CN108462992B - 一种基于超分辨率重建Wi-Fi指纹地图的室内定位方法 - Google Patents
一种基于超分辨率重建Wi-Fi指纹地图的室内定位方法 Download PDFInfo
- Publication number
- CN108462992B CN108462992B CN201810180142.9A CN201810180142A CN108462992B CN 108462992 B CN108462992 B CN 108462992B CN 201810180142 A CN201810180142 A CN 201810180142A CN 108462992 B CN108462992 B CN 108462992B
- Authority
- CN
- China
- Prior art keywords
- super
- fingerprint map
- map
- training
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 25
- 238000012360 testing method Methods 0.000 claims abstract description 9
- 238000013528 artificial neural network Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims abstract description 4
- 238000013480 data collection Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W84/00—Network topologies
- H04W84/02—Hierarchically pre-organised networks, e.g. paging networks, cellular networks, WLAN [Wireless Local Area Network] or WLL [Wireless Local Loop]
- H04W84/10—Small scale networks; Flat hierarchical networks
- H04W84/12—WLAN [Wireless Local Area Networks]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明公开了一种基于超分辨率重建Wi‑Fi指纹地图的室内定位方法,包括训练模块中的数据采集、数据处理、神经网络训练,以及测试模块中的数据输入、重建Wi‑Fi指纹地图步骤。本发明提供的基于超分辨率重建Wi‑Fi指纹地图的室内定位方法在测试过程中移动端只需要采集室内场景中约25%的参考点的Wi‑Fi信号的RSSI值,从而生成一个能够达到更大定位精度的Wi‑Fi指纹地图,大大减少了数据的采集量。
Description
技术领域
本发明涉及一种基于超分辨率重建Wi-Fi指纹地图的室内定位方法。
背景技术
室内定位指在室内环境中实现位置定位,实现人员、物体等在室内空间中的位置监控,在室内环境无法使用卫星定位时,使用室内定位技术作为卫星定位的辅助定位,能够解决卫星信号到达地面时较弱、不能穿透建筑物的问题。随着信息技术的不断发展,室内定位在一些特定场合的实用性和必要性已经日趋显著,其应用前景广阔,研究意义非常大,目前也是一个非常热门的议题。例如商场中的定位导览、紧急情况下的人员定位、展区的市场推广导购服务等等都可以应用室内定位的方法加以解决。
发明内容
本发明的首要目的是提供一种基于超分辨率重建Wi-Fi指纹地图的室内定位方法。
为解决上述技术问题,本发明所采用的技术方案是:
一种基于超分辨率重建Wi-Fi指纹地图的室内定位方法,其特征在于包括以下步骤:
训练模块:
数据采集,调用移动端的Wi-Fi模块,采集室内场景中25%的Wi-Fi信号的RSSI值;
数据处理,利用RSSI值建立该室内场景相应的Wi-Fi指纹地图,将用向量表示的Wi-Fi指纹地图转化为热度图;
神经网络训练,对热度图进行训练从而生成超分辨率重建模型,为测试模块提供训练模型重建Wi-Fi指纹地图;
测试模块:
数据输入,采集室内场景中Wi-Fi信号的RSSI值;
重建Wi-Fi指纹地图,将采集到的RSSI值数据转化成热度图,输入到超分辨率重建网络中,通过训练数据所训练好的模型,对指纹地图的热度图进行恢复,最后重建出完整的Wi-Fi指纹地图。
优选的,在神经网络训练步骤中,采用SRCNN网络完成超分辨率重建的训练。
优选的,在数据输入步骤中,采集室内场景中Wi-Fi信号的数据量为数据采集步骤中采集室内场景中Wi-Fi信号数据量的25%。
本发明提供的基于超分辨率重建Wi-Fi指纹地图的室内定位方法在测试过程中移动端只需要采集室内场景中约25%的参考点的Wi-Fi信号的RSSI值,从而生成一个能够达到更大定位精度的Wi-Fi指纹地图,大大减少了数据的采集量。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明实施例系统模块示意图;
图2为本发明实施例室内场景地图示例;
图3为本发明实施例热度效果图;
图4为本发明实施例热度图下采样示意图。
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。
实施例
如图1所示,一种基于超分辨率重建Wi-Fi指纹地图的室内定位方法,包括训练模块步骤和测试模块步骤:
训练模块
数据采集,最主要的是需要调用移动端的Wi-Fi模块功能。首先用户需要先选择一个楼层的地图,然后选择扫描次数,设定完毕后打开相应楼层的地图,如图2所示,选择当前所在的实况位置,,程序将会按照设定的扫描次数在该位置进行扫描,进行数据储存。这就是在室内场景中对一个参考点位置的数据采集过程,其中程序扫描5次Wi-Fi信号约需要15秒,扫描20次所需时间大约为50秒。
数据处理,在数据采集工作结束后,我们可以利用这些数据建立该室内场景相应的Wi-Fi指纹地图,为了可以利用这些数据来训练超分辨率重建的网络,我们需要将这些数据转化为图片。本发明中进行实验的例子中,实验选择了一个大小约为1500平方米的室内场景,在这个场景中布置10个AP,每个参考点之间距离为1.6米,共有约500个参考点,在采集数据时选择对每个参考点进行20次扫描。我们可以通过采集到的这些数据,将用向量表示的Wi-Fi指纹地图转化为热度图。其转化效果如图3所示,热度图的每一个像素点的灰度值表示在该点的地图上相应的参考点所采集到的Wi-Fi信号RSSI值的大小。由于本实验中在场景中布置有10个AP,故有10组热点图,每组20张(因为扫描参考点的次数为20次)。
神经网络训练,采用神经网络训练,主要是利用半监督学习的方法,通过期望值最大化等手段,利用少量带有定位标签的指纹点来恢复大量指纹点的定位标签。因此我们选择了将指纹点数据转化为热度图,且利用了现有的超分辨率重建技术来学习整体的信号特征,相比其他的方法,本方法在复杂场景下鲁棒性更高。
在本实施例中,我们选用了SRCNN网络完成超分辨率重建的训练工作。超分辨率重建是用于实现将低分辨率的图片转化为高分辨率图片的一种技术。利用这项技术,我们可以利用25%的指纹点数据,来恢复100%指纹地图。SRCNN网络的输入是低分辨率图片,我们将实况指纹地图转化而成的热度图进行下采样(均匀提取原图片中的25%的像素点),其下采样转化如图4所示。
下采样的图片分辨率变低,作为神经网络的输入,其输出则是与下采样前的热度图有同样分辨率的图片。我们将我们所有收集到的数据转化为热度图,放入SRCNN网络中进行训练,从而完成网络模型的训练工作。
测试模块
数据输入,由于在训练模块本发明已经完成了模型的训练,故在本模块中,我们只需要输入原数据的25%的数据即可,从而大大地减少数据的采集输入,减少前期准备工作。
重建Wi-Fi指纹地图,将收集到的数据转化成热度图,输入到超分辨率重建网络中,通过训练数据所训练好的模型,对完整的指纹地图的热度图进行恢复,最后重建出Wi-Fi指纹地图。而在后续的指纹地图更新时,也只需要采集场景中25%或更少的参考点的Wi-Fi信号的RSSI值数据,就可以达到更新整个指纹地图的效果。
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 (3)
1.一种基于超分辨率重建Wi-Fi指纹地图的室内定位方法,其特征在于包括以下步骤:
训练模块:
数据采集,调用移动端的Wi-Fi模块,采集室内场景中25%的Wi-Fi信号的RSSI值;
数据处理,利用RSSI值建立该室内场景相应的Wi-Fi指纹地图,将用向量表示的Wi-Fi指纹地图转化为热度图;
神经网络训练,对热度图进行训练从而生成超分辨率重建模型,为测试模块提供训练模型重建Wi-Fi指纹地图;
测试模块:
数据输入,采集室内场景中Wi-Fi信号的RSSI值;
重建Wi-Fi指纹地图,将采集到的RSSI值数据转化成热度图,输入到超分辨率重建网络中,通过训练数据所训练好的模型,对指纹地图的热度图进行恢复,最后重建出完整的Wi-Fi指纹地图。
2.如权利要求1所述的一种基于超分辨率重建Wi-Fi指纹地图的室内定位方法,其特征在于:
在神经网络训练步骤中,采用SRCNN网络完成超分辨率重建的训练。
3.如权利要求1所述的一种基于超分辨率重建Wi-Fi指纹地图的室内定位方法,其特征在于:
在数据输入步骤中,采集室内场景中Wi-Fi信号的数据量为数据采集步骤中采集室内场景中Wi-Fi信号数据量的25%。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810180142.9A CN108462992B (zh) | 2018-03-05 | 2018-03-05 | 一种基于超分辨率重建Wi-Fi指纹地图的室内定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810180142.9A CN108462992B (zh) | 2018-03-05 | 2018-03-05 | 一种基于超分辨率重建Wi-Fi指纹地图的室内定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108462992A CN108462992A (zh) | 2018-08-28 |
CN108462992B true CN108462992B (zh) | 2021-03-19 |
Family
ID=63217662
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810180142.9A Active CN108462992B (zh) | 2018-03-05 | 2018-03-05 | 一种基于超分辨率重建Wi-Fi指纹地图的室内定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108462992B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110300370B (zh) * | 2019-07-02 | 2021-04-02 | 广州纳斯威尔信息技术有限公司 | 一种重建wifi指纹地图室内定位方法 |
CN113108792A (zh) * | 2021-03-16 | 2021-07-13 | 中山大学 | Wi-Fi指纹地图重建方法、装置、终端设备及介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102932738A (zh) * | 2012-10-31 | 2013-02-13 | 北京交通大学 | 一种改进的基于分簇神经网络的室内指纹定位方法 |
CN105043380A (zh) * | 2015-06-29 | 2015-11-11 | 武汉大学 | 基于微机电传感器、WiFi定位、磁场匹配的室内导航方法 |
CN105208651A (zh) * | 2015-08-17 | 2015-12-30 | 上海交通大学 | 基于地图结构的Wi-Fi位置指纹非监督训练方法 |
CN106093843A (zh) * | 2016-05-31 | 2016-11-09 | 天津大学 | 一种基于地磁辅助WiFi的智能手机用户室内定位方法 |
CN106714110A (zh) * | 2017-01-19 | 2017-05-24 | 深圳大学 | 一种Wi‑Fi位置指纹地图自动构建方法及系统 |
CN107529222A (zh) * | 2017-09-15 | 2017-12-29 | 上海交通大学 | 一种基于深度学习的WiFi室内定位系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140094187A1 (en) * | 2012-09-28 | 2014-04-03 | Anthony G. LaMarca | Location estimation based upon ambient identifiable wireless signal sources |
US8675999B1 (en) * | 2012-09-28 | 2014-03-18 | Hong Kong Applied Science And Technology Research Institute Co., Ltd. | Apparatus, system, and method for multi-patch based super-resolution from an image |
-
2018
- 2018-03-05 CN CN201810180142.9A patent/CN108462992B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102932738A (zh) * | 2012-10-31 | 2013-02-13 | 北京交通大学 | 一种改进的基于分簇神经网络的室内指纹定位方法 |
CN105043380A (zh) * | 2015-06-29 | 2015-11-11 | 武汉大学 | 基于微机电传感器、WiFi定位、磁场匹配的室内导航方法 |
CN105208651A (zh) * | 2015-08-17 | 2015-12-30 | 上海交通大学 | 基于地图结构的Wi-Fi位置指纹非监督训练方法 |
CN106093843A (zh) * | 2016-05-31 | 2016-11-09 | 天津大学 | 一种基于地磁辅助WiFi的智能手机用户室内定位方法 |
CN106714110A (zh) * | 2017-01-19 | 2017-05-24 | 深圳大学 | 一种Wi‑Fi位置指纹地图自动构建方法及系统 |
CN107529222A (zh) * | 2017-09-15 | 2017-12-29 | 上海交通大学 | 一种基于深度学习的WiFi室内定位系统 |
Non-Patent Citations (1)
Title |
---|
压缩感知在无线定位技术中的应用;汪龙梦;《中国优秀硕士学位论文全文数据库信息科技辑》;20130115;第5.3-5.5节 * |
Also Published As
Publication number | Publication date |
---|---|
CN108462992A (zh) | 2018-08-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110544205B (zh) | 基于可见光与红外交叉输入的图像超分辨率重建方法 | |
CN108537191B (zh) | 一种基于结构光摄像头的三维人脸识别方法 | |
CN107529222B (zh) | 一种基于深度学习的WiFi室内定位系统 | |
CN110598784B (zh) | 基于机器学习的建筑垃圾分类方法及装置 | |
CN108921038A (zh) | 一种基于深度学习人脸识别技术的课堂快速点名签到方法 | |
CN112966548B (zh) | 一种大豆地块识别方法及系统 | |
CN104486585B (zh) | 一种基于gis的城市海量监控视频管理方法及系统 | |
CN110300370B (zh) | 一种重建wifi指纹地图室内定位方法 | |
CN114973002A (zh) | 一种基于改进的YOLOv5的麦穗检测方法 | |
CN109948477A (zh) | 一种提取图片中道路网络拓扑点的方法 | |
CN108462992B (zh) | 一种基于超分辨率重建Wi-Fi指纹地图的室内定位方法 | |
CN115439753B (zh) | 一种基于dem的陡峭河岸识别方法及系统 | |
CN115511705A (zh) | 一种基于可变形残差卷积神经网络的图像超分辨率重建方法 | |
CN107622476B (zh) | 基于概率生成模型的图像超分辨处理方法 | |
CN104182931B (zh) | 超分辨率方法和装置 | |
CN116563103A (zh) | 一种基于自适应神经网络的遥感图像时空融合方法 | |
CN115588130A (zh) | 一种基于域自适应的跨域yolo检测方法 | |
CN113011295B (zh) | 基于遥感影像识别光伏发电站的方法、计算机设备和介质 | |
CN112866900B (zh) | 一种基于众包数据的细粒度WiFi指纹地图实时构建方法 | |
CN112528803B (zh) | 道路特征提取方法、装置、设备及存储介质 | |
CN113936200A (zh) | 一种基于移动终端的电表箱图像质量检测方法 | |
CN113505844A (zh) | 标签生成方法、装置、设备、存储介质及程序产品 | |
Hu et al. | Wind turbine detection with synthetic overhead imagery | |
CN109389052B (zh) | 基于聚类算法的全极化sar图像城市识别提取方法 | |
CN112883840B (zh) | 基于关键点检测的输电线路提取方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20221223 Address after: 510000 No. 135 West Xingang Road, Guangdong, Guangzhou Patentee after: SUN YAT-SEN University Patentee after: Shandong Olive Intelligent Technology Co.,Ltd. Address before: 510000 No. 135 West Xingang Road, Guangdong, Guangzhou Patentee before: SUN YAT-SEN University Patentee before: GUANGZHOU NASSOFT INFORMATION TECHNOLOGY CO.,LTD. |
|
TR01 | Transfer of patent right |