CN103402256B - 一种基于WiFi指纹的室内定位方法 - Google Patents

Abstract

本发明公开了一种基于WiFi指纹的室内定位方法，本发明对待定位场所内的每个已知位置点，在一段时间内持续采集WiFi信号的RSSI值，对采集到的数据进行预处理，统计每一个AP在某一位置点的信号序列中出现的次数num，删除num小于序列总长度一半的AP信号数据，对预处理之后的数据求平均值μ、标准差δ存入数据库；采集待定位点的WiFi信号的RSSI值并上传至服务器，对采集到的待定位点的数据采用多层次概率算法与数据库中的值进行匹配，得出概率最大的W个位置估计值进行时间平均以获得待测点的位置估计；与现有技术相比，本发明在保证定位精度的同时提高了系统的可操作性和实用性，能精确定位到3米。

Description

一种基于WiFi指纹的室内定位方法

技术领域

本发明属于室内定位技术领域，具体涉及一种基于WiFi指纹的室内定位方法。

背景技术

WiFi无线网络由接入点AP(AccessPoint)和无线网卡组成，AP一般处于固定位置，其发射的信号中包含热点的全球唯一标识、网络名称、加密方式等信息。移动终端通过扫描可以得到附近热点的ID、网络名称和终端所处位置的RSSI(ReceivedSignalStrengthIndication，接收信号强度指示)等内容。

目前，通用的WiFi室内定位技术大多是基于IEEE802.11b/g协议的无线局域网（WLAN）的信号强度定位技术，主要分为几何测量法和位置指纹定位法，其中几何测量法利用几何学中的相关原理来计算用户的位置，缺点是需要使用专用的硬件测量设备，而且室内无线电传播环境的极度复杂性使几何测量法的RSS传播模型预测精度往往较低，定位精度不高，且AP的具体位置需要预先知道，不满足实际的应用需求；一般的位置指纹法又存在接收设备不同而使得接收信号存在差异，导致实时采集的无线信号强度数据不能与已经建立好的位置指纹数据库相适配，定位精度不高，降低了系统的可操作性和实用性。

发明内容

为了克服现有技术的上述缺点与不足，本发明的目的在于提供一种基于WiFi指纹的室内定位方法，消除了移动终端之间的差异性，提高了定位精度、可操作性以及实用性，降低了系统的部署成本。

本发明所采用的技术方案是：一种基于WiFi指纹的室内定位方法，其特征在于：包括离线采样阶段和在线定位阶段，所述的离线采样阶段包括以下步骤：

步骤1：在待定位场所内设置N个AP，对所述的待定位场所内每个已知位置点，采集并保存WiFi信号的RSSI值数据，其中N≥3，待采集完成后，则将所述的数据导入到服务器中，服务器对所述的数据进行滤波预处理，对所述的预处理之后的数据进行特征提取并存入数据库，构建位置指纹库；

所述的在线定位阶段包括以下步骤：

步骤2：采集待定位点的WiFi信号的RSSI值数据并上传至服务器；

步骤3：所述的服务器对实时接受到的所述的待定位点的WiFi信号的RSSI值数据进行降序排序，选取所述的排序结果中前L个WiFi信号对所述的位置指纹库中的位置进行聚类，得到M个位置点，该M个位置点的WiFi信号的RSSI值数据序列包含所述的L个WiFi信号，其中L≥1，M≥1；

步骤4：利用所述的待定位点的WiFi信号的RSSI值，对所述的M个位置点进行初始定位结果计算，得到初始位置估计值并保存；

步骤5：判断：已经保存的初始位置估计值的个数是否大于或等于预设值W，其中W≥1；如果否，则将当前初始位置估计值作为所述的待定位点的位置估计值；

如果是，则对已经保存的最后W个初始位置估计值做时间平均，得到所述的待定位点的位置估计值；

步骤6：判断：用户是否发出停止定位指令；

如果否，则转回执行所述的步骤2；

如果是，则结束定位。

作为优选，所述的采集并保存待定位场所内每个已知位置点的WiFi信号的RSSI值数据，是使用移动终端对所述的待定位场所内每个已知位置点，在一段时间内持续采集WiFi信号的RSSI值，并存储在移动终端存储空间中。

作为优选，所述的采集待定位点的WiFi信号的RSSI值数据，是使用移动终端来进行采集操作。

作为优选，所述的对所述的数据进行滤波预处理，其方法为：统计每一个AP在每一个位置点的信号序列中出现的次数num，删除num小于序列总长度一半的AP信号数据。

作为优选，所述的对所述的预处理之后的数据进行特征提取，所述的特征包括WiFi信号的RSSI值的信号强度值平均值μ、标准差σ，其提取方法为：给定从AP_i采集到的n个信号强度样本，利用最大似然估计MLE方法估算其分布参数，

对μ的估计为： $\widehat{\mathrm{\μ}}=\frac{1}{n}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{s}_i\left(j\right),$

对σ的估计为： $\widehat{\mathrm{\σ}}=\sqrt{\frac{1}{n}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{[s_i\left(j\right)-\widehat{\mathrm{\μ}}]}^2},$

其中：AP_i为所述的N个AP中的第i个，1≤i≤n，s_i(j)为来自AP_i第j个信号强度值，n≥3。

作为优选，所述的采集待定位点的WiFi信号的RSSI值数据并上传至服务器后，服务器端对所述的数据使用基于RSS直方图的设备校准方法进行转换，具体包括以下子步骤：

步骤2.1：利用现有的包含所有参考点RSS均值指纹的位置指纹库来得到参考设备的RSS直方图信息；

步骤2.2：用户使用移动终端采集待定位点的WiFi信号的RSSI值并上传至服务器，服务器将当前的RSS观察值序列s(k)记录下来，用来创建用户设备的RSS直方图和更新原始RSS直方图信息；

步骤2.3：利用RSS数据的经验累积分布函数中对应的特定的百分比，运用公式

${\stackrel{\‾}{r}}_{\mathrm{ij}}^{\left(2\right)}={\mathrm{\α}}_{12}\·{\stackrel{\‾}{r}}_{\mathrm{ij}}^{\left(1\right)}+{\mathrm{\β}}_{12}$

得到从用户设备到参考设备之间的一个线性映射，其中和分别表示设备D₁和设备D₂在参考点l_i上获取的来自第j个AP的RSS均值，α₁₂和β₁₂是RSS均值从D₁到D₂映射的线性参数，设F_r(x)和F_u(x)分别为参考设备和用户设备的经验累积分布函数，经验累积分布函数F(x)给出了观察值RSS序列当其小于x的概率，F(x)的逆函数F^-1(y)返回当百分比为y时所对应的RSS值，对参数(α,β)的估计可通过以下公式得到：

F_r ^-1(y)=αF_u ^-1(y)+β,y∈{0.1,0.2,…,0.9}；

步骤2.4：参数(α,β)用来对用户设备采集到的RSS值进行转化，生成一个新的指纹所述的指纹信息就是经过设备校准过程后得到的可以与现有的位置指纹库相互兼容的位置指纹，所述的指纹信息用作定位过程中实时收到的WiFi数据。

作为优选，所述的对所述的M个WiFi信号的位置点进行初始定位结果计算，需要使用高斯分布

$\mathrm{pdf}\left(q\right)=\frac{1}{\mathrm{\σ}\sqrt{2\mathrm{\π}}}{e}^{-{(q-\mathrm{\μ})}^2/\left(2{\mathrm{\σ}}^2\right)}$

来对每一个AP采集的RSSI值数据进行拟合，其具体实现包括以下子步骤：

步骤4.1：设实时采集到的所述的待定位点的一个无线信号强度向量为s=(s₁,…,s_k)，k>=3；

步骤4.2：在所述的聚类之后的M个位置点中找出其位置x，需要计算每一个所述的M个位置估计值的概率P(x_j|s)，最后返回其概率最大的位置估计值的位置信息作为初始定位的结果，利用高斯分布的概率分布函数可得：

$P\left(x_j\right|s)=P\left(s\right|x_j)=\underset{i=1}{\overset{k}{\mathrm{\Π}}}P\left(s_i\right|x_j),i=\mathrm{1,2},\·\·\·,k$

$P\left(s_i\right|x_j)=\underset{s_i-0.5}{\overset{s_i+0.5}{\∫}}\mathrm{pdf}\left(q\right)\mathrm{dq},j=\mathrm{1,2},...,M;$

其中：q表示实时采集到的WiFi信号的RSSI值的信号强度值的平均值，μ为指纹库中位置点X_j所对应的每一个AP的RSSI值数据的平均值、σ为指纹库中位置点X_j所对应的每一个AP的RSSI值数据的标准差，1≤j≤M。

作为优选，所述的对已经保存的最后W个初始位置估计值做时间平均，其具体实现方法为：用户手持移动终端在待定位场所内连续移动，将在时间段t内的定位坐标信息以时间轴为索引存储起来，采用一个时间平均窗对估计的位置做平滑处理，数学模型如下，给定位置估计序列x₁,x₂,…x_t情况下，当前位置估计值为

${\stackrel{\‾}{x}}_t=\frac{1}{\min (W,t)}\underset{t-\min (W,t)+1}{\overset{t}{\mathrm{\Σ}}}{x}_i,1\≤i\≤t.$

与现有技术相比，本发明具有以下优点和有益效果：

（1）本发明采用WiFi位置指纹进行定位，使用移动终端作为定位设备，不需要使用专用的硬件测量设备，降低了系统的部署成本，用户在定位过程中不需要知道AP的方位，提高了系统的可用性；

（2）本发明通过使用基于RSS直方图的设备校准方法，消除了设备之间的差异性，提高了系统的定位精度，而且该校准方法不需要用户额外的干涉，进一步提高了系统的可操作性以及可用性；

（3）本发明使用了一种时间平均法，能很好的模拟用户在实际定位过程中的运动特性，进一步提高了系统的可操作性以及可用性。

附图说明

图1：为本发明实施例的算法流程图。

图2：为本发明中的基于RSS直方图的设备校准方法流程图。

图3：为本发明实施例的工作流程分阶段示意图。

图4：为本发明实施例的系统结构图。

具体实施方式

下面结合具体实施例及附图，对本发明作进一步的详细说明。

请见图1、图2，本发明所采用的技术方案是：一种基于WiFi指纹的室内定位方法，包括离线采样阶段和在线定位阶段。

离线采样阶段包括以下步骤：

步骤1：在待定位场所内设置10个AP，对待定位场所内每个已知位置点，使用移动终端对待定位场所内每个已知位置点，在一段时间内持续采集WiFi信号的RSSI值，并存储在移动终端存储空间中。

步骤2：判断：待定位场所内所有位置点的数据是否完成采集，

如果未完成采集，则转回执行步骤1中的对待定位场所内每个已知位置点，采集并保存WiFi信号的RSSI值数据操作；

如果已完成采集，则将数据导入到服务器中，服务器对数据进行滤波预处理，其方法为：统计每一个AP在每一个位置点的信号序列中出现的次数num，删除num小于序列总长度一半的AP信号数据。

步骤3：对预处理之后的数据进行特征提取并存入数据库，构建位置指纹库（RadioMap），特征包括WiFi信号的RSSI值的信号强度值平均值μ、标准差σ，其提取方法为：给定从AP_i采集到的n个信号强度样本，利用最大似然估计MLE方法估算其分布参数，

对μ的估计为： $\widehat{\mathrm{\μ}}=\frac{1}{n}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{s}_i\left(j\right),$

对σ的估计为： $\widehat{\mathrm{\σ}}=\sqrt{\frac{1}{n}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{[s_i\left(j\right)-\widehat{\mathrm{\μ}}]}^2},$

其中：AP_i为10个AP中的第i个，1≤i≤n，s_i(j)为来自AP_i第j个信号强度值，n≥3。

在线定位阶段包括以下步骤：

步骤4：使用移动终端采集待定位点的WiFi信号的RSSI值数据并上传至服务器；服务器端对数据使用基于RSS直方图的设备校准方法进行转换，具体包括以下子步骤：

步骤4.1：利用现有的包含所有参考点RSS均值指纹的RadioMap来得到参考设备的RSS直方图信息；

步骤4.2：用户使用移动终端采集待定位点的WiFi信号的RSSI值并上传至服务器，服务器将当前的RSS观察值序列s(k)记录下来，用来创建用户设备的RSS直方图和更新原始RSS直方图信息；

步骤4.3：利用RSS数据的经验累积分布函数（EmpiricalCumulativeDistributionFunction，ECDF）中对应的特定的百分比，运用公式

${\stackrel{\‾}{r}}_{\mathrm{ij}}^{\left(2\right)}={\mathrm{\α}}_{12}\·{\stackrel{\‾}{r}}_{\mathrm{ij}}^{\left(1\right)}+{\mathrm{\β}}_{12}$

得到从用户设备到参考设备之间的一个线性映射，其中和分别表示设备D₁和设备D₂在参考点l_i上获取的来自第j个AP的RSS均值，α₁₂和β₁₂是RSS均值从D₁到D₂映射的线性参数，设F_r(x)和F_u(x)分别为参考设备和用户设备的ECDF，ECDFF(x)给出了观察值RSS序列当其小于x的概率，F(x)的逆函数F^-1(y)返回当百分比为y时所对应的RSS值，对参数(α,β)的估计可通过以下公式得到：

F_r ^-1(y)=αF_u ^-1(y)+β,y∈{0.1,0.2,…,0.9}；

步骤4.4：参数(α,β)用来对用户设备采集到的RSS值进行转化，生成一个新的指纹指纹信息就是经过设备校准过程后得到的可以与现有的RadioMap相互兼容的位置指纹，指纹信息用作定位过程中实时收到的WiFi数据。

步骤5：服务器对实时接受到的待定位点的WiFi信号的RSSI值数据进行降序排序，选取排序结果中前3个WiFi信号对位置指纹库（RadioMap）中的位置进行聚类，得到M个位置点，该M个位置点的WiFi信号的RSSI值数据序列包含3个WiFi信号，其中M≥1。

步骤6：利用待定位点的WiFi信号的RSSI值，对M个位置点进行初始定位结果计算，得到初始位置估计值并保存；对M个WiFi信号的位置点进行初始定位结果计算，需要使用高斯分布

$\mathrm{pdf}\left(q\right)=\frac{1}{\mathrm{\σ}\sqrt{2\mathrm{\π}}}{e}^{-{(q-\mathrm{\μ})}^2/\left(2{\mathrm{\σ}}^2\right)}$

来对每一个AP采集的RSSI值数据进行拟合，其具体实现包括以下子步骤：

步骤6.1：设实时采集到的待定位点的一个无线信号强度向量为s=(s₁,…,s_k)，k>=3；

步骤6.2：在聚类之后的M个位置点中找出其位置x，首先计算每一个M个位置估计值的概率P(x_j|s)，然后返回其概率最大的位置估计值的位置信息作为初始定位的结果，利用高斯分布的概率分布函数可得：

$P\left(x_j\right|s)=P\left(s\right|x_j)=\underset{i=1}{\overset{k}{\mathrm{\Π}}}P\left(s_i\right|x_j),i=\mathrm{1,2},\·\·\·,k$

$P\left(s_i\right|x_j)=\underset{s_i-0.5}{\overset{s_i+0.5}{\∫}}\mathrm{pdf}\left(q\right)\mathrm{dq},j=\mathrm{1,2},...,M;$

其中：q表示实时采集到的WiFi信号的RSSI值的信号强度值的平均值，μ为指纹库中位置点X_j所对应的每一个AP的RSSI值数据的平均值、σ为指纹库中位置点X_j所对应的每一个AP的RSSI值数据的标准差，1≤j≤M。

步骤7：判断：已经保存的初始位置估计值的个数是否大于或等于预设值5；

如果否，则将当前初始位置估计值作为待定位点的位置估计值；

如果是，则对已经保存的最后5个初始位置估计值做时间平均，得到待定位点的位置估计值；做时间平均的具体方法为：用户手持移动终端在待定位场所内连续移动，将在时间段t内的定位坐标信息以时间轴为索引存储起来，采用一个时间平均窗对估计的位置做平滑处理，数学模型如下，给定位置估计序列x₁,x₂,Lx_t情况下，当前位置估计值为

${\stackrel{\‾}{x}}_t=\frac{1}{\min (W,t)}\underset{t-\min (W,t)+1}{\overset{t}{\mathrm{\Σ}}}{x}_i,$

其中：1≤i≤t。

步骤8：判断：用户是否发出停止定位指令；

如果否，则转回执行步骤4；

如果是，则结束定位。

请见图3，本实施例的具体执行过程可分为两个阶段，包括离线采样阶段和在线定位阶段。在离线采样阶段，移动用户（MovingUser，MU）在参考点（ReferencePoint，RP）M采集来自N个AP的WiFi信号的RSSI值，对采集到的数据做预处理、特征提取的操作后存储在数据库中，构建RadioMap；在在线定位阶段，移动用户MU在未知点采集来自不同AP的WiFi信号的RSSI值，并上传至服务器，服务器用定位算法，结合RadioMap中的数据，计算出移动用户MU的位置坐标。

请见图4，本实施例的定位系统的工作流程为：移动终端采集来自所有AP的无线信号强度信息，并实时发送到Web服务器端；Web服务器端程序接收到终端发送的定位请求和数据后，对数据进行预处理以提取出有用的数据剔除冗余信息，并通过定位服务器动态访问数据库并对用户位置进行估算，Web服务端程序将定位结果发送回移动终端；移动终端在接收到定位结果后，使用界面信息使定位结果可视化。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受所述实施例的限制，其他任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (4)

1.一种基于WiFi指纹的室内定位方法，其特征在于：包括离线采样阶段和在线定位阶段，所述的离线采样阶段包括以下步骤：

步骤1：在待定位场所内设置N个AP，对所述的待定位场所内每个已知位置点，采集并保存WiFi信号的RSSI值数据，其中N≥3，待采集完成后，则将所述的数据导入到服务器中，服务器对所述的数据进行滤波预处理，对所述的预处理之后的数据进行特征提取并存入数据库，构建位置指纹库；

对所述的数据进行滤波预处理，其方法为：统计每一个AP在每一个位置点的信号序列中出现的次数num，删除num小于序列总长度一半的AP信号数据；

对所述的预处理之后的数据进行特征提取，所述的特征包括WiFi信号的RSSI值的信号强度值平均值μ、标准差σ，其提取方法为：给定从AP_i采集到的n个信号强度样本，利用最大似然估计MLE方法估算其分布参数，

对μ的估计为：

对σ的估计为：

其中：AP_i为所述的N个AP中的第i个，1≤i≤n，s_i(j)为来自AP_i第j个信号强度值，n≥3；所述的在线定位阶段包括以下步骤：

步骤2：采集待定位点的WiFi信号的RSSI值数据并上传至服务器；

步骤3：所述的服务器对实时接受到的所述的待定位点的WiFi信号的RSSI值数据进行降序排序，选取所述的排序结果中前L个WiFi信号对所述的位置指纹库中的位置进行聚类，得到M个位置点，该M个位置点的WiFi信号的RSSI值数据序列包含所述的L个WiFi信号，其中L≥1，M≥1；

步骤4：利用所述的待定位点的WiFi信号的RSSI值，对所述的M个位置点进行初始定位结果计算，得到初始位置估计值并保存；

对所述的M个WiFi信号的位置点进行初始定位结果计算，需要使用高斯分布

来对每一个AP采集的RSSI值数据进行拟合，其具体实现包括以下子步骤：

步骤4.1：设实时采集到的所述的待定位点的一个无线信号强度向量为s＝(s₁,…,s_k)，k≥3；

步骤4.2：在所述的聚类之后的M个位置点中找出其位置x，首先计算每一个所述的M个位置估计值的概率P(x_j|s)，然后返回其概率最大的位置估计值的位置信息作为初始定位的结果，利用高斯分布的概率分布函数可得：

其中：q表示实时采集到的WiFi信号的RSSI值的信号强度值的平均值，μ为指纹库中位置点X_j所对应的每一个AP的RSSI值数据的平均值、σ为指纹库中位置点X_j所对应的每一个AP的RSSI值数据的标准差，1≤j≤M；

步骤5：判断：已经保存的初始位置估计值的个数是否大于或等于预设值W，其中W≥1；如果否，则将当前初始位置估计值作为所述的待定位点的位置估计值；

如果是，则对已经保存的最后W个初始位置估计值做时间平均，得到所述的待定位点的位置估计值；

对已经保存的最后W个初始位置估计值做时间平均，其具体实现方法为：用户手持移动终端在待定位场所内连续移动，将在时间段t内的定位坐标信息以时间轴为索引存储起来，采用一个时间平均窗对估计的位置做平滑处理，数学模型如下，给定位置估计序列x₁,x₂,…x_t情况下，当前位置估计值为

步骤6：判断：用户是否发出停止定位指令；

如果否，则转回执行所述的步骤2；

如果是，则结束定位。

2.根据权利要求1所述的基于WiFi指纹的室内定位方法，其特征在于：所述的采集并保存待定位场所内每个已知位置点的WiFi信号的RSSI值数据，是使用移动终端对所述的待定位场所内每个已知位置点，在一段时间内持续采集WiFi信号的RSSI值，并存储在移动终端存储空间中。

3.根据权利要求1所述的基于WiFi指纹的室内定位方法，其特征在于：所述的采集待定位点的WiFi信号的RSSI值数据，是使用移动终端来进行采集操作。

4.根据权利要求1所述的基于WiFi指纹的室内定位方法，其特征在于：所述的采集待定位点的WiFi信号的RSSI值数据并上传至服务器后，服务器端对所述的数据使用基于RSS直方图的设备校准方法进行转换，具体包括以下子步骤：

步骤2.1：利用现有的包含所有参考点RSS均值指纹的位置指纹库来得到参考设备的RSS直方图信息；

步骤2.2：用户使用移动终端采集待定位点的WiFi信号的RSSI值并上传至服务器，服务器将当前的RSS观察值序列s(k)记录下来，用来创建用户设备的RSS直方图和更新原始RSS直方图信息；

步骤2.3：利用RSS数据的经验累积分布函数中对应的特定的百分比，运用公式

得到从用户设备到参考设备之间的一个线性映射，其中和分别表示设备D₁和设备D₂在参考点l_i上获取的来自第j个AP的RSS均值，α₁₂和β₁₂是RSS均值从D₁到D₂映射的线性参数，设F_r(x)和F_u(x)分别为参考设备和用户设备的经验累积分布函数，经验累积分布函数F(x)给出了观察值RSS序列当其小于x的概率，F(x)的逆函数F^-1(y)返回当百分比为y时所对应的RSS值，对参数(α,β)的估计可通过以下公式得到：

步骤2.4：参数(α,β)用来对用户设备采集到的RSS值进行转化，生成一个新的指纹所述的指纹信息就是经过设备校准过程后得到的可以与现有的位置指纹库相互兼容的位置指纹，所述的指纹信息用作定位过程中实时收到的WiFi数据。