TWI784451B

TWI784451B - 影像轉換系統及影像轉換方法

Info

Publication number: TWI784451B
Application number: TW110110519A
Authority: TW
Inventors: 楊宗翰; 博格蕭; 何亮融
Original assignee: 宏碁股份有限公司
Priority date: 2020-12-01
Filing date: 2021-03-24
Publication date: 2022-11-21
Also published as: TW202223833A

Abstract

一種影像轉換系統包含一攝像機以及一處理器。攝像機用以拍攝一影像；其中，該影像中包含複數個定位標籤圖樣。處理器用以接收影像，透過辨識此些定位標籤圖樣，依據此些定位標籤圖樣產生一影像特定區域，將此影像特定區域轉換到一平面圖的一平面特定區域。

Description

影像轉換系統及影像轉換方法

本發明是關於一種轉換影像的應用，特別是關於一種影像轉換系統及影像轉換方法。

傳統攝像機影像偵測到物件時，需要透過攝像機定位、校正等方式才能達到將物件的空間位置座標轉換至平面圖上，若是攝像機種類改變、型號更新、擺放位置被改變或攝像機內部參數改變，則會需要重做定位和校正。然而，定位和校正往往需要人員至現場更換攝像機並當場量測攝像機位置才能達成，十分不便。

此外，多攝像機轉換座標至同一平面圖時，亦會發生平面圖上座標拼接的問題。傳統座標轉換方法，需要先將攝像機做適當的影像轉換，例如將魚眼攝像機拍攝的影像轉換為方形平面，以對應真實地圖，再量測攝像機本身的安裝高度和世界地圖對應的安裝位置，即可取得影像對應平面圖的涵蓋範圍，接著，攝像機影像內的物件偵測位置即可轉換至平面圖上。當攝像機數量較多時，需要精準量測攝像機之間的涵蓋範圍，確保影像的涵蓋範圍彼此不干擾，否則會發生同一物件出現在二個攝像機，則需要處理物件歸屬於哪個座標的問題。

因此，如何設定一個新的影像轉換方法，無關攝像機本身種類、參數、安裝位置等，只需要攝像機安裝完成之後，即能從影像直接設定與平面圖的關聯性，已成為本領域需解決的問題之一。

為了解決上述的問題，本揭露內容之一態樣提供了一種影像轉換系統。影像轉換系統包含一攝像機以及一處理器。攝像機用以拍攝一影像；其中，該影像中包含複數個定位標籤圖樣。處理器用以接收影像，透過辨識此些定位標籤圖樣，依據此些定位標籤圖樣產生一影像特定區域，將此影像特定區域轉換到一平面圖的一平面特定區域。

於一實施例中，影像轉換系統更包含一室內定位裝置。室內定位裝置用以透過複數個定位標籤各自與複數個基地台傳輸一訊號，此些基地台各自接收到該些訊號後，將此些訊號的強度傳送至處理器，處理器以一三角定位演算法計算此些定位標籤各自於一空間中對應的相對位置。

於一實施例中，處理器取得三個該些定位標籤於空間中的三個不同的相對位置，或是取得此些定位標籤之一者於空間中移動至三次到不同位置，所得到三個不同的相對位置，將此三個不同的相對位置連線，以得到轉換到空間中的一三角型平面。

於一實施例中，處理器將三角型平面的各頂點對應至此些定位標籤圖樣的位置後，得到三角型平面於影像中對應的位置，再將三角型平面於影像中對應的位置轉換到平面圖上。

於一實施例中，一完整平面特定區域由複數個三角型平面構成，當完整平面特定區域建立完成，則處理器將影像輸入已訓練完成的一深度學習網路，深度學習網路輸出一框選範圍，處理器計算框選範圍之最底部線條的一中心點位置，並追蹤中心點位置的一移動路徑。

本揭露內容之另一態樣提供了一種影像轉換方法。影像轉換方法包含以下步驟：拍攝一影像；其中，影像中包含複數個定位標籤圖樣；接收影像，透過辨識此些定位標籤圖樣，並依據此些定位標籤圖樣以產生一影像特定區域；以及將影像特定區域轉換到一平面圖的一平面特定區域。

於一實施例中，影像轉換方法更包含：透過複數個定位標籤各自與複數個基地台傳輸一訊號，此些基地台各自接收到此些訊號後，將此些訊號的強度傳送至一處理器，處理器以一三角定位演算法計算此些定位標籤各自於一空間中對應的相對位置。

於一實施例中，影像轉換方法更包含：取得三個此些定位標籤於空間中的三個不同的相對位置，或是取得此些定位標籤之一者於空間中移動至三次到不同位置，所得到三個不同的相對位置；以及將此三個不同的相對位置連線，以得到轉換到空間中的一三角型平面。

於一實施例中，影像轉換方法更包含：將三角型平面的各頂點對應至此些定位標籤圖樣的位置後，得到三角型平面於影像中對應的位置，再將三角型平面於影像中對應的位置轉換到平面圖上。

於一實施例中，一完整平面特定區域由複數個三角型平面構成，當完整平面特定區域建立完成，則將影像輸入已訓練完成的一深度學習網路，深度學習網路輸出一框選範圍；計算框選範圍之最底部線條的一中心點位置；以及將影像特定區域轉換到一平面圖的一平面特定區域。

本發明所示之影像轉換系統及影像轉換方法，無論是魚眼攝像機或槍型攝像機所拍攝的影像，皆可將這些影像轉換至同一個平面圖上，以得知攝像機相機在平面圖上的覆蓋範圍，每個覆蓋範圍都是以多個三角形平面組成，本發明所示之影像轉換系統及影像轉換方法不需要知道多台攝像機任何的參數和位置，不同鏡頭覆蓋範圍無需定位也無需校正，即可將多台相同或不同的攝像機拍攝範圍(即完整平面特定區域)轉換到同一個平面圖上，大幅減少佈建攝像機時，人力所花費的時間。

此外，處理器將攝像機所拍攝到的範圍自動轉換到平面圖上之後，處理器能夠自動透過影像處理方法追蹤完整平面特定區域中的人體位移，此可以應用到長照中心，由於一般年長者有不習慣配戴電子裝置的特性，藉由本發明所示之影像轉換系統及影像轉換方法，能夠應用完整平面特定區域中標記的中心點位置(即人體位置)，以追蹤年長者的移動路徑，有助於判斷年長者是否有失智狀態出現。

以下說明係為完成發明的較佳實現方式，其目的在於描述本發明的基本精神，但並不用以限定本發明。實際的發明內容必須參考之後的權利要求範圍。

必須了解的是，使用於本說明書中的”包含”、”包括”等詞，係用以表示存在特定的技術特徵、數值、方法步驟、作業處理、元件以及/或組件，但並不排除可加上更多的技術特徵、數值、方法步驟、作業處理、元件、組件，或以上的任意組合。

於權利要求中使用如”第一”、"第二"、"第三"等詞係用來修飾權利要求中的元件，並非用來表示之間具有優先權順序，先行關係，或者是一個元件先於另一個元件，或者是執行方法步驟時的時間先後順序，僅用來區別具有相同名字的元件。

請參照第1~5圖，第1圖係依照本發明一實施例繪示影像轉換系統100之方塊圖。第2圖係依照本發明一實施例繪示影像轉換系統200之方塊圖。第3圖係依照本發明一實施例繪示影像轉換方法300之示意圖。第4圖係依照本發明一實施例繪示室內定位方法之示意圖。第5圖係依照本發明一實施例繪示室內定位方法之示意圖。

如第1圖所示，影像轉換系統100包含一攝像機10及一處理器20。如第2圖所示，影像轉換系統200中包含多個攝像機10、12、處理器20、多個基地台AP1~AP4及一定位標籤TAG0。

於第1~2圖中的攝像機10、12可以是魚眼攝像機、槍型攝像機或其他種類攝像機。於一實施例中，攝像機10、12通訊耦接於處理器20，使得攝像機10、12能將擷取到的影像傳送給處理器20，通訊耦接可以是透過有線或無線的傳輸方式。

於一實施例中，第1~2圖中的處理器20可由積體電路如微控制單元(micro controller)、微處理器(microprocessor)、數位訊號處理器(digital signal processor)、特殊應用積體電路(application specific integrated circuit，ASIC)或一邏輯電路來實施。於一實施例中，第1~2圖中的處理器20可以位在一伺服器、一桌電、一筆電或其他具有運算功能的電子裝置中。

於一實施例中，基地台AP1~AP4可以是無線基地台(又稱「無線AP」，其中AP是指 “Access Point”)。

請一併參照第2~4圖，室內定位可以應用Beacon無線訊號的系統技術或無線射頻識別系統(Radio Frequency Identification，RFID)以實現，以下以Beacon無線訊號的系統技術為例，然本領域具通常知識者應能理解，只要是能進行室內定位的方法皆可以應用於此。

於步驟310中，攝像機10拍攝一影像；其中，影像中包含複數個定位標籤圖樣。

於一實施例中，影像轉換系統200的室內定位裝置用以透過多個定位標籤各自與一個或多個基地台(例如基地台AP1~AP4)傳輸一訊號，此些基地台各自接收到此些訊號後，將此些訊號的強度傳送至處理器20，處理器20以一三角定位演算法計算此些定位標籤各自於一空間中對應的相對位置。由於三角定位演算法為已知的空間定位方法，故此處不贅述之。

於一實施例中，如第4圖所示，基地台AP1~AP4可以佈署在空間SP的四個不同的位置，定位標籤TAG0可以放置在空間SP中的任何位置。Beacon無線訊號的系統技術的實現需要一個定位標籤TAG0(能夠主動發射訊號的標籤，Beacon tag)及基地台AP1~AP4(應用至少三個基地台以實現三角定位演算法)。

於一實施例中，定位標籤TAG0透過Beacon的無線訊號傳輸技術發送訊號，使基地台AP1~AP4接收到訊號，基地台AP1~AP4可以將接收到的訊號的接收訊號強度指示(Received Signal Strength Indication，RSSI)傳送到處理器20或是與基地台AP1~AP4通訊耦接的定位伺服器，使收到這些接收訊號強度指示的處理器20或定位伺服器可以基於訊號場強指示定位原理，依據每個基地台AP1~AP4接收到訊號的強弱，算出定位標籤TAG0在空間SP中的位置。於一實施例中，若是定位伺服器計算出定位標籤TAG0在空間SP中的位置，定位伺服器會將此位置傳送給處理器20。

換言之，設置好基地台AP1~AP4後，處理器20或定位伺服器可以基於訊號場強指示定位原理配合三角定位演算法算出定位標籤TAG0在空間SP中的位置。

於一實施例中，如第5圖所示，空間SP中可以有三個或三個以上的定位標籤TAG1~TAG3，為方便說明，以下以三個定位標籤TAG1~TAG3為例。

於一實施例中，處理器20或定位伺服器可以依據前述方式，依據三角定位演算法分別算出此三個定位標籤TAG1~TAG3各自在空間SP中的位置，並將此三個定位標籤TAG1~TAG3各自在空間SP中的位置以線段連起來，成為一個三角型平面TR。接著，處理器20需要將三角型平面TR實際對應到攝像機10或12拍攝的影像範圍中。

於一實施例中，如第5圖所示，處理器20取得三個定位標籤TAG1~TAG3於空間SP中的三個不同的相對位置，或是取得定位標籤TAG1~TAG3之一者於空間SP中移動至三次到不同位置(例如移動定位標籤TAG1到不同的位置三次)，所得到三個不同的相對位置，將此三個不同的相對位置連線，以得到空間SP中的一三角型平面TR，將三角型平面TR的三個頂點與攝像機10擷取之影像600中的定位標籤圖樣各自對應，以得到影像600中的三角型平面TR’，再將三角型平面TR’轉換到平面圖700中的一三角型平面TR’’。此部分將於後續詳述之。

於步驟320中，處理器20接收影像600，透過辨識此些定位標籤圖樣，並依據此些定位標籤圖樣產生一影像特定區域(例如三角型平面TR’)。

請參閱第6圖，第6圖係依照本發明一實施例繪示攝像機10擷取之影像600之示意圖。於一實施例中，為了讓攝像機10容易尋找定位標籤TAG1~TAG3，事先將定位標籤TAG1~TAG3上分別繪製數字“1”、“2”、“3”作為定位標籤圖樣，攝像機10拍攝到的影像600中包含此些定位標籤圖樣。

於一實施例中，定位標籤TAG1~TAG3上不一定繪製數字作為定位標籤圖樣，定位標籤TAG1~TAG3上也可以繪製任何具識別性的圖案作為定位標籤圖樣，例如紅色圓形、綠色方形、黃色三角形…等等圖案。

於一實施例中，處理器20可事先訓練一深度學習網路，深度學習網路例如為卷積神經網路(Convolutional Neural Network，CNN)，處理器20事先將攝像機10擷取到的多張影像輸入深度學習網路中，以訓練深度學習網路辨識人體位置。待深度學習網路事先訓練完成後，處理器20將當前擷取到的影像輸入深度學習網路，深度學習網路輸出包含人體位置框選範圍F1、F2的影像600。

於一實施例中，處理器20計算框選範圍F1、F2之最底部線條的一中心點位置P1、P2，後續藉由追蹤中心點位置P1、P2可以得知中心點位置P1、P2的移動路徑，其代表人體的移動路徑。

於一實施例中，處理器20將三角型平面(例如第5圖中的三角型平面TR)的各頂點對應至此些定位標籤圖樣的位置(例如第6圖所示的定位標籤圖樣“1”、“2”及“3”)後，得到三角型平面TR於影像600中對應的位置(即三角型平面TR’’)，再將三角型平面TR於影像600中對應的位置(即三角型平面TR’’)轉換到平面圖700上。

於一實施例中，攝像機10將影像600傳送到處理器20，處理器20依據已知的影像辨識方法，以搜尋到影像600中定位標籤TAG1~TAG3各自對應的定位標籤圖樣。

於一實施例中，定位標籤TAG1~TAG3在初始時可以貼在桌面、椅子、柱子、櫃子…等比較容易被辨識到的地方，可增加處理器20辨識影像600中定位標籤TAG1~TAG3各自對應的定位標籤圖樣的精準度。

處理器20將辨識到的定位標籤TAG1在空間SP中的位置對應到定位標籤圖樣為“1”的位置，將定位標籤TAG2在空間SP中的位置對應到定位標籤圖樣為“2”的位置，將定位標籤TAG3在空間SP中的位置對應到定位標籤圖樣為“3”的位置，於影像600中，可看出定位標籤圖樣為“1”的位置、定位標籤圖樣為“2”的位置及定位標籤圖樣為“3”的位置可連成三角型平面TR’，此三角型平面TR’視為影像特定區域。

接著，處理器20需要將三角型平面TR’實際對應到室內的一平面圖700上。

於步驟330中，處理器20將影像特定區域(例如三角型平面TR’)轉換到一平面圖700的一平面特定區域(例如三角型平面TR’’)。

請參閱第7圖，第7圖係依照本發明一實施例繪示平面圖700之示意圖。於一實施例中，平面圖700中的物件為已知，已知的物件例如有：所有定位標籤圖樣、物件OBJ1~OBJ5、中心點位置P1、P2。

由於平面圖700中已知所有定位標籤圖樣的座標(可以是事先設定的圖資)，因此可將影像600中定位標籤圖樣為“1”的位置對應到平面圖700中定位標籤圖樣為“1”的位置、將影像600中定位標籤圖樣為“2”的位置對應到平面圖700中定位標籤圖樣為“2”的位置、將影像600中定位標籤圖樣為“3”的位置對應到平面圖700中定位標籤圖樣為“3”的位置。

於一實施例中，於平面圖700中，定位標籤圖樣為“1”的位置、定位標籤圖樣為“2”的位置及定位標籤圖樣為“3”的位置可連成三角型平面TR’’，此代表三角型平面TR’’是位於攝影機10可拍攝到的範圍內，亦達到將攝影機10拍攝到的影像特定區域(如三角型平面TR’)轉換至平面圖700上的平面特定區域(如三角型平面TR’’)的效果。

藉由重複多次上述步驟，移動多個定位標籤TAG1~TAG3的位置，或是加大定位標籤TAG1~TAG3之間的距離，處理器20可以產生多個三角型平面TR’’，藉此建立出一完整平面特定區域Ra，此平面特定區域Ra代表在平面圖700中，攝像機10可拍攝到的位置。

於一實施例中，完整平面特定區域Ra由多個三角型平面TR’’構成。

於一實施例中，處理器20將多個不同大小即/或不同位置的三角型平面TR’轉換到平面圖700的多個不同大小即/或不同位置的三角型平面TR’’，以生成完整平面特定區域Ra。

由上述可知，第5圖中的三角型平面TR是位於空間SP中的三個定位標籤TAG1~TAG3的三維座標連起來而成，將第5圖中的三角型平面TR對應到第6圖的影像600中可生成二維座標的三角型平面TR’，將第6圖的三角型平面TR’的各頂點對應到已知的定位標籤座標的平面圖700中，可在平面圖700中生成三角型平面TR’’。

換言之，只要移動定位標籤TAG1~TAG3至少一者的位置，處理器20即可得到不同大小及/或位置的三角型平面TR’’，重複上述步驟，可建立完整的平面特定區域Ra。

於一實施例中，當完整平面特定區域Ra建立完成，則處理器20將影像600輸入已訓練完成的一深度學習網路，此深度學習網路用以框選出影像中的人體範圍。接著，深度學習網路輸出一框選範圍(例如框選範圍F1、F2)，處理器20計算框選範圍之最底部線條的一中心點位置(例如中心點位置P1、P2)，並追蹤中心點位置的一移動路徑。

於一實施例中，處理器20可藉由在平面圖700上以色塊標示三角型平面TR’’，因此色塊的整體可視為完整平面特定區域Ra，完整平面特定區域Ra代表攝像機10的拍攝範圍被轉換到平面圖700上。

由此可知，影像轉換方法300不需要知道多台攝像機任何的參數和位置，不同鏡頭(如魚眼攝像機或槍型攝像機)覆蓋範圍無需定位也無需校正，即可應用建立出多塊三角型平面TR’’，將多台相同或不同的攝像機的拍攝範圍(即完整平面特定區域Ra)呈現到同一個平面圖700上。

於一實施例中，藉由重複上述步驟，出直到定位標籤圖樣不存在影像600中時，代表此組定位標籤TAG1~TAG3的至少一部分位置已超出攝像機10的拍攝範圍，只能有未超出拍攝範圍的部分能被轉換為平面圖700上的部分平面特定區域並以色塊表示之。

當攝像機10拍攝範圍的邊際都已轉換到平面圖700上時，則將此時的平面圖700上的色塊的整體(由多個不同大小及/或位置的三角型平面TR’’上色後組成)視為完整平面特定區域Ra。

由此可知，完整平面特定區域Ra之外的位置是攝像機10沒有拍攝到的位置，那些沒有被拍攝到的位置可以再裝上一或多個攝像機(例如攝像機12)以補足，讓整張平面圖700都被拍攝到。透過上述步驟310~340的影像轉換方法，只需要相機安裝完成之後，即能從相機擷取到的影像設定相機擷取到的影像與平面圖700的關聯性。

於一實施例中，由於已得到完整平面特定區域Ra，多個基地台AP1~AP4及一定位標籤TAG可以拆除，後續由處理器20應用已知的影像辨識方法，例如以卷積神經網路辨識演算法、基於區域的卷積神經網路(Regions with CNN，R-CNN)演算法、基於區域的快速卷積神經網路(Fast R-CNN)、基於區域更快卷積神經網路(Faster R-CNN)…等，以追蹤攝像機10所捕捉到的影像中的中心點位置P1、P2，中心點位置P1、P2的移動，藉此可得知人體的移動路徑。

請參閱第8圖，第8圖係依照本發明一實施例繪示人體的移動路徑800之示意圖。如前述，處理器20應用已知的影像辨識方法，以追蹤攝像機10所捕捉到的影像中的中心點位置P1、P2，中心點位置P1、P2的移動，代表人體的移動路徑。

此情境可應用於長照中心，在一些有失智狀態的年長者，有時知道自己要往物件OBJ1走，但走一下子，又會忘記自己要往何處走，可能會隨機亂走或是不停繞著一個圓形路徑行走，此為游移狀態。

在第8圖可看出，中心點位置P1的移動軌跡L1為一直線，代表對應中心點位置P1的人體是直接走到物件OBJ1(例如物件OBJ1為餐桌)，中心點位置P2的移動軌跡L2是彎曲迂迴的線段，代表對應中心點位置P2的人體是迂迴的走到物件OBJ1，對應中心點位置P2的人體可能有失智的游移症狀。

處理器20透過追蹤攝像機10所捕捉到的影像中的中心點位置P1、P2，可以將中心點位置P1、P2的移動路徑記錄下來並儲存於一儲存裝置(儲存裝置可由唯讀記憶體、快閃記憶體、軟碟、硬碟、光碟、隨身碟、磁帶、可由網路存取之資料庫或熟悉此技藝者可輕易思及具有相同功能之儲存媒體以實現之)。

藉此，照護人員透過觀察中心點位置P1、P2的移動路徑，可以發現中心點位置P2對應的年長者有游移狀態。照護人員可以視情況選擇是否作進一步的處置，例如照護人員可以特別關注此年長者或通知家人。

本發明之方法，或特定型態或其部份，可以以程式碼的型態存在。程式碼可以包含於實體媒體，如軟碟、光碟片、硬碟、或是任何其他機器可讀取(如電腦可讀取)儲存媒體，亦或不限於外在形式之電腦程式產品，其中，當程式碼被機器，如電腦載入且執行時，此機器變成用以參與本發明之裝置。程式碼也可以透過一些傳送媒體，如電線或電纜、光纖、或是任何傳輸型態進行傳送，其中，當程式碼被機器，如電腦接收、載入且執行時，此機器變成用以參與本發明之裝置。當在一般用途處理單元實作時，程式碼結合處理單元提供一操作類似於應用特定邏輯電路之獨特裝置。

雖然本發明已以實施方式揭露如上，然其並非用以限定本發明，任何熟習此技藝者，在不脫離本發明之精神和範圍內，當可作各種之更動與潤飾，因此本發明之保護範圍當視後附之申請專利範圍所界定者為準。

100:影像轉換系統 10, 12:攝像機 20:處理器 AP1~AP4:基地台 TAG0~TAG3:定位標籤 200:影像轉換系統 300:影像轉換方法 310~330:步驟 SP:空間 TR, TR’, TR’’:三角型平面 F1, F2:框選範圍 P1, P2:中心點位置 OBJ1~OBJ5:物件 Ra: 平面特定區域 700:平面圖 800:移動路徑 L1, L2:移動軌跡

第1圖係依照本發明一實施例繪示影像轉換系統之方塊圖。第2圖係依照本發明一實施例繪示影像轉換系統之方塊圖。第3圖係依照本發明一實施例繪示影像轉換方法之示意圖。第4圖係依照本發明一實施例繪示室內定位方法之示意圖。第5圖係依照本發明一實施例繪示室內定位方法之示意圖。第6圖係依照本發明一實施例繪示攝像機擷取之影像之示意圖。第7圖係依照本發明一實施例繪示平面圖之示意圖。第8圖係依照本發明一實施例繪示人體的移動路徑之示意圖。

300:影像轉換方法

310~330:步驟

Claims

一種影像轉換系統，包含：一攝像機，用以拍攝一影像；其中，該影像中包含複數個定位標籤圖樣；一處理器，用以接收該影像，透過辨識該些定位標籤圖樣，依據該些定位標籤圖樣產生一影像特定區域，將該影像特定區域轉換到一平面圖的一平面特定區域；以及一室內定位裝置，用以透過複數個定位標籤各自與複數個基地台傳輸一訊號，該些基地台各自接收到該些訊號後，將該些訊號的強度傳送至該處理器，該處理器以一三角定位演算法計算該些定位標籤各自於一空間中對應的相對位置；其中，該處理器取得三個該些定位標籤於該空間中的三個不同的相對位置，或是取得該些定位標籤之一者於該空間中移動至三次到不同位置，所得到三個不同的相對位置，將此三個不同的相對位置連線，以得到轉換到該空間中的一三角型平面；其中，該處理器將該三角型平面的各頂點對應至該些定位標籤圖樣的位置後，得到該三角型平面於該影像中對應的位置，再將該三角型平面於該影像中對應的位置轉換到該平面圖上。
如請求項1之影像轉換系統，其中，一完整平面特定區域由複數個三角型平面構成，當該完整平面特定區域建立完成，則該處理器將該影像輸入已訓練完成的一深度學習網路，該深度學習網路輸出一框選範圍，該處理器計算該框選範圍之最底部線條的一中心點位置，並追蹤該中心點位置的一移動路徑。
一種影像轉換方法，包含：拍攝一影像；其中，該影像中包含複數個定位標籤圖樣；接收該影像，透過辨識該些定位標籤圖樣，並依據該些定位標籤圖樣以產生一影像特定區域；將該影像特定區域轉換到一平面圖的一平面特定區域；透過複數個定位標籤各自與複數個基地台傳輸一訊號，該些基地台各自接收到該些訊號後，將該些訊號的強度傳送至一處理器，該處理器以一三角定位演算法計算該些定位標籤各自於一空間中對應的相對位置；取得三個該些定位標籤於該空間中的三個不同的相對位置，或是取得該些定位標籤之一者於該空間中移動至三次到不同位置，所得到三個不同的相對位置；將此三個不同的相對位置連線，以得到轉換到該空間中的一三角型平面；以及將該三角型平面的各頂點對應至該些定位標籤圖樣的位置後，得到該三角型平面於該影像中對應的位置，再將該三角型平面於該影像中對應的位置轉換到該平面圖上。
如請求項3之影像轉換方法，其中，一完整平面特定區域由複數個三角型平面構成，當該完整平面特定區域建立完成，則將該影像輸入已訓練完成的一深度學習網路，該深度學習網路輸出一框選範圍；計算該框選範圍之最底部線條的一中心點位置；以及追蹤該中心點位置的一移動路徑。