CN104602342A - 一种基于iBeacon设备的高效室内定位方法 - Google Patents

Abstract

本发明提出一种基于iBeacon设备的高效室内定位方法解决了传统的室内定位方法，采用的KNN方法，移动终端采集到的信号强度向量S，需要遍历整个指纹数据库进行距离计算，当指纹数据库的数据庞大时，定位速度将变得非常缓慢，带来不良的用户体验，提高实时定位过程中的响应效率，实现了高效的定位。

Description

一种基于iBeacon设备的高效室内定位方法

技术领域

本发明属于室内定位领域，尤其涉及一种基于iBeacon设备的高效室内定位方法。

背景技术

传统的GPS定位无法满足室内定位的要求，因为室内环境由于建筑物等因素的阻挡，GPS到达建筑体内的信号很弱，因而GPS在室内定位的误差较大，无法满足室内定位的要求。现在很多行业迫切的需要室内定位的服务，例如：商场导购、用户行为分析和社交网络等。而室内定位的方法有很多，大致可以分为基于硬件和软件的方法，基于硬件的方法有：红外设备、超声波、蓝牙、RFID和WIFI等，基于软件的方法有：基于AOA(到达角度)的定位算法、基于TOA(到达时间)的定位算法、基于TDOA(到达时间差)的定位算法和位置指纹定位算法等。近年来，基于iBeacon设备的室内定位方案被广泛投入使用，iBeacons是苹果在2013年WWDC上推出一项基于蓝牙4.0(BluetoothLE|BLE|Bluetooth Smart)的精准微定位技术，当手持设备靠近一个Beacon基站时，设备就能够感应并获取iBeacon信号强度，范围可以从几毫米到50米。由于蓝牙信号在室内容易受到环境的干扰，其定位的精度会大大下降。此外，在实现位置指纹定位方法使，利用KNN方法计算信号向量之间的最小距离时，需要遍历整个数据库，随着指纹数据库的增长，其算法的效率也会随之降低。此时，需要一种解决蓝牙信号波动以及定位响应速度慢的方案。

发明内容

针对上述技术缺陷，本发明对传统的定位方法进行了优化，提出一种基于iBeacon设备的高效室内定位方法。

为了解决上述技术问题，本发明的技术方案如下：

一种基于iBeacon设备的高效室内定位方法，包括如下步骤：

11)在同一个位置，移动终端间隔一定时间进行连续采集多次，对每个Beacon_i设备发出的信号序列，均计算其标准差D_i，若标准差D_i大于等于设定的阈值T_D，则对其进行信号平滑处理后将平滑均值存入指纹数据库D_A；若标准差D_i小于阈值T_D，则不需要进行平滑，直接计算多次采集的均值，将均值存入指纹数据库D_A；

12)将整个室内地图划分成多个子区域，对每一个子区域都构造一个分类器，该分类器由多个弱分类器进行线性加权而成，在实时定位阶段，对于一个信号强度向量S，计算室内地图上每个区域的分类器的分数，选择分数最高的区域作为信号强度向量S的预测区域，提取该预测区域相关的指纹数据库D_A；

13)根据提取的预测区域的指纹数据库D_A，使用KNN方法遍历该区域所包含的信号强度向量，获得最佳匹配位置。

2、根据权利要求1所述的一种基于iBeacon设备的高效室内定位方法，其特征在于，所述均值平滑步骤包括：首先计算来自Beacon_i设备发出的信号序列的均值R_av，然后通过公式R_i＜R_av，计算比均值R_av高的信号的均值R_av1，通过公式R_i＞R_av，计算比均值R_av低的信号的均值R_av2，设定阈值T_D以及α，所述α为D_i≥T_D0＜α＜1，用来调节R_av1，R_av2比重的一个超参数，标准差D_i越大，α则越小，那么1-α的值也就越大，即R_av1的比重也会越大，的值也会也大，所述 最后把的值作为平滑后的均值存入指纹数据库D_A中。

3、根据权利要求2所述的一种基于iBeacon设备的高效室内定位方法，其特征在于，将室内地图划分为多个子区域，分别在各个子区域多次采集信号强度向量，并记录在地图上的坐标位置以及所在的子区域编号，对于室内环境有N个BEACON基站，采集到的信号强度向量S，向量S中的每个元素是来自N个BEACON基站的信号值，S(Beacon_i)则表示来自Beacon_i的信号强度，如果没有来自Beacon_k的信号强度，这个值则置为R_min。取出向量S中任意两个来自不同BEACON基站信号值的所有组合，将BEACON基站之间的信号差作为特征，即计算每两个BEACON基站之间的信号强度差X_i，并将此构成一个集合{X_i＝S(Beacon_i)-S(Beacon_j)}，其中i,j＝1,2,3...N且i≠j，这个特征空间的大小为X_i均与阈值θ_i进行比较，为了训练一个子区域的分类器，将在这个子区域采集的信号强度差X的标签设置为1，不在这个子区域采集的信号强度差的标签设为0，基于这些信号强度差X，训练出每个子区域的分类器F_region，此过程会经过若干次迭代，每一次迭代将会产生一个弱分类器，而弱分类器G_i(S)会在每次迭代中得到在最终分类器F_region的权重w_i，如果当前这个弱分类器分类效果好，则增加权重w_i，反之则减小，而误分类样本在下一轮迭代中会增加比重，它们受到误分类的惩罚加大，因此为了减少误分类，阈值θ_i会在每一轮迭代中修改来减小误分类损失函数。

所述F_region为F_region(S)＝∑_iw_iG_i(S)，

所述G_i(S)为

$G_i\left(S\right)=\left\{\begin{array}{c}1X_i\≥{\mathrm{\θ}}_i\\ 0\mathrm{Otherwise}\end{array}\right..$

进一步的，所述步骤13)具体包括如下步骤：

区域定位阶段步骤和精确定位阶段步骤；

所述区域定位阶段，将移动终端观测到的信号强度向量S，对每个区域分类器F_region均进行计算，选出max_region F_region(S)的区域A，从指纹数据库中选出区域标识为A的信号强度向量作为精确定位阶段步骤中的指纹数据库；

所述精确定位阶段步骤，遍历从所述区域定位阶段选取的指纹数据库，使用KNN方法进行定位，对于在某一点采集到的信号强度向量S，为了找到最佳匹配的位置坐标，计算公式如下：

$\mathrm{dis}=\frac{1}{n}{\left({\mathrm{\Σ}}_{j=1}^n{|S_j-S_{\mathrm{ij}}|}^w\right)}^{1/w}i=\mathrm{1,2},...,m;j=\mathrm{1,2},...,n$

S_j代表来自第j个BEACON基站的信号强度，S_ij代表属于第i个参考位置采集到信号强度向量中来自第j个BEACON基站的信号强度。

本发明的有益效果在于：解决了传统的室内定位方法采用的KNN方法，移动终端采集到的信号强度向量S，需要遍历整个指纹数据库进行距离计算，当指纹数据库的数据庞大时，定位速度将变得非常缓慢，带来不良的用户体验，提高实时定位过程中的响应效率，实现了高效的定位。

附图说明

图1为训练阶段的流程图；

图2为实时定位阶段的流程图。

具体实施方式

下面将结合附图和具体实施例对本发明做进一步的说明。

名词解释

信号强度向量：某一时刻移动终端在一个位置接收到来自周围若干个Beacon基站的信号强度，并将这些信号强度以向量的形式表示。

训练阶段：为在实时定位阶段之前，需要采集参考点的信号强度向量，并记录采集点的位置坐标，这两个信息将构成指纹数据中的一个指纹记录。

实时定位阶段：某一时刻移动终端在一个位置采集周围的信号强度向量，并向服务器发送定位请求以及提交信号强度向量，服务器将会返回最佳的匹配坐标给移动终端。

在训练阶段，传统的Beacon信号采集直接将某一位置采集的信号强度向量或多次采集后取平均值的信号强度向量直接存入指纹数据库中，但是在同一个位置，可能由于人体的晃动，周围环境的改变，采集到的信号强度向量的值偏差较大，如果将此时的信号强度向量存入到指纹数据库中，将会引起较大的误差。因此需要存入较为稳定的信号强度向量。

首先在训练阶段，需要对采集到的信号进行均值平滑处理。在同一个位置，移动终端间隔一定时间进行连续采集若干次，对每个Beacon_i设备发出的信号序列，都计算其标准差D_i，若标准差D_i大于等于系统设定的阈值T_D，则表明该点接收来自Beacon_i的信号波动大，要对其进行信号平滑处理；若标准差D_i小于阈值T_D，则表明该点接收来自Beacon_i的信号稳定，不需要进行平滑，直接计算多次采集的均值。

均值平滑首先算出来自Beacon_i的信号的均值R_av，然后计算那些比均值R_av高的信号的均值R_av1，即较强信号的均值，同样的，计算那些比均值R_av低的信号的均值R_av2，即较弱信号的均值。当给定T_D之后，α也就确定了，α是用来调节R_av1，R_av2比重的一个超参数，D越大，α则越小，那么1-α的值也就越大，即R_av1(较强信号的均值)的比重也会越大，的值也会也大，最后把的值作为平滑后的均值存入指纹数据库D_A中。

$R_{\mathrm{av}1}=\frac{1}{n_1}{\mathrm{\&Sigma;}}_{i=1}^{n_1}{R}_i,R_i<R_{\mathrm{av}}$

$R_{\mathrm{av}2}=\frac{1}{n_2}{\mathrm{\&Sigma;}}_{i=1}^{n_2}{R}_i,R_i<R_{\mathrm{av}}$

${\stackrel{\&OverBar;}{R}}_{\mathrm{av}}=(1-\mathrm{\&alpha;})R_{\mathrm{av}1}+\mathrm{\&alpha;}{R}_{\mathrm{av}2}$

$\mathrm{\&alpha;}=0.5(1-\frac{D-T_D}{D}),D\&GreaterEqual;T_{D}0<\mathrm{\&alpha;}<1$

将室内地图划分为若干个子区域，分别在各个子区域多次采集信号强度向量，并记录在地图上的坐标位置以及所在的子区域编号。假设于室内环境有N个BEACON基站，采集到的信号强度向量S，向量S中的每个元素是来自N个BEACON基站的信号值，S(Beacon_i)则表示来自Beacon_i的信号强度，有些距离终端太远的BEACON基站的信号很弱，因而可能检测不到，如果没有来自Beacon_k的信号强度，这个值则置为R_min。取出向量S中任意两个来自不同BEACON基站信号值的所有组合，将BEACON基站之间的信号差作为特征，即计算每两个BEACON基站之间的信号强度差X_i，并将此构成一个集合{X_i＝S(Beacon_i)-S(Beacon_j)}，其中i,j＝1,2,3...N，这个特征空间的大小为X_i均与阈值θ_i进行比较，为了训练一个子区域的分类器，将在这个子区域采集的信号强度差X的标签设置为1，不在这个子区域采集的信号强度差的标签设为0，基于这些信号强度差X，训练出每个子区域的分类器F_region，此过程会经过若干次迭代，每一次迭代将会产生一个弱分类器，而弱分类器G_i(S)会在每次迭代中得到在最终分类器F_region的权重w_i，如果当前这个弱分类器分类效果好，则增加权重w_i，反之则减小，而误分类样本在下一轮迭代中会增加比重，它们受到误分类的惩罚加大，因此为了减少误分类，阈值θ_i会在每一轮迭代中修改来减小误分类损失函数。

$F_{\mathrm{region}}\left(S\right)=\underset{i}{\mathrm{\&Sigma;}}{w}_i{G}_i\left(S\right)$

$G_i\left(S\right)=\left\{\begin{array}{c}1X_i\&GreaterEqual;{\mathrm{\&theta;}}_i\\ 0\mathrm{Otherwise}\end{array}\right..$

实时定位阶段：

这个阶段也将会分成两个子阶段，第一个子阶段“区域定位阶段”，第二个子阶段“精确定位阶段”。

第一个子阶段“区域定位阶段”，也称“粗略定位阶段”。将移动终端观测到的信号强度向量S，对每个区域分类器F_region(S)都进行计算，最后选出max_regionF_region(S)的区域A，这样就缩小了定位的范围。指纹数据库中得信号强度向量都有区域的标识，只需要选出区域标识为A的信号强度向量作为下一个子阶段“精确定位阶段”的指纹数据库D_A。

第二个子阶段“精确定位阶段”，这个阶段就不用再遍历整个指纹数据库了，只需遍历指纹数据库D_A，大大减小了计算时间。定位方法使用KNN方法，对于在某一点采集到的信号强度向量S，为了找到最佳匹配的位置坐标，计算公式如下：

$\mathrm{dis}=\frac{1}{n}{\left({\mathrm{\&Sigma;}}_{j=1}^n{|S_j-S_{\mathrm{ij}}|}^w\right)}^{1/w}i=\mathrm{1,2},...,m;j=\mathrm{1,2},...,n$

S_j代表来自第j个BEACON基站的信号强度，S_ij代表属于第i个参考位置采集到信号强度向量中来自第j个BEACON基站的信号强度。此时i的取值再也不是整个指纹数据库的所包含的参考点的数量，而是指纹数据库D_A所包含的参考点的数量。然后再计算S与D_A中信号强度向量的欧式距离，这里w＝2，这样就得到距离dis最小的k个坐标，最后计算这k个坐标的中心点计算公式如下：

$(\hat{x},\hat{y})=\frac{1}{K}\underset{i-1}{\overset{K}{\mathrm{\&Sigma;}}}(x_i,y_i)$

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员，在不脱离本发明构思的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明保护范围内。

Claims (4)

1.一种基于iBeacon设备的高效室内定位方法，其特征在于，包括如下步骤：11)在同一个位置，移动终端间隔一定时间进行连续采集多次，对每个Beacon_i设备发出的信号序列，均计算其标准差D_i，若标准差D_i大于等于设定的阈值T_D，则对其进行信号平滑处理，将平滑后的均值存入指纹数据库D_A；若标准差D_i小于阈值T_D，则不需要进行平滑，直接计算多次采集的均值，将均值存入指纹数据库D_A；

12)将整个室内地图划分成多个子区域，对每一个子区域都构造一个分类器，该分类器由多个弱分类器进行线性加权而成，在实时定位阶段，对于一个信号强度向量S，计算室内地图上每个区域的分类器的分数，选择分数最高的区域作为信号强度向量S的预测区域，提取该预测区域相关的指纹数据库D_A；

13)根据提取的预测区域的指纹数据库D_A，使用KNN方法遍历该区域所包含的信号强度向量，获得最佳匹配位置。

2.根据权利要求1所述的一种基于iBeacon设备的高效室内定位方法，其特征在于，所述均值平滑步骤包括：首先计算来自Beacon_i设备发出的信号序列的均值R_av，然后通过公式R_I<R_av，计算比均值R_av高的信号的均值R_av1，通过公式R_i>R_av，计算比均值R_av低的信号的均值R_av2，设定阈值T_D以及α，所述α为D_i≥T_D0<α<1，用来调节R_av1，R_av2比重的一个超参数，标准差D_i越大，α则越小，那么1-α的值也就越大，即R_av1的比重也会越大，的值也会也大，所述 最后把的值作为平滑后的均值存入指纹数据库D_A中。

3.根据权利要求2所述的一种基于iBeacon设备的高效室内定位方法，其特征在于，将室内地图划分为多个子区域，分别在各个子区域多次采集信号强度向量，并记录在地图上的坐标位置以及所在的子区域编号,对于室内环境有N个BEACON基站，采集到的信号强度向量S，向量S中的每个元素是来自N个BEACON基站的信号值，S(Beacon_i)则表示来自Beacon_i的信号强度，如果没有来自Beacon_k的信号强度，这个值则置为R_min，取出向量S中任意两个来自不同BEACON基站信号值的所有组合，将BEACON基站之间的信号差作为特征，即计算每两个BEACON基站之间的信号强度差X_i，并将此构成一个集合{X_i＝S(Beacon_i)-S(Beacon_j)}，其中i,j＝1,2,3…N，这个特征空间的大小为X_i均与阈值θ_i进行比较，为了训练一个子区域的分类器，将在这个子区域采集的信号强度差X的标签设置为1，不在这个子区域采集的信号强度差的标签设为0，基于这些信号强度差X，训练出每个子区域的分类器F_region，此过程会经过若干次迭代，每一次迭代将会产生一个弱分类器，而弱分类器G_i(S)会在每次迭代中得到在最终分类器F_region的权重w_i，如果当前这个弱分类器分类效果好，则增加权重w_i，反之则减小，而误分类样本在下一轮迭代中会增加比重，它们受到误分类的惩罚加大，因此为了减少误分类，阈值θ_i会在每一轮迭代中修改来减小误分类损失函数。

所述F_region为F_region(S)＝∑_iw_iG_i(S)，

所述G_i(S)为

$G_i\left(S\right)=\left\{\begin{array}{c}1X_i\&GreaterEqual;{\mathrm{\&theta;}}_i\\ 0\mathrm{Otherwise}\end{array}\right..$

4.根据权利要求3所述的一种基于iBeacon设备的高效室内定位方法，其特征在于，所述步骤13)具体包括如下步骤：

区域定位阶段步骤和精确定位阶段步骤；

所述区域定位阶段，将移动终端观测到的信号强度向量S，在每个区域分类器F_region均进行计算，选出max_region F_region(S)的区域A，从指纹数据库中选出区域标识为A的信号强度向量作为精确定位阶段步骤中的指纹数据库；

所述精确定位阶段步骤，遍历从所述区域定位阶段选取的指纹数据库，使用KNN方法进行定位，对于在某一点采集到的信号强度向量S，为了找到最佳匹配的位置坐标，计算公式如下：

$\mathrm{dis}=\frac{1}{n}{\left({\mathrm{\&Sigma;}}_{j=1}^n{|S_j-S_{\mathrm{ij}}|}^w\right)}^{1/w},i=\mathrm{1,2},\&CenterDot;\&CenterDot;\&CenterDot;,m;j=\mathrm{1,2},\&CenterDot;\&CenterDot;\&CenterDot;,n$

S_j代表来自第j个BEACON基站的信号强度，S_ij代表属于第i个参考位置采集到信号强度向量中来自第j个BEACON基站的信号强度。