《表3 不同场景的平均识别率及其阈值》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《校园漫游互动AR系统设计与实现》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

将拍摄图片通过上述流程，经由CNN网络得到输出向量，根据向量初步判定其对应类别，与对应类别基准向量计算两者欧式距离，与对应类别的阈值判定。若该图片的欧氏距离小于阈值，说明图片属于该分类地点，便能顺利通过阈值判定环节，正确的分类信息将得到反馈；反之，若大于阈值，说明图片不属于该分类地点，则阈值判定失败，CNN网络的错误分类信息将会被拦截。因此，在阈值判定环节，对应类别与类别对应阈值是相关的，不同类别的相对应阈值互不影响，因为在判定过程中，根据图片特征会被归于最相似类别，即于其他类别已经判定不相似了，然后根据阈值来决定相似图片是否最终属于这一类别，因此阈值的判定只需与对应类别比较即可。本方法在室内定位的准确度也与Yang Z等[3]设计的LIFS室内定位方法相比较，LIFS定位的平均错误率为10.91%；而本文所提出的室内定位方法，由表3的数据所求得的平均错误率为9.2%（总测试数据集大小为30 000张图片，即30 000次测试）。系统对室内场景的平均识别率为91.8%，达到了可接受的精准度，具备良好的室内定位能力。同时，9.2%的平均错误率是因为本文考虑了部分用户在光照欠佳条件下且不使用闪光灯拍摄的图片偏暗来做的极端实验。同时实际场景下用户多在白天使用，若只考虑白昼光照充足的情况，错误率将下降至3.6%。与传统方法相比，本文定位方法，更具有竞争力。