CN103517210B - 室内定位方法及系统 - Google Patents

Abstract

本发明涉及一种室内定位方法，包括如下步骤：a.设置参考点，采集所述参考点的指纹，并存入指纹库中；b.对采集到的每个参考点的指纹进行训练，从而得到所需的定位参数；c.利用上述得到的定位参数，计算需定位的指纹与每个参考点的距离，选取距离最小的参考点作为定位结果。本发明还涉及一种室内定位系统。本发明能够简便地应用于各种智能移动设备，并获得较高的定位精度。

Description

室内定位方法及系统

技术领域

本发明涉及一种室内定位方法及系统。

背景技术

随着智能移动设备的不断普及以及无线网络技术的迅猛发展，基于用户信息的服务应用层出不穷。由于用户要求各种服务越来越具有针对性，用户位置信息作为一种提供定制服务的基本信息更是被更多应用利用于各种服务。尽管由于GPS（全球定位系统）定位技术，室外定位领域已经基本发展成型，室内定位却由于室内环境的各种局限性而仍然处于发展阶段。因此，如何提出一种定位准确并且可实际实现于智能移动设备的室内定位技术，是一个具有挑战性的问题。

现有的室内定位技术大致分为如下两种：

一是基于硬件的室内定位技术：目前已有的部分室内定位技术是基于硬件的室内定位技术。利用超声波，蓝牙或者射频信号进行定位，但是由于这些技术都需要在环境或者移动设备上添加额外硬件导致成本较高并且不易于实现，因此没办法进行大范围普及。

二是基于无线网络信号的室内定位技术：由于目前高度覆盖的无线网络环境，以及移动设备内默认配置的无线网络模块，该方法不需要添加额外硬件，但是由于无线网络信号易受干扰，导致信号中存在一定的噪声，因而导致定位匹配不精确。目前主流的匹配算法是最近邻居法，该方法利用了指纹之间的相似性进行匹配。但是该方法准确度无法满足市场应用的服务需求。

发明内容

有鉴于此，有必要提供一种室内定位方法及系统。

本发明提供一种室内定位方法，该方法包括如下步骤：a.设置参考点，采集所述参考点的指纹，并存入指纹库中；b.对采集到的每个参考点的指纹进行训练，从而得到所需的定位参数；c.利用上述得到的定位参数，计算需定位的指纹与每个参考点的距离，选取距离最小的参考点作为定位结果。

其中，所述的步骤b包括：b1.根据指纹库中记录的指纹，获得每个参考点的稀疏字典；b2.获得每个参考点平均指纹的稀疏表示；b3.确定稀疏字典最优的大小k以及γ，作为最终的定位参数。

所述的步骤b1中获得参考点Pi的大小为k的稀疏字典Di包括：b11.根据指纹库中记录的Pi的指纹Fi1,Fi2,…,FiM，计算得到该参考点Pi的平均指纹f₁；b12.在Fi1,Fi2,…,FiM中寻找与f₁最接近的指纹作为该参考点Pi的稀疏字典的第一个元素d1；b13.将f₁向当前字典空间进行最小二乘投影获得最小投影残差r；b14.在Fi1,Fi2,…,FiM中除该稀疏字典已选元素外，将与r最接近的指纹作为新的字典元素；b15.如果字典大小尚未到达k，则返回b13进行循环；b16.如果字典大小达到k，则停止寻找，记录该参考点Pi的稀疏字典Di。

所述的步骤b3具体包括：选择一个需要定位的室内环境内的25%的参考点，然后对所选择的每一个参考点取5条指纹作为参数训练指纹；对于k等于1到指纹维度，分别求得对应的每个点的稀疏字典；对于不同的k，γ取0,0.01,0.02,…,0.99,1，将所述参数训练指纹向每个参考点的稀疏字典进行投影，计算该指纹距离该点距离，最终将所述参数训练指纹定位到距离最小的参考点；计算对于不同的k，γ分别取0,0.01,0.02,…,0.99,1时，将每个参数训练指纹实际坐标与定位到的参考点坐标的距离作为定位误差，并计算得到定位误差均值；从上述得到的定位误差均值中选取的最小定位误差均值，确定该最小定位误差均值的k以及γ作为最终的定位参数。

所述的步骤c包括：将需定位的指纹ft向每个参考点的稀疏字典进行投影，获得对应的系数与残差，将该系数与稀疏字典联合恢复为指纹主成分ft’，根据确定的k、γ，计算得到需定位的指纹ft与每个参考点的距离，选取最小的距离对应的参考点坐标作为定位结果。

本发明提供一种室内定位系统，包括相互电性连接的指纹采集模块、指纹训练模块及指纹匹配模块，其中：所述指纹采集模块用于设置参考点，采集所述参考点的指纹，并存入指纹库中；所述指纹训练模块用于对采集到的每个参考点的指纹进行训练，从而得到所需的定位参数；所述指纹匹配模块用于利用上述得到的定位参数，计算需定位的指纹与每个参考点的距离，选取距离最小的参考点作为定位结果。

其中，所述指纹训练模块具体用于：根据指纹库中记录的指纹，获得每个参考点的稀疏字典；获得每个参考点平均指纹的稀疏表示；确定稀疏字典最优的大小k以及γ，作为最终的定位参数。

所述指纹匹配模块具体用于将需定位的指纹ft向每个参考点的稀疏字典进行投影，获得对应的系数与残差，将该系数与稀疏字典联合恢复为指纹主成分ft’，根据确定的k、γ，计算得到需定位的指纹ft与每个参考点的距离，选取最小的距离对应的参考点坐标作为定位结果。

本发明所提供的室内定位方法及系统，利用无线网络信号的稀疏性特征进行室内定位匹配，能够简便地应用于各种智能移动设备，并获得较高的定位精度。

附图说明

图1为本发明室内定位方法的流程图；

图2为本发明室内定位系统的硬件架构图。

具体实施方式

下面结合附图及具体实施例对本发明作进一步详细的说明。

参阅图1所示，是本发明室内定位方法较佳实施例的作业流程图。

步骤S401，设置参考点，采集所述参考点的指纹，并存入指纹库中。具体如下：

对于一个需要定位的室内环境，在室内对设备可到达的区域每隔一定距离设置参考点P1，P2，……，PN。其中，所述设备可以到达的区域是指该设备无线网络信号覆盖的区域。对于每个参考点Pi(i=1,2,…,N)，采集该点的指纹Fi1,Fi2,…,FiM，存入指纹库中。其中，所述指纹用向量表示，所述向量由所述参考点接收到的多个设备发出的信号强度联合得到。所述指纹库记录每个参考点的坐标Pi(xi,yi)，以及该参考点对应的指纹Fi1,Fi2,…,FiM。

步骤S402，对采集到的每个参考点的指纹进行训练，从而得到所需的定位参数。具体过程如下：

a.为了将指纹以稀疏表示的形式表示，需要获得每个参考点的稀疏字典。所述稀疏字典由该参考点部分训练指纹构成，该稀疏字典以线性方式近似表示该点的所有指纹，并且字典大小小于指纹维度。

为了达到较高的运算速度，本实施例采用贪心算法——正交匹配方法追踪得到该参考点的稀疏字典。本实施例中，得到参考点Pi的大小为k的稀疏字典Di过程如下：

a1，根据上述指纹库中记录的Pi的指纹Fi1,Fi2,…,FiM，计算得到该参考点Pi的平均指纹f₁；

a2，在Fi1,Fi2,…,FiM中寻找与f₁最接近的指纹作为该参考点Pi的稀疏字典的第一个元素d1；

a3，将f₁向当前字典空间进行最小二乘投影获得最小投影残差r；

a4，在Fi1,Fi2,…,FiM中除该稀疏字典已选元素外，将与r最接近的指纹作为新的字典元素；

a5，如果字典大小尚未到达k，则返回a3进行循环；

a6，如果字典大小达到k，则停止寻找，记录该参考点Pi的稀疏字典Di。

b.获得每个参考点平均指纹的稀疏表示。

本实施例继续以参考点Pi进行说明。将平均指纹f₁向其稀疏字典Di构成的空间上进行投影，获得该稀疏字典Di的投影ci以及残差。该残差作为噪声直接丢弃。投影ci与稀疏字典Di联合线性恢复成指纹的形式，作为该参考点Pi的指纹主成分fi’=Di*ci与其稀疏字典Di一起保存在指纹库中。

c.由于本发明中计算指纹之间距离的公式为distance=γft’fi’+(1-γ)rt。其中，ft’为需定位的指纹在参考点Pi稀疏字典上投影之后的指纹主成分，fi’为参考点Pi的指纹主成分，rt为需定位的指纹投影后剩下的残差，γ为主成分fi’与残差rt之间的一个调整权重。使用如下方法设定稀疏字典最优的大小k以及γ：

c1，首先选择一个需要定位的室内环境内的25%的参考点，然后对所述25%的参考点中的每一点均取5条指纹作为参数训练指纹。其中，所述25%的参考点的坐标已知。

c2，对于k等于1到指纹维度（即所收到无线网络接入点个数），分别求得对应的每个点的稀疏字典。

c3，对于不同的k，γ取0,0.01,0.02,…,0.99,1。将所述参数训练指纹作为需定位的指纹，向每个参考点的稀疏字典进行投影，获得主成分及残差，并用distance=γft’fi’+(1-γ)rt计算该指纹距离该点距离，最终将所述参数训练指纹定位到distance最小的参考点。

c4，计算对于不同的k，γ分别取0,0.01,0.02,…,0.99,1时，每个参数训练指纹实际坐标与定位到的参考点坐标的距离作为定位误差，并计算得到定位误差均值。每一个k对应一个定位误差均值。

c5，从上述得到的定位误差均值中选取的最小定位误差均值，确定该最小定位误差均值的k以及γ作为最终的定位参数。

步骤S403，计算需定位的指纹与每个参考点的距离，选取距离最小的参考点作为定位结果。具体而言：

首先，对于需定位的指纹ft，将其向每个参考点Pi(i=1,2,…,N)的稀疏字典Di上进行投影，获得对应的系数与残差，将该系数与稀疏字典Di联合恢复为指纹主成分ft’。然后，根据上述确定的k、γ，计算得到需定位的指纹ft与每个参考点的距离distance=γft’fi’+(1-γ)rt。最后，选取最小的distance对应的参考点坐标作为定位结果。

参阅图2所示，是本发明室内定位系统的硬件架构图。该系统包括相互电性连接的指纹采集模块、指纹训练模块及指纹匹配模块。

所述指纹采集模块用于设置参考点，采集所述参考点的指纹，并存入指纹库中。具体如下：

所述指纹采集模块对于一个需要定位的室内环境，在室内对设备可到达的区域每隔一定距离设置参考点P1，P2，……，PN。其中，所述设备可以到达的区域是指该设备无线网络信号覆盖的区域。对于每个参考点Pi(i=1,2,…,N)，采集该点的指纹Fi1,Fi2,…,FiM，存入指纹库中。其中，所述指纹用向量表示，所述向量由所述参考点接收到的多个设备发出的信号强度联合得到。所述指纹库记录每个参考点的坐标Pi(xi,yi)，以及该参考点对应的指纹Fi1,Fi2,…,FiM。

所述指纹训练模块用于对采集到的每个参考点的指纹进行训练，从而得到所需的定位参数。具体过程如下：

a.为了将指纹以稀疏表示的形式表示，需要获得每个参考点的稀疏字典。所述稀疏字典由该参考点部分训练指纹构成，该稀疏字典以线性方式近似表示该点的所有指纹，并且字典大小小于指纹维度。

为了达到较高的运算速度，所述指纹训练模块采用贪心算法——正交匹配方法追踪得到该参考点的稀疏字典。本实施例中，所述指纹训练模块得到参考点Pi的大小为k的稀疏字典Di过程如下：

a1，根据上述指纹库中记录的Pi的指纹Fi1,Fi2,…,FiM，计算得到该参考点Pi的平均指纹f₁；

a2，在Fi1,Fi2,…,FiM中寻找与f₁最接近的指纹作为该参考点Pi的稀疏字典的第一个元素d1；

a3，将f₁向当前字典空间进行最小二乘投影获得最小投影残差r；

a4，在Fi1,Fi2,…,FiM中除该稀疏字典已选元素外，将与r最接近的指纹作为新的字典元素；

a5，如果字典大小尚未到达k，则返回a3进行循环；

a6，如果字典大小达到k，则停止寻找，记录该参考点Pi的稀疏字典Di。

b.所述指纹训练模块获得每个参考点平均指纹的稀疏表示。

本实施例继续以参考点Pi进行说明。将平均指纹f₁向其稀疏字典Di构成的空间上进行投影，获得该稀疏字典Di的投影ci以及残差。该残差作为噪声直接丢弃。投影ci与稀疏字典Di联合线性恢复成指纹的形式，作为该参考点Pi的指纹主成分fi’=Di*ci与其稀疏字典Di一起保存在指纹库中。

c.由于本发明中计算指纹之间距离的公式为distance=γft’fi’+(1-γ)rt。其中，ft’为需定位的指纹在参考点Pi稀疏字典上投影之后的指纹主成分，fi’为参考点Pi的指纹主成分，rt为需定位的指纹投影后剩下的残差，γ为主成分fi’与残差rt之间的一个调整权重。所述指纹训练模块使用如下方法设定稀疏字典最优的大小k以及γ：

c1，首先选择一个需要定位的室内环境内的25%的参考点，然后对所述25%的参考点中的每一点均取5条指纹作为参数训练指纹。其中，所述25%的参考点的坐标已知。

c2，对于k等于1到指纹维度（即所收到无线网络接入点个数），分别求得对应的每个点的稀疏字典。

c3，对于不同的k，γ取0,0.01,0.02,…,0.99,1。将所述参数训练指纹作为需定位的指纹，向每个参考点的稀疏字典进行投影，获得主成分及残差，并用distance=γft’fi’+(1-γ)rt计算该指纹距离该点距离，最终将所述参数训练指纹定位到distance最小的参考点。

c4，计算对于不同的k，γ分别取0,0.01,0.02,…,0.99,1时，每个参数训练指纹实际坐标与定位到的参考点坐标的距离作为定位误差，并计算得到定位误差均值。每一个k对应一个定位误差均值。

c5，从上述得到的定位误差均值中选取的最小定位误差均值，确定该最小定位误差均值的k以及γ作为最终的定位参数。

所述指纹匹配模块用于计算需定位的指纹与每个参考点的距离，选取距离最小的参考点作为定位结果。具体而言：

首先，所述指纹匹配模块对于需定位的指纹ft，将其向每个参考点Pi(i=1,2,…,N)的稀疏字典Di上进行投影，获得对应的系数与残差，将该系数与稀疏字典Di联合恢复为指纹主成分ft’。然后，所述指纹匹配模块根据上述确定的k、γ，计算得到需定位的指纹ft与每个参考点的距离distance=γft’fi’+(1-γ)rt。最后，所述指纹匹配模块选取最小的distance对应的参考点坐标作为定位结果。

虽然本发明参照当前的较佳实施方式进行了描述，但本领域的技术人员应能理解，上述较佳实施方式仅用来说明本发明，并非用来限定本发明的保护范围，任何在本发明的精神和原则范围之内，所做的任何修饰、等效替换、改进等，均应包含在本发明的权利保护范围之内。

Claims (6)

1.一种室内定位方法，其特征在于，该方法包括如下步骤：

a.设置参考点，采集所述参考点的指纹，并存入指纹库中；

b.对采集到的每个参考点的指纹进行训练，从而得到所需的定位参数；

c.利用上述得到的定位参数，计算需定位的指纹与每个参考点的距离，选取距离最小的参考点作为定位结果；

其中，所述的步骤b包括：

b1.根据指纹库中记录的指纹，获得每个参考点的稀疏字典；

b2.获得每个参考点平均指纹的稀疏表示；

b3.确定稀疏字典最优的大小k以及γ，作为最终的定位参数，其中，计算指纹之间距离的公式为distance＝γ‖ft’-fi’‖+(1-γ)‖rt‖，ft’为需定位的指纹在参考点Pi稀疏字典上投影之后的指纹主成分，fi’为参考点Pi的指纹主成分，rt为需定位的指纹投影后剩下的残差，γ为主成分fi’与残差rt之间的一个调整权重。

2.如权利要求1所述的方法，其特征在于，所述的步骤b1中获得参考点Pi的大小为k的稀疏字典Di包括：

b11.根据指纹库中记录的Pi的指纹Fi1,Fi2,…,FiM，计算得到该参考点Pi的平均指纹

b12.在Fi1,Fi2,…,FiM中寻找与最接近的指纹作为该参考点Pi的稀疏字典的第一个元素d1；

b13.将向当前字典空间进行最小二乘投影获得最小投影残差r；

b14.在Fi1,Fi2,…,FiM中除该稀疏字典已选元素外，将与r最接近的指纹作为新的字典元素；

b15.如果字典大小尚未到达k，则返回b13进行循环；

b16.如果字典大小达到k，则停止寻找，记录该参考点Pi的稀疏字典Di。

3.如权利要求2所述的方法，其特征在于，所述的步骤b3具体包括：

选择一个需要定位的室内环境内的25％的参考点，然后对所选择的每一个参考点取5条指纹作为参数训练指纹；

对于k等于1到指纹维度，分别求得对应的每个参考点的稀疏字典，所述指纹维度为每个参考点处所接收到的无线网络接入点的个数；

对于不同的k，γ取0,0.01,0.02,…,0.99,1，将所述参数训练指纹向每个参考点的稀疏字典进行投影，计算该指纹距离该参考点距离，最终将所述参数训练指纹定位到距离最小的参考点；

计算对于不同的k，γ分别取0,0.01,0.02,…,0.99,1时，将每个参数训练指纹实际坐标与定位到的参考点坐标的距离作为定位误差，并计算得到定位误差均值；

从上述得到的定位误差均值中选取的最小定位误差均值，确定该最小定位误差均值的k以及γ作为最终的定位参数。

4.如权利要求1所述的方法，其特征在于，所述的步骤c包括：将需定位的指纹ft向每个参考点的稀疏字典进行投影，获得对应的系数与残差，将该系数与稀疏字典联合恢复为指纹主成分ft’，根据确定的k、γ，计算得到需定位的指纹ft与每个参考点的距离，选取最小的距离对应的参考点坐标作为定位结果。

5.一种室内定位系统，其特征在于，该系统包括相互电性连接的指纹采集模块、指纹训练模块及指纹匹配模块，其中：

所述指纹采集模块用于设置参考点，采集所述参考点的指纹，并存入指纹库中；

所述指纹训练模块用于对采集到的每个参考点的指纹进行训练，从而得到 所需的定位参数；

所述指纹匹配模块用于利用上述得到的定位参数，计算需定位的指纹与每个参考点的距离，选取距离最小的参考点作为定位结果；

所述指纹训练模块具体用于：根据指纹库中记录的指纹，获得每个参考点的稀疏字典；获得每个参考点平均指纹的稀疏表示；确定稀疏字典最优的大小k以及γ，作为最终的定位参数；

其中，计算指纹之间距离的公式为distance＝γ‖ft’-fi’‖+(1-γ)‖rt‖，ft’为需定位的指纹在参考点Pi稀疏字典上投影之后的指纹主成分，fi’为参考点Pi的指纹主成分，rt为需定位的指纹投影后剩下的残差，γ为主成分fi’与残差rt之间的一个调整权重。

6.如权利要求5所述的系统，其特征在于，所述指纹匹配模块具体用于将需定位的指纹ft向每个参考点的稀疏字典进行投影，获得对应的系数与残差，将该系数与稀疏字典联合恢复为指纹主成分ft’，根据确定的k、γ，计算得到需定位的指纹ft与每个参考点的距离，选取最小的距离对应的参考点坐标作为定位结果。