基于CMOS摄像头的可见光通信系统：灰度值分布与机器学习算法提升解调性能
研究团队与发表信息
本研究的通讯作者为Chi-Wai Chow（所属单位：台湾国立交通大学光电工程系），合作团队包括Yu-Chun Wu、Ke-Ling Hsu等来自National Chiao Tung University的学者，以及Philips Electronics Ltd.和台湾工业技术研究院（ITRI）的研究人员。论文标题为《CMOS camera based visible light communication (VLC) using grayscale value distribution and machine learning algorithm》，发表于Optics Express期刊2020年第28卷第2期。
学术背景与研究目标
科学领域与问题背景
可见光通信（VLC, Visible Light Communication）是一种利用LED光源进行数据传输的无线通信技术，具有免频谱许可、抗电磁干扰等优势。然而，传统基于CMOS摄像头Rolling Shutter Effect（RSE，滚动快门效应）的VLC系统面临两大挑战：
1. 显示内容噪声比（NR, Noise-Ratio）的影响：当LED显示屏播放动态广告内容时，不同颜色和亮度的画面会导致RSE条纹的信噪比波动，降低解调准确性。
2. 数据速率限制：CMOS摄像头的帧率（通常为30/60 fps）和像素分辨率限制了单帧可传输的比特数。
研究目标
本研究提出一种结合灰度值分布（GVD, Grayscale Value Distribution）分析和机器学习算法（MLA, Machine Learning Algorithm）的解调方案，旨在解决高NR环境下RSE信号解调的鲁棒性问题，并提升数据传输速率。
研究方法与工作流程
1. 实验系统搭建
- 发射端（TX）：使用商用LED显示屏（Li-Cheng Corp.），通过任意波形发生器（AWG, Tektronix AFG3252C）直接调制背光LED（输出功率22 W）。
- 接收端（RX）：iPhone 7的CMOS摄像头（分辨率1080×1920像素），通过自定义应用程序以30 fps捕获信号，关闭自动白平衡功能，固定ISO=400。
- 传输距离：1.5米。
2. 信号处理流程
（1）RSE模式分离与GVD分析
- 颜色通道分离：将捕获的图像帧分解为R、G、B三个单色通道的RSE条纹。
- GVD筛选：计算每个通道的灰度值分布（范围0-255），选择分布均值（μ）最高的通道用于后续MLA处理（例如NR=70%时红色通道μ=114.7，显著优于绿色/蓝色通道的μ<100）。
（2）机器学习解调
- 数据预处理：对选定的单色RSE条纹进行行平均灰度值计算，并通过Z-score归一化转换为双极性信号。
- 逻辑回归分类：采用以下模型进行二分类（逻辑“1”或“0”）：
- 权重更新公式：
$$ w{\tau+1} = w{\tau} - \eta \frac{\partial E}{\partial w} $$
其中交叉熵误差函数（Cross Entropy Error）用于优化权重。
- 决策阈值：概率$p_n \geq 0.5$判定为逻辑“1”。
- 迭代效率：仅需<10次迭代即可收敛（图6c-f）。
（3）数据包设计
- 冗余传输：每个VLCPacket含16位包头和可变长度有效载荷，重复传输3次以确保完整捕获。
主要实验结果
1. 噪声比（NR）对性能的影响
- NR=0%（全白背景）：传统阈值法（EVA）在1,020 bit/s时满足FEC（前向纠错）要求，而GVD+MLA方案可提升至1,260 bit/s（图5a）。
- NR=70%：传统EVA因低对比度产生误码（图2b紫色圆圈），而GVD筛选红色通道后，MLA在1,020 bit/s下BER<10^-3（图5c）。
- NR=90%：蓝色通道GVD最优，MLA仍保持稳定性能（图5d）。
2. 传输距离与光照适应性
- 在50 cm至150 cm范围内，GVD+MLA方案均满足FEC要求（图6a）。
- 极端条件下（NR=70%、距离1.5米、数据速率1,020 bit/s），系统在低至188 lux照度下仍可工作（图6b）。
研究结论与价值
科学价值
- 解调方法创新：首次将GVD分析与逻辑回归MLA结合，显著提升高NR环境下的RSE解调鲁棒性。
- 实际应用潜力：该系统可直接部署于商业广告屏，实现导航信息、电子菜单等动态内容的无线传输。
技术亮点
- 动态通道选择：通过GVD自适应选择最优颜色通道，解决多色显示内容干扰问题。
- 低复杂度MLA：逻辑回归算法计算效率高，适合移动端实时处理。
其他贡献
- 开源数据包设计：公开VLCPacket结构（图1c），促进后续研究复用。
研究展望
未来可探索多波长LED与深度学习的结合，进一步提升VLC系统的抗干扰能力和数据速率。