CN106845392A - 一种基于众包轨迹的室内转角地标的匹配及识别方法 - Google Patents

Abstract

本发明公开了一种基于众包轨迹的室内转角地标匹配及识别方法，包括：获取室内布局图的地标二维坐标信息；在目标区域设置N个信号源、使得用户终端可以采集到至少一个信号源的信号；采集已标注与未标注的轨迹，划分为轨迹窗口；从已标注的轨迹窗口提取针对性的特征，训练姿态组识别分类器与转角识别分类器；利用已训练的分类器对未标注的轨迹窗口进行转角地标的识别，提取其中的正类窗口的RSS数据；利用多维尺度分析算法降维到多种维度，分别进行聚类与匹配；采用投票算法，根据多种维度下的聚类匹配结果，使有效采样值对应到某转角，无效采样值被过滤；根据匹配结果生成转角地标指纹；本发明相对现有转角地标识别方法提高了识别性能。

Description

一种基于众包轨迹的室内转角地标的匹配及识别方法

技术领域

本发明属于通信与无线网络技术领域，更具体地，涉及一种基于众包轨迹的室内转角地标的匹配及识别方法。

背景技术

随着移动网络的发展，基于位置信息服务的需求不断增长；全球定位系统(GPS)在室外环境可以提供可靠的定位服务，但在复杂的室内环境中卫星信号的视距传播导致其表现不佳。现有的室内定位技术RSS定位技术包括基于测距的定位与基于指纹的定位；前者通过RSS根据传播模型计算目标到信号源的距离实现定位，该方法在复杂室内环境下性能不佳；后者通过在不同地理位置测到的RSS向量作为对应位置的指纹，收集大量指纹构成指纹数据库，将实时采集到的指纹与数据库中的指纹进行比较来实现定位，这种方案需要专业人员采集大量的指纹，并且室内无线电环境具有动态性以致于采集到的指纹过时，例如，开关门、人群走动、室内布局变化、无线接入点位置变化等因素均会造成RSS较为剧烈的变化。

群智众包的指纹采集技术为解决现场勘测人力成本高与指纹更新难的问题提供了思路，将离线阶段的指纹采集工作转移到大量的普通用户上从而减少工作量，具体地，采集用户携带终端设备所经过的轨迹上的传感器与Wi-Fi测量数据作为众包轨迹测量序列，称之为众包轨迹，并可在众包轨迹中提取指纹。然而，将用户采集到的指纹标注到某个位置上是个具有挑战性的工作，一种方案为服务提供商通过某种激励措施促使用户将采集到的RSS指纹标注到具体的位置上，但该方案依然基于人工采集，并且面临恶意标注或无意错误标注的问题。

室内地标提供了一种物理空间和信号空间相对准确的映射，为众包指纹的标注提供了一种可能。地标指的是某些具有特定结构或指纹特征的物理位置，如转角、电梯、楼梯等。通过这种特定结构或指纹特征来识别出相应的物理位置即为地标检测。近年来，有些研究学者提出了一些地标检测以及通过地标进行辅助定位的方案，譬如基于陀螺仪的峰值检测方法以及基于数字罗盘的邻近窗口角度差的方法，但这些方法面临姿态多样与伪转角的问题；姿态多样指的是行人持有终端设备的方式可能不同，不同姿态下传感器测量数据有显著的不同；伪转角问题指的是行人经过转角时传感器信号体现出的特征与行人折返、切换姿态时的特征接近，峰值检测等方案对于有多姿态与伪转角干扰的数据集上性能不佳甚至会失去识别能力。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种基于众包轨迹的室内转角地标的匹配及识别方法，其目的在于利用室内地标信息进行众包指纹标注，解决目前转角地标识别方法中行人多姿态与伪转角问题导致的识别性能不佳的问题。

为实现上述目的，按照本发明的一个方面，提供了一种基于众包轨迹的室内转角地标的匹配方法，包括如下步骤：

(1)在给定目标区域的室内布局图中标记出所有的转角，记录各转角的二维坐标信息；

(2)在给定目标区域中设置N个信号源，使得用户终端在目标区域中的任何位置都能接收到来自至少一个信号源的信号；用户终端采集测量数据构成传感器测量序列，并根据预设长度的时间窗口将传感器测量序列分段；

(3)采集给定区域内已标注与未标注的轨迹，根据各时间窗口所对应的轨迹是否经过转角对时间窗口进行标注，并将各时间窗口通过服务器保存到本地数据库；

(4)在服务器端从已标注的时间窗口提取针对性的特征以训练姿态组识别分类器与转角识别分类器；利用已训练的姿态组识别分类器与转角识别分类器对未标注的时间窗口进行转角地标识别；

(5)根据转角地标识别结果提取被标注为正类的时间窗口与被识别为正类的时间窗口作为信号指纹，构成RSS矩阵；

(6)将上述RSS矩阵进行降维处理，对各维度矩阵分别进行聚类与匹配；

(7)根据各维度下的聚类与匹配结果，将无效指纹过滤，将有效众包指纹匹配到转角地标。

优选地，上述基于众包轨迹的室内转角地标匹配方法，其步骤(2)包括如下子步骤：

(2.1)用户终端采集获得线性加速度序列L、重力加速度序列G、陀螺仪测量序列R、磁力计测量序列C、方位计测量序列M；根据采集到的这些测量数据构成传感器测量序列S＝<L,G,R,C,M>；

(2.2)按照预设的长度设置时间窗口W_i＝＜s_i,r_i＞；其中，s_i表示第i个时间窗口的传感器测量序列，r_i＝(r_i1,...,r_in,...,r_iN)表示用户终端在第i个时间窗口接收到的N个信号源的指纹；r_in表示第i个时间窗口从第n个信号源接收的信号强度；n＝1,2,...,N，i＝1,2,...,M；M为指时间窗口总数，M、K均为自然数。

优选地，上述基于众包轨迹的室内转角地标的匹配方法，其步骤(3)包括如下子步骤：

(3.1)根据各时间窗口所对应的轨迹是否经过转角将时间窗口标注为正类或是负类；本发明中，将经过了转角的时间窗口定义为正类，将未经过任何转角的时间窗口定义为负类；

(3.2)用户终端采集到时间窗口W_i下的传感器测量序列s_i及指纹r_i并上传到服务器，服务器将接收到的时间窗口保存在本地数据库中；

(3.3)根据时间窗口的类别是否标注，分别构成类别已标注窗口集W^l与类别未标注窗口集W^u；并对已标注类别的时间窗口标注其行进姿态信息，包括发送信息、电话、摆动和/或置于口袋；

其中，表示已标注类别的窗口，表示未标注类别的窗口，L表示已标注窗口的数量，L＜＜M。

优选地，上述基于众包轨迹的室内转角地标的匹配方法，其步骤(4)包括如下子步骤：

(4.1)对类别已标注窗口集W^l中的任意时间窗口W_i进行特征提取，由所提取到的特征构成特征向量y_i＝(y_i1,...,y_if,...,y_iF)，其中F为特征向量的维度,1≤f≤F；

(4.2)将人类行进姿态划分为相对于身体固定方位的姿态组A与相对于身体非固定方位的姿态组B；根据姿态组A、B之间的差异从特征向量y_i中选择特征：

具体地，对传感器测量序列S＝＜L,G,R,C,M＞选取方差、平均绝对误差、FFT能量，对序列L,G取均值，对序列L,G,R取均方值，构成特征向量并利用特征向量训练出姿态组识别分类器P-Detector；

(4.3)对相对于身体固定方位的姿态组A与相对于身体非固定方位的姿态组B，分别训练针对性的转角识别分类器：

(I)对于所述姿态组A，从特征向量y_i提取特征来训练转角识别分类器A-Detector；特征包括：

从磁力计测量序列C、方位计测量序列M中分别提取的方差、平均绝对误差以及时间窗口初值与末值差的绝对值；

从线性加速度序列L、重力加速度序列G利用以下公式提取的转向轴：

axis_max,i＝argmax(acc_x,i,acc_y,i,acc_z,i)；

其中，(acc_x,i,acc_y,i,acc_z,i)为加速计三轴测量序列中第i个测量值；

以及转向轴角速度序列的极差、方差，平均绝对误差、SMA、均方根、平均值、最大值、最小值；其中，转向轴角速度序列从陀螺仪测量序列R提取获得；

(II)对于姿态组B，直接采用特征向量y_i来训练转角识别分类器B-Detector；

(4.4)对于类别未标注窗口集W^u的时间窗口W_i，提取特征通过姿态组识别分类器P-Detector识别出该时间窗口处于姿态组A还是姿态组B；如果为前者，则提取特征采用转角识别分类器A-Detector识别出该窗口是否属于某个转角，否则提取特征y_i采用转角识别分类器B-Detector进行识别，得到未标注窗口集的识别结果，表示为向量

优选地，上述基于众包轨迹的室内转角地标的匹配方法，其RSS矩阵如下：

其中，M^c表示提取转角窗口的总数量。

优选地，上述基于众包轨迹的室内转角地标的匹配方法，其步骤(6)包括如下子步骤：

(6.1)对上述RSS矩阵的每一行采用多维尺度分析算法进行降维，设起止维度为d_s、d_e，得到矩阵的集合其中，为M_C×d维的矩阵；

(6.2)对每个经过降维后的矩阵采用聚类算法进行聚类，将矩阵中所有的转角指纹划分到K个簇中；其中，K也是转角数量；

(6.3)对于d维度下的聚类结果，根据K个转角的物理特征与K个簇的指纹特征将各个指纹簇一对一地匹配到转角地标中，得到d维度下的匹配结果x_d；

(6.4)汇总所有维度下的匹配结果构成矩阵

其中，x_id表示d维度下，第i个时间窗口的指纹所匹配的转角标号，D为维度总数。

优选地，上述基于众包轨迹的室内转角地标的匹配方法，其步骤(6.1)的降维处理中，维度选择的标准如下：通过主成分分析得到RSS矩阵各特征向量其对应的特征值为γ_s，选取γ_s最大的l个特征向量满足如下条件：

其中η表示l个特征向量的信息比率，η_a、η_b为阈值，阈值η_a 0.3～0.5；阈值η_b的选择依据为：保证相邻维度之间的信息比率η具有差异。

优选地，上述基于众包轨迹的室内转角地标的匹配方法，其步骤(6.3)中的匹配方法包括如下子步骤：

(a)获取转角指纹簇与转角地标可能的匹配方案：在未剪枝的情况下，匹配方案共有K！种，用S_p＝{s₁,…,s_k,…,s_K}表示第p种匹配方案，其中s_k表示第k的转角被匹配到第s_k个指纹簇中；

(b)计算转角地标的归一化欧氏距离矩阵D^S＝{d_gh}K*K与匹配方案对应的指纹簇的归一化距离矩阵

其中，d_gh表示第g个转角质心与第h个转角质心的归一化距离，其中p是指第p种匹配方案所对应的矩阵，是指第p种匹配方案第g个指纹簇质心到第h个指纹簇质心的归一化距离；

(c)计算转角地标的归一化欧氏距离矩阵D^S与各个匹配方案转角指纹簇的归一化欧氏距离矩阵之间的相似度，并采用相似度最大的匹配方案进行匹配。

优选地，上述基于众包轨迹的室内转角地标的匹配方法，其步骤(b)中，归一化欧式距离

其中，表示指纹簇质心在信号空间或地标在物理空间的坐标的向量；对于转角地标，坐标为标注值对墙壁进行预处理后的坐标。

优选地，上述基于众包轨迹的室内转角地标的匹配方法，其步骤(7)具体为：

采用投票算法根据步骤(6)所获得的单维度下的匹配结果矩阵X得到最终的匹配结果其中，v_i表示第i个窗口最终匹配的转角标号；

投票算法具体如下：

其中，n_ik表示转角指纹集中第i个指纹在第k个转角的总票数，每一个维度下的匹配结果对应一票；分别为第i个指纹的票数向量中的最大票数、次大票数；δ、γ为阈值；其中阈值δ的意义在于：最大票数应该超过某个范围，而阈值γ的意义在于两个转角的得票数不能过于接近，从而保证绝大多数维度下匹配结果的正确性；阈值δ优选取总票数的40％～60％，阈值γ优选为总票数的10％。

按照本发明的另一方面，提供了一种基于众包轨迹的室内转角地标的识别方法，根据上述基于众包轨迹的室内转角地标的匹配方法的步骤(7)获得的匹配结果以及RSS矩阵计算获得转角地标指纹F_k；F_k＝(f_k1，f_k2，...，f_kn，...，f_kN)为第k个转角地表的指纹，其中f_kn表示所有匹配到第k个转角地标的所有窗口指纹中来自第n个信号源的信号强度均值。

总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：

(1)减少轨迹数据采集工作量：本发明基于群智众包思想，由于采用步骤(2)，众包轨迹不需要进行位置标注，从而减少工作量；并且众包轨迹可以通过广泛的普通用户进行，节约了专业人员人工成本；

(2)提高了对行人多姿态的鲁棒性：由于采用了步骤(4)，将行人姿态分为各具特征的两个姿态组，基于模式识别理论进行姿态组识别，并且根据姿态组识别结果进一步进行转角的识别，从而能够有效的区分出经过转角的特征，从众包轨迹中提取出经过地标的指纹；

(3)提供一种地标匹配方案及其应用方式——地标指纹：由于采用了步骤(6)～(8)，实现了将未标注位置且空经过地标的指纹从RSS信号空间匹配到地理空间中确切的某个地标，并且根据最终的匹配结果，可以将属于某个地标的众包指纹构造出一定形式的地标指纹，为下一步的定位打下基础。

附图说明

图1是本发明基于众包轨迹的室内转角地标匹配及识别方法的流程图；

图2是本发明实施例进行转角地标识别的流程示意图；

图3是本发明实施例中的定位场景图；

图4是本发明实施例中各种姿态下各传感器的信号波形图；

图5是本发明实施例中不同转角识别算法在不同数据集下的性能示意图；

图6是本发明实施例的聚类准确度示意图。

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。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

本发明提供的基于众包轨迹的室内转角地标的匹配及识别方法，包括地标识别与地标匹配；地标识别是指从众包轨迹中提取出可能属于某类地标的轨迹窗口、并构成窗口指纹；其思路为，从部分已标注地标类别与姿态组类别的轨迹窗口中提取对应的特征，训练姿态组分类器与各姿态组对应的转角窗口分类器；地标匹配是将所有识别为转角地标的窗口匹配到具体的某个地标；其思路为，将RSS矩阵进行主成分分析，根据特征值通过多维尺度分析算法将RSS矩阵降维到不同维度中，在每一个维度下进行聚类并将聚类出的簇一对一匹配到室内布局图对应的地标中。本发明中，地标识别的训练阶段所采用的标注数据与采集地点无关，只与用户动作有关，所以训练数据可在任何地点使用，地标的识别与匹配均利用众包轨迹数据进行，可用实时采集的轨迹实现动态更新，具有可扩展性。

以下结合附图和具体实施例具体阐述；实施例提供的基于众包轨迹的室内转角地标的匹配及识别方法，其流程如图1所示，包括以下步骤：

(1)在给定目标区域的室内布局图中标记出所有的转角，记录每个转角的二维坐标信息(x_k,y_k),k＝1,2,3...,K；

其中，k表示转角的编号，x_k、y_k分别表示第k个转角在室内布局图中的横坐标和纵坐标。

(2)在给定目标区域中设置N个信号源，使得目标区域中的任何位置都能使用户终端接收到来自至少一个信号源的信号；

用户终端利用加速度计、陀螺仪、磁力计、方位计分别进行采集获得线性加速度L、重力加速度G、陀螺仪测量序列R、磁力计测量序列C、方位计测量序列M；根据采集到的这些测量数据构成传感器测量序列S＝＜L,G,R,C,M＞；

在本实施例中，信号源是无线接入点，用户终端是可以接收信号源信号的、具有加速度计、陀螺仪、磁力计、方位计且能与服务器传输数据的设备；加速度计获得的测量序列包括重力加速度分量及线性加速度分量；

设置一定长度的时间窗口W_i＝＜s_i,r_i＞；其中，s_i表示第i个时间窗口的传感器测量序列，r_i＝(r_i1,...,r_in,...,r_iN)表示用户终端在第i个时间窗口接收到的N个信号源的指纹，其中，r_iN表示第i个时间窗口指纹从第n个信号源接收的信号强度；n＝1,2,...,N，i＝1,2,...,M；M为指时间窗口总数，M、K、N都是自然数。

(3)对所有的时间窗口而言，其对应的轨迹可能经过了某个转角或没有经过任何转角；将经过了转角的时间窗口定义为正类，将未经过任何转角的时间窗口定义为负类；

用户终端采集到时间窗口W_i下的传感器测量序列s_i及指纹r_i后上传到服务器，服务器将接收到的时间窗口保存在本地数据库中；

在本实施例中，进行轨迹测量时，分别在开始转角、结束转角时标记上对应的时间；对于轨迹内的时间窗口，如果时间窗口超过50％的时间在标记的转角时间段中，则将该时间窗口标注为正类，否则将该时间窗口标注为负类；

根据时间窗口的类别是否标注，构成类别已标注窗口集W^l与类别未标注窗口集W^u；

其中，表示已标注类别的窗口，表示未标注类别的窗口，L表示已标注窗口的数量，L＜＜M；对已标注类别的窗口标注其行进姿态信息，包括：发送信息、电话、摆动、置于口袋等；

(4)在服务器端通过类别已标注窗口集W^l训练一组分层次的分类器用于转角地标识别，包括姿态识别分类器与转角识别分类器；

对类别未标注窗口集W^u的每一个窗口先进行姿态识别，再进行转角识别判断该窗口是否经过了转角；本实施例中，将人类行进姿态简化为相对于身体固定方位A与相对于身体非固定方位B；在本实施例中选用多种分类器,包括决策树、随机森林、朴素贝叶斯、支持向量机(SVM)、K最近邻、ALIMC和ActSeq；在一个含有多姿态的轨迹数据集中进行测试，转角识别性能如下表1所示；

表1识别性能列表

识别算法	精度	召回率	F1度量
				决策树	0.945	0.951	0.948
朴素贝叶斯	0.74	0.931	0.825
				随机森林	0.963	0.903	0.932
支持向量机	0.877	0.944	0.91
				K最近邻	0.619	0.542	0.578
ALIMC	0.43	0.618	0.507
				ActSeq	0.451	0.451	0.451

由表1可知，采用决策树的识别性能较好，而采用ALIMC与ActSeq这两种基于峰值检测的识别方法在有多姿态影响的数据集上不能取得良好的识别性能；

本步骤通过将所有姿态划分成两个姿态组，提取针对各姿态组的特征并采用一组分层次的分类器进行识别，可有效减少行人多姿态的影响，通过模式识别对伪转角与实际的物理转角进行的区分；其流程如图2所示，包括如下子步骤：

(4.1)对类别已标注窗口集W^l中的任意窗口W_i进行特征提取，包括时域特征和频域特征；时域特征包括均值、方差、极差、窗口初值与末值差的绝对值、最大值、最小值、均方根、平均绝对误差、SMA、相关系数、自回归模型系数，频域特征包括FFT能量，由所提取到的特征构成特征向量y_i＝(y_i1,...,y_if,...,y_iF),其中F为特征向量的维度，1≤f≤F。

在本实施例中，所提取的特征及其维度如下表2表示，其中DIFF表示窗口初值与末值差的绝对值，L、G、R、C、M分别表示线性加速度、重力加速度、陀螺仪、磁力计、方位计的测量序列，a、b、c分别表示特征类别的数量、序列的数量以及每序列提取特征的数量；本实施例中，特征总维度为440维；

表2特征及维度信息列表

(4.2)将所有人类行进姿态划分相对于身体固定方位A与相对于身体非固定方位B；姿态组A包括但不限于发送信息、电话、固定于腰带等，姿态组B包括但不限于摆动，置于裤子口袋；姿态组A下，设备方位不随人体直行而相对于人体上半身有明显的变化，仅在转弯处有明显方位变化，而姿态组B相反；根据姿态组A、B之间的差异从特征向量y_i中选择特征；

对S＝＜L,G,R,C,M＞选取方差、平均绝对误差、与FFT能量；对序列L,G取均值；对序列L,G,R取均方值，从而得到特征向量并利用从类别已标注窗口集W^l中的任意窗口W_i提取的训练出姿态组识别分类器P-Detector；在本实施例中，所选择的针对姿态组A识别的特征及其维度如表3所示，由表3可知实施例中针对姿态组识别所选择的特征总维度为65维；

表3针对姿态组A识别的特征及其维度列表

(4.3)对于A、B两个姿态组，分别训练针对性的转角识别分类器：对于A姿态组，从特征向量y_i选择对应的特征训练转角识别分类器A-Detector；具体提取的特征如下：对于方位计的航向角序列C_x与磁力计测量序列M，提取方差、平均绝对误差以及窗口初值与末值差的绝对值；

对于陀螺仪和加速计的测量序列，则利用下式提取转向轴：

axis_max,i＝argmax(acc_x,i,acc_y,i,acc_z,i)；

其中，(acc_x,i,acc_y,i,acc_z,i)为加速计三轴测量序列中第i个测量值；

然后对陀螺仪测量序列R提取转向轴上的角速度得到转向轴角速度序列对于转向轴角速度序列选择极差、方差，平均绝对误差、SMA、均方根、平均值、最大值、最小值作为姿态组A转角识别的特征。

对于姿态组B，提取特征向量y_i(不进行特征选择)训练转角识别分类器B-Detector；在本实施例中，所选择的针对姿态组B识别的特征及其维度如下表4所列，其中Cx表示方位角航向角序列，R_ts表示转向轴角速度序列，由表4可知针对姿态组A转角识别所选择的特征总维度为23维；

表4针对姿态组B识别的特征及其维度

(4.4)对于类别未标注窗口集W^u的窗口W_i ^u，首先提取特征通过P-Detector识别出该窗口处于姿态组A还是姿态组B；如果为前者，则提取特征采用分类器A-Detector识别出该窗口是否属于某个转角，否则提取特征y_i采用分类器B-Detector进行识别，得到未标注窗口集的识别结果，表示为向量

(5)根据步骤(4)的转角识别结果提取标注为正类的时间窗口与被识别为正类的时间窗口中的指纹构成转角指纹集

其中，M^c是指提取转角窗口的总数量；

(6)利用多维尺度分析算法将矩阵R^c降维到多种维度，在每一个维度中分别进行聚类，得到K个簇，并在每一个维度下，分别根据K个转角的物理特征与K个簇的指纹特征将各个指纹簇一对一地匹配到转角地标中，汇总所有维度下的匹配结果得到矩阵X；本步骤包括以下子步骤：

(6.1)对步骤(5)得到的矩阵R^c的每一行采用多维尺度分析算法进行降维，设其起止维度为d_s、d_e，

分别得到矩阵的集合其中，为M_C×d维的矩阵；在该步骤的降维中，不同维度之间的特征需要有差异，通过主成分分析(PCA)得到矩阵各特征向量其对应的特征值为γ_s,选取γ_s最大的l个特征向量满足如下条件：

其中η_a、η_b为两个阈值，以保证特征间的差异，在本实施例中，η_a＝0.3，η_b＝0.99，维度范围d∈[3,130]。

(6.2)对每一个经过降维后的矩阵采用聚类算法进行聚类，将矩阵中所有的转角指纹划分到K个簇中，K也是转角数量。

(6.3)对于d维度下的聚类结果，根据K个转角的物理特征与K个簇的指纹特征将各个指纹簇一对一地匹配到转角地标中，得到d维度下的匹配结果x_d；具体地，在本实施例中，采用基于加权组平均距离的层次聚类方法(WPGMA)进行初始质心选择的K均值聚类方法进行聚类。

本实施例中，步骤(6.3)中的匹配方法包括如下子步骤：

(a)获取转角指纹簇与转角地标可能的匹配方案：在未剪枝的情况下，匹配方案共有K！种，用S_p＝{s₁,…,s_k,…,s_K}表示第p种匹配方案，其中s_k表示第k的转角被匹配到第s_k个指纹簇中；

(b)计算转角地标的归一化欧氏距离矩阵D^S＝{d_gh}K*K与匹配方案对应的指纹簇的归一化距离矩阵

其中，d_gh表示第g个转角质心与第h个转角质心的归一化距离，其中p是指第p种匹配方案所对应的矩阵，是指第p种匹配方案第g个指纹簇质心到第h个指纹簇质心的归一化距离；

(c)计算转角地标的归一化欧氏距离矩阵D^S与各个匹配方案转角指纹簇的归一化欧氏距离矩阵之间的相似度，并以相似度最大的匹配方案作为步骤(6.3)的匹配方法。

其中，步骤(b)中归一化欧式距离

其中，表示指纹簇质心在信号空间或地标在物理空间的坐标的向量；对于转角地标，坐标为标注值对墙壁进行预处理后的坐标；在本实施例中，两个转角中心若经过一面墙壁，则增加0.8m距离。

(6.4)汇总所有维度下的匹配结果构成矩阵

其中，x_id表示d维度下，第i个时间窗口的指纹所匹配的转角标号，D为即为聚类的总次数。

(7)采用投票算法根据矩阵X得到最终的匹配结果其中，v_i表示第i个窗口最终匹配的转角标号；

本实施例中，投票方法具体为，令n_ik表示转角指纹集中第i个指纹在第k个转角的总票数，每一个维度下的匹配结果对应一票；

其中，n_ik表示转角指纹集中第i个指纹在第k个转角的总票数，每一个维度下的匹配结果对应一票；分别为第i个指纹的票数向量中的最大票数、次大票数；δ、γ为阈值，在本实施例中，δ＝55，γ＝15。

(8)根据步骤(7)得到的最终匹配结果以及转角指纹集R^c计算转角地标的指纹F_k；在本实施例中，F_k＝(f_k1，f_k2，...，f_kn，...，f_kN)为第k个转角地表的指纹，其中f_kn表示匹配到第k个转角地标的所有窗口指纹中来自第n个信号源的信号强度均值。

图3所示是实施例的场景平面图；该场景有六个转角地标1～6，包括走廊转角、门口形成的转角及室内障碍形成的转角；图中ab、cd、ef、gh为众包轨迹的示例，其中轨迹ab、cd、ef经过了转角，轨迹gh未经过转角。

图4所示是在不同姿态下走过同一条轨迹(轨迹经过转角)时，各传感器测量信号的波形图；该图表明转角地标识别所面临的多姿态问题，由该图可知，不同姿态下，各传感器信号波形具有明显的差异，手持及通话姿态下(姿态组A)经过转角时，陀螺仪会显示出一定的峰值特征，但摆动或置于口袋时(姿态组B)，陀螺仪在每一步都会显示出峰值特征从而掩盖经过转角时的峰值特征，传统的峰值检测方法在姿态组B中不能取得良好的性能。

表5是采用决策树进行姿态组识别的结果，以混淆矩阵表示。其中，数据集1表示只受多姿态问题影响但不存在伪转角干扰的数据集，数据集2表示存在多姿态和伪转角干扰的数据集；由该表可知，姿态组识别对于数据集1与数据集2的准确率分别为97.5％与96.9％，表明姿态组A与姿态组B各自具有区分明显的特征。

表5采用决策树进行姿态组识别的结果

表6所列是利用决策树进行转角地标识别的结果，通过精度、召回率与F1度量联合表示。

表6利用决策树进行转角地标识别的结果

在表6所列的基于决策树的3种方案中，经过姿态组识别与特征选择的转角识别性能表现最佳；姿态组A因为陀螺仪较为明显的峰值特征得以取得良好的识别性能，姿态组B相对难识别，但通过模式识别方法，其识别性能较好。

图5所示是本发明提供的转角地标识别方法与其他基于陀螺仪峰值检测的识别方法的性能对比示意图；由图5(a)可知，对于数据集1，陀螺仪峰值检测可在姿态组A下得到较好的识别性能，但是不能适用于姿态组B下，但采用本发明提供的转角识别方法可在姿态组A与姿态组B均得到良好的识别性能；由图5(b)可知，对于姿态组A，陀螺仪峰值检测不适用于数据集2，但本发明的方法可以在数据集2下良好工作；图5(c)为数据集2中，不同算法在姿态组A，B的识别性能，由该图可以看出来，本发明提供的方法明显优于基于陀螺仪峰值检测的方法。

图6所示意的是步骤(6)中不同聚类算法在不同维度下对RSS矩阵进行聚类的准确率，本处准确率为匹配结果可能的最大准确率；由该图可以看出随机初始质心的K均值聚类，其准确率波动很大，不能取得性能稳定的聚类结果；基于加权组平均距离的层次聚类方法WPGMA准确率过低；而本发明所采用的基于WPGMA初始质心选择的K均值聚类，其聚类性能无论是稳定性还是准确率均优于其他两种方法。

表7所列的是实施例中经投票算法得到的最终的转角地标匹配结果，以混淆矩阵表示，FP表示转角识别步骤错误识别的窗口，无效表示投票结果不满足参数所设定的条件，由表7可知，其匹配准确率约为76.2％与74.5％，大多数轨迹窗口被正确匹配。

表7实施例的转角地标匹配结果

表8所列的是转角地标静态指纹与生成指纹的欧式距离；

表8静态指纹与生成的转角地标指纹的欧式距离

参数γ＝0，δ＝0时，大部分生成指纹与对应位置的静态指纹最为接近，但是转角5例外；参数γ＝15，δ＝55时，所有生成指纹均最接近对应的静态指纹；

由表7与表8的数据分析可知，本发明所提供的转角地标匹配方法不仅可以实现信号空间中的时间窗口到地理上的转角地标的匹配，既从无位置标定的数据到具体的某个地理位置，又可以保证准确度，其准确度体现包括但不限于：i)绝大多数转角窗口都在位置未知的情况下匹配到了正确的转角中；ii)所生成的指纹与通过现场勘测得到的参考指纹非常接近，验证了该方法在解决基于众包轨迹的室内定位方案所面临的位置标定问题上所作出的贡献。

本领域的技术人员容易理解，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 (10)

1.一种基于众包轨迹的室内转角地标匹配方法，其特征在于，包括如下步骤：

(1)在给定的目标区域的室内布局图中标记出所有的转角，获取各转角的二维坐标信息；

(2)在给定的目标区域中设置N个信号源，使得用户终端在所述目标区域的任何位置都能接收到来自至少一个信号源的信号；通过用户终端采集测量数据构成传感器测量序列，并根据预设长度将所述传感器测量序列划分为多个时间窗口；N为自然数；

(3)采集给定区域内已标注与未标注的轨迹，根据各时间窗口所对应的轨迹是否经过转角对时间窗口进行标注，并将各时间窗口通过服务器保存到本地数据库；

(4)在服务器端从已标注的时间窗口提取针对性的特征以训练姿态组识别分类器与转角识别分类器；利用已训练的姿态组识别分类器与转角识别分类器对未标注的时间窗口进行转角地标识别；

(5)根据转角地标识别结果提取被标注为正类的时间窗口与被识别为正类的时间窗口作为信号指纹，构成RSS矩阵；

(6)将所述RSS矩阵进行降维处理，对各维度矩阵分别进行聚类与匹配；

(7)根据各维度下的聚类与匹配结果，将无效指纹过滤，将有效众包指纹匹配到转角地标。

2.如权利要求1所述的室内转角地标匹配方法，其特征在于，所述步骤(2)包括如下子步骤：

(2.1)用户终端采集获得线性加速度序列L、重力加速度序列G、陀螺仪测量序列R、磁力计测量序列C、方位计测量序列M；根据采集到的这些测量数据构成传感器测量序列S＝<L,G,R,C,M>；

(2.2)按照预设的长度设置时间窗口W_i＝＜s_i,r_i＞；其中，s_i表示第i个时间窗口的传感器测量序列，r_i＝(r_i1,...,r_in,...,r_iN)表示用户终端在第i个时间窗口接收到的N个信号源的指纹；r_in表示第i个时间窗口从第n个信号源接收的信号强度；n＝1,2,...,N，i＝1,2,...,M；M为指时间窗口总数，M、K均为自然数。

3.如权利要求2所述的室内转角地标匹配方法，其特征在于，所述步骤(3)包括如下子步骤：

(3.1)根据各时间窗口所对应的轨迹是否经过转角将时间窗口标注为正类或是负类；

(3.2)用户终端采集时间窗口W_i下的传感器测量序列s_i及指纹r_i并上传到服务器，服务器将接收到的时间窗口保存在本地数据库中；

(3.3)根据时间窗口的类别是否标注，构成类别已标注窗口集W^l与类别未标注窗口集W^u；并对已标注类别的时间窗口标注其行进姿态信息；

其中，

表示已标注类别的时间窗口，表示未标注类别的时间窗口，L表示已标注类别的时间窗口的数量，L＜＜M。

4.如权利要求3所述的室内转角地标匹配方法，其特征在于，所述步骤(4)包括如下子步骤：

(4.1)对类别已标注窗口集W^l中的任意时间窗口W_i进行特征提取，由所提取到的特征构成特征向量y_i＝(y_i1,...,y_if,...,y_iF)；

(4.2)将人类行进姿态划分为相对于身体固定方位的姿态组A与相对于身体非固定方位的姿态组B；根据姿态组A、B之间的差异从所述特征向量y_i中选择特征，得到特征向量并利用所述特征向量训练出姿态组识别分类器P-Detector；

(4.3)对所述相对于身体固定方位的姿态组A与相对于身体非固定方位的姿态组B，分别训练针对性的转角识别分类器，具体包括如下步骤：(I)对于所述姿态组A，从特征向量y_i提取特征来训练转角识别分类器A-Detector；所述特征包括：

从磁力计测量序列C、方位计测量序列M中分别提取的方差、平均绝对误差以及时间窗口初值与末值差的绝对值；

从线性加速度序列L、重力加速度序列G利用以下公式提取的转向轴：

axis_max,i＝arg max(acc_x,i,acc_y,i,acc_z,i)；

其中，(acc_x,i,acc_y,i,acc_z,i)为加速计三轴测量序列中第i个测量值；

以及转向轴角速度序列的极差、方差，平均绝对误差、SMA、均方根、平均值、最大值、最小值；其中，转向轴角速度序列从陀螺仪测量序列R提取获得；

(II)对于姿态组B，直接采用特征向量y_i来训练转角识别分类器B-Detector；

(4.4)对于类别未标注窗口集W^u的时间窗口W_i，通过姿态组识别分类器P-Detector识别出所述时间窗口处于姿态组A还是姿态组B；若为前者，则采用转角识别分类器A-Detector识别出该窗口是否属于某个转角，否则采用转角识别分类器B-Detector进行识别，获得的类别未标注窗口集W^u的识别结果表示为向量

5.如权利要求4所述的室内转角地标匹配方法，其特征在于，所述RSS矩阵如下：

其中，M^c表示提取的转角地标时间窗口的总数量。

6.如权利要求5所述的室内转角地标匹配方法，其特征在于，所述步骤(6)包括如下子步骤：

(6.1)对所述RSS矩阵的每一行采用多维尺度分析算法进行降维，设起止维度为d_s、d_e，得到矩阵的集合其中，为M_C×d维的矩阵；

(6.2)对每个经过降维后的矩阵采用聚类算法进行聚类，将矩阵中所有的转角指纹划分到K个簇中；其中，K也是转角数量；

(6.3)对于d维度下的聚类结果，根据K个转角的物理特征与K个簇的指纹特征将各个指纹簇一对一地匹配到转角地标中，得到d维度下的匹配结果x_d；

(6.4)汇总所有维度下的匹配结果构成矩阵

其中，x_id表示d维度下，第i个时间窗口的指纹所匹配的转角标号，D为维度总数。

7.如权利要求6所述的室内转角地标匹配方法，其特征在于，所述步骤(6.1)的降维处理中，通过主成分分析得到RSS矩阵各特征向量其对应的特征值为γ_s,选取γ_s最大的l个特征向量满足如下条件：

$\begin{array}{ccc}\mathrm{\&eta;}=\underset{s=1}{\overset{l}{\&Sigma;}}{\mathrm{\&lambda;}}_s/\underset{s=1}{\overset{N}{\&Sigma;}}{\mathrm{\&lambda;}}_s& and& {\mathrm{\&eta;}}_a<\mathrm{\&eta;}<{\mathrm{\&eta;}}_b\end{array}$

其中η_a、η_b为阈值。

8.如权利要求6或7所述的室内转角地标匹配方法，其特征在于，所述步骤(6.3)中的匹配方法包括如下子步骤：

(a)获取转角指纹簇与转角地标可能的匹配方案：在未剪枝的情况下，获得的匹配方案共有K！种，用S_p＝{s₁,…,s_k,…,s_K}表示第p种匹配方案，s_k表示第k个转角被匹配到第s_k个指纹簇中；

(b)计算转角地标的归一化欧氏距离矩阵D^S＝{d_gh}K*K与匹配方案对应的指纹簇的归一化距离矩阵

其中，d_gh表示第g个转角质心与第h个转角质心的归一化距离，其中p是指第p种匹配方案所对应的矩阵，是指第p种匹配方案第g个指纹簇质心到第h个指纹簇质心的归一化距离；

(c)计算转角地标的归一化欧氏距离矩阵D^S与各匹配方案转角地标指纹簇的归一化欧氏距离矩阵之间的相似度，并采用其中相似度最大的匹配方案去进行匹配。

9.如权利要求1或6所述的室内转角地标匹配方法，其特征在于，所述步骤(7)具体为：

采用投票算法根据步骤(6)所获得的单维度下的匹配结果矩阵得到最终的匹配结果

第i个窗口最终匹配的转角标号

$v_i=\left\{\begin{array}{cc}\arg {\max }_k\left\{n_{ik}\right\}& \begin{array}{cccc}if& n_{max}^1\&GreaterEqual;\mathrm{\&delta;}& and& n_{max}^1-n_{max}^2\&GreaterEqual;\mathrm{\&gamma;}\end{array}\\ none,& Otherwise\end{array}\right.$

其中，n_ik表示转角指纹集中第i个指纹在第k个转角的总票数，每一个维度下的匹配结果对应一票；分别为第i个指纹的票数向量中的最大票数、次大票数；δ、γ为阈值。

10.一种基于权利要求1～9所述的室内转角地标匹配方法的室内转角地标识别方法，其特征在于，根据步骤(7)获得的匹配结果以及RSS矩阵计算获得转角地标指纹F_k；F_k＝(f_k1，f_k2，...，f_kn，...，f_kN)为第k个转角地标的指纹；

其中，f_kn是指所有匹配到第k个转角地标的时间窗口中来自第n个信号源的信号强度均值。