基于CMOS图像传感器的实时可见光定位系统研究

作者与机构：
本研究由暨南大学光电工程系、广东省可见光通信工程技术研究中心、广州市可见光通信工程重点实验室的Puxi Lin、Xubin Hu、Yukui Ruan等团队，联合鹏城实验室网络安全研究中心、哈尔滨工业大学（深圳）的Zoe Lin Jiang等学者共同完成。研究成果发表于光学领域知名期刊《Optics Express》2020年第28卷第10/11期。

学术背景：
室内定位技术是智能建筑、工业自动化和位置服务（LBS）的核心支撑。传统基于蓝牙、WiFi或UWB的射频定位技术存在精度低（>1m）、延迟高（>100ms）或成本高等问题。可见光定位（Visible Light Positioning, VLP）利用LED照明设备兼作定位信标，具有厘米级精度、无电磁干扰和基础设施复用等优势。现有基于图像传感器（Image Sensor, IS）的VLP系统受限于图像处理算法的计算延迟，难以支持高速移动物体（如AGV物流机器人、隧道自动驾驶车辆）的实时定位需求。本研究旨在开发一种基于像素强度采样的轻量级图像处理算法，实现低成本嵌入式平台上的高速实时定位。

研究方法与流程：

1. 系统架构设计

   • 发射端：采用LED灯具作为”室内GPS卫星”，每个灯具集成自主研发的VLP调制器，通过微控制器将唯一标识符（UID）编码为ITF（Interleaved Two of Five）码字，采用开关键控强度调制（OOK IM）技术传输光信号。
     
   • 接收端：利用CMOS图像传感器的滚动快门（Rolling Shutter）机制捕获光信号。当调制频率与传感器曝光时间匹配时，OOK信号在图像中形成明暗条纹（Fringe Image）。实验中采用树莓派3B开发板（Broadcom BCM2837四核1.2GHz CPU）搭载1600×1200像素CMOS传感器作为移动终端。
     

2. 轻量化图像处理算法

   • ROI检测优化：传统算法需逐像素积分计算行/列亮度（计算量O(n²)），本研究提出跨像素采样法（采样间隔3像素），理论计算量降至1/9（O(n²/9)）。当检测到潜在感兴趣区域（ROI）边界后，再对邻域像素进行精细检测确保精度。
     
   • 定位解算：采用文献[11,12]的几何定位方程，通过至少两个LED信标的图像坐标与预设世界坐标的映射关系解算位置。
     

3. 实验验证

   • 静态定位测试：在181cm×181cm实验区域内布置9个直径17.5cm的LED信标（间距62cm），选取49个网格点进行测试，记录测量坐标与实际坐标的标准偏差。
     
   • 动态性能测试：使用装载树莓派的遥控车沿直线/四边形轨道运动，通过光栅测速仪标定速度（1m/s至10.7m/s），比较运动轨迹的定位偏差。
     
   • 实时性分析：连续70次测量单帧图像处理时间，计算系统支持的最大移动速度v_max = (s×r)/(d×t)，其中s为LED实际直径（17.5cm），r为图像宽度像素（1600），d为图像中LED像直径（590像素），t为平均处理时延。

主要研究结果：

1. 定位精度

   • 静态测试显示平均误差3.93cm，最大误差6cm（图5热力图）。
     
   • 动态测试中：1m/s直线运动时Y轴误差1.49cm；2m/s时误差1.86cm；转弯场景因传感器旋转导致误差升至5.31cm（图6轨迹图）。
     

2. 实时性能

   • 平均处理时间44.3ms（图8时序图），异常值（60ms）由图像中无效条纹区域引起。
     
   • 理论支持最高移动速度v_max = (17.5×1600/590)/0.0443 ≈ 10.7m/s（38.5km/h），较团队前期智能手机方案（18km/h）提升114%。
     

3. 硬件效率
   算法在低成本嵌入式平台（树莓派3B）实现，相比文献[6-7]的i7-7700HQ桌面平台，在像素数更高（1600×1200 vs. 500万）条件下仍保持更低延迟。

研究结论与价值：
本研究通过像素采样算法将图像处理计算复杂度降低一个数量级，首次在嵌入式平台上实现支持38.5km/h移动速度的厘米级实时VLP系统。其科学价值在于：
1. 提出采样-校验双阶段ROI检测框架，兼顾计算效率与定位精度；
2. 验证了CMOS传感器在高速动态场景下的信号捕获能力；
3. 建立VLP系统实时性评估模型v=s/t，为工业标准制定提供依据。

实际应用价值体现在：
- 可用于物流AGV、隧道自动驾驶等需10-100cm精度、<50ms延迟的场景； - 整套方案成本低于300美元，较UWB系统（>5000美元）具显著经济优势；
- 无需部署额外通信模块（如文献[8-10]的服务器协作方案），实现完全自主定位。

创新亮点：
1. 算法创新：首次将像素采样思想引入VLP图像处理，攻克移动场景下的实时性瓶颈；
2. 工程突破：在ARM架构低成本处理器上实现传统需x86平台完成的计算任务；
3. 评价体系：提出基于图像运动-物理运动映射的速度支持模型（图7），量化系统动态性能。

局限与展望：
- 当前系统在传感器旋转时误差增大，未来可融合IMU数据补偿；
- 多径反射干扰未充分讨论，需研究光学抗干扰算法。该工作为后续5G-VLC融合定位奠定了技术基础。

（注：文中专业术语如OOK IM=开关键控强度调制，ROI=感兴趣区域，ITF=交错二五码等均按标准译法处理）