CN108282743A - 室内定位方法、装置及系统 - Google Patents

Abstract

本发明提供了一种室内定位方法、装置及系统；其中，该方法包括：检测用户终端接收到的无线网络和对应的信号强度；将信号强度转换成对应的编码图像；将编码图像输入至预先建立的室内定位模型中，根据输出结果确定用户终端的定位信息。本发明将信号强度转换成编码图像，并通过深度卷积神经网络训练得到的模型进行室内定位，提高了室内定位精度。

Description

室内定位方法、装置及系统

技术领域

本发明涉及室内定位技术领域，尤其是涉及一种室内定位方法、装置及系统。

背景技术

在许多室内外环境中，比如办公室、商场、车站等等，如果能够获取用户精确的位置信息，就可以为用户提供感兴趣的应用和服务。近年来，移动设备爆发式的增长，刺激了用户对精确的室内定位的需求，但由于GPS(Global Positioning System，全球定位系统)在室内的不可用性，精确的室内定位仍然是一个挑战。

现有的室内定位主要围绕Wi-Fi(Wireless-Fidelity,无线保真)指纹技术进行研究，大多采用RSSI(Received Signal Strength Indication，接收的信号强度指示)方法；但该方法无法解决位置采样和预测定位时RSSI波动的问题，并且容易出现欠拟合的情况，导致定位精度较低。

发明内容

有鉴于此，本发明的目的在于提供一种室内定位方法、装置及系统，以提高室内定位精度。

第一方面，本发明实施例提供了一种室内定位方法，包括：检测用户终端接收到的无线网络和对应的信号强度；将信号强度转换成对应的编码图像；将编码图像输入至预先建立的室内定位模型中，根据输出结果确定用户终端的定位信息；其中，室内定位模型通过深度卷积神经网络训练而成。

结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，其中，室内定位模型通过下述方式训练获得：采集室内设定位置的位置坐标，以及位置坐标处的无线网络和对应的信号强度；将无线网络的所述信号强度转换成对应的编码图像；建立深度卷积神经网络的网络结构；将编码图像和对应的位置坐标输入至网络结构中进行训练，得到带权值的室内定位模型。

结合第一方面的第一种可能的实施方式，本发明实施例提供了第一方面的第二种可能的实施方式，其中，采集室内设定位置的位置坐标，以及位置坐标处的无线网络和对应的信号强度的步骤，还包括：对室内区域划分网格；将网格的交叉点确定为待采集的位置坐标；采集位置坐标处的多个无线网络和对应的信号强度。

结合第一方面的第二种可能的实施方式，本发明实施例提供了第一方面的第三种可能的实施方式，其中，采集位置坐标处的多个无线网络和对应的信号强度的步骤，包括：采集设定时段的，位置坐标处的多个无线网络和对应的信号强度。

结合第一方面的第三种可能的实施方式，本发明实施例提供了第一方面的第四种可能的实施方式，其中，当无线网络对应的无线路由位置变化时，执行本发明实施例中第一方面的第一种至第三种可能的实施方式中任一种的方法，以更新室内定位模型。

结合第一方面及第一方面的第一中至第四种可能的实施方式之中的任一种方式，本发明实施例提供了第一方面的第五种可能的实施方式，其中，编码图像包括二维码图像；深度卷积神经网络包括GoogLeNet的inceptionV3神经网络。

第二方面，本发明实施例提供了一种室内定位装置，包括：信号检测模块，用于检测用户终端接收到的无线网络和对应的信号强度；转化模块，用于将信号强度转换成对应的编码图像；定位模块，用于将编码图像输入至预先建立的室内定位模型中，根据输出结果确定用户终端的定位信息；其中，室内定位模型通过深度学习卷积神经网络训练而成。

结合第二方面，本发明实施例提供了第二方面的第一种可能的实施方式，其中，室内定位模型通过下述方式训练获得：采集室内设定位置的位置坐标，以及位置坐标处的无线网络和对应的信号强度；将无线网络的信号强度转换成对应的编码图像；建立深度卷积神经网络的网络结构；将编码图像和对应的位置坐标输入至网络结构中进行训练，得到带权值的室内定位模型。

结合第二方面及第二方面的第一种可能的实施方式之中的任一种方式，本发明实施例提供了第二方面的第二种可能的实施方式，其中，编码图像包括二维码图像；深度卷积神经网络包括GoogLeNet的inceptionV3神经网络。

第三方面，本发明实施例提供了一种室内定位系统，包括上述装置、移动终端及无线路由器。

本发明实施例提供了一种室内定位方法、装置及系统；检测用户终端接收到的无线网络和对应的信号强度后，将信号强度转换成对应的编码图像；再将编码图像输入至预先建立的室内定位模型中，根据输出结果确定用户终端的定位信息。该方式将信号强度转换成编码图像，并通过深度卷积神经网络训练得到的模型进行室内定位，提高了室内定位精度。

本发明的其他特征和优点将在随后的说明书中阐述，或者，部分特征和优点可以从说明书推知或毫无疑义地确定，或者通过实施本发明的上述技术即可得知。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施方式，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种室内定位方法的流程图；

图2为本发明实施例提供的室内定位方法中，获得室内定位模型方法的流程图；

图3为本发明实施例提供的一种室内定位装置的结构示意图；

图4为本发明实施例提供的一种室内定位系统的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例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。

目前，室内定位方法的精度较低，泛化能力不高，基于此，本发明实施例提供了一种室内定位方法、装置及系统，可以应用于室内定位及固定区域的定位。为便于对本实施例进行理解，首先对本发明实施例所公开的一种室内定位方法进行详细介绍。

参见图1所示的一种室内定位方法的流程图，该方法包括如下步骤：

步骤S102，检测用户终端接收到的无线网络和对应的信号强度；

通常情况下，用户终端为手机、平板电脑、笔记本电脑等。上述设备可以接收多个路由器发出的无线信号，并检测无线信号的信号强度。通常，无论用户终端是否登录无线网络，移动终端均能检测到各无线网络的标识以及对应的信号强度。

步骤S104，将信号强度转换成对应的编码图像；

具体地，上述编码图像可以为二维码图像或条形码图像。该二维码图像为高密度编码，可容纳多达1850个大写字母或2710个数字或1108个字节，或500多个汉字；上述条形码图像可以把图片、声音、文字、签字、指纹等可以数字化的信息进行编码；容错能力强且译码可靠性高。

步骤S106，将编码图像输入至预先建立的室内定位模型中，根据输出结果确定用户终端的定位信息；其中，该室内定位模型通过深度卷积神经网络训练而成。

具体地，上述深度卷积神经网络(Convolutional Neural Networks-简称CNN)是一种前馈人工神经网络，可以处理大型图像；CNN主要用来识别位移、缩放及其他形式扭曲不变性的二维图形。上述室内定位模型即为经过训练的深度卷积神经网络。将编码图像输入室内定位模型后，即可得到用户终端的位置。

本发明实施例提供的一种室内定位方法，检测用户终端接收到的无线网络和对应的信号强度后，将信号强度转换成对应的编码图像；再将编码图像输入至预先建立的室内定位模型中，根据输出结果确定用户终端的定位信息。该方式将信号强度转换成编码图像，并通过深度卷积神经网络训练得到的模型进行室内定位，提高了室内定位精度。

本发明实施例还提供了另一种室内定位方法；该方法在图1中所示方法基础上实现；该方法首先需要建立室内定位模型；参见图2所示的室内定位方法中，获得室内定位模型方法的流程图；该方法包括如下步骤：

步骤S202，采集室内设定位置的位置坐标，以及位置坐标处的无线网络和对应的信号强度；

上述步骤S202，具体可以通过下述方式实现：

(1)对室内区域划分网格；

(2)将网格的交叉点确定为待采集的位置坐标；

(3)采集位置坐标处的多个无线网络和对应的信号强度。

具体地，上述采集位置坐标处的多个无线网络和对应的信号强度的步骤，包括：采集设定时段的，位置坐标处的多个无线网络和对应的信号强度；其中，无线网络的个数至少为3个。由于人员走动等产生的遮挡作用会在一定程度上影响无线信号的强度，采集不同时段的同一位置坐标的无线信号及其信号强度有助于减小定位误差，提高模型的训练精度。

步骤S204，将无线网络的信号强度转换成对应的编码图像；

具体地，将在同一时刻，同一个物理坐标处检测到的多个无线网络的强度信号转换为一个编码图像，并将对应的物理坐标作为该编码图像的标签。

步骤S206，建立深度卷积神经网络的网络结构；

一般地，深度卷积神经网络的基本结构包括两层，一个为特征提取层，每个神经元的输入与前一层的局部接受域相连，并提取该局部的特征。局部特征被提取后，它与其它特征间的位置关系也随之确定下来；另一个是特征映射层，网络的每个计算层由多个特征映射组成，每个特征映射是一个平面，平面上所有神经元的权值相等。在对深度卷积神经网络的网络结构进行初始化时，可采用小随机数初始化的方法，即将这些神经元随机初始到非常接近于零的权值；权重的实现可以简单地表达为0.001*N(0,1)，其中N(0,1)是均值为0，标准差为1的高斯分布。

步骤S208，将编码图像和对应的位置坐标输入至网络结构中进行训练，得到带权值的室内定位模型。

具体地，通过编码图片和对应的位置坐标对深度卷积神经网络进行训练后，得到带权值的深度卷积神经网络，即为室内定位模型。通常情况下，需要采用大量的编码图片对室内定位模型进行训练，才能得到一个性能较好地模型。

具体地，上述编码图像包括二维码图像；深度卷积神经网络包括GoogLeNet的inceptionV3神经网络。其中，GoogLeNet代表一个类型的网络结构，而inceptionV3模型数据GoogLeNet中的一种。

inceptionV3神经网络在网络设计过程中，需要遵循如下准则：

(1)避免表示瓶颈，即特征图大小应缓慢下降，特别是在网络靠前的地方；信息流前向传播过程中显然不能经过高度压缩的层，即表达瓶颈。从input到output，feature map的宽和高基本都会逐渐变小，但是不能一下子就变得很小。

(2)高维表示可以用网络代替；高维特征更易处理。高维特征更易区分，会加快训练。

(3)可以在低维嵌入上进行空间汇聚而无需担心丢失很多信息。比如在进行3x3卷积之前，可以对输入先进行降维而不会产生严重的后果。假设信息可以被简单压缩，那么训练就会加快。

(4)平衡网络的宽度和深度。

进一步地，当无线网络对应的无线路由位置变化时，执行上述方法，以更新室内定位模型。某一位置的无线网络信号强度与该位置与路由器的距离有关，因此当无线路由的位置变化，以往的室内定位模型已经不适用，需要重新进行训练。

本发明实施例还提供了另一种室内定位方法，该方法提供了一种基于深度学习的Wi-Fi二维码定位方式，该方法包括以下步骤：

(1)把室内划分为多网格形状，设置网格线交点位置为采样点，并采集Wi-Fi(即上述无线网络)的无线信号强度和物理位置坐标，把无线信号强度和物理位置坐标转化成二维码图像；

具体地，在每个采样点接收多个Wi-Fi信号及其强度，这些信号的强度有差别，物理位置坐标相同；在每天不同时段，记录每个采样点接收到的Wi-Fi信号强度和物理位置坐标；将信号强度与物理位置坐标保存至数据库中。

(2)利用深度卷积算法将采集的Wi-Fi信号强度和物理位置坐标输入深度学习神经网络(即上述深度卷积神经网络)训练，以生成带权值的深度学习神经网络；

具体地，将Wi-Fi信号强度转换成二维码图像，将对应的采样点的物理位置坐标作为二维码图像的标签；将上述二维码图像输入深度学习神经网络的数据层；利用深度学习算法使用深度学习神经网络对输入图像进行训练；其中，深度学习神经网络可以为GoogLeNet的inceptionV3神经网络。

(3)收集用户位置的无线信号强度并输入至所述带权值的深度学习神经网络以确定用户的位置。

具体地，接收用户位置的Wi-Fi信号强度；根据接收的Wi-Fi信号强度生成二维码图像，并将图像输入到上述带权值的深度学习神经网络；计算二维码图像在所述带权值的深度学习神经网络的标签，确定用户的位置。

上述方法中，通过采样点接收多个路由器不同时段的Wi-Fi信号强度，有利于提高定位精度；通过把信号强度和物理位置坐标信息转化成二维码图像，有利于提高深度学习神经网络训练，识别率。

对应于上述方法实施例，参见图3所示的一种室内定位装置的结构示意图，该装置包括：

信号检测模块300，用于检测用户终端接收到的无线网络和对应的信号强度；；

转化模块302，用于将信号强度转换成对应的编码图像；

定位模块304，用于将编码图像输入至预先建立的室内定位模型中，根据输出结果确定用户终端的定位信息；其中，室内定位模型通过深度学习卷积神经网络训练而成。

上述室内定位模型通过下述方式训练获得：采集室内设定位置的位置坐标，以及位置坐标处的无线网络和对应的信号强度；将无线网络的信号强度转换成对应的编码图像；建立深度卷积神经网络的网络结构；将编码图像和对应的位置坐标输入至网络结构中进行训练，得到带权值的室内定位模型。

上述编码图像包括二维码图像；上述深度卷积神经网络包括GoogLeNet的inceptionV3神经网络。

本发明实施例提供的一种室内定位装置，检测用户终端接收到的无线网络和对应的信号强度后，将信号强度转换成对应的编码图像；再将编码图像输入至预先建立的室内定位模型中，根据输出结果确定用户终端的定位信息。该方式将信号强度转换成编码图像，并通过深度卷积神经网络训练得到的模型进行室内定位，提高了室内定位精度。

参见图4所示的一种室内定位系统的结构示意图，包括上述室内定位装置40、移动终端41及无线路由器42。

通常情况下无线路由器的个数为3个及3个以上，输出无线信号稳定且不随时间变化。

本发明实施例提供的室内定位系统，与上述实施例提供的室内定位装置方法和装置具有相同的技术特征，所以也能解决相同的技术问题，达到相同的技术效果。

本发明实施例所提供的室内定位方法、装置及系统，把Wi-Fi信号强度和物理位置坐标信息转化成二维码图像，并利用深度学习神经网络对图像进行识别，提高了室内定位的精度。

本发明实施例所提供的室内定位方法、装置及系统的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和/或装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：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，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，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 (10)

1.一种室内定位方法，其特征在于，包括：

检测用户终端接收到的无线网络和对应的信号强度；

将所述信号强度转换成对应的编码图像；

将所述编码图像输入至预先建立的室内定位模型中，根据输出结果确定所述用户终端的定位信息；其中，所述室内定位模型通过深度卷积神经网络训练而成。

2.根据权利要求1所述的方法，其特征在于，所述室内定位模型通过下述方式训练获得：

采集室内设定位置的位置坐标，以及所述位置坐标处的无线网络和对应的信号强度；

将无线网络的所述信号强度转换成对应的编码图像；

建立深度卷积神经网络的网络结构；

将所述编码图像和对应的位置坐标输入至所述网络结构中进行训练，得到带权值的室内定位模型。

3.根据权利要求2所述的方法，其特征在于，所述采集室内设定位置的位置坐标，以及所述位置坐标处的无线网络和对应的信号强度的步骤，还包括：

对室内区域划分网格；

将所述网格的交叉点确定为待采集的位置坐标；

采集所述位置坐标处的多个无线网络和对应的信号强度。

4.根据权利要求3所述的方法，其特征在于，所述采集所述位置坐标处的多个无线网络和对应的信号强度的步骤，包括：采集设定时段的，所述位置坐标处的多个无线网络和对应的信号强度。

5.根据权利要求4所述的方法，其特征在于，当所述无线网络对应的无线路由位置变化时，执行权利要求2-4任一项所述的方法，以更新所述室内定位模型。

6.根据权利要求1-4任一项所述的方法，其特征在于，所述编码图像包括二维码图像；所述深度卷积神经网络包括GoogLeNet的inceptionV3神经网络。

7.一种室内定位装置，其特征在于，包括：

信号检测模块，用于检测用户终端接收到的无线网络和对应的信号强度；

转化模块，用于将所述信号强度转换成对应的编码图像；

定位模块，用于将所述编码图像输入至预先建立的室内定位模型中，根据输出结果确定所述用户终端的定位信息；其中，所述室内定位模型通过深度学习卷积神经网络训练而成。

8.根据权利要求7所述的室内定位装置，其特征在于，所述室内定位模型通过下述方式训练获得：

采集室内设定位置的位置坐标，以及所述位置坐标处的无线网络和对应的信号强度；

将无线网络的所述信号强度转换成对应的编码图像；

建立深度卷积神经网络的网络结构；

将所述编码图像和对应的位置坐标输入至所述网络结构中进行训练，得到带权值的室内定位模型。

9.根据权利要求7或8任一项所述的装置，其特征在于，所述编码图像包括二维码图像；所述深度卷积神经网络包括GoogLeNet的inceptionV3神经网络。

10.一种室内定位系统，其特征在于，包括权利要求7-9任一项所述的装置、移动终端及无线路由器。