源于背景或者来源于LED。将信号图像中的每一部分来源于LED部分，根据LED的ID，进行对应的渲染操作，将来源于背景的的部分渲染为黑色，同时调整图像的分辨率为预设的神经网络对应输入的分辨率，构建特征图像。

将特征图像输入训练好的神经网络中，进行一次前向传播运算即得到相机光心位置和相机的角度。

通过此方法，采用训练好的神经网络对可见光通信系统中的相机进行定位，与传统的几何方法对比，在相同分辨率下，可以实现更高的定位精度，同时受相机高度的影响较小。

在上述实施例的基础上，所述获取相机在可见光通信中产生的信号图像，对所述信号图像进行预处理，获得特征图像的步骤，具体包括：通过相机感光板上的光电二极管的接收信号，获取信号图像；分离所述信号图像中的环境光和LED光，对所述信号图像中的LED光中进行标注，建立LED光和标注的映射规则；对所述信号图像中的环境光和所述LED光进行渲染，获得所述特征图像。

具体的，在获得相机通信过程中的图像之后，需要采用线下相同的预处理手段，将其处理成为标准的特征图像，以输入神经网络。即通过相机感光板上PD的接收信号判断接收信号是否来源于背景，以及接收信号对应LED的ID。

对不同的LED像要渲染对应PD区域为不同的颜色；若PD没有任何接收信号，则渲染为黑色。若预处理后的图像分辨率不等于线下训练阶段使用的特征图像分辨率，则通过上采样(图像分辨率低时)或下采样(图像分辨率高时)进行处理，进而获得处理好的特征图像。

在上述实施例的基础上，获取若干相机在可见光通信中产生的特征图像以及相机对应的位置信息，构建训练样本集；通过所述训练样本集对预设的神经网络进行训练，获得所述训练好的神经网络。

所述获取若干相机在可见光通信中产生的特征图像以及相机对应的位置信息，构建训练样本集的步骤，还包括：获取LED的位置信息以及LED的功率信息，采用相机仿真系统构建训练样本集。

其中，所述获取LED的位置信息以及LED的功率信息，采用相机仿真系统构建训练样本集的步骤，具体包括：根据LED的位置信息以及LED的功率信息和相机的参数信息进行建模；将所述相机在预设区域内进行布置，形成采样点，根据小孔呈像原理获得LED的信号图像；记录所述信号图像与对应的采样点构建训练样本集。

具体的，LED发送光信号给相机，相机上的PD阵列通过小孔成像原理接收信号，由PD的接收信号可以判断出PD的信号来源。具体地，当采用普通相机通信模式时，PD通过一段时间内通信信号判断信号来源于某个LED；当采用滚动快门的相机通信方式时，相机得到的图像信号由明暗相间的LED条纹图像构成，通过PD所在的明暗条纹区域，即可判断出PD接收信号来源。

相比于传统图像定位，相机通信的优势在于可以获得图像上LED像的ID信息。为了将LED像的的不同传递给神经网络，给不同的LED像渲染不同的颜色加以区分。建立LED与颜色的一一对应映射规则，且对所有的图像信号采用相同规则。

根据映射规则，对相机所有PD进行渲染，当PD接收信号为环境光时，渲染为黑色，以达到去背景的目的。在获取特征图像和对应位置的数据集之后，根据特征图像所含信息量对特征图像进行质量标记。若图像中有m个LED信源的像，其中有n个是完整的，则记该图像质量为“m-n”级。去除低质量样本，以免干扰神经网络训练。将高质量数据集随机分割成训练集和验证集，即可输入卷积神经网络中进行训练。通过调节参数使神经网络收敛，最后取验证集误差最小时的网络作为定位网络。

若没有足够多的实际样本，且LED的位置和功率已知，线下训练阶段可利用相机仿真系统获取训练集，包括以下步骤：

对自由空间中的LED进行球建模，球位置即为LED真实位置，球半径代表LED信源功率大小，不同的LED拥有不同的ID，同样建立映射规则，不同ID对应不同颜色加以区分。

相机是自由度为6的刚体，使用镜头光心坐标(三个参数)、欧拉转动单位矢量(两个参数)参数和转动角(一个参数)共六个参数描述。光心与感光板平面距离为焦距，焦距与感光板的大小决定了相机视角大小。相机中PD均匀分布在感光板平面上，其数量由感光板大小和相机分辨率决定。

在目标区域内均匀采样。对每个采样点，由线性光学和相机的小孔成像原理，求解LED的光信号覆盖范围，并根据该范围判断相机感光板上PD是否被LED信号覆盖。若PD在信号范围内，则根据LED的ID渲染对应的颜色；若不在信号覆盖范围内，则视为背景，渲染为黑色。最终获得去除背景信息、以不同颜色区分不同LED像的特征图像

在获取特征图像和位置的数据集之后，根据特征图像所含信息量对特征图像进行质量标记。若图像中有m个LED信源的像，其中有n个是完整的，则记该图像质量为“m-n”级。去除低级别样本，将高质量数据集随机分割成训练集和验证集。

通过此方法，采用实际数据和相机仿真系统，来构建样本集，可以满足对神经网络训练的样本集中样本的数量需求，同时采用仿真系统来进行训练样本的构建，可以丰富样本集的种类，使得对神经网络的训练更加完善。

在上述实施例的基础上，所述通过所述训练样本集对预设的神经网络进行训练，获得所述训练好的神经网络的步骤，具体包括：根据训练样本集特征构建神经网络，根据相机位置预测和角度预测倾斜，决定所述神经网络的损失函数；通过反向传播算法训练神经网络，直至所述神经网络的损失函数满预设条件。

具体的，构建神经网络，网络输入为特征图像，所以输入的矩阵维度为(m,n,3)，其中m、n是相机分辨率，3表示为彩色图像。输出为相机的三维位置，用1x3的向量来表示。当需要预测相机角度时，则用两个输出表示，由两个1x3的向量来表示，其中一个表示相机位置，另一个表示相机倾角。为了提取特征图像中的特征，主体结构主要卷积神经网络，激活函数则采用ReLU类函数进行回归预测。为了回归得到相机的角度和位置，最后需要全连接网络来进行回归预测。网络的卷积核的大小和初始化类型可通过多次试验，选择性能最好的组合。

神经网络的训练目标是减小损失函数，损失函数由相机位置预测误差(均方差)和角度预测误差(均方差)组成，定义如下：

其中M为样本数量，P_i ^pre为对第i个特征图像的位置预测，P_i ^true为第i个特征图像对应的真实位置，为对第i个特征图像的角度预测，为第i个特征图像对应的真实角度向量。R为角度预测误差的权重系数，表示对角度误差的关注程度，越大表示角度预测会越精确，位置预测则越粗糙。π²是对角度向量的归一化。

利用反向传播算法多次迭代训练神经网络，逐步较小网络损失，可采用不同的优化器进行尝试，选择收敛速度最快，振荡较小的优化器。最后保存在验证集上损失最小的模型作为最终的定位网络，用于线上预测。

在上述实施例的基础上，所述方法还包括：以所述相机建立相机坐标系；根据所述相机的三维位置信息以及所述LED的位置信息，获得所述LED相对于所述相机的位置信息。

具体的，当获得相机的角度和位置之后，可以得到世界坐标系(World CoordinateSystem，WCS)与相机坐标系(Cameral Coordinate System，CCS)之间的关系，相机坐标系如图2所示意，被用来描述相机位置和角度。过LED在相机坐标系中的位置，通过平移旋转坐标变换即可得到LED相对于相机的位置。

其中LED^w是LED在世界坐标系中的坐标，LED^c是LED在相机坐标系中的坐标，c^w为相机在世界坐标系中的坐标，A旋转矩阵，由相机方向矢量定义为：

其中(x¹，x²，x³)是相机x轴方向矢量在世界坐标系中的坐标，y轴和z轴同理。

综上所述，本发明实施例提供的方法，相机高度越高(即距离灯越近)则平均定位误差越小。而与传统的几何方法对比，在相同分辨率下，神经网络方法的定位精度更高，同时受相机高度的影响较小。

参考图3，图3为本发明又一实施例提供的可见光通信中设备定位方法的流程示意图，所提供的方法包括：

S31,获取相机在可见光通信中产生的信号图像，对所述信号图像进行预处理，获得特征图像；

S32，将所述特征图像输入训练好的神经网络中，结合LED自身位置信息，获得相机相对于LED的位置。

具体的，在获得相机通信过程中的图像之后，需要采用线下相同的预处理手段，将其处理成为标准的特征图像，以输入神经网络。即通过相机感光板上PD的接收信号判断接收信号是否来源于背景，以及接收信号对应LED的ID。

对不同的LED像要渲染对应PD区域为不同的颜色；若PD没有任何接收信号，则渲染为黑色。若预处理后的图像分辨率不等于线下训练阶段使用的特征图像分辨率，则通过上采样(图像分辨率低时)或下采样(图像分辨率高时)进行处理，再输入神经网络。

通过将上述处理好的图像输入线下训练好的定位神经网络，进行一次前向传播运算即可得到LED阵列在相机图像中的位置，再通过LED的自身位置信息，进而获得相机相对于LED的位置，其中，LED的自身位置信息可以通过可见光通信的方式获得。

在对神经网络进行训练的过程中，首先需要获取足够的训练样本集。LED发送光信号给相机，相机上的PD阵列通过小孔成像原理接收信号，由PD的接收信号可以判断出PD的信号来源。

为了将LED像的不同传递给神经网络，给不同的LED像渲染不同的颜色加以区分。建立LED与颜色的一一对应映射规则，且对所有的图像信号采用相同规则。

根据映射规则，对相机所有PD进行渲染，当PD接收信号为环境光时，渲染为黑色，以达到去背景的目的。在获取特征图像和对应位置的数据集之后，根据特征图像所含信息量对特征图像进行质量标记。去除低质量样本，以免干扰神经网络训练。将高质量数据集随机分割成训练集和验证集，即可输入卷积神经网络中进行训练。通过调节参数使神经网络收敛，最后取验证集误差最小时的网络作为定位网络。

若没有足够多的实际样本，且LED的相对位置和功率已知，线下训练阶段可利用相机仿真系统获取训练集。对自由空间中的LED进行球建模，球之间的相对位置即为LED真实相对位置，球半径代表LED信源功率大小，不同的LED拥有不同的ID，同样建立映射规则，不同ID对应不同颜色加以区分。

在相机坐标系中，相机是自由度为6的刚体，镜头光心可定义但不限于在原点，方向矢量分别为x、y、z轴。感光板为在xoy平面下方且与xoy平面平行的有限大小平面，光心与感光板平面距离为焦距，焦距与感光板的大小决定了相机视角大小。相机中PD均匀分布在感光板平面上，其数量由感光板大小和相机分辨率决定

在目标区域内均匀采样。对每个采样点，由线性光学和相机的小孔成像原理，求解LED的光信号覆盖范围，并根据该范围判断相机感光板上PD是否被LED信号覆盖。若PD在信号范围内，则根据LED的ID渲染对应的颜色；若不在信号覆盖范围内，则视为背景，渲染为黑色。最终获得去除背景信息、以不同颜色区分不同LED像的特征图像。

在获取特征图像和LED位置的数据集之后，根据特征图像所含信息量对特征图像进行质量标记。若图像中有m个LED信源的像，其中有n个是完整的，则记该图像质量为“m-n”级。去除低级别样本，将高质量数据集随机分割成训练集和验证集，即可输入卷积神经网络中进行训练。通过调节参数使神经网络收敛，最后取验证集误差最小时的网络作为定位网络。

在对神经网络训练的过程中，首先构建神经网络，网络输入为特征图像，所以输入的矩阵维度为(m,n,3)，其中m、n是相机分辨率，3表示为彩色图像。输出为LED信源的三维位置，用1x3n的向量来表示，n为LED阵列中LED的个数。为了提取特征图像中的特征，主体结构主要卷积神经网络，激活函数则采用ReLU类函数进行回归预测。为了回归得到LED的位置，最后需要全连接网络来进行回归预测。网络的卷积核的大小和初始化类型可通过多次试验，选择性能最好的组合。

神经网络的训练目标是减小损失函数，损失函数由相机位置预测误差(均方差)和角度预测误差(均方差)组成，定义如下：

其中M为样本数量，P_i ^pre为对第i个特征图像的位置预测，P_i ^true为第i个特征图像对应的LED阵列真实位置。

利用反向传播算法多次迭代训练神经网络，逐步较小网络损失，可采用不同的优化器进行尝试，选择收敛速度最快，振荡较小的优化器。最后保存在验证集上损失最小的模型作为最终的定位网路，用于线上预测。

在本发明的另一实施例中，如图4所示，LED建模为自由空间中的发光球体，其半径与LED功率和相机感光范围有关。根据线性光学和相机小孔成像原理可以计算LED光信号覆盖范围，即由光心C做球L的切线(如直线CA和CB所示)，由切线围成的椎体即为光信号覆盖范围。平面AB是与平面A`B`平行的经过球心的平面，显然当相机C与LED信源L距离较远时，两平面之间距离可忽略。为了简化计算，光信号圆锥体底面近似为平面A`B`与球L的交面，即以CA`为母线、CL为旋转轴。锥体内的点P满足：

其中，

相机角度由单位欧拉旋转轴和旋转角度(右手准则方向为正方向)来表示，相机光心在WCS中记为列向量c_w。相机感光板上PD在CCS中的坐标已知为PD^c，则PD在WCS中的坐标为：

其中，

p_i为向量的第i个元素。将PD^w带入圆锥方程中，判断是否在圆锥内部。

本实施例中使用3个LED进行定位，为了区分图像信号上三个LED像，分别用不同颜色来标识。若PD满足圆锥在内部的条件，则将该PD渲染为LED对应颜色标记(如图3中点1、2所示)；若不满足(如图3中点3所示)，则标记为0(黑色)。

将所有PD渲染完成之后，即获得用于定位的特征图像，其分辨率跟相机分辨率有关，如图5所示。在房间内均匀采样特征图像，并记录其位置标签组成训练集。对不同的特征图像进行质量标记，若图像中有m个LED信源的像，其中有n个是完整的，则记该图像质量为“m-n”级。去除“0-0”到“2-2”级的低质量图像，留下约占总数据集三分之二的“3-0”级以上的特征图像形成最终训练集。

将训练集中随机抽出十分之一作为验证集，其他的输入神经网络进行训练。当图像分辨率较低(28像素到224像素之间)时，可采用如图6所示的CNN结构进行训练；当图像分辨率较高时，可采用如图7所示的深度残差网络(Residence Hall Network，Resnet)进行训练。图6和图7所示网络主要由巻积层(Conv2d)，最大池化层(Maxpooling)，平滑层(Flatten)和全连接层(Dense)组成，数据特征的维度变化可从图中看出。神经网络训练以最小化loss为目标，采用Adam优化器通过反向传播算法进行训练；训练结束后选取验证集上loss最小的网络权重作为定位网络。Loss定义如下：

其中P_i ^pre为对第i个特征图像的位置预测，P_i ^true为第i个特征图像对应的真实位置，为对第i个特征图像的角度预测，为第i个特征图像对应的真实角度向量。R为角度预测误差的权重系数，表示对角度误差的关注程度，本实施例中R为0，即定位网络只考虑位置误差。

在线上定位阶段，首先要将相机光通信中获取的照片进行预处理。在常见的光通信中，LED会将本身ID发送相机接收端，在该光信号覆盖区域内的PD，通过接收到的ID信息，按照线下训练阶段的映射规则渲染为对应颜色以区分不同LED，形成类似图4中的特征图像。比如在摄像机通信时，相机感光板上的PD通过其接收信号可判断出信源ID，根据此信息可将不同PD渲染为相应颜色代表不同LED像；在用滚动快门方式进行通信时，相机进行逐行扫描，形成明暗条纹并利用其传递信息，在每个LED成像区域内，从明暗条纹的分布可看出信源ID，再将该区域渲染为对应颜色。

预处理获得特征图像后，即可将图像输入训练好的神经网络模型中，网络输出即为相机的3D位置。

在本发明的又一实施例中，定位测试区域在6m x 6m x 5m的长方体空间内，相机焦距为15mm，相机感光板为36mm x 24mm的全画幅相机，相机接收半角为45度。三个LED坐标分别为(1000，0，0)，(0，1000，0)和(0，-1000，0)(单位为毫米)，LED球模型的半径设置为50mm，数据样本中相机水平向上。在生成训练集的过程中，以28像素和224像素的相机分辨率生成两个训练集。在长方体内均匀采样，长宽高分别采样30次，每个训练集获得图像2.7万张，去除质量在“3-0”以下数据样本，得到约为1.8万个样本的训练集，输入神经网络后由反向传播算法进行迭代，两种网络的Loss的变化曲线如图8所示

通过训练获得在验证集上Loss最小的网络，再从定位区域中均匀采样1万个样本做测试，分辨率28的测试集平均定位误差为169mm，分辨率224的测试集平均定位误差为28mm。根据测试结果，对相机高度与定位误差影响进行分析，将同一高度的相机定位误差取平均值，得到了图9中的结果，可以发现相机高度越高(即距离灯越近)则平均定位误差越小。而与传统的几何方法对比，在相同分辨率下，神经网络方法的定位精度更高，同时受相机高度的影响较小，如图10所示。

参考图11，图11为本发明一实施例提供的可见光通信中设备定位系统的结构示意图，所提供的系统包括：预处理模块1001和定位模块1002。

其中，预处理模块1001用于获取相机在可见光通信中产生的信号图像，对所述信号图像进行预处理，获得特征图像。

定位模块1002用于将所述特征图像输入训练好的神经网络中，获得所述相机的三维位置信息.

其中，所述相机的三维位置信息包括但不限于相机位置信息和相机倾角中的一项或多项的组合。

需要说明的是，预处理模块1001和定位模块1002配合以执行上述实施例中的可见光通信中设备定位方法，该系统的具体功能参见上述的可见光通信中设备定位方法的实施例，此处不再赘述。

图12示例了一种电子设备的结构示意图，如图12所示，该服务器可以包括：处理器(processor)1110、通信接口(Communications Interface)1120、存储器(memory)1130和总线1140，其中，处理器1110，通信接口1120，存储器1130通过总线1140完成相互间的通信。通信接口1140可以用于服务器与智能电视之间的信息传输。处理器1110可以调用存储器1130中的逻辑指令，以执行如下方法：获取相机在可见光通信中产生的信号图像，对所述信号图像进行预处理，获得特征图像；将所述特征图像输入训练好的神经网络中，获得所述相机的三维位置信息；其中，所述相机的三维位置信息包括但不限于相机位置信息和相机倾角中的一项或多项的组合。

本实施例还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法，例如包括：获取相机在可见光通信中产生的信号图像，对所述信号图像进行预处理，获得特征图像；将所述特征图像输入训练好的神经网络中，获得所述相机的三维位置信息；其中，所述相机的三维位置信息包括但不限于相机位置信息和相机倾角中的一项或多项的组合。

本实施例提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述各方法实施例所提供的方法，例如包括：获取相机在可见光通信中产生的信号图像，对所述信号图像进行预处理，获得特征图像；将所述特征图像输入训练好的神经网络中，获得所述相机的三维位置信息；其中，所述相机的三维位置信息包括但不限于相机位置信息和相机倾角中的一项或多项的组合。

以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。