CN102821194B - 基于多种传感器的手机室内定位装置及方法 - Google Patents

Abstract

一种基于多种传感器的手机室内定位方法，主要解决现有手机室内定位技术只能基于无线电定位且定位局限性较大的问题。其实现步骤为：利用麦克风、摄像头及Wi-Fi，收集预测场景的背景噪音、光照、颜色、Wi-Fi信号信息；存储上述收集的信息，并分别进行特征提取，得到特征向量，构成训练样本集；根据训练样本集训练综合弱分类器集合H；收集当前场景的背景噪音、光照、颜色、Wi-Fi信号信息，存储并进行特征提取；根据综合弱分类器集合H，利用当前场景的特征向量输出当前场景的识别结果。本发明具有精确度高，普适性强且能耗低的优点，可用于实现手机室内场景类别的定位。

Description

基于多种传感器的手机室内定位装置及方法

技术领域

本发明属于移动通信技术领域，涉及手机定位技术，特别是一种基于多种传感器的手机室内定位装置及方法，可应用于室内场景类别的定位。

背景技术

定位技术在军事、生产及日常生活中有着重要的作用，随着手机的普遍使用，利用手机进行精确定位成为手机中越来越常用的应用和研究方向。定位主要分为室内定位和室外定位，而定位的结果主要分为物理位置和逻辑位置。物理位置是指定位结果为经纬度，而逻辑位置指的是当前所在的场景，例如商店、咖啡馆等。目前，针对室内定位，为提高场景识别精确度同时降低设备能耗，广泛采用的技术有：Wi-Fi技术，ZigBee技术、射频识别技术和蓝牙技术等。上述技术虽然能较好的实现室内定位，但对室内环境的基础设施要求较高且只能结果多为物理位置，不能高精确度、低能耗地提供逻辑位置。

为了能对逻辑位置进行定位，Hong Lu等人在MobiSys2009会议上发表的“SoundSense:Scalable Sound Sensing for People-Centric Applications on MobilePhones”中提出在手机中开发一个单纯用声音传感器进行识别的应用，利用一系列时域和频域信号来对提取的声音进行表述，根据不同的声音可以知道当前大概环境。但其不足是：SoundSense主要是用来发现声音事件，它能很好的识别声音事件，但仅仅根据声音对当前环境进行判断会有很大的误导性，因为同一地点的声音特征在不同时间不一定是一样的，因此在对环境的识别上精确度不高。

Martin Azizyan等人在MobiCom2009会议上发表的“SurroundSense:Mobile PhoneLocalization via Ambience Fingerprinting”中提出利用多种传感器，收集声、光、颜色以及人的运动轨迹等信息进行室内定位。该方法首先利用传感器自动记录当前环境中的声、光、颜色和加速度信息，经预处理后与利用GSM获得的手机当前的经纬度信息一起传送至远端服务器。服务器根据GSM定位将150m范围内的室内场景作为候选，再根据声、光、颜色、加速度信息进行精确的室内定位。由于这种方法需要在GSM部署密集的地区使用，对于GSM部署稀疏的地区定位精度较低。并且，由于GSM定位误差高达100m，这也使得定位精度较低。此外，将预处理信息传送至后端服务器的过程中极易受到干扰而使传输中断或者信息丢失，传送信息的过程也会大量消耗手机的能耗。

Stephen P.Tarzia等人在MobiSys2011会议上发表的“Indoor Localization withoutInfrastructure using the Acoustic Background Spectrum”中，提出Acoustic BackgroundSpectrum这种声音特征进行室内定位，且在真实环境中定位的精确度高达70%。这种定位方法只利用当前环境声音，将收集到的声音样本进行分帧、加窗处理后，计算每一帧的功率谱，将频率大于7kHz的行丢弃，将剩余行进行排序，将第5%列的抽取出来得到声音特征，将所得到特征通过简单的最近邻方法与室内场景已经存在的声音特征数据库进行比较从而确定当前位置。这种系统的不足在于它主要针对比较安静的室内环境，较安静的室内环境的声音比较平稳，因此该声音特征能很好的描述背景声音的特征，但是对于嘈杂的室内环境，定位的精度就会大大降低，因此局限性较大。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于多种传感器的手机室内定位装置及方法，实现高精度的室内定位同时使能耗降低，并且对不同室内环境具有普适性。

为达到以上目的，本发明的基于多种传感器的手机室内定位的装置，包括：

信息收集模块：用于收集环境的背景声音、环境的图像以及Wi-Fi信号，将收集到的环境信息传送给特征提取模块；

特征提取模块：用于对收集的环境背景声音、环境的图像、Wi-Fi信号进行特征提取，得到背景声音、图像、Wi-Fi信号的样本集，传送给分类识别模块；

分类识别模块：用于根据背景声音、图像、Wi-Fi信号的样本集，进行分类识别，将分类结果传送给界面模块；

传感器控制模块：用于控制麦克风、摄像头以及Wi-Fi，使其能够按照需求开始或结束数据采集，将控制信息传送至信息收集模块；

界面模块：用于提供交互界面，产生控制指令传送至传感器控制模块，并最终显示最终分类识别结果。

本发明的基于多种传感器的手机室内定位的方法，包括：

(1)利用手机的麦克风、摄像头及Wi-Fi作为传感器集合S＝{S_s,S_l,S_c,S_w}，收集预测场景集合A＝{α₁,...,α_k,...,α_a}中共a类预测场景的背景声音、光照、颜色、Wi-Fi信号信息，每种预测场景收集m次，共收集n＝ma组样本信息，其中S_s,S_l,S_c,S_w分别代表收集声音s、光照l、颜色c和Wi-Fi信号w的传感器，α_k表示预测场景集合A中第k个预测场景，k＝1,2,...,a；

(2)存储上述传感器收集的信息，并对背景声音、光照、颜色、Wi-Fi信号分别进行特征提取，得到传感器S_j的特征向量X_j＝{x_j,1,...,x_j,i,...x_j,n}，其中j＝s,l,c,w，x_j,i为特征向量X_j中第i个特征，i＝1,2,...,n，n为收集的样本信息组数；

(3)根据上述特征向量X_j，构成传感器S_j的训练样本集：

O_j＝{(x_j,1,y₁),...,(x_j,i,y_i),...,(x_j,n,y_n)}，

其中(x_j,i,y_i)表示训练样本集O_j中第i个训练样本，i＝1,2,...,n，n为收集的样本信息组数，y_i为第i个特征x_j,i对应的真实场景，y_i∈A；

(4)利用传感器S_j的训练样本集O_j，训练综合弱分类器集合H：

4a)初始化：设置最大迭代次数T，对第i个训练样本赋予权值分布其中i＝1,2,...,n，令预测场景为α_k的条件下第一次迭代时第i个训练样本的权向量为其中k＝1,...,a，a为预测场景的类别数目；

4b)在第t次迭代中，利用权值分布和权向量通过AdaBoosting.M2算法，对每种传感器S_j的训练样本集O_j，分别求出第i个特征x_j,i的预测弱分类器h_t,j(x_j,i,α_k)和预测弱分类器的错误率ε_t,j，以及第i个训练样本(x_j,i,y_i)的真实弱分类器h_t,j(x_j,i,y_i)；

4c)将第i个特征x_j,i的权向量

更新为：

$w_{i,{\mathrm{\α}}_k}^{t+1}=w_{i,{\mathrm{\α}}_k}^t{\mathrm{\β}}_t^{(1/2)(1+h_{t,j}(x_{j,i},y_i)-h_{t,j}(x_{j,i},{\mathrm{\α}}_k))},$

其中，

为中间变量，

表示预测场景为α_k的条件下第t次迭代时第i个特征x_j,i的权向量，其中k＝1,...,a，h_t,j(x_j,i,y_i)是第i个训练样本(x_j,i,y_i)的真实弱分类器,h_t,j(x_j,i,α_k)是第i个特征x_j,i预测弱分类器，其中j＝s,l,c,w，t＝1,2,...T，i＝1,2,...,n；

4d)对于不同传感器S_j的训练样本训练出的预测弱分类器h_t,j(x_j,i,α_k)，将其中错误率最小的预测弱分类器放入综合弱分类器集合H中，作为第t次迭代过程中第i个特征x_j,i的综合弱分类器h_t(x_j,i,α_k)，对应的综合最小错误率为ε_t＝ε_t,j;

4e)重新执行步骤4b)-4d),直至执行完T次迭代，得到T个综合弱分类器的集合H＝{h₁(x_j,i,α_k),h₂(x_j,i,α_k)，...h_t(x_j,i,α_k),h_T(x_j,i,α_k)}；

(5)收集当前场景的背景声音、光照、颜色、Wi-Fi信号信息进行存储，并从这些信息中提取出当前场景的特征向量：x＝{x_s,x_l,x_c,x_w}，其中x_s,x_l,x_c,x_w分别表示声音、光照、颜色和Wi-Fi信号的特征；

(6)根据当前场景的特征向量x和上述综合弱分类集合H，得到当前场景的测试弱分类器h_t(x,α_k)，即：

H＝{h₁(x_j,i,α_k),h₂(x_j,i,α_k)，...h_t(x_j,i,α_k),h_T(x_j,i,α_k)}，

若当前场景的测试弱分类器h_t(x,α_k)为0，则表示当前场景不在预测场景集合A中，将当前场景加入到A中，重新训练H；否则，输出当前场景的识别结果：

$h\left(x\right)=\arg \underset{{\mathrm{\α}}_k\∈A}{\max }\underset{t=1}{\overset{T}{\mathrm{\Σ}}}\left(\log \frac{1-{\mathrm{\ϵ}}_t}{{\mathrm{\ϵ}}_t}\right)h_t(x,{\mathrm{\α}}_k),$

其中θ为特征阈值，

本发明与现有的技术相比具有以下优点：

第一，本发明利用手机上多种传感器收集环境的声音、光照、颜色和Wi-Fi的综合信息，提取多种特征向量后进行室内定位，可实现对室内环境逻辑位置的高精度定位。

第二，本发明采用的特征提取方法计算简单，全部处理都在手机上实现而不需要远端服务器，因此复杂度较低同时节省了向服务器进行传输所消耗的能量，这都使本发明具有低能耗性。

第三，本发明仅采用手机上的多种传感器手机环境信息进行定位，且环境信息允许缺省，即使室内环境缺少Wi-Fi信息也不会对本发明的识别过程有影响，因此本发明对室内环境的基础设施没有过高的要求，所以对不同的室内环境具有普适性且节省了建设成本。

第四，本发明实现了逻辑定位而非物理定位，可以确定用户所在具体场景，而非经纬度，方便运营商为用户提供第三方的增值普适服务。

附图说明

图1为本发明的模块图；

图2为本发明的流程图；

图3为分类识别算法训练过程子流程图。

具体实施方式

下面结合附图对本发明做进一步的描述。

参照图1，本发明的基于多种传感器的手机室内定位的装置主要由信息收集模块10、特征提取模块20、分类识别模块30、传感器控制模块40和界面模块50组成。其中：

信息收集模块10：用于收集环境的背景声音、环境的图像以及Wi-Fi信号，将收集到的环境信息传送给特征提取模块20，它包括声音采集子模块101、图像采集子模块102、Wi-Fi信号采集子模块103。各个子模块的功能是：声音采集子模块101，用于收集环境背景声音，将音频传送至音频特征提取子模块201；图像采集子模块102，用于收集环境地板图像，将图像传送至图像特征提取子模块202；Wi-Fi信号采集子模块103，用于搜索Wi-Fi信号，每五秒记录一次Wi-Fi接入点AP的MAC地址，传送至Wi-Fi信号特征提取子模块203；本发明通过手机收集室内环境的实时环境信息，不受手机型号的限制。

特征提取模块20：用于对收集的环境背景声音、环境的图像、Wi-Fi信号进行特征提取，得到背景声音、图像、Wi-Fi信号的样本集，传送给分类识别模块30，它包括音频特征提取子模块201、图像特征提取子模块202、Wi-Fi信号特征提取子模块203。各个子模块的功能是：音频特征提取子模块201，将用于将音频采样点幅值区间的比率作为特征值，传送给分类识别模块30；图像特征提取子模块202，用于将图像转化为HSL模式，提取颜色和亮度的特征值，传送给分类识别模块30；Wi-Fi信号特征提取子模块203，用于计算Wi-Fi接入点AP的MAC地址的特征值，传送给分类识别模块30。

分类识别模块30：用于对背景声音、图像、Wi-Fi信号的样本集，进行训练、分类识别，将分类结果传送给界面模块50。分类识别模块30存储训练出的综合弱训练器集合，进行分类识别时直接利用训练好的综合弱分类器集合进行室内场景的分类识别。

传感器控制模块40：用于控制麦克风、摄像头以及Wi-Fi，使其能够按照需求开始或结束数据采集，将控制信息传送至信息收集模块10；

界面模块50：用于提供交互界面，产生控制指令传送至传感器控制模块40，并最终显示最终分类识别结果。

参照图2，本发明的一种基于多种传感器的手机室内定位方法，包括如下步骤：

步骤1，利用手机的麦克风、摄像头及Wi-Fi作为传感器集合S＝{S_s,S_l,S_c,S_w}，收集预测场景集合A＝{α₁,...,α_k,...,α_a}中共a类预测场景的背景声音、光照、颜色、Wi-Fi信号信息，每种预测场景收集m次，共收集n＝ma组样本信息，其中S_s,S_l,S_c,S_w分别代表收集声音s、光照l、颜色c和Wi-Fi信号w的传感器，α_k表示预测场景集合A中第k个预测场景，k＝1,2,...,a；声音样本的采样率为8000Hz，采样编码为16bit，每段声音样本的时长为10s，摄像头像素为500万，最大支持2592×1944像素照片拍摄；本发明基于Android系统开发，选用了一台三星Nexus手机作为试验机，本发明不受试验机型号限制。

步骤2，存储上述传感器收集的信息，并对背景声音、光照、颜色、Wi-Fi信号分别进行特征提取，得到传感器S_j的特征向量X_j：

2a)将麦克风收集的声音信息进行坏点剔除操作，即删去每段音频最开始的1000个采样点；将最大幅值分为100等分，将每一等分中的采样点个数除于总采样点个数，则采样点在每个区间的幅值比率就是声音的特征值；

2b)采用手机的摄像头进行采集光和颜色，利用手机拍下当前环境的照片，将当前环境的地板的颜色与光强提取出来作为特征值；再将照片转换为色调-饱和度-亮度HSL格式，即得HSL格式散点图；利用k-均值算法将这些散点分簇，将这些簇的簇心和大小作为当前场景颜色和光的特征值；

2c)对于Wi-Fi信号，每五秒记录一次可接受到的Wi-Fi接入点AP的MAC地址；计算每一个MAC地址占总记录次数出现的百分比，将MAC地址的出现概率作为Wi-Fi的特征值；

2d)将上述背景声音、光照、颜色、Wi-Fi信号的特征值按照传感器的类别，分别构成传感器S_j的特征向量X_j＝{x_j,1,...,x_j,i,...x_j,n}，其中j＝s,l,c,w，x_j,i为特征向量X_j中第i个特征，i＝1,2,...,n，n为收集的样本信息组数。

步骤3，根据上述特征向量X_j，构成传感器S_j的训练样本集

(，其中(x_j,i,y_i)表示训练样本集O_j中第i个训练样本，i＝1,2,...，n，n为收集的样本信息组数，y_i为第i个特征x_j,i对应的真实场景，y_i∈A。

步骤4，利用传感器S_j的训练样本集O_j，训练综合弱分类器集合H：

参照图3，本步骤的具体实现如下：

4a)初始化：设置最大迭代次数T，对第i个训练样本赋予权值分布其中i＝1,2,...,n，令预测场景为α_k的条件下第一次迭代时第i个训练样本的权向量为

其中k＝1,...,a，a为预测场景的类别数目；

4b)在第t次迭代中，利用权值分布和权向量通过AdaBoosting.M2算法，对每种传感器S_j的训练样本集O_j，分别求出第i个特征x_j,i的预测弱分类器h_t,j(x_j,i,α_k)和预测弱分类器的错误率ε_t,j，以及第i个训练样本(x_j,i,y_i)的真实弱分类器h_t,j(x_j,i,y_i)：

4b1)求出第t次迭代中第i个训练样本的权值分布

其中

为总权值向量，其中t＝1,2,...T，k＝1,...,a，i＝1,2,...,n；

4b2)根据权值分布，使用朴素贝叶斯算法对样本集O_j中的第i个训练样本，求出其条件概率P(α_k|x_j,i)，将条件概率作为预测弱分类器h_t(x_j,i,α_k)的判别结果，其中预测弱分类器h_t(x_j,i,α_k)的判别结果表示第t次迭代中在权值分布D_t(i)下，根据传感器S_j特征向量x_j,i识别出预测场景为α_k的概率；

4b3)当特征向量x_j,i的真实场景y_i＝α_k时，得到真实弱分类器h_t,j(x_j,i,y_i)＝h_t(x_j,i,α_k)，其判别结果表示第t次迭代中在传感器S_j的样本集O_j和权值D_t(i)下，根据特征向量x_j,i识别出真实场景为y_i的概率；

4b4)利用所求预测弱分类器，计算预测弱分类器h_t(x_j,i,α_k)的错误率ε_t,j：

${\mathrm{\ϵ}}_{t,j}=\frac{1}{2}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{D}_t\left(i\right)(1-h_{t,j}(x_{j,i},y_i)+\frac{1}{a-1}\underset{{\mathrm{\α}}_k\≠y_i}{\mathrm{\Σ}}{q}_{i,{\mathrm{\α}}_k}^t{h}_t(x_{j,i},{\mathrm{\α}}_k)),$

其中

为权值向量比率，

中α_k≠y_i；

4c)将第i个特征x_j,i的权向量

更新为：

$w_{i,{\mathrm{\α}}_k}^{t+1}=w_{i,{\mathrm{\α}}_k}^t{\mathrm{\β}}_t^{(1/2)(1+h_{t,j}(x_{j,i},y_i)-h_{t,j}(x_{j,i},{\mathrm{\α}}_k))},$

其中，

为中间变量，

表示预测场景为α_k的条件下第t次迭代时第i个特征x_j,i的权向量，其中k＝1,...,a，h_t,j(x_j,i,y_i)是第i个训练样本(x_j,i,y_i)的真实弱分类器,h_t,j(x_j,i,α_k)是第i个特征x_j,i预测弱分类器，其中j＝s,l,c,w，t＝1,2,...T，i＝1,2,...,n；

4d)对于不同传感器S_j的训练样本训练出的预测弱分类器h_t,j(x_j,i,α_k)，将其中错误率最小的预测弱分类器放入综合弱分类器集合H中，作为第t次迭代过程中第i个特征x_j,i的综合弱分类器h_t(x_j,i,α_k)，对应的综合最小错误率为ε_t＝ε_t,j；

4e)重新执行步骤4b)-4d),直至执行完T次迭代，得到T个综合弱分类器的集合H＝{h₁(x_j,i,α_k),h₂(x_j,i,α_k)，...h_t(x_j,i,α_k),h_T(x_j,i,α_k)}。

步骤5，收集当前场景的背景声音、光照、颜色、Wi-Fi信号信息进行存储，并从这些信息中提取出当前场景的特征向量：x＝{x_s,x_l,x_c,x_w}，其中x_s,x_l,x_c,x_w分别表示声音、光照、颜色和Wi-Fi信号的特征。

步骤6，根据当前场景的特征向量x和上述综合弱分类集合

得到)}当k前场景的测试弱分类器：

若当前场景的测试弱分类器h_t(x,α_k)为0，则表示当前场景不在预测场景集合A中，将当前场景加入到A中，重新训练H；否则，输出当前场景的识别结果：

$h\left(x\right)=\arg \underset{{\mathrm{\α}}_k\∈A}{\max }\underset{t=1}{\overset{T}{\mathrm{\Σ}}}\left(\log \frac{1-{\mathrm{\ϵ}}_t}{{\mathrm{\ϵ}}_t}\right)h_t(x,{\mathrm{\α}}_k),$

其中θ为特征阈值，

Claims (8)

1.一种基于多种传感器的手机室内定位的装置，其特征在于，包含：

信息收集模块(10)：用于收集环境的背景噪音、环境的图像以及Wi-Fi信号，将收集到的环境信息传送给特征提取模块(20)；

特征提取模块(20)：用于对收集的环境背景噪音、环境的图像、Wi-Fi信号进行特征提取，得到背景噪音、图像、Wi-Fi信号的样本集，传送给分类识别模块(30)；

分类识别模块(30)：用于对环境的背景噪音、环境的图像、Wi-Fi信号的样本集，进行训练、分类识别，将分类结果传送给界面模块(50)；

传感器控制模块(40)：用于控制麦克风、摄像头以及Wi-Fi，使其能够按照需求开始或结束数据采集，将控制信息传送至信息收集模块(10)；

界面模块(50)：用于提供交互界面，产生控制指令传送至传感器控制模块(40)，并最终显示最终分类识别结果。

2.根据权利要求1所述的一种基于多种传感器的手机室内定位的装置，其特征在于，特征提取模块(20)包括：

音频特征提取子模块(201)：用于将音频采样点幅值区间的比率作为特征值，传送给分类识别模块(30)；

图像特征提取子模块(202)：用于将图像转化为HSL模式，提取颜色和亮度的特征值，传送给分类识别模块(30)；

Wi-Fi信号特征提取子模块(203)：用于计算Wi-Fi接入点AP的MAC地址的特征值，传送给分类识别模块(30)。

3.根据权利要求1所述的一种基于多种传感器的手机室内定位的装置，其特征在于，信息收集模块(10)包括：

声音采集子模块(101)：用于收集环境的背景噪音，将音频传送至特征提取模块(20)中的音频特征提取子模块(201)；

图像采集子模块(102)：用于收集环境地板图像，将图像传送至特征提取模块(20)中的图像特征提取子模块(202)；

Wi-Fi信号采集子模块(103)：用于搜索Wi-Fi信号，每五秒记录一次Wi-Fi接入点AP的MAC地址，传送至特征提取模块(20)中的Wi-Fi信号特征提取子模块(203)。

4.一种基于多种传感器的手机室内定位方法，包括以下步骤：

(1)利用手机的麦克风、摄像头及Wi-Fi作为传感器集合S＝{S_s,S_l,S_c,S_w}，收集预测场景集合A＝{α₁,...,α_k,...,α_a}中共a类预测场景的背景噪音、光照、颜色、Wi-Fi信号信息，每种预测场景收集m次，共收集n＝ma组样本信息，其中S_s,S_l,S_c,S_w分别代表收集声音s、光照l、颜色c和Wi-Fi信号w的传感器，α_k表示预测场景集合A中第k个预测场景，k＝1,2,...,a；

(2)存储上述传感器收集的信息，并对背景噪音、光照、颜色、Wi-Fi信号分别进行特征提取，得到传感器S_j的特征向量X_j＝{x_j,1,...,x_j,i,...x_j,n}，其中j＝s,l,c,w，x_j,i为特征向量X_j中第i个特征，i＝1,2,...,n，n为收集的样本信息组数；

(3)根据上述特征向量X_j，构成传感器S_j的训练样本集：

O_j＝{(x_j,1,y₁),...,(x_j,i,y_i),...,(x_j,n,y_n)}，

其中(x_j,i,y_i)表示训练样本集O_j中第i个训练样本，x_j,i表示第i个训练样本的特征，i＝1,2,...,n，n为收集的样本信息组数，y_i为第i个特征x_j,i对应的真实场景，y_i∈A；

(4)利用传感器S_j的训练样本集O_j，训练综合弱分类器集合H：

4a)初始化：设置最大迭代次数T，对第i个训练样本赋予权值分布其中i＝1,2,...,n，令预测场景为α_k的条件下第一次迭代时第i个训练样本的权向量为其中k＝1,...,a，a为预测场景的类别数目；

4b)在第t次迭代中，利用权值分布和权向量通过AdaBoosting.M2算法，对每种传感器S_j的训练样本集O_j，分别求出第i个训练样本的特征x_j,i的预测弱分类器h_t,j(x_j,i,α_k)和预测弱分类器的错误率ε_t,j，以及第i个训练样本(x_j,i,y_i)的真实弱分类器h_t,j(x_j,i,y_i)；

4c)将第i个训练样本的特征x_j,i的权向量

更新为：

$w_{i,{\mathrm{\α}}_k}^{t+1}=w_{i,{\mathrm{\α}}_k}^t{\mathrm{\β}}_t^{(1/2)(1+h_{t,j}(x_{j,i},y_i)-h_{t,j}(x_{j,i},{\mathrm{\α}}_k)),}$

其中，为中间变量，

表示预测场景为α_k的条件下第t次迭代时第i个训练样本的特征x_j,i的权向量，其中k＝1,...,a，h_t,j(x_j,i,y_i)是第i个训练样本(x_j,i,y_i)的真实弱分类器,h_t,j(x_j,i,α_k)是第i个训练样本的特征x_j,i预测弱分类器，其中j＝s,l,c,w；t＝1,2,...T；i＝1,2,...,n；

4d)对于不同传感器S_j的训练样本集O_j＝{(x_j,1,y₁),...,(x_j,i,y_i),...,(x_j,n,y_n)}，求出所有特征的预测弱分类器h_t,j(x_j,i,α_k)，将其中错误率最小的预测弱分类器放入综合弱分类器集合H中，作为第t次迭代过程中第i个特征x_j,i的综合弱分类器h_t(x_j,i,α_k)，对应的综合最小错误率为ε_t＝ε_t,j；

4e)重新执行步骤4b)-4d),直至执行完T次迭代，得到T个综合弱分类器集合H＝{h₁(x_j,i,α_k),h₂(x_j,i,α_k)，...h_t(x_j,i,α_k),h_T(x_j,i,α_k)}；

(5)收集当前场景的背景噪音、光照、颜色、Wi-Fi信号信息进行存储，并从这些信息中提取出当前场景的特征向量：x＝{x_s,x_l,x_c,x_w}，其中x_s,x_l,x_c,x_w分别表示声音、光照、颜色和Wi-Fi信号的特征；

(6)根据当前场景的特征向量x和上述综合弱分类器集H={h₁(x_j,i,α_k),h₂(x_j,i,α_k),...h_t(x_j,i,α_k),h_T(x_j,i,α_k)}，得到当前场景的测试弱分类器：

若当前场景的测试弱分类器h_t(x,α_k)为0，则表示当前场景不在预测场景集合A中，将当前场景加入到A中，重新训练H；否则，输出当前场景的识别结果：

$h\left(x\right)=\arg \underset{\mathrm{\αk}\∈A}{\max }\underset{t=1}{\overset{T}{\mathrm{\Σ}}}(\log -\frac{1-{\mathrm{\ϵ}}_t}{{\mathrm{\ϵ}}_t})h_t(x,{\mathrm{\α}}_k),$

其中θ为特征阈值，

5.根据权利要求4所述的基于多种传感器的手机室内定位的方法，其中所述步骤(2)中对背景噪音进行特征提取，包括如下步骤：

2a)删去每段音频最初的1000个采样坏点；

2b)将最大的幅值分为100等分，将每一等分中的采样点个数除于总采样点个数得出幅值比率，将采样点在每个区间的幅值比率作为声音的特征值。

6.根据权利要求4所述的基于多种传感器的手机室内定位的方法，其中所述步骤(2)中对光照、颜色进行特征提取，包括如下步骤：

2c)采用手机的摄像头进行采集光和颜色，利用手机拍下当前环境地板的照片后，将照片转换为色调-饱和度-亮度HSL格式，即得HSL格式散点图；

2d)利用k-均值算法将这些散点分簇，将这些簇的簇心和大小作为当前场景颜色和光的特征值。

7.根据权利要求4所述的基于多种传感器的手机室内定位的方法，其中所述步骤(2)中对Wi-Fi信号的信息进行特征提取，包括如下步骤：

2e)每五秒记录一次可接收到的Wi-Fi接入点AP的MAC地址；

2f)计算每一个MAC地址占总记录次数出现的百分比，将MAC地址的出现概率作为Wi-Fi的特征值。

8.根据权利要求4所述的基于多种传感器的手机室内定位的方法，其中所述步骤4b)中所述的通过AdaBoosting.M2算法求出第i个特征x_j,i的预测弱分类器h_t,j(x_j,i,α_k)和预测弱分类器的错误率ε_t,j，以及第i个训练样本(x_j,i,y_i)的真实弱分类器h_t,j(x_j,i,y_i)，包括如下步骤：

4b1)求出第t次迭代中第i个训练样本的权值分布

其中

为总权值向量，其中t＝1,2,...T，k＝1,,...a，i＝1,2,...,n；

4b2)根据权值分布，使用朴素贝叶斯算法对样本集O_j中的第i个训练样本，求出其条件概率P(α_k|x_j,i)，将条件概率作为预测弱分类器h_t,j(x_j,i,α_k)的判别结果，其中预测弱分类器h_t,j(x_j,i,α_k)的判别结果表示第t次迭代中在权值分布D_t(i)下，根据传感器S_j特征向量x_j,i识别出预测场景为α_k的概率；

4b3)当特征向量x_j,i的真实场景y_i＝α_k时，得到真实弱分类器h_t,j(x_j,i,y_i)＝h_t,j(x_j,i,α_k)，其判别结果表示第t次迭代中在传感器S_j的样本集O_j和权值D_t(i)下，根据特征向量x_j,i识别出真实场景为y_i的概率；

4b4)利用所求预测弱分类器，计算预测弱分类器h_t,j(x_j,i,α_k)的错误率ε_t,j：

${\mathrm{\ϵ}}_{t,j}=\frac{1}{2}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\left(D_t\left(i\right)(1-h_{t,j}(x_{j,i},y_i)+\frac{1}{a-1}\underset{{\mathrm{\α}}_k\≠y_i}{\mathrm{\Σ}}\left(q_{i,{\mathrm{\α}}_k}^t{h}_{t,j}(x_{j,i},{\mathrm{\α}}_k)\right))\right),$

其中

为权值向量比率，

中α_k≠y_i。

Images