CN107249216A - 一种基于辅助定位设备实现对智能终端精确定位的方法 - Google Patents

Abstract

本发明开了一种基于辅助定位设备实现对智能终端精确定位的方法，包括以下步骤：步骤一：将辅助定位设备设置于室内的各个楼层，并通过辅助定位设备发射出特定WiFi信号；步骤二：智能终端信任连接辅助定位设备的VPN；步骤三：智能终端不断扫描、检测和收集特定WiFi信号；当智能终端检测到特定WiFi信号时，则确定智能终端位于发出该特定WiFi信号的辅助定位设备所在的区域内。本发明用于对特定区域(如涉密区域)的智能终端(如手机)进行安全管控，智能终端不断收集特定WIFI信号，确定该智能终端是否在室内(特定区域)，从而实现智能终端的精确定位，进而实现室内智能终端的安全管控，解决了GPS信号在通过阻挡物时，信号衰弱问题。

Description

一种基于辅助定位设备实现对智能终端精确定位的方法

技术领域

本发明属于定位技术领域，尤其涉及一种终端精确定位方法。

背景技术

定位系统一直是人们研究的热门话题，随着移动设备的不断发展，能实现的功能也越 来越多，但与此同时人们对应用的要求也越来越高，无论从定位的方法和定位的精度上都 不断地提出新的需求。

目前手机导航应用大部分都是釆用GPS技术来实现定位的，但其定位存在一定偏差， 无法判断智能终端是否在特定区域内。因此很难用GPS技术来实现精确的定位，无法满足 当前日益增长的用户需求(尤其是在部队智能终端的管理)。随着智能终端的发展，无线技 术在近几年内的快速发展，WiFi网络的覆盖率也越来越高，因此，研究者们开始对于通过 WiFi来进行室内室外人员和物体的追踪定位开始了广泛的研究，基于位置服务的出现也受 到了人们的关注。而现在人们对室内定位信息的需求量也在不断地增加，一些写字楼、大 型展厅、机场、室内停车场、矿井、军事训练基地等都需要用到室内定位技术来实现对人 员或智能终端的精确定位，从而实现对人员或智能终端的管理。

目前与本发明最相似的技术有：室内环境下手机GPS定位精度研究等，该技术将使用 带有A-GPS功能的手机，在室内利用微弱的GPS信号及来自移动通信网络的辅助信息进行定位。同时进行定位试验的还有带有高灵敏度芯片的蓝牙GPS接收机。

目前存在的缺陷是：手机GPS定位在空旷环境中能达到几米至几十米的精度，在一般 环境中能达到几十米至几百米的精度。虽然不能和专业的导航仪及接收机相比，但至少能 够满足人们生活的一般需要。但GPS信号如果穿透建筑物或其他阻挡物时，信号强度将会 被削弱。尤其在室内环境中，信号在通过屋顶、墙壁、窗户和树叶等阻挡物时，会由于折射和能量吸收而损耗掉部分能量。最坏的情况下，信号可能被完全阻塞。

发明内容

本发明的目的在于：提供一种基于辅助定位设备实现对智能终端精确定位的方法，用 于对特定区域(如涉密区域)的智能终端(如手机)进行安全管控，智能终端不断收集特 定WIFI信号，确定该智能终端是否在室内(特定区域)，从而实现智能终端的精确定位，进而实现室内智能终端的安全管控，解决了GPS信号在通过阻挡物时，信号衰弱问题。

本发明采用的技术方案如下：

一种基于辅助定位设备实现对智能终端精确定位的方法，包括以下步骤：

步骤一(S1)：将辅助定位设备设置于室内的各个楼层，并通过辅助定位设备发射出特 定WiFi信号；

步骤二(S2)：智能终端信任连接辅助定位设备的VPN；

步骤三(S3)：智能终端不断扫描、检测和收集特定WiFi信号；当智能终端检测到特定WiFi信号时，则定智能终端位于发出该特定WiFi信号的辅助定位设备所在的区域内。

进一步的，辅助定位设备是由WiFi信号发射器刷成的能够发送特定WiFi信号的设备。

进一步的，步骤三中，确定智能终端位于发出该特定WiFi信号的辅助定位设备所在的 区域内的方法包括特殊AP点法、信号传播模型法和信号指纹定位法。

进一步的，特殊AP点法，即通过智能终端的信号接收器扫描所有特定WiFi信号，并找出信号强度最强的那个AP点，以确定智能终端位于信号强度最强的那个AP点(即辅助 定位设备)所在区域内。

进一步的，信号传播模型法为基于RSSI的定位方法，即通过建立一个WiFi信号强度 值和信号传播距离之间的信号传播模型，以估算智能终端与AP点(即辅助定位设备)之间 的距离。

进一步的，信号传播模型采用Shadowing模型：

其中：d为参考距离，d₀为真实距离，ε为衰减因子，n为路径损耗指数，P₀为距离为d₀时接收到的信号强度，P为接收到的信号强度。

进一步的，信号指纹定位法分两步进行，即

1).指纹库采集，在待定位区域按照设定的间隔距离确定若干采样点，并将每个采样点 上测得的信号强度值连同其位置信息一同保存到数据库中，这些信号强度值、位置信息即 为WiFi信号指纹；

2).实时定位，将实时测得的特定WiFi信号与WiFi信号指纹做匹配，取信号强度最接 近的采样点位置作为最终的定位结果。

进一步的，匹配所采用的算法包括信号空间最近邻法和信号空间k最近邻法。

进一步的，信号空间k最近邻法，包括以下步骤：

1).扫描所在位置的特定WiFi信号，读取MAC地址和对应的RSSI值；

2).计算扫描到的RSSI值与指纹库中每个指纹点的匹配度Length：

式中，NUM_i是在线定位阶段搜寻到的AP与WiFi指纹库中第i个指纹点AP的总数目，NUM_si是在线定位阶段搜寻到的AP与WiFi指纹库中第i个指纹点相同AP的数目；

SNR_ni代表扫描到MAC和指纹库中第i个点位的不同MAC对应的RSSI值；

M代表：从第I个到M个指纹数量；

N代表：从第I个到M个相同的指纹数量；

SL_mi代表：在给定的指纹库中搜索第IM个指纹库完成计算SL指数；

RL_mi代表：在给定的指纹库中搜索第IM个指纹库完成计算RL指数。

综上所述，由于采用了上述技术方案，本发明的有益效果是：

本发明通过智能终端不断收集特定WIFI信号，确定该智能终端是否在室内(特定区域)， 从而实现智能终端的精确定位，进而实现室内智能终端的安全管控，从而解决了GPS信号 在通过阻挡物时，信号衰弱问题。本发明利用位置特征信息识别通过WiFi网络中可以随意 获得的AP接入点对移动终端进行定位，避免了对无线蜂窝网络基站的依赖，同时也弥补了 GPS定位在建筑密集以及室内应用的限制，提高定位精度，降低配置成本，提高了设备的 利用率，对实现保密区域的智能终端管控提供了重要的意义。更精确的判断智能终端是否 在管控区域，从而更精确的对智能终端实现安全管理。

附图说明

图1是本发明的流程示意图；

图2是本发明的技术路线图；

图3是本发明的WiFi无线网络结构图；

图4是本发明的特殊AP点法定位原理图；

图5是本发明的WiFi信号指纹定位原理图；

图6是本发明的WiFi信号示意图；

图7是本发明的移动端功能详细设计图；

图8是本发明的监控端功能详细设计；

图9是本发明的系统框架图。

具体实施方式

本说明书中公开的所有特征，除了互相排斥的特征和/或步骤以外，均可以以任何方式 组合。

下面结合图1对本发明作详细说明。

本发明以智能手机内嵌的惯性传感器、WiFi为主要数据采集手段，辅以建筑物的空间 地理信息，以定量和定性分析、挖掘、组合、构模为特点，以室内全空间定位为主线，运用多学科理论与方法，实测数据分析与模拟仿真结合，系统地研究基于多元传感器集成的室内定位算法，测距与非测距、无线与非无线传感器的室内融合定位，惯性传感器/无线信号室内优化组合定位关键技术。

WiFi全称Wireless Fidelity即无线保真技术，常称为无线局域网络。WiFi同蓝牙一样， 是一种常用的短距离无线传输技术，但WiFi的信号传播距离比蓝牙更远可达到300m左右。 WiFi的第一个标准IEEE802.11是在1997年6月推出的，该标准定义了物理层和介质访 问控制层，物理层以2Mbit/s的数据传输速率工作在免费的2.4GHz的ISM(IndustrialScientific Medical)频段上，随后为了支持更高的数据传输速率和质量，IEEE又相继制定了一系列标准。一个完整的WiFi无线网络如图3所示：包括：路由器、交换机、AP和信 号接收装置。一般的笔记本、智能手机、平板电脑等都内嵌了WiFi信号接收装置。目前 WiFi室内定位常用的方法主要有三种：特殊AP点定位法、信号传播模型法和信号指纹定 位法。

特殊AP点法是在信号接收器扫描到的所有信号中找出信号强度最强的那个AP点，以此AP点的坐标作为信号接收器的最终定位结果。定位原理如图4所示，当信号接收器 距离AP1较近时，它所接收到来自AP1的信号强度值R1是最大的，此时将AP1的位 置(x，y)作为接收器的定位结果。特殊AP点定位法需要事先知道各个AP的位置信息， 适合大区域低精度定位，此方法一个特殊用途就是在多层建筑室内定位时，可以辅助判别 楼层。

信号传播模型法是属于基于RSSI的定位方法，该方法首先要建立一个WiFi信号强度值和 信号传播距离之间的一个模型，然后通过这个模型来估算信号接收器和AP点之间的距离， 最后通过几何定位的方法求出结果。定位原理如图5所示：当信号接收器接收到来自AP1、 AP2、AP3信号：R1、R2、R3时，通过给出的传播模型将信号强度值转换为距离值：L1、L2、L3，然后通过几何定位的方法求出接收器的位置。广泛应用的信号传播模型是Shadowing模型：

d为参考距离，d₀为真实距离，ε为衰减因子，n为路径损耗指数，P₀为距离为d₀时接收到的信号强度，P为接收到的信号强度。信号传播模型法的定位精度依赖于模型的准确性。由于WiFi信号不稳定和各种障碍物干扰，很难用公式来描述WiFi信号在室内空间的 传播模型。

信号指纹定位法是通过与已知WiFi指纹点数据做匹配来估计位置的，此方法分两步进 行：指纹库采集和实时定位。指纹库采集是在待定位区域按照一定的间隔距离确定若干采 样点，并将每个点上测得的信号强度值连同其位置信息一同保存到数据库中，这些信息被 称为WiFi信号指纹。实时定位是将实时测得的信号与WiFi指纹点数据做匹配，取信号强 度最接近的采样点的位置作为最终的定位结果。定位原理如图5所示：

在指纹库记录的点位信息中，一个点位上记录所接收到的AP的MAC地址和对应RSSI值。匹配算法最常用的是由微软的Bahl等人采用信号空间最近邻法(NNSS)和信号 空间k最近邻法(k-NNSS)。本文选取NNSS算法，定位时，首先扫描所在点的AP信 号，读取MAC地址和对应的RSSI值，然后计算扫描到的RSSI值与指纹库中每个指纹 点的匹配度Length:

扫描到的MAC和指纹库中第i个点位的相同MAC对应的RSSI值之差，niSNR代 表扫描到MAC和指纹库中第i个点位的不同MAC对应的RSSI值。求出指纹库中所有 指纹点对应的Length值，对其进行排序，取最小的一个Length对应的点的坐标作为该次 定位的最终结果。该方法无需事先知道AP点的位置信息，因此可以利用公共存在的WiFi 信号来定位。

考虑到定位区域过大不同区域的采样点上不能接收到所有AP，使得相近的样本点扫描 到的相同信号多，反之扫描到到相同信号就少。因此，相同信号个数能够表现出采样点的 远近关系。改进后的匹配度定义为式：

式中，NUM_i是在线定位阶段搜寻到的AP与WiFi指纹库中第i个指纹点AP的总数目，NUM_si是在线定位阶段搜寻到的AP与WiFi指纹库中第i个指纹点相同AP的数目；

SNR_ni代表扫描到MAC和指纹库中第i个点位的不同MAC对应的RSSI值；

M代表：从第I个到M个指纹数量；

N代表：从第I个到M个相同的指纹数量；

SL_mi代表：在给定的指纹库中搜索第IM个指纹库完成计算SL指数；

RL_mi代表：在给定的指纹库中搜索第IM个指纹库完成计算RL指数。

图5所示为WiFi信号示意图，图中L1、L2为指纹点，L1接收到AP1、AP2、AP4、 AP5发射的信号，L2接收到AP2、AP3、AP5、AP6发射的信号。定位时手机接收到AP2、AP5发射的信号。那么在计算与采样点L1的相似度Length1时，NUM1＝4，NUMs1＝2。

选择办公区域作为实验场地，使用华为手机Android4.4.2为平台，采集点面积为600 平方木。手机内嵌的WiFi信号接收器接受到的WiFi信号强度为-100～0之间的整数，为了 计算方便，该信号采集程序将信号强度值加上100变为正值，且值越大表示信号强度越强， 值越小表示信号强度越弱。采样过程需要在每一个采样点连续采集25次求出平均信号强 度，共采集有效点30个，平均采样间隔3.5米。

一种基于辅助定位设备实现对智能终端精确定位的方法，包括以下步骤：

步骤一：将WiFi发射器刷成可以发射特定WiFi信号的辅助定位设备；

步骤二：将辅助定位设备设置于室内的各个楼层，并通过辅助定位设备发射出特定WiFi 信号；

步骤三：编写一个APP，APP用于不断扫描和收集WiFi信号并进行特定WiFi信号的判断；

步骤四：将已设计好的APP安装在用户(涉密区域内人员)的智能终端中；

步骤五：智能终端的APP信任连接辅助定位设备的VPN；

步骤六：智能终端的APP不断扫描、检测和收集特定WiFi信号；当APP检测到特定WiFi信号时，则确定智能终端位于发出该特定WiFi信号的辅助定位设备所在的区域内。

本申请的辅助定位设备是由WiFi信号发射器刷成的能够发送特定WiFi信号的设备。 WiFi信号发射器包括小米WiFi等。

智能终端包括手机、平板。智能终端的系统为android系统。

智能终端通过一个APP不断收集WIFI信号，确定该智能终端(如手机)是否在室内，从而实现智能终端的精确定位，进而实现室内智能终端的安全管控，从而解决了GPS信号在通过阻挡物时，信号衰弱问题。

本系统分移动端和监控端两部分，下面对移动端和监控端的功能进行阐述。

移动端实现的功能：

(1)用户认证；

(2)实现利用WiFi信息单独进行人员定位；

(3)当已知当前位置时，可以实现利用手机惯导信息单独进行人员定位；

(4)实现WiFi定位和手机惯导定位的融合定位；

(5)在二维地图中实时显示定位结果；

(6)在三维地图中实时显示定位结果；

(7)二三维地图操作；

(8)实现与监控端的实时通信；

(9)根据用户选择是否上传定位信息到监控端；

(10)根据更新提示下载最新的指纹库。

监控端实现的功能：

(1)管理员认证；

(2)建立网络连接，实时接收用户发来的定位信息；

(3)在二维地图中实时显示定位结果；

(4)在三维地图中实时显示定位结果；

(5)二三维地图操作；

(6)查询当前在线用户的信息；

(7)向用户发送信息；

(8)定期提示用户更新指纹库。

根据功能需求分析，系统移动端和监控端的详细功能设计如图8和图9所示：

在移动端利用WiFi、加速度、方向和陀螺仪等传感器完成定位并在二三维地图中显示 定位结果，以及将结果发送到监控端；在监控端接收用户发来的定位信息，并在二三维地 图中显示。系统的总体框架如图9所示：

定位引擎分别实现WiFi定位、PDR定位和融合定位，WiFi定位的实现主要由工程中的cumt.gis.zyz.wifiservice包中的WiFiService等参数的设定。WiFiService类是WiFi定位的 核心，主要控制定位算法的逻辑流程等，WiFiForInertial类主要实现WiFi定位和PDR定 位之间的通讯，WiFiFileIO类实现WiFi定位中对文件的操作，WiFiAlgorithm类和GetClusterID类是对WiFiService类的一个补充，实现一些特殊功能。WiFiSetDialog类完成 WiFi定位间隔和数据文件保存。

PDR定位采用15Hz的数据频率来进行定位算法的解算，由于硬件的不稳定造成了采 样间隔的不固定。为了测试设备的稳定性采用15Hz的频率采集一段数据，采样间隔处在67-73ms之间。

为了降低硬件不稳定因素的影响，本发明采用50Hz的频率采集加速度值，然后新建 立一个控制时间模块，以15Hz的频率读取加速度值。PDR定位的实现是由cumt.gis.zyz.inertialservice包中的InertialSetDialog类、InertialService类、InertialFileIO类和 InertialAlgorithm类来完成的。InertialSetDialog类主要完成参数的设置，InertialService类是 PDR定位的核心类主要完成定位算法逻辑控制，InertialFileIO类实现相关文件的操作， InertialAlgorithm类提供PDR算法所需的具体方法实现。cumt.gis.zyz.inertialservice。

网络通信使用TCP/IP通信协议，客户端基于Java语言提供Socket类实现和监控端的通信。网络通信功能主要由cumt.gis.zyz.network包中的NetworkServerClient类和NetworkSetDialog类来完成。NetworkSetDialog类完成网络参数的设置，如服务器通信IP和 端口，NetworkServerClient类实现网络数据接发的逻辑控制，具体使用Java语言提供的 BufferedReader类对象实现数据的发送，使用PrintWriter类对象实现数据的接收。

拍摄角度或人员活动的影响使得纹理影像中混杂其它不必要信息需经过Photoshop图 像处理软件的处理。由于移动端的计算能力有限，加载三维模型时需要分块加载。在室内 三维建模时，将模型按照不同楼层进行建模。这样不仅在程序运行时方便模型的加载，同 时使不同楼层的建模工作同时进行。在3DMax中将建立好的三维模型转换成FBX格式导 入到Unity 3D中。

C#语言开发。三维显示模块采用C#开发语言在Unity 3D平台和VisualStudio2010集 成开发环境中开发。三维模块实现对三维模型的基本操作以及人员信息的显示等。Unity 3D 平台提供了Assetbundle函数接口，可以将三维模型资源封装成二进制资源文件动态加载， 提高三维模型的加载速率。

Unity 3D场景设置和发布。由3DMax创建的模型没有灯光效果，这需要在Unity3D中另外设置。Unity3D提供了两种光线模型：点光源模型、平行光模型。光照参数设置好 后，利用Unity 3D的一键部署功能发布成移动端系统支持的文件运行格式，如Android系 统的.APK格式。

监控端的实现基于ArcEngine开发平台结合C#语言来完成的。ArcEngine是ESRI公司推出的GIS开发组件，包括ArcEngine Developer Kit和ArcEngineRuntime。利用ArcEngine提供的组件开发，不仅可以实现二维可视化功能，还可以实现三维的显示分析等功能。ArcEngine虽然支持三维数据的显示和分析，但它自身不能编辑三维模型，因此需要采用其他三维建模软件辅助ArcEngine来完成三维可视化工作。现在有很多强大的三维建模 软件如SketchUp、3DMax、Creator、Maya等等，他们都能创建精细逼真的三维场景，但 是都没有三维查询和分析功能，这也限制了他们在GIS领域的应用。SketchUp三维建模软 件是Last Software公司开发的一个广泛使用的三维建模软件，使用简便、容易上手，后被Google公司收购。在SketchUp创建的三维模型可以通过SketchUp ESRI插件生成ArcEngine支持的Multipatch格式的文件，可以在ArcEngine开发环境下实现三维查询和分析，因此，利用ArcEngine结合SketchUp实现监控端三维可视化是一个很好的选择。

监控端系统类结构，主要有MainForm类、ServerLogin类、UserLogin类、ShowUsers类、3DForm类、DataReadWrite类、CreatNewDocument类Show类、和Program类。其 中Program类为创建工程时自动生成的类，主要包括一个Main()方法为程序的入口。 MainForm类为程序的主界面实现类，实现系统操作逻辑和二维地图的显示等。ServerLogin 类为网络服务控制界面实现类实现系统网络服务参数设置和服务的开启关闭。UserLogin类 为系统的用户登陆窗口实现类，负责用户信息输入和验证。

整个二维地图的可视化操作流程如下：

1)准备定位区域的栅格或矢量的地图文件。

2)利用ArcGIS Server切片工具进行切片地图的制作。

3)将处理好的切片地图文件导入Android工程。

4)利用com.esri.android.map.MapView插件和ArcGISLocalTiledLayer、GraphicsLayer 两个类进行地图可视化及地图操作等开发。

5)发布工程，完成二维地图的可视化工作。

直接在移动端实时生成三维场景需要移动端有三维可视化引擎，而移动端软硬件设备 的限制使得直接开发移动端三维可视化引擎面临诸多困难。再则不同的三维可视化引擎支 持的三维数据格式不同，这也增加了跨平台实现三维可视化的难度。目前移动端实现三维 可视化主要有三种方式：第一种方法是直接在移动端实时生成三维场景；第二种方法是将 PC端生成的三维场景以图像的格式传回到移动端显示；第三种方法是地理编码图像 (Geocoded Images)方法。

本发明利用位置特征信息识别通过WiFi网络中可以随意获得的AP接入点对移动终端 进行定位，避免了对无线蜂窝网络基站的依赖，同时也弥补了GPS定位在建筑密集以及室 内应用的限制，提高定位精度，降低配置成本，提高了设备的利用率，对实现保密区域的 智能终端管控提供了重要的意义。更精确的判断智能终端是否在管控区域，从而更精确的 对智能终端实现安全管理。

特殊AP点法是在信号接收器扫描到的所有信号中找出信号强度最强的那个AP点，以此AP点的坐标作为信号接收器的最终定位结果。定位原理如图4所示，当信号接收器 距离AP1较近时，它所接收到来自AP1的信号强度值R1是最大的，此时将AP1的位 置(x，y)作为接收器的定位结果。特殊AP点定位法需要事先知道各个AP的位置信息， 适合大区域低精度定位，此方法一个特殊用途就是在多层建筑室内定位时，可以辅助判别 楼层。

通过以上实施方式的描述可知，本领域的技术人员可以清楚地了解到本发明可以借助 软件增加必须的通用硬件(辅助定位设备)的方式来实现。虽然通过实施例描述了本发明， 本领域的技术人员知道，本发明有很多变形和变化而不能脱离本发明的精神，一样受本发 明的权利要求保护。

本发明未详细阐述的部分属于本领域公知技术，本领域技术人员根据已有的描述已能 够在不付出创造性劳动的前提下进行实施，因此，不再赘述。

Claims (9)

1.一种基于辅助定位设备实现对智能终端精确定位的方法，其特征在于，包括以下步骤：

步骤一：将辅助定位设备设置于室内的各个楼层，并通过辅助定位设备发射出特定WiFi信号；

步骤二：智能终端信任连接辅助定位设备的VPN；

步骤三：智能终端不断扫描、检测和收集特定WiFi信号；当智能终端检测到特定WiFi信号时，则确定智能终端位于发出该特定WiFi信号的辅助定位设备所在的区域内。

2.如权利要求1所述的一种基于辅助定位设备实现对智能终端精确定位的方法，其特征在于，辅助定位设备是由WiFi信号发射器刷成的能够发送特定WiFi信号的设备。

3.如权利要求1所述的一种基于辅助定位设备实现对智能终端精确定位的方法，其特征在于，步骤三中，确定智能终端位于发出该特定WiFi信号的辅助定位设备所在的区域内的方法包括特殊AP点法、信号传播模型法和信号指纹定位法。

4.如权利要求3所述的一种基于辅助定位设备实现对智能终端精确定位的方法，其特征在于，特殊AP点法，即通过智能终端的信号接收器扫描所有特定WiFi信号，并找出信号强度最强的那个AP点，以确定智能终端位于信号强度最强的那个AP点(即辅助定位设备)所在区域内。

5.如权利要求3所述的一种基于辅助定位设备实现对智能终端精确定位的方法，其特征在于，信号传播模型法为基于RSSI的定位方法，即通过建立一个WiFi信号强度值和信号传播距离之间的信号传播模型，以估算智能终端与AP点(即辅助定位设备)之间的距离。

6.如权利要求5所述的一种基于辅助定位设备实现对智能终端精确定位的方法，其特征在于，信号传播模型采用Shadowing模型：

其中：d为参考距离，d₀为真实距离，ε为衰减因子，n为路径损耗指数，P₀为距离为d₀时接收到的信号强度，P为接收到的信号强度。

7.如权利要求3所述的一种基于辅助定位设备实现对智能终端精确定位的方法，其特征在于，信号指纹定位法分两步进行，即

1).指纹库采集，在待定位区域按照设定的间隔距离确定若干采样点，并将每个采样点上测得的信号强度值连同其位置信息一同保存到数据库中，这些信号强度值、位置信息即为WiFi信号指纹；

2).实时定位，将实时测得的特定WiFi信号与WiFi信号指纹做匹配，取信号强度最接近的采样点位置作为最终的定位结果。

8.如权利要求7所述的一种基于辅助定位设备实现对智能终端精确定位的方法，其特征在于，匹配所采用的算法包括信号空间最近邻法和信号空间k最近邻法。

9.如权利要求7所述的一种基于辅助定位设备实现对智能终端精确定位的方法，其特征在于，信号空间k最近邻法，包括以下步骤：

1).扫描所在位置的特定WiFi信号，读取MAC地址和对应的RSSI值；

2).计算扫描到的RSSI值与指纹库中每个指纹点的匹配度Length：

<mrow> <msub> <mi>Length</mi> <mi>i</mi> </msub> <mo>=</mo> <mrow> <mo>(</mo> <mn>1</mn> <mo>-</mo> <mfrac> <mrow> <msub> <mi>NUM</mi> <mrow> <mi>s</mi> <mi>i</mi> </mrow> </msub> </mrow> <mrow> <msub> <mi>NUM</mi> <mi>i</mi> </msub> </mrow> </mfrac> <mo>)</mo> </mrow> <mrow> <mo>(</mo> <munderover> <mo>&amp;Sigma;</mo> <mn>1</mn> <mi>M</mi> </munderover> <msup> <mrow> <mo>(</mo> <mrow> <msub> <mi>SL</mi> <mrow> <mi>m</mi> <mi>i</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>RL</mi> <mrow> <mi>m</mi> <mi>i</mi> </mrow> </msub> </mrow> <mo>)</mo> </mrow> <mn>2</mn> </msup> <mo>+</mo> <munderover> <mo>&amp;Sigma;</mo> <mn>1</mn> <mi>N</mi> </munderover> <msubsup> <mi>SNR</mi> <mrow> <mi>n</mi> <mi>i</mi> </mrow> <mn>2</mn> </msubsup> <mo>)</mo> </mrow> <mo>;</mo> </mrow>

式中，NUM_i是在线定位阶段搜寻到的AP与WiFi指纹库中第i个指纹点AP的总数目，NUM_si是在线定位阶段搜寻到的AP与WiFi指纹库中第i个指纹点相同AP的数目；

SNR_ni代表扫描到MAC和指纹库中第i个点位的不同MAC对应的RSSI值；

M代表：从第I个到M个指纹数量；

N代表：从第I个到M个相同的指纹数量；

SL_mi代表：在给定的指纹库中搜索第IM个指纹库完成计算SL指数；

RL_mi代表：在给定的指纹库中搜索第IM个指纹库完成计算RL指数。