CN103747524A - 一种基于云平台的Android终端室内定位方法 - Google Patents

Abstract

一种基于云平台的Android终端室内定位方法，其步骤是：A、将室内定位区域划分为多个子区域，再在子区域内设置多个参考点；B、使用Android终端在所有参考点上采集室内的多个WIFI路由器的信号强度，并传给云服务器以建立每个子区域的位置指纹数据库和索引子区域索引数据库；C、待定位Android终端将检测到多个WIFI路由器的信号强度发送至云服务器；D、云服务器读取上传的WIFI路由器信号强度，搜索索引数据库，确定出待定位Android终端所在的子区域；E、云服务器读取所在子区域位置指纹数据库，执行定位算法完成定位，将定位结果返回给Android终端显示。它具有定位快速、精确的优点。

Description

一种基于云平台的Android终端室内定位方法

技术领域

本发明涉及室内定位领域，特别是指基于云平台的Android终端室内定位方法。

背景技术

现今，云计算的应用已经不再局限于PC，基于移动智能终端的云服务,即移动云计算也应运而生。云计算强大的计算能力和移动互联网的方便快捷具有天然的互补特性，云计算弥补了移动终端计算能力有限的缺陷，而移动互联网弥补云平台无法移动的缺点。

自Google公司于2007年发布Android系统以来，Android已经成为目前最为炙手可热的智能手机操作系统之一。同其他主流智能移动终端相比，在硬件方面，Android有着较多的选择，现在有很多手机制造选择了Android系统。在软件方面，Android平台是免费、开源的，开发者们可以根据自己的需要和喜好开发应用程序。

无线局域网络技术是20世纪末发展起来的一种高速无线网络通信技术。WIFI网络具有高速通信、部署方便的特点，目前很多室内环境和人们活动的热点地区（如机场、车站、写字楼、会展中心、大型酒店）均广泛布置了WIFI网络。

目前较成熟的GPS、A-GPS、Google-Map三种定位技术基本能满足人们室外定位的需求，然而它们在室内场所中定位精度不高，无法很好的满足室内场所定位的需求。在复杂的室内环境，如医院、会展大厅、图书馆、超市、地下停车场等环境中，常常需要确定各种人员在室内的位置，因此，目前对于室内的无线定位技术有着相当大的需求。

现有的WIFI定位算法主要有信号到达的时间定位（TOA）、信号达到的角度定位（AOA）、信号到达的时间差定位（TDOA）和信号强度测量法。信号强度测量法与传统的TOA、TDOA、AOA定位相比，它不需要改变硬件设备来进行时间同步和角度测量，降低了成本。基于信号强度的室内定位又包括传输损耗测距定位法和位置指纹定位法。相比传输损耗法，位置指纹的识别是依靠表征定位目标所在区域WIFI路由器信号强度覆盖特征的相关信息进行识别，其定位精度受室内复杂的多径、非视距信号传播环境的影响较小，但现今传统的指纹定位算法如最近邻算法、K最近邻算法、加权K最近邻算法，并不能做到对定位终端的精确定位。

发明内容

本发明的目的是提供一种基于云平台的Android终端室内定位方法，该方法能够实现大区域、复杂室内环境内对Android终端的精确、快速定位。

本发明实现其发明目的所采用的技术方案是，一种基于云平台的Android终端室内定位方法，包括以下步骤：

A、室内坐标的建立：将室内定位区域划分为多个子区域ROOM_h，每个子区域ROOM_h内WIFI信号具有相似的传播特性；再在每个子区域ROOM_h内等间隔设置多个位置参考点D_i，并赋予每个参考点D_i唯一的室内参考坐标(x_i,y_i)；其中，h为子区域序号，i为子区域内参考点的序号；

B、数据库的创建：使用Android终端在室内所有参考点D_i上采集分布于室内的多个WIFI路由器的信号强度信息，并传给云服务器，云服务器据以建立每个子区域ROOM_h的位置指纹数据库和索引子区域索引数据库；

C、定位请求：待定位Android终端将当前检测到的室内多个WIFI路由器的信号强度信息和定位请求发送至云服务器；

D、区域定位：云服务器接收待定位Android终端的定位请求，并读取待定位Android终端的WIFI路由器信号强度信息，搜索索引数据库，确定出待定位Android终端所在的子区域；

E、位置定位：云服务器读取所在子区域

位置指纹数据库中的指纹信息，执行定位算法完成定位，并将定位结果返回给待定位Android终端显示。

与现有技术相比，本发明的有益效果是：

一、先分别创建每个子区域的位置指纹数据库和索引子区域的索引数据库，存储在云服务器中；定位时，云服务器读取待定位Android终端上报的WIFI路由器信号强度信息，搜索索引数据库，确定出待定位Android终端所在的子区域

，然后只需搜索所在子区域内对应的指纹数据库，较之不进行区域定位，在所有区域中逐一计算待定位Android终端与各个参考点之间的WIFI路由器信号强度空间距离，其计算量大幅降低，提高了定位方法的实时性；同时在搜索到的区域内又通过该区域的指纹数据库及定位算法定位出待定位Android终端的位置坐标，其定位位置精确。

二、在创建数据库和定位请求中均使用Android移动终端，Android系统当前己经在手机领域得到了广泛应用，各主流手机厂商都己推出了自己的Android移动终端，提高了该方法的普及性。

进一步，上述的步骤B和C中，Android终端和云服务器之间采用Socket通信方式进行数据交互。

采用这种通信方式实现简单、可靠性较高，进一步提高本发明的实时性。

更进一步，上述的步骤B中：

所述的使用Android终端在室内所有参考点上采集分布于室内的多个WIFI路由器的信号强度信息时，采集的次数为5到10次；

所述的云服务器在建立各个子区域的位置指纹数据库的具体做法是：计算5到10次采集的WIFI路由器j在参考点D_i的信号强度的平均值RSS_ij及其信号的出现概率N_ij，N_ij=在参考点D_i采集到WIFI路由器j信号的次数/采集的次数；并把WIFI路由器j在参考点D_i的平均信号强度RSS_ij和出现概率N_ij及其对应的参考点D_i的坐标(x_i,y_i)、WIFI路由器j的MAC地址作为指纹信息存入对应子区域的位置指纹数据库，其中，j为WIFI路由器的序号；

所述的云服务器建立索引子区域索引数据库的具体做法是：统计计算每个子区域ROOM_h中各个WIFI路由器j的信号出现概率ROOM_hj，

其中，I为子区域ROOM_h内参考点D_i的个数；把子区域序号h，WIFI路由器j的MAC地址，ROOM_hj信息存入索引数据库。

这样，索引数据库的建立充分考虑了室内空间中各WIFI路由器信号强度在不同区域的差异性，同一区域内的相对一致性；而各个子区域的位置指纹数据库则通过多次采集求平均值的方法减弱了WIFI路由器信号强度的随机波动性；从而保证了本发明方法的精确、快速定位。

上述的步骤C中，待定位Android终端检测WIFI路由器的信号强度信息的次数为3到5次；

所述的步骤D中，云服务器读取待定位Android终端的WIFI路由器信号强度信息，搜索子区域索引数据库的具体做法是：

计算待定位Android终端3到5次采集到的WIFI路由器j的信号强度的平均值RSS'_j，以及采集到的WIFI路由器j信号出现概率N'_j，N'_j=待定位Android终端采集到WIFI路由器j信号的次数/采集的次数；

再计算出待定位Android终端与每个子区域ROOM_h的相关度R_h：

$R_h=\underset{j=1}{\overset{J}{\mathrm{\Σ}}}{\mathrm{ROOM}}_{\mathrm{hj}}\×N_j^{\′}$

式中，J表示WIFI路由器的个数；

比较待定位Android终端与各子区域ROOM_h的相关度R_h，找出其中最大的相关度

，序号为h₀的子区域

即为待定位Android终端所在的子区域。

通过这样的区域定位方法，简单快速地定位出待定位Android终端所在的子区域，有利于本发明的实时性的提高。

上述的步骤E中，云服务器执行定位算法的具体做法是：

E1、利用WIFI路由器信号出现频度的相关度加权计算出待定位Android终端与所处子区域中各个参考点之间的WIFI路由器信号强度空间距离d_i， $d_i=\underset{j=1}{\overset{n1}{\mathrm{\Σ}}}\frac{|{\mathrm{RSS}}_j^{\′}-{\mathrm{RSS}}_{\mathrm{ij}}|}{N_{\mathrm{ij}}\×N_j^{\′}}+\frac{1}{n2}\underset{j=1}{\overset{n2}{\mathrm{\Σ}}}|{\mathrm{RSS}}_j^{\′}-I_{\min }|+\frac{1}{n3}\underset{j=1}{\overset{n3}{\mathrm{\Σ}}}|I_{\min }-{\mathrm{RSS}}_{\mathrm{ij}}|$

上式中,I_min为Android终端能检测到的WIFI路由器信号强度的最小值，通常取-110dbm；n1是指纹数据库中第i个参考点D_i有其信号强度信息、待定位Android终端也检测到其信号强度信息的WIFI路由器的数目；n2是待定位Android终端检测到其信号强度信息但指纹数据库中第i个参考点D_i中没有其信号强度信息的WIFI路由器的数目；n3是待定位Android终端没有检测到其信号强度信息但指纹数据库中第i个参考点D_i有其信号强度信息的WIFI路由器的数目；

E2、选出WIFI路由器信号强度空间距离d_i最小的五个候选参考点D_i，计算5个参考点D_i中每个参考点D_i到其他四个参考点D_i的物理距离之和，过滤掉1个物理距离和过大的候选参考点D_i，得到4个候选参考点D_i，并令这4个候选参考点D_i分别为D_i1、D_i2、D_i3、D_i4；

E3、将E2步得到的4个参考点D_i1、D_i2、D_i3、D_i4对应的WIFI路由器信号强度空间距离d_i1、d_i2、d_i3、d_i4作为加权系数，采用加权K最近邻算法定位计算出待定位Android终端的位置坐标(x',y')：

$(x^{\′},y^{\′})=\frac{\underset{k=1}{\overset{4}{\mathrm{\Σ}}}\frac{1}{d_{\mathrm{ik}}}\×(x_{i\text{k}},y_{\mathrm{ik}})}{\underset{k=1}{\overset{4}{\mathrm{\Σ}}}\frac{1}{d_{\mathrm{ik}}}}.$

这样，在计算WIFI路由器信号强度空间距离时，采用基于WIFI路由器信号出现频度相关度加权计算方法，除了考虑信号强度与位置的对应关系外，增加了WIFI路由器信号出现频度这个与位置相关的统计信息，并通过预处理滤除距离其他参考点较远的参考点后再采用加权K最近邻算法进行定位计算，有效提高了定位精度。

以下结合具体实施方式，对本发明进行进一步的详细说明。

具体实施方式

实施例

一种基于云平台的Android终端室内定位方法，包括以下步骤：

A、室内坐标的建立：将室内定位区域划分为多个子区域ROOM_h，每个子区域ROOM_h内WIFI信号具有相似的传播特性；再在每个子区域ROOM_h内等间隔设置多个位置参考点D_i，并赋予每个参考点D_i唯一的室内参考坐标(x_i,y_i)；其中，h为子区域序号，i为子区域内参考点的序号。

通常，室内区域的划分是根据室内布局和构造进行，如一栋大楼内的一个房间或一个厅堂为一个区域，区域内没有隔墙阻拦，WIFI信号具有相似的传播特性；不同的房间或厅堂则为不同的区域，不同区域之间有隔墙或楼板，WIFI信号具有不同的传播特性。

B、数据库的创建：使用Android终端在室内所有参考点D_i上采集分布于室内的多个WIFI路由器的信号强度信息，并传给云服务器，云服务器据以建立每个子区域ROOM_h的位置指纹数据库和索引子区域索引数据库；

C、定位请求：待定位Android终端将当前检测到的室内多个WIFI路由器的信号强度信息和定位请求发送至云服务器；

D、区域定位：云服务器接收待定位Android终端的定位请求，并读取待定位Android终端的WIFI路由器信号强度信息，搜索索引数据库，确定出待定位Android终端所在的子区域

；

E、位置定位：云服务器读取所在子区域

位置指纹数据库中的指纹信息，执行定位算法完成定位，并将定位结果返回给待定位Android终端显示。

本例的步骤B和C中，Android终端和云服务器之间采用Socket通信方式进行数据交互。

本例的步骤B中：

所述的使用Android终端在室内所有参考点上采集分布于室内的多个WIFI路由器的信号强度信息时，采集的次数为5到10次；

所述的云服务器在建立各个子区域位置指纹数据库的具体做法是：计算5到10次采集的WIFI路由器j在参考点D_i的信号强度的平均值RSS_ij及其信号的出现概率N_ij，N_ij=在参考点D_i采集到WIFI路由器j信号的次数/采集的次数；并把WIFI路由器j在参考点D_i的平均信号强度RSS_ij和出现概率N_ij及其对应的参考点D_i的坐标(x_i,y_i)、WIFI路由器j的MAC地址作为指纹信息存入对应子区域的位置指纹数据库，其中，j为WIFI路由器的序号；

所述的云服务器建立索引子区域索引数据库的具体做法是：统计计算每个子区域ROOM_h中各个WIFI路由器j的信号出现概率ROOM_hj，

其中，I为子区域ROOM_h内参考点D_i的个数；把子区域序号h，WIFI路由器j的MAC地址，ROOM_hj信息存入索引数据库。

本例的步骤C中，待定位Android终端检测WIFI路由器的信号强度信息的次数为3到5次；

所述的步骤D中，云服务器读取待定位Android终端的WIFI路由器信号强度信息，搜索子区域索引数据库的具体做法是：

计算待定位Android终端3到5次采集到的WIFI路由器j的信号强度的平均值RSS'_j，以及采集到的WIFI路由器j信号出现概率N'_j，N'_j=待定位Android终端采集到WIFI路由器j信号的次数/采集的次数；

再计算出待定位Android终端与每个子区域ROOM_h的相关度R_h：

$R_h=\underset{j=1}{\overset{J}{\mathrm{\Σ}}}{\mathrm{ROOM}}_{\mathrm{hj}}\×N_j^{\′}$

式中，J表示WIFI路由器的个数；

比较待定位Android终端与各子区域ROOM_h的相关度R_h，找出其中最大的相关度

，序号为h₀的子区域

即为待定位Android终端所在的子区域。

本例的步骤E中，云服务器执行定位算法的具体做法是：

E1、利用WIFI路由器信号出现频度的相关度加权计算出待定位Android终端与所处子区域中各个参考点之间的WIFI路由器信号强度空间距离d_i， $d_i=\underset{j=1}{\overset{n1}{\mathrm{\Σ}}}\frac{|{\mathrm{RSS}}_j^{\′}-{\mathrm{RSS}}_{\mathrm{ij}}|}{N_{\mathrm{ij}}\×N_j^{\′}}+\frac{1}{n2}\underset{j=1}{\overset{n2}{\mathrm{\Σ}}}|{\mathrm{RSS}}_j^{\′}-I_{\min }|+\frac{1}{n3}\underset{j=1}{\overset{n3}{\mathrm{\Σ}}}|I_{\min }-{\mathrm{RSS}}_{\mathrm{ij}}|$

上式中,I_min为Android终端能检测到的WIFI路由器信号强度的最小值，通常取-110dbm；n1是指纹数据库中第i个参考点D_i有其信号强度信息、待定位Android终端也检测到其信号强度信息的WIFI路由器的数目；n2是待定位Android终端检测到其信号强度信息但指纹数据库中第i个参考点D_i中没有其信号强度信息的WIFI路由器的数目；n3是待定位Android终端没有检测到其信号强度信息但指纹数据库中第i个参考点D_i有其信号强度信息的WIFI路由器的数目；

E2、选出WIFI路由器信号强度空间距离d_i最小的五个候选参考点D_i，计算5个参考点D_i中每个参考点D_i到其他四个参考点D_i的物理距离之和，过滤掉1个物理距离和过大的候选参考点D_i，得到4个候选参考点D_i，并令这4个候选参考点D_i分别为D_i1、D_i2、D_i3、D_i4；

E3、将E2步得到的4个参考点D_i1、D_i2、D_i3、D_i4对应的WIFI路由器信号强度空间距离d_i1、d_i2、d_i3、d_i4作为加权系数，采用加权K最近邻算法定位计算出待定位Android终端的位置坐标(x',y')：

$(x^{\′},y^{\′})=\frac{\underset{k=1}{\overset{4}{\mathrm{\Σ}}}\frac{1}{d_{\mathrm{ik}}}\×(x_{i\text{k}},y_{\mathrm{ik}})}{\underset{k=1}{\overset{4}{\mathrm{\Σ}}}\frac{1}{d_{\mathrm{ik}}}}.$

Claims (5)

1.一种基于云平台的Android终端室内定位方法，包括以下步骤：

A、室内坐标的建立：将室内定位区域划分为多个子区域ROOM_h，每个子区域ROOM_h内WIFI信号具有相似的传播特性；再在每个子区域ROOM_h内等间隔设置多个位置参考点D_i，并赋予每个参考点D_i唯一的室内参考坐标(x_i,y_i)；其中，h为子区域序号，i为子区域内参考点的序号；

B、数据库的创建：使用Android终端在室内所有参考点D_i上采集分布于室内的多个WIFI路由器的信号强度信息，并传给云服务器，云服务器据以建立每个子区域ROOM_h的位置指纹数据库和索引子区域索引数据库；

C、定位请求：待定位Android终端将当前检测到的室内多个WIFI路由器的信号强度信息和定位请求发送至云服务器；

D、区域定位：云服务器接收待定位Android终端的定位请求，并读取待定位Android终端的WIFI路由器信号强度信息，搜索索引数据库，确定出待定位Android终端所在的子区域

；

E、位置定位：云服务器读取所在子区域

位置指纹数据库中的指纹信息，执行定位算法完成定位，并将定位结果返回给待定位Android终端显示。

2.根据权利要求1所述的一种基于云平台的Android终端室内定位方法，其特征在于：所述的步骤B和C中，Android终端和云服务器之间采用Socket通信方式进行数据交互。

3.根据权利要求1所述的一种基于云平台的Android终端室内定位方法，其特征在于，所述的步骤B中：

所述的使用Android终端在室内所有参考点上采集分布于室内的多个WIFI路由器的信号强度信息时，采集的次数为5到10次；

所述的云服务器在建立各个子区域位置指纹数据库的具体做法是：计算5到10次采集的WIFI路由器j在参考点D_i的信号强度的平均值RSS_ij及其信号的出现概率N_ij，N_ij=在参考点D_i采集到WIFI路由器j信号的次数/采集的次数；并把WIFI路由器j在参考点D_i的平均信号强度RSS_ij和出现概率N_ij及其对应的参考点D_i的坐标(x_i,y_i)、WIFI路由器j的MAC地址作为指纹信息存入对应子区域的位置指纹数据库，其中，j为WIFI路由器的序号；

所述的云服务器建立索引子区域索引数据库的具体做法是：统计计算每个子区域ROOM_h中各个WIFI路由器j的信号出现概率ROOM_hj，

其中，I为子区域ROOM_h内参考点D_i的个数；把子区域序号h，WIFI路由器j的MAC地址，ROOM_hj信息存入索引数据库。

4.根据权利要求3所述的一种基于云平台的Android终端室内定位方法，其特征在于：

所述的步骤C中，待定位Android终端检测WIFI路由器的信号强度信息的次数为3到5次；

所述的步骤D中，云服务器读取待定位Android终端的WIFI路由器信号强度信息，搜索子区域索引数据库的具体做法是：

计算待定位Android终端3到5次采集到的WIFI路由器j的信号强度的平均值RSS'_j，以及采集到的WIFI路由器j信号出现概率N'_j，N'_j=待定位Android终端采集到WIFI路由器j信号的次数/采集的次数；

再计算出待定位Android终端与每个子区域ROOM_h的相关度R_h：

$R_h=\underset{j=1}{\overset{J}{\mathrm{\Σ}}}{\mathrm{ROOM}}_{\mathrm{hj}}\×N_j^{\′}$

式中，J表示WIFI路由器的个数；

比较待定位Android终端与各子区域ROOM_h的相关度R_h，找出其中最大的相关度，序号为h₀的子区域

即为待定位Android终端所在的子区域。

5.根据权利要求4所述的一种基于云平台的Android终端室内定位方法，其特征在于：所述的步骤E中，云服务器执行定位算法的具体做法是：

E1、利用WIFI路由器信号出现频度的相关度加权计算出待定位Android终端与所处子区域中各个参考点之间的WIFI路由器信号强度空间距离d_i， $d_i=\underset{j=1}{\overset{n1}{\mathrm{\Σ}}}\frac{|{\mathrm{RSS}}_j^{\′}-{\mathrm{RSS}}_{\mathrm{ij}}|}{N_{\mathrm{ij}}\×N_j^{\′}}+\frac{1}{n2}\underset{j=1}{\overset{n2}{\mathrm{\Σ}}}|{\mathrm{RSS}}_j^{\′}-I_{\min }|+\frac{1}{n3}\underset{j=1}{\overset{n3}{\mathrm{\Σ}}}|I_{\min }-{\mathrm{RSS}}_{\mathrm{ij}}|$

上式中,I_min为Android终端能检测到的WIFI路由器信号强度的最小值，通常取-110dbm；n1是指纹数据库中第i个参考点D_i有其信号强度信息、待定位Android终端也检测到其信号强度信息的WIFI路由器的数目；n2是待定位Android终端检测到其信号强度信息但指纹数据库中第i个参考点D_i中没有其信号强度信息的WIFI路由器的数目；n3是待定位Android终端没有检测到其信号强度信息但指纹数据库中第i个参考点D_i有其信号强度信息的WIFI路由器的数目；

E2、选出WIFI路由器信号强度空间距离d_i最小的五个候选参考点D_i，计算5个参考点D_i中每个参考点D_i到其他四个参考点D_i的物理距离之和，过滤掉1个物理距离和过大的候选参考点D_i，得到4个候选参考点D_i，并令这4个候选参考点D_i分别为D_i1、D_i2、D_i3、D_i4；

E3、将E2步得到的4个参考点D_i1、D_i2、D_i3、D_i4对应的WIFI路由器信号强度空间距离d_i1、d_i2、d_i3、d_i4作为加权系数，采用加权K最近邻算法定位计算出待定位Android终端的位置坐标(x',y')：

$(x^{\′},y^{\′})=\frac{\underset{k=1}{\overset{4}{\mathrm{\Σ}}}\frac{1}{d_{\mathrm{ik}}}\×(x_{i\text{k}},y_{\mathrm{ik}})}{\underset{k=1}{\overset{4}{\mathrm{\Σ}}}\frac{1}{d_{\mathrm{ik}}}}.$