CN104270816A - Led可见光室内定位系统的自适应动态指纹库构建方法 - Google Patents

Abstract

本发明实施例提供了一种LED可见光室内定位系统的自适应动态指纹库构建方法，涉及LED可见光室内定位技术领域，可以有效提高用户在线定位体验时的定位速度和定位精度。所述方法包括：以对多盏LED灯光信息交叉影响严重的采样点，为中心选取若干有一定间距的采样点放入原始采样点集合，进行采样点扩充，生成最终采样点集合，通过计算确定所述最终采样点集合中的每个采样点所能接收到的各LED光源ID编号以及其对应的最终信号强度，并将其按照{{ID1，RSS1}，{ID2，RSS2}，...{IDn，RSSn}}向量格式标准化存储到指纹库中，构建完成指纹库。

Description

LED可见光室内定位系统的自适应动态指纹库构建方法

技术领域

本发明涉及LED可见光室内定位技术领域，尤其涉及一种LED可见光室内定位系统的自适应动态指纹库构建方法。

背景技术

随着经济和现代技术的不断发展，人们对导航和定位服务的需求日益增大，特别是在复杂的室内环境中经常需要确定移动终端或其持有者在室内的位置信息。现有室内定位主要采用WLAN、Bluetooth等技术，Wifislam、Apple等公司基于这些技术的的产品已初步投入使用，而基于VLC(可见光通信)技术的室内定位技术由于VLC技术特有的通信潜力和高安全性，正成为各大公司和研究机构的研究重点。

在LED可见光室内定位技术中，指纹库的构建属于核心研究内容。指纹库中存储的是预先选定的采样点上的位置指纹信息，而移动终端的位置信息是通过与采样点的指纹信息匹配计算得出，故指纹库的构建方法将直接影响在线定位的精度和速度。

目前基于可见光通信的室内定位系统基本采用“网格法”，即在室内等间距进行采样点选取。由于定位系统采用多盏LED灯阵列进行信息传输，在多盏LED灯光信息均能传播到的地方其指纹信息对位置的变化更加敏感，故等间距的采样方式会带来较大误差。除此以外，理论上当指纹库中存储的指纹信息量越多，我们就能找出与当前用户位置匹配度越高的指纹，但是在前期建库阶段的采样数量是有限的，这样会对定位精度产生影响。

发明内容

本发明的实施例提供一种LED可见光室内定位系统的自适应动态指纹库构建方法，可以有效提高用户在线定位体验时的定位速度和定位精度。

为达到上述目的，本发明的实施例采用如下技术方案：

一种LED可见光室内定位系统自适应动态指纹库构建方法，包括以下步骤：

S1、利用三维重建方法对定位现场的LED光源分布和所在环境空间布局进行立体几何抽象，生成由点和立体空间构成的室内空间模型；对所述室内空间模型的1.5米高度的水平平面采用米级网眼大小的网格法选取若干个种子采样点放入原始集合；

S2、分析所述原始集合中每个采样点接收到的光信息中不同LED的ID信息以及其对应的光照强度信息，并利用Matlab进行模拟，根据模拟情况，从所述原始集合中选择LED光信息交叉影响最严重的N个位置点作为N个中心采样点，并以每个中心采样点为中心选取若干有一定间距的采样点放入所述原始采样点集合，形成新的采样点集合；所述N为大于等于4的整数，所述一定间距为所述米级别网眼的一半；

S3、重复进行步骤S2，不断扩充采样点集合，直至扩充后的集合使得LED室内定位技术在模拟和实际使用过程中达到亚米级别的定位精度要求；此时便可将该集合确定为最终采样点集合；

S4、对所述最终采样点集合中的每个采样点进行不少于30次采样，其中每个采样点一次采样后均可以由移动终端解析出来自不同LED的ID信息和其对应的光强度信息RSS，多次采样后每个ID将会获得和采样次数相同的多组RSS值；对每个ID所对应的多个光强信号RSS值进行运算，获得RSS的均值和方差，并将每个ID所对应的所有光强信号RSS值拟合为概率分布曲线；

S5、对概率分布曲线进行计算，得出所述曲线的自相关值，然后利用所述自相关值以及拟合的概率分布曲线的方差对概率分布曲线进行修正，而后根据获得的均值和设定的阈值范围，对修正后的曲线做截断处理，使曲线集中在均值和上下阈值构成的范围内；

S6、截断处理后的曲线继续归一化处理，并将归一化处理得到的值作为各个ID所表示的最终的光信号RSS值，在对采样到的所有的ID编码的光信号强度信息RSS值处理完成后，将其按照{{ID1，RSS1}.{ID2，RSS2}，...{IDn，RSSn}}向量格式标准化存储到指纹库中，其中各RSS分量值依次减少。

可选的，所述方法还包括：

在各个用户实际在线使用过程中，由终端软件将用户每次定位信息上传到云服务器端进行保存，当同一位置用户上传的定位信息数量超过30次后，将该位置作为新的采样点并按照步骤S4、S5、S6获得该采样点的标准化格式向量存储到指纹库中；

其中，用户上传的定位信息包括定位的位置信息和该位置接收到的光信息，所述光信息包括接收到的多个LED的ID信息和其对应的光信号强度信息。

可选的，所述方法还包括：

根据用户在定位匹配计算过程中使用到的指纹信息的频率来设置使用频率参数，并在全局维护一个和所述使用频率参数相关的队列，在约束条件下，当指纹库容量饱和时便可不断删除当前指纹库中使用频率最低的指纹信息，从而使指纹库维持一个稳定的总容量；其中，所述约束条件包括：指纹库中不可被删除的基本定位指纹构成的不可删指纹集合约束，系统指纹库总容量不得超过初始指纹库总容量的两倍的总量约束。

上述技术方案提供的方法，在整个定位过程中引入“群智慧”思想，将用户在线定位过程中反馈的信息进行处理并加入到指纹库中，不断扩充指纹库同时完成对无用指纹信息的删减工作，最终构建一个数量稳定、可靠性高的自适应指纹库；且离线建库阶段依环境更合理选取采样点，进而简化建库复杂度，减少冗余指纹信息入库，并为后续定位提供更可靠指纹信息。全过程开放构建指纹库，满足软件工程开发要求，并可以不断提升系统定位精度。

附图说明

图1为本发明实施例提供的一种LED可见光室内定位系统的自适应动态指纹库构建方法的流程示意图；

图2为本发明实施例提供的一种采样点的选取示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例提供了一种LED可见光室内定位系统的自适应动态指纹库构建方法，如图1所示，所述方法包括以下步骤：

S1、利用三维重建方法对定位现场的LED光源分布和所在环境空间布局进行立体几何抽象，生成由点和立体空间构成的室内空间模型；对所述室内空间模型的1.5米高度的水平平面采用米级网眼大小的网格法选取若干个种子采样点放入原始集合。

所述网格法即多条直线纵横垂直交错形成由正方形网格组成的网状，纵横直线的各个交错点就是种子采样点，这里的米级网眼大小是指形成的正方形网格的边长是米级别的，该边长可以是1米，也可以2米。

S2、分析所述原始集合中每个采样点接收到的光信息中不同LED的ID信息以及其对应的光照强度信息，并利用Matlab进行模拟，根据模拟情况，从所述原始集合中选择LED光信息交叉影响最严重的N个位置点作为N个中心采样点，并以每个中心采样点为中心选取若干有一定间距的采样点放入所述原始采样点集合，形成中级采样点集合。

所述N为大于等于4的整数，所述一定间距为所述米级别网眼的一半。

示例的如图2所示，本图提供的为当4盏LED灯呈方形布局时采样点模拟选取方案，其中，中心点处接收的光信号最为复杂。此时就以中心点处的采样点为中心选取4个有一定间距(若步骤S1中的网眼大小为2米，则此处的一定间距为1米)的采样点放入采样点集合。本发明实施例中，选取的4个采样点为位于中心采样点的正南、正北、正西、正东方向1米处的采样点。

S3、重复进行步骤S2，不断扩充采样点集合，直至扩充后的集合使得LED室内定位技术在模拟和实际使用过程中达到亚米级别的定位精度要求；此时便可将该集合确定为最终采样点集合。

若后续在线定位不够理想，可再次返回步骤102继续扩充采样点集合。

步骤S2中扩充了中心采样点周围的采样点后，形成了中级采样点集合后，判断该中级采样点集合是否可以使LED室内定位技术在模拟和实际使用过程中达到亚米级别的定位精度要求，若不能，则分析所述中级集合中每个采样点接收到的光信息中不同LED的ID信息以及其对应的光照强度信息，并利用Mat lab进行模拟，根据模拟情况，从所述中级采样点集合中选择LED光信息交叉影响最严重的M个位置点作为M个中心采样点，并以每个中心采样点为中心选取若干有一定间距的采样点放入所述中级采样点集合进行扩充。直至扩充后的集合可以使得LED室内定位技术在模拟和实际使用过程中达到亚米级别的定位精度要求；此时便可将该扩充后的集合确定为最终采样点集合。

通过步骤S1-S3所述的方法获得的最终采样点集合，考虑到了在多盏LED灯光信息均能传播到的地方其指纹信息对位置的变化更加敏感，与现有技术中的通过网格法，应用等间距的采样方式相比，本解决方案可以根据实际光照情况提供适应环境的采样点集合，确保在易存在定位误差的区域内有更多的可供后续定位使用的采样点，而光信息相对稳定且易分析的区域仅需存储基本的采样点，这样即可使计算资源合理分布进而优化定位精度和定位时延。

S4、对所述最终采样点集合中的每个采样点进行不少于30次采样，其中每个采样点一次采样后均可以由移动终端解析出来自不同LED的ID信息和其对应的光强度信息RSS，多次采样后每个ID将会获得和采样次数相同的多组RSS值；对每个ID所对应的多个光强信号RSS值进行运算，获得RSS的均值和方差，并将每个ID所对应的所有光强信号RSS值拟合为概率分布曲线。

假设对于1个采样点来说，每次采样后都能获得n个ID(ID1，ID2，……，IDn)和其对应的光强度信息RSS；进行30次采样后，就可以获得ID1对应的30组RSS值，ID2对应的30组RSS值，……，IDn对应的30组RSS值。

针对每个ID，计算该ID的30组RSS的均值和方差，并以将这30组RSS值拟合为概率分布曲线。

S5、对概率分布曲线进行计算，得出所述曲线的自相关值，然后利用所述自相关值以及拟合的概率分布曲线的方差对概率分布曲线进行修正，而后根据获得的均值和设定的阈值范围，对修正后的曲线做截断处理，使曲线集中在均值和上下阈值构成的范围内。

对步骤S4获得的概率分布曲线进行计算得出该曲线的自相关值，然后利用该自相关值对拟合的概率分布曲线的方差进行修正，去除掉误差较大的RSS值，而后根据步骤S4获得的均值和以及自己设定的阈值范围(即均值上下浮动X％，X可以根据室内的实际环境来预设，如果室内较暗，阈值范围就是均值上下浮动10％；如果室内较亮，阈值范围就是均值上下浮动15％)，对修正后的曲线做进一步的截断处理，使曲线集中在均值和上下阈值构成的范围内。

S6、截断处理后的曲线继续归一化处理，并将归一化处理得到的值作为各个ID所表示的最终的光信号RSS值，在对采样到的所有的ID编码的光信号强度信息RSS值处理完成后，将其按照{{ID1，RSS1}.{ID2，RSS2}，...{IDn，RSSn}}向量格式标准化存储到指纹库中，其中各RSS分量值依次减少。

这样经过归一化处理后，步骤S4中ID1对应的30组RSS经过计算、删除、归一化等步骤就获得了最终的光信号值RSS1。此时的光信号值RSS1就是此采样位置处ID1对应较精确的光信号值。{{ID1，RSS1}.{ID2，RSS2}，...{IDn，RSSn}}中各RSS分量值依次减少是指，RSS1小于等于RSS2，RSSn为最小。

可选的，本发明实施例还提供了自适应动态指纹库得更新过程：

S7、在各个用户实际在线使用过程中，由终端软件将用户每次定位信息上传到云服务器端进行保存，当同一位置用户上传的定位信息数量超过30次后，以所述同一位置处的位置为更新采样点按照步骤S4、S5、S6获得所述更新采样点接收到的各个ID信息对应的的最终的光信号RSS值。将其按照{ID，RSS}}向量格式标准化存储到指纹库中。

用户上传的定位信息包括定位的位置信息和该位置接收到的光信息，该光信息包括接收到的多个LED的ID信息和其对应的光信号强度信息。

在指纹库更新方面，前期的移动终端采样数据有限，不利于定位精度进一步提升，我们引入人工智能中“群智慧”思想由用户不断上传定位信息扩充指纹库。在用户实际在线使用过程中，由终端软件将用户每次定位信息(包括定位位置信息和接收到的光信息)上传到云服务器端进行保存，如果一些位置用户多次进行过定位且数量达到可以进行统计意义下的数学处理的数量级时(本发明实施例为30次)，系统即可按照初始建库阶段的处理方法进行处理入库，最终完成扩库工作，由此实现根据大量用户定位行为来完成指纹库的自动更新的目的。

即，当同一位置处多个用户上传的定位信息数量超过30次后，以所述同一位置处的位置为更新采样点，该更新采样点被用户上传过30次以上，每次上传都有该位置接收到多个LED的ID信息(IDi1，ID2，……，IDm)和其对应的光信号强度信息。上传30多次后，就可以获得ID1对应的30多组RSS值，ID2对应的30uo组RSS值，……，IDm对应的30多组RSS值。进行步骤S4，针对每个ID，计算该ID的30多组RSS的均值和方差，并以将这30多组RSS值拟合为概率分布曲线。然后进行步骤S5，将获得的概率分布曲线进行计算得出该曲线的自相关值，然后利用该自相关值对拟合的概率分布曲线的方差进行修正，去除掉误差较大的RSS值，而后根据步骤S4获得的均值和以及自己设定的阈值范围(即均值上下浮动X％，X可以根据室内的实际环境来预设，如果室内较暗，阈值范围就是均值上下浮动10％；如果室内较亮，阈值范围就是均值上下浮动15％)，对修正后的曲线做进一步的截断处理，使曲线集中在均值和上下阈值构成的范围内。然后进行步骤S6，将截断处理后的曲线继续归一化处理，并将归一化处理得到的值作为各个ID所表示的最终的光信号RSS值，将其按照{{IDi1，RSSi1}.{IDi2，RSSi2}，...{IDin，RSSin}}向量格式标准化存储到指纹库中，其中各RSS分量值依次减少。

可选的，本发明实施例还提供了自适应动态指纹库的动态删除过程：

S8、根据用户在定位匹配计算过程中使用到的指纹信息的频率来设置使用频率参数，并在全局维护一个和所述使用频率参数相关的队列，在约束条件下，当指纹库容量饱和时便可不断删除当前指纹库中使用频率最低的指纹信息，从而使指纹库维持一个稳定的总容量。

所述约束条件包括：指纹库中一些不可被删除的基本定位指纹构成的不可删指纹集合约束，系统指纹库总容量不得超过初始指纹库总容量的两倍的总量约束。这里的指纹信息即向量{{ID1，RSS1}.{ID2，RSS2}，...{IDn，RSSn}}。

由于不断扩充指纹库在提升定位精度的同时将会增加存储冗余和后续定位匹配计算时间复杂度，根据用户在定位匹配计算过程中使用到的指纹信息的频率来设置相应参数，并在全局维护一个和该参数相关的队列，并在其他约束条件下(指纹库中不可被删除的基本定位指纹构成的指纹集合约束，以及系统指纹库总容量不得超过初始指纹库总容量的两倍的总量约束)，当达到约束条件，即系统指纹库总容量超过初始指纹库总容量的两倍时，不断删除当前指纹库中使用频率最低的指纹信息，但是不能删除指纹库中不可被删除的基本定位指纹构成的指纹集合构成的指纹信息。这样可以使指纹库维持在一个稳定的数量级下。

本发明的技术方案已获得初步实物验证，定位精度已达到米级别，本发明在指纹库设计思路方面有明显改进：首先通过提供合理的采样点分布方案可以使指纹资源向易存在误差的定位区域倾斜，进而优化定位精度和定位时延；而后引入“群智慧”策略，通过获取用户上传的指纹信息优化指纹库，使得指纹资源更加向用户频繁定位的区域倾斜，进而使得在频繁定位区域有更多的指纹资源可供后续定位使用，通过这种手段既可减少技术人员初期建库工作也可优化后续定位精度。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (3)

1.一种LED可见光室内定位系统自适应动态指纹库构建方法，其特征在于，包括以下步骤：

S1、利用三维重建方法对定位现场的LED光源分布和所在环境空间布局进行立体几何抽象，生成由点和立体空间构成的室内空间模型；对所述室内空间模型的1.5米高度的水平平面采用米级网眼大小的网格法选取若干个种子采样点放入原始集合；

S2、分析所述原始集合中每个采样点接收到的光信息中不同LED的ID信息以及其对应的光照强度信息，并利用Matlab进行模拟，根据模拟情况，从所述原始集合中选择LED光信息交叉影响最严重的N个位置点作为N个中心采样点，并以每个中心采样点为中心选取若干有一定间距的采样点放入所述原始采样点集合，形成中级采样点集合；所述N为大于等于4的整数，所述一定间距为所述米级别网眼的一半；

S3、重复进行步骤S2，不断扩充采样点集合，直至扩充后的集合使得LED室内定位技术在模拟和实际使用过程中达到亚米级别的定位精度要求；此时便可将该集合确定为最终采样点集合；

S4、对所述最终采样点集合中的每个采样点进行不少于30次采样，其中每个采样点一次采样后均可以由移动终端解析出来自不同LED的ID信息和其对应的光强度信息RSS，多次采样后每个ID将会获得和采样次数相同的多组RSS值；对每个ID所对应的多个光强信号RSS值进行运算，获得RSS的均值和方差，并将每个ID所对应的所有光强信号RSS值拟合为概率分布曲线；

S5、对概率分布曲线进行计算，得出所述曲线的自相关值，然后利用所述自相关值以及拟合的概率分布曲线的方差对概率分布曲线进行修正，而后根据获得的均值和设定的阈值范围，对修正后的曲线做截断处理，使曲线集中在均值和上下阈值构成的范围内；

S6、截断处理后的曲线继续归一化处理，并将归一化处理得到的值作为各个ID所表示的最终的光信号RSS值，在对采样到的所有的ID编码的光信号强度信息RSS值处理完成后，将其按照{{ID1，RSS1}.{ID2，RSS2}，...{IDn，RSSn}}向量格式标准化存储到指纹库中，其中各RSS分量值依次减少。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

在各个用户实际在线使用过程中，由终端软件将用户每次定位信息上传到云服务器端进行保存，当同一位置用户上传的定位信息数量超过30次后，以所述同一位置处的位置为更新采样点按照步骤S4、S5、S6获得所述更新采样点接收到的各个ID信息对应的的最终的光信号RSS值。将其按照{ID，RSS}}向量格式标准化存储到指纹库中；

其中，用户上传的定位信息包括定位的位置信息和该位置接收到的光信息，所述光信息包括接收到的多个LED的ID信息和其对应的光信号强度信息。

3.根据权利要求1所述的方法，其特征在于，所述方法还包括：

根据用户在定位匹配计算过程中使用到的指纹信息的频率来设置使用频率参数，并在全局维护一个和所述使用频率参数相关的队列，在约束条件下，当指纹库容量饱和时便可不断删除当前指纹库中使用频率最低的指纹信息，从而使指纹库维持一个稳定的总容量；其中，所述约束条件包括：指纹库中不可被删除的基本定位指纹构成的不可删指纹集合约束，系统指纹库总容量不得超过初始指纹库总容量的两倍的总量约束。