学术研究报告：基于改进CamShift-Kalman算法的可见光动态定位方法

1. 研究团队与发表信息
本研究的共同第一作者为华南理工大学的Weipeng Guan（隶属自动化科学与工程学院及深圳市南泰信息技术有限公司）和Zhipeng Liu（电子与信息工程学院），合作作者包括Shangsheng Wen（材料科学与工程学院）、Hongyun Xie（核电安全监控技术与装备国家重点实验室）及Xingjie Zhang（电子与信息工程学院）。研究发表于IEEE Photonics Journal，2019年12月第11卷第6期，DOI编号10.1109/JPHOT.2019.2944080。

2. 学术背景与研究目标
科学领域：本研究属于室内可见光定位（Visible Light Positioning, VLP）领域，结合计算机视觉与信号处理技术。
研究动机：现有VLP系统多聚焦定位精度，但忽视了实时性与鲁棒性（Robustness），尤其在LED遮挡、干扰或目标突然加速时易失效。
目标：提出一种基于图像传感器（IS）的改进CamShift-Kalman算法，同时实现高精度（亚厘米级）、实时性（每帧27.2 ms）和强鲁棒性（抗遮挡、抗干扰）。

3. 研究流程与方法
3.1 算法设计
- CamShift算法改进：
1. HSV色彩空间转换：将LED光源从RGB转换至HSV空间，利用色调（Hue）分量构建目标直方图模型，生成颜色概率分布图。
2. 自适应窗口调整：通过零阶矩（M00）和一阶矩（M10/M01）计算质心位置，动态调整搜索窗口大小与方向（公式5-14）。
3. Bhattacharyya系数引入：作为CamShift输出与真实目标的相似性指标，用于动态修正搜索窗口（公式23）。
- Kalman滤波融合：
1. 状态向量定义：包含目标位置、速度及尺寸（xₛ, yₛ, xᵥ, yᵥ, w, h）。
2. 噪声矩阵动态更新：以Bhattacharyya系数调整观测噪声矩阵R，实现Kalman增益（Kₖ）的实时优化（公式17-21）。
- 抗干扰机制：
1. 遮挡处理：若Bhattacharyya系数低于阈值，向8邻域扩展搜索窗口，直至重新捕获目标。
2. 突然加速处理：通过多方向搜索与窗口扩增，避免目标丢失。

3.2 实验平台与验证
- 硬件配置：实验平台尺寸2.1×1.1×2.0米，顶部安装6个LED（坐标已知），CMOS工业相机作为移动终端，搭载OpenCV 3.2.0处理视频。
- 测试场景：
1. 无干扰基准测试：85帧连续图像分析，定位误差0.47 cm（图12-13）。
2. 遮挡测试：LED面积被遮挡50%以上时，仍能保持定位（图7-8）。
3. 干扰测试：背景存在无ID的LED光源时，算法可准确区分目标（图9）。
4. 突然加速测试：传统CamShift失效时，改进算法通过邻域搜索恢复跟踪（图11）。

4. 主要结果与贡献
- 精度：平均定位误差0.55 cm，95%数据点误差≤0.58 cm（图14）。
- 实时性：单目标处理时间27.2 ms/帧，双目标38.18 ms/帧（表2），优于光学流法（162 ms/帧）。
- 鲁棒性：在遮挡、背景干扰及速度突变下均保持稳定（图7-11）。
- 创新点：
1. Bhattacharyya系数动态调节：首次将其用于Kalman噪声矩阵更新，提升模型适应性。
2. 多目标跟踪：支持双LED同步定位（图15-16），扩展了VLP应用场景。

5. 结论与价值
- 科学价值：解决了VLP系统中精度、实时性与鲁棒性难以兼顾的难题，为复杂环境下的室内定位提供了新思路。
- 应用价值：适用于商场、医院等大型室内场景，兼容低成本硬件，具备商业化潜力。

6. 研究亮点
- 方法创新：首次将视频目标跟踪算法（CamShift-Kalman）系统化应用于VLP，并引入Bhattacharyya系数优化噪声模型。
- 全面验证：通过遮挡、干扰、加速等多场景测试，验证了算法的普适性。
- 开源实现：基于OpenCV的算法框架便于复现与二次开发。

7. 其他价值
- 跨学科融合：结合了计算机视觉（CamShift）、控制理论（Kalman滤波）与光通信（VLP），推动了多领域技术交叉。
- 数据公开：实验参数详实（表1），为后续研究提供了基准对比。

（注：全文术语首次出现时保留英文，如“Bhattacharyya系数”“Kalman滤波”等。）