CN105704652A - 一种wlan/蓝牙定位中的指纹库采集和优化方法 - Google Patents

Abstract

本发明提供一种WLAN/蓝牙定位中的指纹库采集和优化方法，基于行人航位推算(PDR)技术，进行指纹位置推算，从而快速生成指纹库参考点。同时，针对快速生成的参考点指纹，其对每个无线接入点利用时间-信号强度回归曲线求得拟合强度值，用拟合曲线的值作为最终优化的指纹强度值，这样可剔除跳变值和强度的小幅波动，达到传统指纹库采集时信号强度值累积平均的效果。本方法还通过空间密度聚类的方式，根据接收信号强度最强的无线信号接入点进行参考点分组，判断每个分组内的参考点是否具有空间上聚集的特征，对于无法聚集的离群点，认为该点的指纹产生了不期望的跳变，将其从指纹库中剔除，从而剔除了噪声点实现了指纹库的进一步优化。

Description

一种WLAN/蓝牙定位中的指纹库采集和优化方法

技术领域

本发明涉及室内外定位技术领域，尤其涉及一种WLAN/蓝牙定位中的指纹库采集和优化方法。

背景技术

随着人们对定位、导航和位置服务需求的日益增长，这种需求已经从室外扩展的到室内、地下等各种人们的活动区域。卫星导航(GlobalNavigationSatelliteSystem，GNSS)作为重要的定位导航手段，由于受到信号传播限制，在室内、地下等严重遮挡区域，无法提供定位导航服务。基于Wi-Fi、蓝牙等无线信标的指纹定位方式，由于网络环境布设容易、不受信号多径影响、定位精度较高以及无累积误差等特点，已经成为室内定位的一种主要手段。它所能提供的米级定位，能够满足大多数室内位置服务需求，对于GNSS遮挡严重的室外区域，也能作为一种补充定位手段。

指纹定位的基本方法是，离线训练阶段，通过在一系列已知位置上收集多个无线接入点(AccessPoint，AP)的接收信号强度指示(ReceivedSignalStrengthIndicator，RSSI)，建立标定位置点与信号强度指示的映射数据库，即指纹库(FingerprintDatabase)，也被称作无线信号地图(RadioMap)。在线定位阶段，将当前移动接收设备所接收到的接入点信号强度信息与指纹库中的各个参考点(ReferencePoint)信号强度进行匹配，利用匹配度高的参考点位置估计最终的定位结果。因此，Wi-Fi/蓝牙指纹定位中，信号指纹库的准确度在一定程度上决定了后续匹配定位的精度。

由于无法对Wi-Fi、蓝牙等无线信号的传播过程进行准确建模，并且因为设备噪声、外界干扰等原因，信号强度呈现随机跳动状态。因此，传统的指纹库采集方法通常需要预先标定参考点坐标，然后在各个参考点上进行多次信号强度采集，并进行数学平均，来确定各个参考点的接收信号强度，从而建立指纹数据库。这种方式简单有效，然而，在实际推广应用中存在两大问题：第一，对于大范围的应用场景，参考点的标定以及大量参考点指纹的长时间采集都耗时耗力；第二，伴随环境特征变化，例如室内布局的改变、室外季节变化等等，各参考点的接收信号强度会发生明显变化，导致指纹库失效，定位精度严重降低，这时就需要重新采集信号并更新指纹库，从而重新面临上述第一条的问题。所以，如何进行指纹库的快速采集和优化处理，是指纹定位技术在应用推广中必须解决的关键问题。

发明内容

本发明提供一种WLAN/蓝牙定位中的指纹库采集方法，可灵活完成大范围指纹库采集，同时，通过优化处理方法，去除随机信号跳变，提升指纹库稳定性。

本发明是通过以下技术方案实现：

一种WLAN/蓝牙定位中的指纹库采集方法，其包括以下步骤：

步骤1，在地图上规划指纹信息的采集路径，行人手持终端按照规划的采集路径以行人步长L进行行走，同时终端采集指纹信息，并利用行人航位推算PDR方法推算出第i个步伐时刻t_PDR，i终端对应的空间坐标然后以指纹输出时刻为基准，将步伐时刻和指纹输出时刻对齐，获得参考点，各参考点组成指纹库；

其中，参考点包括参考点空间坐标和采集的指纹信息，指纹信息为终端采集的无线接入点的信号强度；步伐时刻为行人航位推算方法PDR检测到步伐开始的时刻，指纹输出时刻为终端输出接收信号强度RSSI的时刻；

对齐方法为： $\left\{\begin{array}{c}{u}_{t_j}=u_{t_{{\mathrm{PDR}}_{7}i}}-L_j\·cos\mathrm{\α}\\ v_{t_j}=v_{t_{PDR,i}}+L_j\·sin\mathrm{\α}\end{array}\right.;$ α为行进方向角，其以正北为0度，顺时针增加；L_j为补偿步长的长度，且t_j为第j个指纹输出时刻，且j＝1,2,…,J，J为参考点总个数；

步骤2，针对指纹库中能够扫描到无线接入点的每一个参考点，修正其对应的指纹信息，具体为：

步骤21，设参考点能够扫描到的无线接入点的总数为N，则针对第n个无线接入点，建立接收信号强度与时间的多项式回归方程

f_n(t_j)＝p_n,1t_j ^m+p_n,2t_j ^m-1+...+p_n,mt_j+p_n,(m+1)，利用最小二乘准则，通过最小化指纹信息观测值与回归模型输出值f_n(t_j)的方差

$\begin{array}{c}SSE=\underset{j=1}{\overset{J}{\Σ}}{\[{\mathrm{RSSI}}_{t_j,n}-f_n\left(t_j\right)\]}^2\\ =\underset{j=1}{\overset{J}{\Σ}}{\[{\mathrm{RSSI}}_{t_j,n}-p_{n,1}{t_j}^m-p_{n,2}{t_j}^{m-1}-...-p_{n,m}{t}_j-p_{n,(m+1)}\]}^2\end{array},$ 且获得回归模型系数

p_n,1,p_n,2,...,p_n,m,p_n,(m+1)，从而得到第n个无线接入点在指纹输出时刻t_j的拟合强度值f_n(t_j)；

其中，p_n,1,p_n,2,...,p_n,m,p_n,(m+1)为第n个AP的多项式回归系数；m为多项式阶数，为设定值；为指纹输出时刻t_j下第n个无线接入点接收的指纹信息即接收信号强度；

步骤22，针对其余的(N-1)个无线接入点分别利用步骤21计算拟合强度值，并将计算的J个拟合强度值替换参考点的指纹信息。

进一步的，还包括步骤3，确定每个参考点中接收信号强度最强的无线接入点AP，将最强无线接入点AP相同的参考点划分为一组，通过空间密度聚类的方式判断每个组内的所有参考点是否具有空间上聚集的特征，若某参考点具有空间上聚集的特征，则在指纹库中保留该参考点，否则从指纹库中剔除该参考点。

与现有的技术相比，本发明的有益效果是：

本发明基于行人航位推算(PDR)技术，进行指纹位置推算，从而快速生成指纹库参考点。同时，对每个无线接入点利用时间-信号强度曲线求得拟合强度值，用拟合曲线的值作为最终的指纹强度值。这样可剔除跳变值和强度的小幅波动，达到传统指纹库采集时信号强度值累积平均的效果。本方法还通过空间密度聚类的方式，来判断每个分组内的参考点是否具有空间上聚集的特征，对于无法聚集的离群点，认为该点的指纹产生了不期望的跳变，将其从指纹库中剔除，从而剔除了噪声点实现了指纹库的进一步优化。

附图说明

图1本发明的参考点生成示意图；

图2(a)为行人行走时智能终端的加速度计三轴合加速度值的第一变化情况图；

图2(b)为行人行走时智能终端的加速度计三轴合加速度值的第二变化情况图；

图3为本发明的空间密度聚类实施例示意图；

图4为本发明的二维点集空间聚类示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

一种WLAN/蓝牙定位中的指纹库采集和优化方法，其包括以下步骤：

步骤1，在地图上规划指纹信息的采集路径，按照规划的采集路径以行人步长L进行行走，同时采集指纹信息，并利用行人航位推算方法PDR推算出第i个步伐时刻t_PDR,i对应的空间坐标(u_tPDR,i,v_tPDR,i)，然后以指纹输出时刻为基准，将步伐时刻和指纹输出时刻对齐，获得参考点，各参考点组成指纹库；其中，参考点包括参考点空间坐标和初始指纹信息。具体的：

行人航位推算(PDR)是利用加速度特征检测行人步伐，同时通过方向进行行人航位推算的一种递推定位方法。地图是对空间坐标的一组映射，通过像素坐标或直角坐标进行空间的描述。指纹定位中指纹库的建立，即产生一系列基准参考点(ReferencePoint)，包括空间坐标和该点的指纹信息，通常用矢量(x,y,RSSI₁,RSSI₂,……,RSSI_N)表示，其中(x,y)表示参考点空间坐标，(RSSI₁,RSSI₂,……,RSSI_N)表示该参考点空间坐标下所接收到的信号强度，其中N为无线接入点总个数。指纹信息是指在相应的空间坐标下，定位终端(如手机)对接收范围内无线接入点的接收信号强度。

为了快速自主的获得参考点的空间坐标和该点的指纹信息，本方法利用地图作为辅助工具，通过人为设定起始点，根据实际定位需求，进行采集指纹信息的路径规划；采集人员手持智能终端(如手机)，按规划路径步行进行指纹信息采集，同时，利用PDR技术推算出各个指纹信息输出时刻采集人员所处的空间位置，从而实现空间坐标与指纹信息的对接，获得指纹库中的参考点RP_j。

基于PDR技术的采集实施例

如图1所示，以像素地图为例，用(u,v)表示图像中的位置坐标，如图1所示，起始点坐标为(u_s,v_s)，终点坐标为(u_e,v_e)，行进方向角为α。

(1)行人步伐检测

如图2(a)所示，行人在行走时，三轴合加速度波动强烈，静止时，三轴合加速度波动很小；图2(b)是第(1)幅图的局部放大，可以看出，行人迈步时，合加速度产生一个上升沿尖峰。因此，通过三轴合加速度的判断，可以对行人进行步伐检测。

假设t时刻，加速度计的三轴输出为(a_x,t,a_y,t,a_z,t)，则该时刻的合加速度A_t表示为

$A_t=\sqrt{a_{x,t}^2+a_{y,t}^2+a_{z,t}^2}---\left(1\right)$

t-1时刻，合加速度表示为

$A_{t-1}=\sqrt{a_{x,t-1}^2+a_{y,t-1}^2+a_{z,t-1}^2}---\left(2\right)$

对于t时刻的合加速度设定如下判别条件

$\left\{\begin{array}{c}{A}_t>T_A\\ A_t>A_{t-1}\\ A_{t-1}\≤T_A\end{array}\right.---\left(3\right)$

其中，T_A为合加速度的强度阈值，当A_t同时满足公式(3)中的三个条件时，则判断行人此时行走一个步伐。

(2)位置推算

通过检测到的步伐，可以进行行人当前位置的推算。设检测到步伐的时刻分别为t_PDR,1，t_PDR,2，……，t_PDR,i，i为从起始时刻开始检测到步伐的序列数，则这些时刻上，行人的像素坐标通过下式计算得到

$\left\{\begin{array}{c}{u}_{t_{PDR,1}}=u_s-L\·\cos \mathrm{\α}\\ u_{t_{PDR,1}}=v_s+L\·\sin \mathrm{\α}\end{array}\right.---\left(4\right)$

$\left\{\begin{array}{c}{u}_{t_{PDR,i}}=u_{t_{PDR,i-1}}-L\·\cos \mathrm{\α}\\ u_{t_{PDR,i}}=v_{t_{PDR,i-1}}+L\·\sin \mathrm{\α}\end{array}\right.---\left(5\right)$

其中，(u_s,v_s)为起始点坐标，为t_PDR,i时刻行人所处的位置坐标，行进方向角为α，行人步长为L。通过起始点坐标和位置推算，即可得到行人各个步伐时刻所处的坐标位置。

(3)参考点生成

由于智能终端(如手机)进行无线扫描并输出指纹信息的时间间隔为Δt，那么，指纹输出的时刻分别为t1，t2，t3，……，tj，其中，j为从起始时刻开始，指纹输出的序列数。因此，需要将步伐时刻和指纹输出时刻对齐，从而将行人坐标和指纹匹配起来，生成参考点。

具体的方法是，以指纹输出时刻为基准，选择与其最近的步伐时刻。假设与第j个指纹输出时刻t_j时间距离最近的步伐时刻为t_PDR,i，该步伐时刻行人的位置坐标为由于行人步长L一般较小，在60cm左右，所以在指纹输出时刻与步伐时刻存在的时间差里的行人位移，用匀速运动模型来近似补偿，L_j为补偿步长的长度，用公式表示为

$L_j=L\·\left|\frac{t_j-t_{PDR,i}}{t_{PDR,i}-t_{PDR,i-1}}\right|---\left(6\right)$

则，t_j时刻的行人位置坐标可表示为

$\left\{\begin{array}{c}{u}_{t_j}=u_{t_{PDR,i}}-L_j\·\cos \mathrm{\α}\\ u_{t_j}=v_{t_{PDR,i}}+L_j\·\sin \mathrm{\α}\end{array}\right.---\left(7\right)$

从而，得到了该行进路段上的指纹参考点

$\begin{array}{c}{\mathrm{RP}}_1\left(\begin{array}{cccccc}{v}_{t_1}& v_{t_1},& {\mathrm{RSSI}}_{t_1,1}& {\mathrm{RSSI}}_{t_1,2}& \mathrm{......}& {\mathrm{RSSI}}_{t_1,N}\end{array}\right)\\ {\mathrm{RP}}_2\left(\begin{array}{cccccc}{v}_{t_2}& v_{t_2},& {\mathrm{RSSI}}_{t_2,1}& {\mathrm{RSSI}}_{t_2,2}& \mathrm{......}& {\mathrm{RSSI}}_{t_2,N}\end{array}\right)\\ \mathrm{......}\\ {\mathrm{RP}}_J\left(\begin{array}{cccccc}{v}_{t_J}& v_{t_J},& {\mathrm{RSSI}}_{t_J,1}& {\mathrm{RSSI}}_{t_J,2}& \mathrm{......}& {\mathrm{RSSI}}_{t_J,N}\end{array}\right)\end{array}$

其中，J为参考点RP总个数，N为无线接入点AP总个数。α通过智能终端(如手机)内磁力计获得的航向角，该航向角以正北为0度，顺时针增加；(u,v)为像素坐标，u为指向南，v指向东。

步骤2，针对指纹库中的每一个参考点，修正其对应的指纹信息，具体为：

步骤21，设无线接入点的总数为N，则针对第n个无线接入点，建立接收信号强度与时间的多项式回归方程f_n(t_j)＝p_n1t_j ^m+p_n2t_j ^m-1+...+p_nmt_j+p_n(m+1)，利用最小二乘准则，通过最小化指纹信息观测值与回归模型输出值f_n(t_j)的方差 $\begin{array}{c}SSE=\underset{j=1}{\overset{J}{\Σ}}{\[{\mathrm{RSSI}}_{t_j,n}-f_n\left(t_j\right)\]}^2\\ =\underset{j=1}{\overset{J}{\Σ}}{\[{\mathrm{RSSI}}_{t_j,n}-p_{n,1}{t_j}^m-p_{n,2}{t_j}^{m-1}-...-p_{nm}{t}_j-p_{n,(m+1)}\]}^2\end{array},$ 且获得回归模型系数

p₁，p₂...p_m，p_m+1，从而得到第n个无线接入点在指纹输出时刻t_j的拟合强度值f_n(t_j)；具体的：

假设指纹库采集人员的运动状态是相对稳定的，无线信号的强度分布也是相对稳定的，那么，在整个采集过程中，对于特定的无线接入点，智能终端(如手机)接收到该点的信号强度应该是随时间平稳缓变的。根据这个假设，对每个无线接入点，建立时间-信号强度曲线，即每个节点信号强度的时间序列，然后对该序列数据进行曲线拟合，用拟合曲线的值作为最终的指纹强度值，即可剔除跳变值和强度的小幅波动，达到传统指纹库采集时信号强度值累积平均的效果。

按照上述思路，利用指纹输出时刻t作为自变量，指纹强度RSSI_n作为响应变量，建立如下的多项式回归模型

f_n(t_j)＝p_n1t_j ^m+p_n2t_j ^m-1+...+p_nmt_j+p_n(m+1)(8)

其中，p₁～p_m+1为多项式回归系数；m为多项式阶数，为设定值。利用最小二乘准则，通过最小化指纹信息观测值与回归模型输出值f_n(t_j)的方差 $\begin{array}{c}SSE=\underset{j=1}{\overset{J}{\Σ}}{\[{\mathrm{RSSI}}_{t_j,n}-f_n\left(t_j\right)\]}^2\\ =\underset{j=1}{\overset{J}{\Σ}}{\[{\mathrm{RSSI}}_{t_j,n}-p_{n,1}{t_j}^m-p_{n,2}{t_j}^{m-1}-...-p_{nm}{t}_j-p_{n,(m+1)}\]}^2\end{array},$ 获得回归模型系数p₁，p₂...p_m，p_m+1，从而得到第n个无线接入点在指纹输出时刻t_j的拟合强度值f_n(t_j)；

实际操作中，对于t时刻终端(如手机)未扫描到的节点，一般使用一个较小的强度值来描述(例如-100dbm)，它不是该节点的真实指纹强度值，因此，具体计算时，需要去除这些点，选择采集到的真实强度值来进行回归模型参数的计算。对于有明显强度跳变的情况，还可以预先进行数据剔野值处理，然后再进行回归模型拟合，以提高拟合准确度。

步骤22，针对其余的(N-1)个无线接入点分别利用步骤21计算拟合强度值，并将计算的N个拟合强度值替换步骤1中的参考点指纹库中相应的指纹信息。

原指纹值为-100的(即该时刻未扫描到该节点)，对原值进行保留。

步骤3，基于空间聚类的指纹库处理方法

随着智能终端(如手机)与无线接入点之间距离的增加，信号强度呈衰减趋势。从而，可以认为，对于特定的无线接入点(用AP表示)，与其距离近的参考点(RP)中该AP的指纹强度高，反之，与其距离远的参考点中该AP的指纹强度低。

基于上述假设，对比得到指纹库中的所有参考点RP对应的最强无线接入点AP，然后按照最强AP，对参考点进行分组：相同最强AP的RP分为一组。假设指纹库中的参考点为RP₁，RP₂，…...，RP_J，J为参考点总个数；所有的无线接入点表示为AP₁，AP₂，…...，AP_N，N为无线接入点总个数。通过空间密度聚类的方式判断每个分组内的RP点是否具有空间上聚集的特征，若有则保留该RP，若没有则剔除该RP。

基于前面描述的假设，由于一个分组内的RP点接收到信号最强的AP是同一个，因此，这些RP点在空间上应该都是聚集在该AP附近的。但是，因为不对所有AP的坐标位置进行标定，所以，本方法通过空间密度聚类的方式，来判断每个分组内的RP点是否具有空间上聚集的特征，对于无法聚集的离群点，就认为该点的指纹产生了不期望的跳变，将其从指纹库中剔除。

空间密度聚类实施例

空间密度聚类的方法有多种，本方法采用基于中心的密度来进行参考点空间聚类。DBSCAN是一种简单、有效的基于密度的聚类算法，算法中使用基于中心的密度定义方法。在基于中心的密度定义方法中，数据集中特定点的密度通过对该点Eps半径内的点计数(包括点自身)来估计，如图3所示，点A的Eps半径内点的个数为7，包括A本身。

根据基于中心的密度来进行点分类，将点分为(1)稠密区域内部的点——核心点，(2)稠密区域边缘上的点——边缘点，(3)稀疏区域中的点——噪声点。图4中使用二维点集图示了核心点、边界点和噪声点的概念。他们各自具体的描述为：

核心点(corepoint)：这些点在基于密度的簇内部。点的邻域由距离函数和用户给定的距离参数Eps决定。如果该点的给定邻域内的点的个数超过给定的阈值MinPts，则该点为核心点。图4中，MinPts≤7时，A为核心点。边界点(borderpoint)：边界点满足两个条件，不是核心点，但落在某个核心点的邻域内。图4中，点B为边界点。一个边界点可能落在多个核心点的邻域内。噪声点(noisepoint)：噪声点是既非核心点又非边界点的任何点。图4中，点C是噪声点。

利用上述聚类算法，对每个分组内的RP进行聚类，并从指纹库中剔除所有的噪声点，实现指纹库的优化。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (2)

1.一种WLAN/蓝牙定位中的指纹库采集和优化方法，其特征在于，包括以下步骤：

步骤1，在地图上规划指纹信息的采集路径，行人手持终端按照规划的采集路径以行人步长L进行行走，同时终端采集指纹信息，并利用行人航位推算PDR方法推算出第i个步伐时刻t_PDR,i终端对应的空间坐标然后以指纹输出时刻为基准，将步伐时刻和指纹输出时刻对齐，获得参考点，各参考点组成指纹库；

其中，参考点包括参考点空间坐标和采集的指纹信息，指纹信息为终端采集的无线接入点的信号强度；步伐时刻为行人航位推算方法PDR检测到步伐开始的时刻，指纹输出时刻为终端输出接收信号强度RSSI的时刻；

对齐方法为： $\left\{\begin{array}{c}{u}_{t_j}=u_{t_{PDR,i}}-L_j\·cos\mathrm{\α}\\ v_{t_j}=v_{t_{PDR,i}}+L_j\·sin\mathrm{\α}\end{array}\right.;$ α为行进方向角，其以正北为0度，顺时针增加；L_j为补偿步长的长度，且t_j为第j个指纹输出时刻，且j＝1,2,…,J，J为参考点总个数；

步骤2，针对指纹库中能够扫描到无线接入点的每一个参考点，修正其对应的指纹信息，具体为：

步骤21，设参考点能够扫描到的无线接入点的总数为N，则针对第n个无线接入点，建立接收信号强度与时间的多项式回归方程

f_n(t_j)＝p_n,1t_j ^m+p_n,2t_j ^m-1+...+p_n,mt_j+p_n,(m+1)，利用最小二乘准则，通过最小化指纹信息观测值与回归模型输出值f_n(t_j)的方差

$\begin{array}{c}SSE=\underset{j=1}{\overset{J}{\Σ}}{\[{\mathrm{RSSI}}_{t_j,n}-f_n\left(t_j\right)\]}^2\\ =\underset{j=1}{\overset{J}{\Σ}}{\[{\mathrm{RSSI}}_{t_j,n}-p_{n,1}{t_j}^m-p_{n,2}{t_j}^{m-1}-...-p_{n,m}{t}_j-p_{n,(m+1)}\]}^2\end{array},$ 且获得回归模型系数

p_n,1,p_n,2,...,p_n,m,p_n,(m+1)，从而得到第n个无线接入点在指纹输出时刻t_j的拟合强度值f_n(t_j)；

其中，p_n,1,p_n,2,...,p_n,m,p_n,(m+1)为第n个AP的多项式回归系数；m为多项式阶数，为设定值；为指纹输出时刻t_j下第n个无线接入点接收的指纹信息即接收信号强度；

步骤22，针对其余的(N-1)个无线接入点分别利用步骤21计算拟合强度值，并将计算的J个拟合强度值替换参考点的指纹信息。

2.如权利要求1所述的WLAN/蓝牙定位中的指纹库采集和优化方法，其特征在于，还包括步骤3，确定每个参考点中接收信号强度最强的无线接入点AP，将最强无线接入点AP相同的参考点划分为一组，通过空间密度聚类的方式判断每个组内的所有参考点是否具有空间上聚集的特征，若某参考点具有空间上聚集的特征，则在指纹库中保留该参考点，否则从指纹库中剔除该参考点。