CN103634901B - 基于核密度估计的新型定位指纹采集提取方法 - Google Patents

Abstract

本发明提供了一种基于核密度估计的新型定位指纹采集提取方法，包括了基于多种型号设备的指纹采集以及基于核密度估计（Kernel Density Estimate）的指纹提取方法。通过利用多种不同型号的设备采集得到特定位置的WLAN热点信号强度值序列，同时利用其核密度估计的方法获取得到的最佳接收指纹具有更加稳定的方差，更进一步地能够克服多种不同型号的设备协同采集指纹的不确定性，并且获得了更高的定位精度。同时，该新型定位指纹采集提取方法大大降低了定位指纹库的建立维护成本，同时实现了多种不同型号的设备共用同一套室内定位指纹库和室内定位系统并保证了室内定位系统的精度及稳定性。

Description

基于核密度估计的新型定位指纹采集提取方法

技术领域

本发明涉及一种基于核密度估计的新型定位指纹采集提取方法，具体是一种基于室内无线系统的定位指纹的采集以及提取方法。

背景技术

随着无线网络的普及、云计算、移动网络等技术的发展，基于位置的服务(Location Based Service,LBS)受到越来越多的关注，在医疗保健、紧急救助、个性化信息传递等领域显示出巨大的活力。得益于现在智能终端的飞速发展，以及WLAN技术的广泛使用，基于Wi-Fi的室内定位技术因为其能够直接通过智能终端获取信号强度(Received Signal Strength,RSS)，利用信号强度能够以纯软件应用的开发方式实现定位，具有定位系统成本低，开发方便，同时能够提供较高定位精度等优点，成为近年来普适计算和位置感知领域的一个研究热点。WLAN热点服务的高覆盖率是保证精确室内外无缝定位技术实现的可能，这一点正好契合智慧城市无线网络全覆盖的需求，同时大型的超市，卖场WLAN热点的覆盖率也正在逐步上升。一个无线设备可以同时获得多个无线热点的MAC值和RSS值。我们通常将某一地理位置所接收到的多个AP(无线接入点,Access Point)的MAC地址以及其对应的RSS值作为具体位置的特征存储为指纹库。然而，无线信号在室内环境的传播受到多种因素的干扰，同时AP的位置以及其发射功率也有一定的不稳定因素，再加上作为接收机端的移动设备硬件电路以及其针对RSS的量化标准和精确度也不尽相同。使得以RSS作为室内定位指纹库进行匹配定位的方法无法得到普及和推广。

经对现有技术的文献检索发现，Fernando Seco和Christian Plagemann于2010年在International Conference On Indoor Positioning and IndoorNavigation(IPIN)发表了“Improving RFID-based indoor positioning accuracyusing gaussian processes”(2010年室内定位和室内导航的国际会议，《利用高斯过程提高基于RFID的室内定位精度》)，提出了利用高斯最大似然估计RSS值的算法，这种算法考虑了室内无线信道的多径影响，并使用贝叶斯估计的方法处理采集得到的RSS序列，使得基于RSS的新型指纹更加稳定。但Fernando Sec等人提出的这种方法存在缺点，具体为：定位的指纹只能适合单一型号的设备，不同型号的设备用此方法进行定位将会很低的精度，指纹库的建立也因此存在很大的难度。这些缺点是这种方法在室内定位实现上的主要瓶颈。

发明内容

本发明针对现有技术的不足，提出了一种基于核密度估计的新型定位指纹采集提取方法，包括了基于多种型号设备的指纹采集以及基于核密度估计（Kernel DensityEstimate）的指纹提取方法。采用此方法来建立指纹库，克服了RSS在室内环境中的不稳定以及多种不同型号的设备采集RSS值的不稳定的缺点，使得该新型指纹应用到实际的定位系统变为可能。

根据本发明提供的基于核密度估计的新型定位指纹采集提取方法，包括如下步骤：

步骤A：指纹信息的采集，具体为，采集多个不同的用户在不同的时间位置手持多种型号的设备采集扫描到的所有WLAN热点的接收信号强度值（received signalstrength,RSS）；

步骤B：指纹信息的提取，具体为，将各个不同位置上采集到的不同WLAN热点的信号强度值序列通过核密度估计的方法计算得到最佳接收指纹；

步骤C：指纹库的建立与更新，具体为，根据步骤B中计算获得的各个不同位置上的最佳接收指纹建立指纹数据库，同时在有新的指纹信息更新的时候，更新指纹库中的指纹信息。

优选地，所述的步骤A包括如下步骤：

步骤A1：在L个不同的位置（Loc_1，Loc_2,Loc_3,…,Loc_L），U个用户User（User_1，User_2,User_3,…,User_U）在不同的时间和位置手持移动设备采集各自所在位置上扫描得到的所有WLAN热点AP的信号强度值RSS；用户手持设备总共有D种型号的设备(Device_1,Device_2,Device_3,…,Device_D)；

步骤A2：经过足够长时间的指纹信息采集，并根据L个采集的位置Loc（Loc_1，Loc_2,Loc_3,…,Loc_L）记录采集的信息；其中，在位置Loc_l处，有U_l个用户采集过数据，则有每个用户采集了Num次，能扫描到K_l个WLAN热点AP(AP1,AP2,AP3,…,AP(K_l))，并且通过记录得到每次采集得到的AP的信号强度值得到每个AP的RSS序列AP(K_l)：{RSS_1,RSS_2,RSS_3……,RSS_KK_l}。

优选地，所述的步骤B包括如下步骤：

步骤B1：根据L个采集的位置Loc中每个采集位置上扫描采集到的每个AP的信号强度值序列计算核密度估计的概率密度分布；其中，AP序列为（AP_i,i=1,2,3,…,K_l）,AP_i的RSS序列为O=（RSS_1,RSS_2,…,RSS_n）,n=Num*U_l；计算得到的核密度估计概率密度分布

${\hat{p}}_X^k\left(\mathrm{RSS}\right)=\frac{1}{\mathrm{nh}}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}K\left(\frac{\mathrm{RSS}-{\mathrm{RSS}}_i}{h}\right)$

其中，Loc为指纹采集位置的集合，O为RSS的观测值集合，h为核函数的带宽，K(·)为核估计函数；

步骤B2：根据步骤B1中计算得到的核密度估计概率密度分布提取最佳接收指纹；

对于Loc中的位置l，真实的指纹值为f满足贝叶斯法则：

$p_{F|O}\left(f\right|o)=\frac{p_{O|F}\left(o\right|f)p_F\left(f\right)}{p_O\left(o\right)}=\frac{p_{O|L}\left(o\right|l)p_L\left(l\right)}{p_O\left(o\right)}$

其中，p_F|O(f|o)表示观测值为o时指纹为f的概率，p_O|F(o|f)表示指纹为f时观测值为o的概率，p_F(f)表示指纹值f的先验概率，p_O(o)表示观测值o的先验概率，p_O|L(o|l)表示采集指纹位置为l时的观测值为o的概率，p_L(l)表示指纹采集位置l的先验概率；

最佳接收指纹值f为观测量的最大后验概率：

$\hat{o}\→f=\arg {\max }_{o\∈O}\left[p_{O|F}\left(o\right|f)\right]=\arg {\max }_{o\∈O}\left[p_{O|L}\left(o\right|l)\right]$

其中，表示最大似然观测值，f表示最佳接收指纹值，argmax_o∈O[p_O|F(o|f)]表示观测值为o时指纹f的最大似然值，argmax_o∈O[p_O|L(o|l)]表示观测值为o，采集位置l的最大似然值。

优选地，所述的步骤C包括如下步骤：

步骤C1：建立指纹库，根据步骤B中获得的最佳接收指纹值f建立指纹库，包括Loc中的每个位置，在每个位置上扫描到的WLAN热点AP序列:（AP_i,i=1,2,3,…,K_l）和对应的最佳接收指纹值:(f_i,i=1,2,3,…,K_l)；

步骤C2：更新指纹库，当有新的用户采集某个位置的指纹信息的时候，重复步骤A、B，并更新指纹库中Loc的集合以及对应的WLAN热点AP序列和对应的最佳接收指纹值。

与现有技术相比，本发明具有如下有益效果：

通过大量的计算机仿真以及实际实验证实，本发明中基于核密度估计的新型定位指纹，在室内多径环境下，该指纹具有一定的对抗多径干扰的效用，并且在对抗指纹采集及定位设备的多样性上有特别明显的效果，即在多种不同型号的手机进行室内定位都得到很高的定位精度。同时，该指纹提取方法能够有效地使用在众包模式下，极大地降低了指纹采集的成本和复杂度。

附图说明

通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：

图1是建立基于核密度估计的新型定位指纹库的具体流程示意图；

图2是基于核密度估计的新型定位指纹库的具体结构示意图；

图3是定位指纹示意图的对比图，其中：

（a）是传统基于平均RSS的定位指纹示意图；

（b）是基于最大似然RSS的定位指纹示意图；

（c）是基于核密度估计的多种设备的最大似然RSS的定位指纹示意图；

图4是针对不同型号的设备采集到的RSS值高斯估计的概率分布示意图；

图5是针对不同型号的设备采集到的RSS值核密度估计的概率分布示意图；

图6是具体实施例中指纹信息采集的具体示意图。

图4中：

曲线C41对应设备型号A，

曲线C42对应设备型号B，

曲线C43对应设备型号C。

图5中：

曲线C51对应设备型号A，

曲线C52对应设备型号B，

曲线C53对应设备型号C。

具体实施方式

下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进。这些都属于本发明的保护范围。

如图1所示，室内定位系统指纹数据库的建立包括指纹采集、指纹提取、指纹库三个模块和相对应的步骤。其中，在指纹采集部分，多个用户使用多种不同型号的设备在不同的时间针对预设的指纹采集位置采集指纹信息。指纹信息包括在预设的指纹采集位置上所能扫描到的所有WLAN热点的信号强度值。所有采集得到的指纹信息针对不同的位置对应于不同的WLAN热点组成信号强度值序列。这些信号强度值序列包括了不同时间段、不同型号的手机在同一位置扫描得到的针对同一个WLAN热点的指纹信息。进一步地，通过核密度估计的方法，可以将这些信号强度值序列提取出最佳接受指纹，最后再根据指纹采集的位置将提取出来的指纹存储到数据库中以供最终定位解算的时候使用。

图2则具体地示意了基于核密度估计的新型定位指纹库的具体结构，在每个测试位置点上，由不同的用户手持的不同型号的智能终端一次或者多次测量得到RSS序列值，序列值针对扫描得到的WLAN热点的不同BSSID记录。这些RSS序列值作为初始指纹信息，需要进一步地提取得到最有效的指纹值作为室内定位所使用的指纹。

如图3（a）所示，最传统的做法是直接计算得到这些RSS序列值的平均值作为指纹，本发明中，利用最大似然的RSS值作为指纹能够有效的降低室内环境下的多径效应，如图3(b)所示，进一步地，利用多种设备采集到的RSS序列值所得到的最大似然RSS可以有效的克服多种型号的设备的定位精度低的问题。

在实际的实验环境下，我们在如图6所示的具有房间，走廊以及楼梯的室内环境中利用3种型号的设备进行了指纹的采集。并根据采集得到的WLAN热点的信号强度值分别画出了传统的高斯估计的概率分布（图4）和本发明中提出的核密度估计的概率分布（图5）。

从图4和图5的对比中可以很明显地看出本发明中提出的核密度估计的概率分布针对不同型号的手机能得到更稳定的方差和估计曲线。

更为具体地，在本发明的一个优选例中，本发明是通过以下技术方案实现的，本发明包括以下步骤：

第一步：在一栋室内教学楼内，包括教室和走廊以及楼梯的地形上预设采集地点（x,y），其中x=1-16,y=1-16为地图上的横纵坐标。坐标轴的增量为1m，在总共16*16=256个预设的采集地点上分别利用nexus S,nexus4,nexus7三种型号的手机/平板设备分别在不同的时间段内（上午8:00-10:00，下午14:00-16:00，晚上18:00-20:00）采集指纹信息即扫描到的所有WLAN热点的信号强度值。

第二步：根据每个预设的采集地点采集到的扫描到的所有WLAN热点的信号强度值序列（包括了三种不同型号的设备在不同时间的采集信息）计算每个WLAN热点的信号强度的核密度估计概率密度分布，再利用贝叶斯法则确定最佳接收指纹值。

第三步：通过第二步中得到的每个预设采集地点上扫描到的所有WLAN热点的最佳接收指纹值建立指纹库。

第四步：利用最佳接收指纹建立起来的指纹库，并使用现有室内指纹定位算法（最近邻居法，最小欧式距离，k-NN等）进行定位解算，实现在指纹采集区域内的室内定位及导航。

以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变形或修改，这并不影响本发明的实质内容。

Claims (3)

1.一种基于核密度估计的新型定位指纹采集提取方法，其特征在于，包括如下步骤：

步骤A：指纹信息的采集，具体为，采集多个不同的用户在不同的时间位置手持多种型号的设备采集扫描到的所有WLAN热点的接收信号强度值；

步骤B：指纹信息的提取，具体为，将各个不同位置上采集到的不同WLAN热点的信号强度值序列通过核密度估计的方法计算得到最佳接收指纹；

步骤C：指纹库的建立与更新，具体为，根据步骤B中计算获得的各个不同位置上的最佳接收指纹建立指纹数据库，同时在有新的指纹信息更新的时候，更新指纹库中的指纹信息。

2.根据权利要求1所述的基于核密度估计的新型定位指纹采集提取方法，其特征在于，所述的步骤B包括如下步骤：

步骤B1：根据L个采集的位置Loc中每个采集位置上扫描采集到的每个AP的信号强度值序列计算核密度估计的概率密度分布；其中，AP序列为(AP_i,i＝1,2,3,…,K_l),AP_i的RSS序列为O＝(RSS_1,RSS_2,…,RSS_n),n＝Num*U_l；计算得到的核密度估计概率密度分布

${\hat{p}}_X^k\left(RSS\right)=\frac{1}{nh}\underset{i=1}{\overset{n}{\Σ}}K\left(\frac{RSS-{\mathrm{RSS}}_i}{h}\right)$

其中，Loc为指纹采集位置的集合，O为RSS的观测值集合，h为核函数的带宽，K(·)为核估计函数；RSS表示信号强度；

步骤B2：根据步骤B1中计算得到的核密度估计概率密度分布提取最佳接收指纹；

对于Loc中的位置l，真实的指纹值为f满足贝叶斯法则：

$p_{F|O}\left(f\right|o)=\frac{p_{O|F}\left(o\right|f)p_F\left(f\right)}{p_O\left(o\right)}=\frac{p_{O|L}\left(o\right|l)p_L\left(l\right)}{p_O\left(o\right)}$

其中，p_F|O(f|o)表示观测值为o时指纹为f的概率，p_O|F(o|f)表示指纹为f时观测值为o的概率，p_F(f)表示指纹值f的先验概率，p_O(o)表示观测值o的先验概率，p_O|L(o|l)表示采集指纹位置为l时的观测值为o的概率，p_L(l)表示指纹采集位置l的先验概率；

最佳接收指纹值f为观测量的最大后验概率：

$\hat{o}\→f={\mathrm{argmax}}_{o\∈O}\[p_{O|F}\left(o\right|f)\]={\mathrm{argmax}}_{o\∈O}\[p_{O|L}\left(o\right|l)\]$

其中，表示最大似然观测值，f表示最佳接收指纹值，argmax_o∈O[p_O|F(o|f)]表示观测值为o时指纹f的最大似然值，argmax_o∈O[p_O|L(o|l)]表示观测值为o，采集位置l的最大似然值。

3.根据权利要求2所述的基于核密度估计的新型定位指纹采集提取方法，其特征在于，所述的步骤C包括如下步骤：

步骤C1：建立指纹库，根据步骤B中获得的最佳接收指纹值f建立指纹库，包括Loc中的每个位置，在每个位置上扫描到的WLAN热点AP序列:(AP_i,i＝1,2,3,…,K_l)和对应的最佳接收指纹值:(f_i,i＝1,2,3,…,K_l)；

步骤C2：更新指纹库，当有新的用户采集某个位置的指纹信息的时候，重复步骤A、B，并更新指纹库中Loc的集合以及对应的WLAN热点AP序列和对应的最佳接收指纹值。