基于无透镜成像器的可见光通信方法

摘要

本发明涉及一种基于无透镜成像器的可见光通信方法，该方法在通信过程中，发送的每一帧数据比特都增加了训练序列，然后对捕获的训练序列对应的图像帧进行压缩处理，以减少接收端数据处理的复杂度。接着再用压缩完的训练序列对应的图像帧的特征向量周期性地不断训练卷积神经网络，利用反向传播和梯度下降算法不断优化权值使互熵损失最小化，提高卷积神经网络的环境适应度，最终不断提高卷积神经网络对图像帧的分类效果，最后用训练完的卷积神经网络对之后捕获的数据比特对应的图像帧进行分类，再用分类后的图像帧进行解码数据比特，最终使解码数据更准确。

权利要求

1.一种基于无透镜成像器的可见光通信方法，其特征在于包括下述步骤：

步骤一、在发送端，首先对输入的帧数据比特进行调制，然后在每帧数据比特前增加训练序列作为调制信号，用以驱动LED灯；

步骤二、在接收端，由无透镜成像器捕获训练序列对应的一系列帧图像并将其压缩，依次将压缩后第1、第2、……第i、…… 第I帧图像对应的特征向量送入卷积神经网络；

步骤三、利用步骤二得到的I帧图像训练卷积神经网络，训练方法如下：

(一)针对任一帧图像，设其特征向量为X＝{x1,x2,...xm}，利用公式(1)、(2)计算第1层神经网络第k个神经元的总输出值其中， 表示该帧图像第k个灰度值到第1层神经网络的第j个神经元之间的连接权值，其初始值为0-1之间的随机数且所有 不能全设置为“0”； 是第1层第j个神经元的未激活输出，b1是第1层神经网络所加的偏置，其初始值为0-1之间的随机数；

(二)利用公式(3)、(4)计算后面每层神经网络各神经元的总输出值

其中， 表示第l-1层神经网络第k个神经元到第l层的第j个神经元之间的连接权l值，其初始值为0-1之间的随机数；第b 是第l层神经元所加的偏置，其初始值为0-1之间的随机数； 是第l层第j个神经元的未激活输出， 是经过激活函数后的输出；

(三)根据第L层神经网络各神经元的输出计算卷积神经网络的第一、第二输出端的输出值y1、y2：其中 是第L层的第j个神经元与第一输出端之间的连接权值； 是第L层的第j个神L经元的输出值； 是第L层的第j个神经元与第二输出端之间的连接权值；b是第L层神经网络的偏置；

(四)计算该帧图像所有输出的总的互熵损失Ctotal，即实际输出值与期望输出值之间的误差，用于描述分类效果与真实情况的吻合度：yi表示的是该帧图像对应的输出端期望类相应的得分，yr表示卷积神经网络的第r个输出值，r＝1,2；

(五)根据公式(8)～(11)反向计算第l层分别关于连接权值和偏置的梯度，以梯度方向的负值更新连接权值和偏置；

其中 初始值是设定好的一个0-1之间的随机数， 是第l-1层神经网络的第k个神经元到第l层的第j个神经元之间的修改后的连接权值，η是定值，表示该连接权值减小的步长，0＜η＜1；bl+是第l层神经元所加的修改后的偏置；

根据公式(12)～(15)反向计算第l-1层的分别关于连接权值和偏置的梯度，以梯度方向的负值更新连接权值和偏置；

其中 是第l-2层神经网络的第k个神经元到第l-1层的第j个神经元之间的修改后的连接权值，η是定值表示该连接权值减小的步长，0＜η＜1；bl-1+是第l-1层神经网络所加的修改后的偏置；

以此类推，得到修改后的各层神经网络神经元之间的连接权值和神经元的偏置；

(六)重复步骤(一)～(五)，利用前一帧图像训练卷积神经网络得到的修改后的连接权值和偏置作为后一帧图像训练卷积神经网络的各层神经网络神经元之间的连接权值和神经元的偏置的初始值，直至利用训练序列对卷积神经网络训练完毕，确定最终的各层神经网络神经元之间的连接权值和神经元的偏置；

步骤四、利用训练好的卷积神经网络对其后捕获的帧数据比特对应的图像帧进行分类，卷积神经网络的两个输出值分别对应“亮”状态的图像帧和“灭”状态的图像帧，哪个输出值大就判为是哪类图像帧，其后再对图像帧所携带的数据比特进行解码。

2.根据权利要求1所述的基于无透镜成像器的可见光通信方法，其特征在于所述的训练序列是由两段重复的前短序列和后短序列组成的，总长度为2lx。

3.根据权利要求2所述的基于无透镜成像器的可见光通信方法，其特征在于利用训练序列和采用定时同步算法确定每帧数据比特的起始位，方法如下：在接收端采集数据比特时，设在规定时间t内采样的总长度为2l，2l＝2lx，每帧数据比特采样总时间为多个规定时间t之和，i为各规定时间t内2l个采样值的第一个采样值的采样时刻；将定时测度估计指示函数M(i)取得的最大值所对应的采样点位置选作为帧数据比特定时同步的位置i0：P(i)是相关函数，是规定时间t内采集的数据比特的前部序列与后部序列的相关值；R(i)是数据比特的前部序列l长度的能量；r(i)是时域数据比特的第i时刻的采样值。

说明书

基于无透镜成像器的可见光通信方法

技术领域

[0001] 本发明属于光通信技术及图像处理技术领域，涉及一种基于无透镜成像器的可见光通信方法。

背景技术

[0002] 可见光通信技术发展的主要动力——基于无线通信的光谱具有解决从家用和工厂机器人到车载网络等几个应用领域的定向传输挑战的潜能。具有窄波束宽度和视距(Line of sight， LOS)限制的定向传输可以通过空间重用改进来减少同信道干扰，窄传输波束在传输功率和信噪比(Signal to noise ratio，SNR)方面具有优势。并且传输功率和定向传输在通信范围内的限制也取得了进展。另一种动力涉及发光二极管(LED)革命，除了显示出寿命长和能源效率高的优点外，LED可以以非常快的速度切换到不同的光强度水平。鉴于此功能，可以通过编码光来调制数据。并且由于定向通信，安全和安全的环境等优点，可见光通信被认为是具有良好发展前景的技术。

[0003] 目前可见光信号的接收端普遍地采用基于光电二极管(例如PIN、APD等)的光信号接收器。光信号接收器接收光信号后,进行光电转换，然后再对转换出来的电信号进行解码等信号处理，还原成原信号。但是这要求接收端配备基于光电二极管的光信号接收器，增加了成本。

[0004] 在过去的几十年中，手机已经配备了内置的互补金属氧化物半导体(CMOS)相机。且目前的手机能够捕获高分辨率的视频，分辨率至少为1280×720像素，拍摄速度为30fps。
考虑到手机相机的各种优点和可用性，在光无线通信框架内的IEEE 802.15SG7a中研究了使用相机的新型光通信技术，并被认为是IEEE 802.15.7rl的候选者，这种光通信技术被称为光学相机通信(optical camera communication，OCC)。OCC技术是VLC的扩展，其优点是在大多数智能设备中没有增加接收机的硬件成本。与使用光电探测器(PD)的常规VLC不同，OCC使用手机CMOS摄像机作为接收器。也就是说，OCC以图像的形式捕获二维数据，因此与基于光电检测器的VLC相比能够传输更多的信息。

[0005] 美中不足的是，移动设备中带有镜头的摄像机的光学系统极大的增加了移动设备的整体厚度以及影响了整体美观。要是去除光学器件，那么就有可能制造出十分有趣的外形超薄的摄像机。而且，随着智能设备的普及以及图像传感器的发展，几乎任何设备上都可以配备这种无镜头成像器，这为光通信技术的进一步发展奠定了基础。

[0006] 为了实现在接收端用无透镜成像器接收、解码数据的光通信技术，就希望有一种专门识别无透镜成像器接收的可见光通信信号的方法。

发明内容

[0007] 本发明要解决的技术问题是提供一种基于无透镜成像器的可见光通信方法，该方法能够提高区分“亮”和“灭”两类图像的效果，从而使解码数据更准确。

[0008] 为了解决上述技术问题，本发明的基于无透镜成像器的可见光通信方法包括下述步骤：

[0009] 步骤一、在发送端，首先对输入的帧数据比特进行调制，然后在每帧数据比特前增加训练序列作为调制信号，用以驱动LED灯；

[0010] 步骤二、在接收端，由无透镜成像器捕获训练序列对应的一系列帧图像并将其压缩，依次将压缩后第1、第2、……第i、…… 第I帧图像对应的特征向量送入卷积神经网络；

[0011] 步骤三、利用步骤二得到的I帧图像训练卷积神经网络，训练方法如下：

[0012] (一)针对任一帧图像，设其特征向量为X＝{x1,x2,...xm}，利用公式(1)、(2)计算第 1层神经网络第k个神经元的总输出值

[0013]

[0014]

[0015] 其中， 表示该帧图像第k个灰度值到第1层神经网络的第j个神经元之间的连接权值，其初始值为0-1之间的随机数且所有 不能全设置为“0”； 是第1层第j个神经元的未激活输出，b1是第1层神经网络所加的偏置，其初始值为0-1之间的随机数；

[0016] (二)利用公式(3)、(4)计算后面每层神经网络各神经元的总输出值 l＝2,3,...,L：

[0017]

[0018]

[0019] 其中， 表示第l-1层神经网络第k个神经元到第l层的第j个神经元之间的连接权值，其初始值为0-1之间的随机数；第bl是第l层神经元所加的偏置，其初始值为0-1之间的随机数； 是第l层第j个神经元的未激活输出， 是经过激活函数后的输出；

[0020] (三)根据第L层神经网络各神经元的输出计算卷积神经网络的第一、第二输出端的输出值y1、y2：

[0021]

[0022]

[0023] 其中 是第L层的第j个神经元与第一输出端之间的连接权值； 是第L层的第j个神经元的输出值； 是第L层的第j个神经元与第二输出端之间的连接权值；bL是第L层神经网络的偏置；

[0024] (四)计算该帧图像所有输出的总的互熵损失Ctotal，即实际输出值与期望输出值之间的误差，用于描述分类效果与真实情况的吻合度：

[0025]

[0026] yi表示的是该帧图像对应的输出端期望类相应的得分，yr表示卷积神经网络的第r个输出值，r＝1,2；

[0027] (五)根据公式(8)～(11)反向计算第l层分别关于连接权值和偏置的梯度，以梯度方向的负值更新连接权值和偏置；

[0028]

[0029]

[0030]

[0031]

[0032] 其中 初始值是设定好的一个0-1之间的随机数， 是第l-1层神经网络的第k个神经元到第l层的第j个神经元之间的修改后的连接权值，η是定值，表示该连接权值减小的步长， 0＜η＜1；bl+是第l层神经元所加的修改后的偏置；

[0033] 根据公式(12)～(15)反向计算第l-1层的分别关于连接权值和偏置的梯度，以梯度方向的负值更新连接权值和偏置；

[0034]

[0035]

[0036]

[0037]

[0038] 其中 是第l-2层神经网络的第k个神经元到第l-1层的第j个神经元之间的修改后的连接权值，η是定值表示该连接权值减小的步长，0＜η＜1；bl-1+是第l-1层神经网络所加的修改后的偏置；

[0039] 以此类推，得到修改后的各层神经网络神经元之间的连接权值和神经元的偏置；

[0040] (六)重复步骤(一)～(五)，利用前一帧图像训练卷积神经网络得到的修改后的连接权值和偏置作为后一帧图像训练卷积神经网络的各层神经网络神经元之间的连接权值和神经元的偏置的初始值，直至利用训练序列对卷积神经网络训练完毕，确定最终的各层神经网络神经元之间的连接权值和神经元的偏置；

[0041] 步骤四、利用训练好的卷积神经网络对其后捕获的帧数据比特对应的图像帧进行分类，卷积神经网络的两个输出值分别对应“亮”状态的图像帧和“灭”状态的图像帧，哪个输出值大就判为是哪类图像帧，其后再对图像帧所携带的数据比特进行解码。

[0042] 所述的训练序列是由两段重复的前短序列和后短序列组成的，总长度为2lx。由于这些训练序列具有特殊的结构，是由前后重复的序列构成，所以就可以利用它们之间的相关性采用定时同步算法确定出帧数据比特的起始位。

[0043] 进一步，本发明还可以利用训练序列和采用定时同步算法确定每帧数据比特的起始位从而保证帧同步，方法如下：

[0044] 在接收端采集数据比特时，设在规定时间t内采样的总长度为2l，2l＝2lx，每帧数据比特采样总时间为多个规定时间t之和，i为各规定时间t内2l个采样值的第一个采样值的采样时刻；将定时测度估计指示函数(归一化函数)M(i)取得的最大值所对应的采样点位置选作为帧数据比特定时同步的位置i0：

[0045]

[0046]

[0047]

[0048]

[0049] P(i)是相关函数，是规定时间t内采集的数据比特的前部序列与后部序列的相关值；R(i) 是数据比特的前部序列l长度的能量；r(i)是时域数据比特的第i时刻的采样值。

[0050] 本发明用于识别无透镜成像器捕获的图像帧携带的光信息的方法主要是：通信过程中，发送的每一帧数据都增加了训练序列，然后对捕获的训练序列对应的图像帧进行压缩处理，以减少接收端数据处理的复杂度。接着再用压缩完的训练序列对应的图像帧的特征向量周期性地不断训练卷积神经网络，最后用训练完的卷积神经网络对之后捕获的图像帧进行分类，再用分类后的图像帧进行解码数据比特。此外该训练序列还可用于保证帧同步问题。

[0051] 本发明在通信过程中，对每帧数据都增加训练序列用于周期性地训练接收端卷积神经网络，利用反向传播和梯度下降算法不断优化权值使互熵损失最小化，提高卷积神经网络的环境适应度，最终不断提高卷积神经网络对图像帧的分类效果。然后利用训练好的卷积神经网络对之后捕获的图像帧进行分类，从而解码每帧图像携带的数据比特，最终使解码数据更准确。

附图说明

[0052] 下面结合附图和具体实施方式对本发明的作进一步详细说明。

[0053] 图1是现有技术的基于光电检测器的可见光通信(VLC)原理图。

[0054] 图2是本发明的基于无透镜成像器的可见光通信方法原理图。

[0055] 图3是接收端光信号恢复方法流程图。

[0056] 图4是增加了训练序列的数据帧的帧结构图。

[0057] 图5是发送的训练序列对接收端神经网络训练之后分出两类图像的示意图，其中一类是“亮”状态的图像帧，另一类是“灭”状态的图像帧。

[0058] 图6是卷积神经网络的简单结构图。具体实施方式:

[0059] 本发明主要是在接收端利用无透镜成像器进行接收和解调数据，提供了识别接收端捕获图像携带数据信号的方法，从而充分利用了无透镜成像器在智能设备应用中的广泛推广的优势来促进通信技术的发展。

[0060] 本发明发端使用的是LED灯，由于其响应速度快，高速调制等优点，因而得到广泛使用。除此之外,使用具有照相功能的便携式电子设备的闪光灯也是一种可行的选择，尤其是在十分普及的手机普遍配备了闪光灯而不配备灯的情况下。当然,部分闪光灯的类型本身就是LED灯。

[0061] 本发明实施例中，无透镜成像器适于接收上述光源所发出的可见光，但并不以此为限。随着技术的发展，无透镜成像器将会普遍用于电子设备，由于这极大地减少了电子设备的厚度从而大大提升了整体美观,例如手机、平板电脑、笔记本电脑等电子设备。

[0062] 当无透镜成像器进行连续捕获图像，只要帧速率不小于数据数率就可以实现捕获发送端LED灯亮灭变化的每个状态，并且在图像上显示出来。

[0063] 图像帧对应的亮灭两个状态的图像的整体灰度值的分布是不一样的，“亮”的状态下对应的灰度值在255左右的比较多，而在“灭”状态对应的图像的整体灰度值在0附近的会更多。所以将灰度图像送入卷积神经网络训练是可以将“亮”和“灭”对应的两类图像区分开来的，如图5所示。

[0064] 如图2、3所示，本发明的基于无透镜成像器的可见光通信方法具体如下：

[0065] 步骤一、在图1中对输入的帧数据比特进行调制，本发明采用的是OOK(开关键控调制)；然后在每帧数据比特前增加训练序列(此训练序列由等长的前、后短序列组成，训练序列总长度为2lx)，增加训练序列的方式如图4所示，然后再利用训练序列驱动发送端LED 灯，使其闪烁变化；

[0066] 步骤二、在接收端用无透镜成像器捕获发送端的LED灯亮灭两个状态对应的图像帧，并将其压缩，依次将压缩后第1、第2、 ……第i…… 第I帧图像对应的特征向量送入卷积神经网络；

[0067] 步骤三、利用无透镜成像器捕获的训练序列对应的图像帧训练接收端的卷积神经网络，以不断提高卷积神经网络的分类效果，如图6所示，具体的实现过程如下：

[0068] (一)针对任一帧图像，设其特征向量为X＝{x1,x2,...xm}，利用公式(1)、(2)计算第 1层神经网络第k个神经元的总输出值

[0069]

[0070]

[0071] 其中， 表示该帧图像第k个灰度值到第1层神经网络的第j个神经元之间的连接权值，其初始值为0-1之间的随机数且所有 不能全设置为“0”； 是第1层第j个神经元的未激活输出，b1是第1层神经网络所加的偏置，其初始值为0-1之间的随机数；

[0072] (二)利用公式(3)、(4)计算后面每层神经网络各神经元的总输出值 l＝2,3,...,L：

[0073]

[0074]

[0075] 其中， 表示第l-1层神经网络第k个神经元到第l层的第j个神经元之间的连接权值，其初始值为0-1之间的随机数；第bl是第l层神经元所加的偏置，其初始值为0-1之间的随机数； 是第l层第j个神经元的未激活输出， 是经过激活函数后的输出；

[0076] (三)根据第L层神经网络各神经元的输出计算卷积神经网络的第一、第二输出端的输出值y1、y2：

[0077]

[0078]

[0079] 其中 是第L层的第j个神经元与第一输出端之间的连接权值； 是第L层的第j个神经元的输出值； 是第L层的第j个神经元与第二输出端之间的连接权值；bL是第L层神经网络的偏置；

[0080] (四)计算该帧图像所有输出的总的互熵损失Ctotal，即实际输出值与期望输出值之间的误差，用于描述分类效果与真实情况的吻合度：

[0081]

[0082] yi表示的是该帧图像对应的期望类相应的得分，假设该帧图像是“亮”状态图像，代表“1”，若y1对应“亮”状态图像的输出值，则yi＝y1；同理，假设该帧图像是“灭”状态图像，代表“0”，若y2对应“灭”状态图像的输出值，则yi＝y2；第yr表示卷积神经网络的第r个输出值，r＝1,2；

[0083] (五)根据公式(8)～(11)反向计算第l层分别关于连接权值和偏置的梯度，以梯度方向的负值更新连接权值和偏置；

[0084]

[0085]

[0086]

[0087]

[0088] 其中 初始值是设定好的一个随机数(0-1之间)， 是第l-1层神经网络的第k个神经元到第l层的第j个神经元之间的修改后的连接权值，η是定值，表示该连接权值减小的步长，0＜η＜1；bl+是第l层神经元所加的修改后的偏置；

[0089] 根据公式(12)～(15)反向计算第l-1层的分别关于连接权值和偏置的梯度，以梯度方向的负值更新连接权值和偏置；

[0090]

[0091]

[0092]

[0093]

[0094] 其中 是第l-2层神经网络的第k个神经元到第l-1层的第j个神经元之间的修改后的连接权值，η是定值表示该连接权值减小的步长，0＜η＜1；bl-1+是第l-1层神经网络所加的修改后的偏置；

[0095] 以此类推，得到修改后的各层神经网络神经元之间的连接权值和神经元的偏置；

[0096] (六)重复步骤(一)～(五)，利用前一帧图像训练卷积神经网络得到的修改后的连接权值和偏置作为后一帧图像训练卷积神经网络的各层神经网络神经元之间的连接权值和神经元的偏置的初始值，直至利用训练序列对卷积神经网络训练完毕，确定最终的各层神经网络神经元之间的连接权值和神经元的偏置；

[0097] 步骤四、利用训练好的卷积神经网络对其后捕获的帧数据比特对应的图像帧进行分类，卷积神经网络的两个输出值分别对应“亮”状态的图像帧和“灭”状态的图像帧，哪个输出值大就判为是哪类图像帧，其后再对图像帧所携带的数据比特信息进行解码。

[0098] 所述的训练序列是由两段重复的前短序列和后短序列组成的，总长度为2lx。由于这些训练序列具有特殊的结构，是由前后重复的序列构成，所以就可以利用它们之间的相关性采用定时同步算法确定出帧的起始位。

[0099] 进一步，本发明还可以利用训练序列和采用定时同步算法确定每帧数据比特的起始位从而保证帧同步，方法如下：

[0100] 在接收端采集数据比特时，设在规定时间t内采样的总长度为2l，2l＝2lx，由于每帧数据比特比训练序列要长很多，因此每帧数据比特采样时间包含有多个规定时间t，i为各规定时间t内2l个采样值的第一个采样值的采样时刻；将定时测度估计指示函数(归一化函数)M(i)取得的最大值所对应的采样点位置选作为帧数据比特定时同步的位置i0：

[0101]

[0102]

[0103]

[0104]

[0105] P(i)是相关函数，是规定时间t内采集的数据比特的前部序列与后部序列的相关值；R(i) 是数据比特的前部序列l长度的能量；r(i)是时域数据比特的第i时刻的采样值。