CN109302674A - 一种基于多重滤波的WiFi室内定位方法 - Google Patents

Abstract

本发明公开了一种基于多重滤波的WiFi室内定位方法，包括离线测量阶段和在线测量阶段，在离线测量阶段采集指纹数据，然后对指纹数据进行动态阈值滤波、双重平滑滤波，并对指纹数据库进行插值，在线测量阶段对定位终端实现定位。本发明提供的室内定位方法提高了离线测量阶段的指纹数据准确性，从而提高了在线测量阶段的定位精度，在相同条件下，比传统的基于WKNN的WiFi室内定位方法和基于KNN的WiFi室内定位方法的平均定位误差分别降低了30％和33％。

Description

一种基于多重滤波的WiFi室内定位方法

技术领域

本发明涉及室内定位与导航技术领域，特别是一种基于多重滤波的WiFi室内定位方法。

背景技术

随着智能手机的普及，利用智能手机进行WiFi定位逐渐成了室内定位的研究热点。一般在医院、办公大楼、购物商场等公共场所都会有WiFi热点，而且智能终端基本上都有WiFi接口，因此基于WiFi的室内定位系统就可以使用现有的设备进行构建，从而大大节省了硬件成本。

目前基于WiFi的室内定位方法主要是基于KNN(K近邻)的WiFi室内定位方法。基于KNN的WiFi室内定位方法的主要原理是根据RSSI值(信号接收强度值)的欧式距离计算方法来估算待定位节点和数据指纹库中已知节点的欧式距离，方法复杂度比较低，能够适应在运算能力不高的智能手机上运行，所以在实际中应用广泛。但由于室内环境复杂，信号在室内传播时有很明显的多径效应，并且由于障碍物的遮挡等使得KNN定位方法存在以下几个问题：

(1)上述KNN方法中欧式距离比较大的两个点，其实际空间距离可能比较小，比如两个点之间隔着一堵墙等，只按照RSSI的欧式距离大小确定KNN方法中的权重可能会造成比较大的定位误差。；

(2)在实际测量时发现，在同一地点检测到的同一个WiFi接入点发射的信号的RSSI值波动比较大，离线阶段和在线的信号波动，都会对定位结果造成影响；

(3)RSSI的值和检测设备有关系，同一个WiFi接入点发射出的无线信号在同一点由不同的接收设备检测，RSSI值可能会不一样。

2017年3月出版的第33卷第3期《科技通报》上介绍了一种名称为“基于余弦相似度的指纹匹配方法的室内定位方法”，该方法不使用RSSI向量的欧氏距离作为匹配方法，而使用RSSI向量的夹角余弦值(最接近1)作为位置匹配方法，该方法虽然在一定程度上比KNN方法的计算量少，但是，在一些常见的复杂的室内办公环境下的定位精度较低，依然难以达到定位要求。

发明内容

本发明提供了一种基于多重滤波的WiFi室内定位方法，用于解决现有室内定位方法不够精确的问题。

实现本发明所用的技术特征为：

一种基于多重滤波的WiFi室内定位方法，其特征在于：

包括离线测量阶段和在线测量阶段；

所述离线测量阶段包括以下步骤：

(1)在待定位区域设有p个WiFi接入点，选取m个固定参考点，分别测量各固定参考点的第一坐标，并在各固定参考点上依次对各WiFi接入点分别采集n个源RSSI值，源RSSI值的数量为p*m*n个，其中，p、m、n为正整数；

(2)依次对p*m*n个源RSSI值进行动态阈值滤波，得到m个固定参考点对各WiFi接入点的第一RSSI值，针对各固定参考点，依次将固定参考点的坐标以及与所述固定参考点对应的第一RSSI值作为该固定参考点的第一指纹数据，存入第一指纹数据库；

(3)依次对各第一RSSI值进行第一次平滑滤波，得到m个固定参考点对各WiFi接入点的第一滤波RSSI值；针对各第一滤波RSSI值，将第一滤波RSSI值覆盖与所述第一滤波RSSI值对应的第一RSSI值，存入第一指纹数据库；

(4)依次对各第一滤波RSSI值进行第二次平滑滤波，得到m个固定参考点对各WiFi接入点的第二滤波RSSI值；针对各第二滤波RSSI值，将第二滤波RSSI值覆盖与所述第二滤波RSSI值对应的第一滤波RSSI值，存入第一指纹数据库；

(5)依次对各固定参考点进行插值判断，得到未通过插值判断的q个待插值固定参考点，并对第一指纹数据库进行插值得到第二指纹数据库，插值方法如下：

对其中一个待插值固定参考点，按欧式距离由小到大的顺序分别找出k3个固定参考点，并将这k3个固定参考点作为待计算固定参考点，待计算固定参考点的坐标分别为(x₁,y₁)、(x₂,y₂)…(x_k3,y_k3)，且待计算固定参考点与待插值固定参考点的欧式距离分别为d₁、d₂...d_k3，采用WKNN方法对待计算固定参考点的坐标进行计算得出第二坐标(x′,y′)：

X'＝w₁x₁+w₂x₂++M_kx_k3

y′＝w₁y₁+w₂y₂+…+w_ky_k3

其中，w_i(i＝1,2…k3)为WKNN方法的加权系数，且

将第二坐标与待插值固定参考点对各WiFi接入点的第二滤波RSSI值作为第二指纹数据，将第二指纹数据插入第一指纹数据库；

对下一个待插值固定参考点重复上述插值处理，直至完成q个待插值固定参考点的插值处理，其中，k3为正整数，q为整数且0≤q≤m，d₁、d₂...d_k1为正数；

所述在线测量阶段包括以下步骤：

(A)外部定位终端在待定位点上采集对各WiFi接入点的定位RSSI值；

(B)选取步骤(A)中大于预设阈值的定位RSSI值作为定位匹配数据；

(C)对定位匹配数据进行归一化处理，得到归一化定位匹配数据；

(D)对第二指纹数据库中的各指纹数据进行归一化处理，得到归一化指纹数据；

(E)按与归一化定位匹配数据欧式距离从小到大的顺序找出M个归一化指纹数据及与所述归一化指纹数据对应的M个固定参考点，其中，M为正整数；

(F)根据步骤(E)中M个固定参考点的坐标，采用WKNN方法计算得出外部定位终端所处的坐标。

进一步的，所述离线测量阶段步骤(2)中动态阈值滤波方法为：

x₁,x₂,…,x_n为一个固定参考点对其中一个WiFi接入点采集的n个源RSSI值，为n个源RSSI值的平均值，如果

则将对应的源RSSI值x_i舍去，将未被舍去的源RSSI值的平均值作为该固定参考点对该WiFi接入点的第一RSSI值。

进一步的，所述离线测量阶段步骤(3)中第一次平滑滤波的方法为：

将其中一个固定参考点选为第一样本，将第一样本对各WiFi接入点的第一RSSI值选为第一RSSI值样本，按与第一RSSI值样本数值之差的绝对值由小到大的顺序在第一指纹数据库中找出对同一WiFi接入点的K个第一RSSI值及对应的K个固定参考点，并将这K个固定参考点作为第一固定参考点，判断第一固定参考点与第一样本的欧式距离是否大于预设距离d，当第一固定参考点与第一样本的欧氏距离全都小于预设距离d时，则第一样本对该WiFi接入点的第一RSSI值为第一样本对该WiFi接入点的第一滤波RSSI值，否则，采用WKNN方法获取第一样本对该WiFi接入点的第一滤波RSSI值，其中，K为正整数，d为正数；

将下一个固定参考点选为第一样本，重复上述第一次平滑滤波处理，直至完成m个固定参考点的第一次平滑滤波处理。

进一步的，所述离线测量阶段步骤(4)中第二次平滑滤波的方法为：

将其中一个固定参考点选为第二样本，将第二样本对各WiFi接入点的第一滤波RSSI值选为第二RSSI值样本，按与第二RSSI值样本数值之差的绝对值由小到大的顺序在第一指纹数据库中找出对同一WiFi接入点的A个第一滤波RSSI值及对应的A个固定参考点，并将这A个固定参考点作为第二固定参考点，按与第二样本欧氏距离由小到大的找出B个固定参考点，并将这B个固定参考点作为第三固定参考点，判断第二固定参考点和第三固定参考点是否有交集，当第二固定参考点和第三固定参考点有交集时，则第二样本对该WiFi接入点的第一滤波RSSI值就为第二样本对该WiFi接入点的第二滤波RSSI值，否则，采用WKNN方法获取第二样本对该WiFi接入点的第二滤波RSSI值，其中，A、B为正整数；

将下一个固定参考点选为第二样本，重复上述第二次平滑滤波处理，直至完成m个固定参考点的第二次平滑滤波处理。

进一步的，所述离线测量阶段步骤(5)中插值判断的方法为：

将其中一个固定参考点选为第三样本，按与第三样本欧式距离由小到大的顺序找出k1个固定参考点，并将这k1个固定参考点作为第四固定参考点；

按与第三样本欧式距离由小到大的顺序在除第四固定参考点的其他固定参考点集合中找出k2个固定参考点，并将这k2个固定参考点作为第五固定参考点，判断第四固定参考点和第五固定参考点是否有交集，

当第四固定参考点和第五固定参考点有交集时，第三样本通过插值判断，否则，第三样本未通过插值判断；

将下一个固定参考点选为第三样本，重复上述插值判断，直至完成m个固定参考点的插值判断。

进一步的，所述第一次平滑滤波所采用的WKNN方法为19阶WKNN方法。

进一步的，所述第二次平滑滤波所采用的WKNN方法为19阶WKNN方法。

进一步的，所述在线测量阶段步骤(B)中，预设阈值大小为-60dBm。

进一步的，将步骤(A)中小于等于预设阈值的定位RSSI值设为负无穷大。

有益效果：

本发明提供的一种基于多重滤波的WiFi室内定位方法，包括离线测量阶段和在线测量阶段，在离线测量阶段采集指纹数据，然后对指纹数据进行动态阈值滤波、双重平滑滤波，并对指纹数据库进行插值，在线测量阶段对定位终端实现定位。本发明提供的室内定位方法提高了离线测量阶段的指纹数据准确性，从而提高了在线测量阶段的定位精度，在实验环境下，使用本方法的平均定位误差为1.4米，在相同条件下，比传统的基于WKNN的WiFi室内定位方法和基于KNN的WiFi室内定位方法的平均定位误差分别降低了30％和33％。

附图说明

下面结合附图及具体实施例对本发明作进一步说明，其中:

图1是本发明实施例的实验区平面图；

图2是本发明实施例的离线测量阶段的流程图；

图3是本发明实施例用本发明方法分别对12个待定位点进行50次定位实验，其定位误差的概率分布与最近邻方法、4阶KNN方法和4阶WKNN方法的定位误差的概率分布比较图。

具体实施方式

以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整地描述，以充分地理解本发明的目的、特征和效果。显然，所描述的实施例只是本发明的一部分实施例，而不是全部实施例，基于本发明的实施例，本领域的技术人员在不付出创造性劳动的前提下所获得的其他实施例，均属于本发明保护的范围。

如图1所示，本实施例的实验区平面图，实验区为室内房间，房间长约10米,宽约6米，该房间为典型的室内办公室，平常可容纳20多人同时办公，并且人员走动也比较频繁；AP接入点1～AP接入点6共六个WiFi中继放大器作为WiFi接入点，WiFi接入点1～WiFi接入点6按图1中的标记位置设置且离地面的高度约为1.8米；实验中使用安卓智能手机作为指纹数据的采集终端和外部定位终端。参照图1，标记“o”的位置为采集指纹数据的固定参考点，而标记“x”的位置为待定位点，因此整个房间的固定参考点总数为38个，通过安卓智能手机在每个固定参考点分别间隔1秒采样一次共采样50次；待定位点的总数为12个，通过安卓智能手机在每个待定位点分别测试50次。在实际采样过程中，将各固定参考点对同一个WiFi接入点的源RSSI值单独用一个表来存放，如表1所示，本方案的固定参考点为38个，标号从1到38。

表1为单个WiFi接入点的测量数据的存放格式

如图2所示，离线测量阶段的过程如下，

(1)上述实验条件可知，待定位区域内共设有WiFi接入点1～WiFi接入点6共6个WiFi接入点，固定参考点数目为38个，分别测量38个固定参考点的坐标，在各所述固定参考点上依次对各WiFi接入点分别采集50个源RSSI值，采集到的源RSSI值的数量为38*6*50＝11400个；

(2)依次对11400个源RSSI值进行动态阈值滤波，分别得到38个固定参考点对各WiFi接入点的第一RSSI值，依次将各固定参考点的坐标与对应的第一RSSI值作为该固定参考点的第一指纹数据分别存入第一指纹数据库。

动态阈值滤波的具体方法如下：

Rh₁、Rh₂…Rh₅₀为h号固定参考点对WiFi接入点k采集的50个源RSSI值，为这50个源RSSI值的平均值，如果

则将源RSSI值Rh_i舍去，将未被舍去的源RSSI值的平均值作为h号固定参考点对WiFi接入点k的第一RSSI值；

将h号固定参考点对6个WiFi接入点的300个源RSSI值动态阈值滤波完成后，对下一个固定参考点进行动态阈值滤波，直至遍历各固定参考点，其中，1≤h≤38，1≤k≤6，h、k为整数。

因此经过步骤(2)后，第一指纹数据库内存储38个固定参考点的第一指纹数据，每条第一指纹数据存储1个对应的固定参考点坐标及该固定参考点对6个WiFi接入点的第一RSSI值。

以下步骤(3)～(4)为本方法的双重平滑滤波：

(3)依次对各第一RSSI值进行第一次平滑滤波，分别得到38个固定参考点对各WiFi接入点的第一滤波RSSI值，并将各第一滤波RSSI值覆盖对应的第一RSSI值而存入第一指纹数据库。

第一次平滑滤波具体方法如下：

依次将h号固定参考点作为第一样本，选取第一样本对WiFi接入点k的RSSI值作为第一RSSI值样本，按与第一RSSI值样本数值之差的绝对值由小到大的顺序在第一指纹数据库中找出对WiFi接入点k的3个第一RSSI值，得到与之对应的3个固定参考点，并将这3个固定参考点作为第一固定参考点，分别判断3个第一固定参考点与第一样本的欧式距离是否大于预设距离3米；

如果3个第一参考点与第一样本的欧式距离全都小于预设距离3米，则第一样本对WiFi接入点k的第一RSSI值为第一样本对WiFi接入点k的第一滤波RSSI值，也就是说不需要再获取第一样本对WiFi接入点k的第一滤波RSSI值，否则，采用19阶WKNN方法获取第一样本对WiFi接入点k的第一滤波RSSI值；

将h号固定参考点对6个WiFi接入点的6个第一RSSI值第二次平滑滤波完成后，对下一个固定参考点进行第一次平滑滤波，直至遍历各固定参考点，其中，1≤h≤38，1≤k≤6，h、k为整数。

第一滤波RSSI值覆盖存入第一指纹数据库中的位置是第一样本对WiFi接入点k的第一RSSI值所存储的位置，因此经过步骤(3)后，第一指纹数据库内每一条第一指纹数据存储1个对应的固定参考点坐标及该固定参考点对6个WiFi接入点的第一滤波RSSI值。

(4)依次对各第一滤波RSSI值进行第二次平滑滤波，分别得到38个固定参考点对各WiFi接入点的第二滤波RSSI值，并将第二滤波RSSI值覆盖对应的第一滤波RSSI值而存入第一指纹数据。

第二次平滑滤波具体方法如下：

依次将h号固定参考点作为第二样本，选取第二样本对WiFi接入点k的

第一滤波RSSI值作为第二RSSI值样本，按与第二RSSI值样本数值之差的绝对值由小到大的顺序在第一指纹数据库中找出对WiFi接入点k的10个第一滤波RSSI值，得到与之对应的10个固定参考点，并将这10个固定参考点作为第二固定参考点，按与第二样本欧式距离由小到大的顺序找出1个固定参考点，并将这1个固定参考点作为第三参考点，判断10个第二参考点和1个第三参考点是否有交集；

如果10个第二参考点和1个第三参考点存在交集，即第三参考点在第二参考点的集合内，则第二样本对WiFi接入点k的第一滤波RSSI值就是第二样本对WiFi接入点k的第二滤波RSSI值，也就是说不需要再获取第二样本对WiFi接入点k的第二滤波RSSI值，否则，采用19阶WKNN方法获取第二样本对WiFi接入点k的第二滤波RSSI值；

将h号固定参考点对6个WiFi接入点的6个第一滤波RSSI值第二次平滑滤波完成后，对下一个固定参考点进行第二次平滑滤波，直至遍历各固定参考点，其中，1≤h≤38，1≤k≤6，h、k为整数。

第二滤波RSSI值覆盖存入第一指纹数据库中的位置是第二样本对WiFi接入点k的第一滤波RSSI值所存储的位置，因此经过步骤(4)后，第一指纹数据库内每一条第一指纹数据存储1个对应的固定参考点坐标及该固定参考点对6个WiFi接入点的第二滤波RSSI值，对于各固定参考点来说，以第二滤波RSSI值作为该固定参考点对相应的WiFi接入点的信号接收强度。

(5)依次对各固定参考点进行插值判断，得到未通过插值判断的q个待插值固定参考点，并对第一指纹数据库进行插值得到第二指纹数据库，插值方法如下：

对其中一个待插值固定参考点，按欧式距离由小到大的顺序分别找出3个固定参考点，并将这3个固定参考点作为待计算固定参考点，待计算固定参考点的坐标分别为(x₁,y₁)、(x₂,y₂)、(x₃,y₃)，且待计算固定参考点与待插值固定参考点的欧式距离分别为d₁、d₂、d₃，采用WKNN方法对待计算固定参考点的坐标进行计算得出第二坐标(x′,y′)：

x′＝w₁x₁+w₂x₂+w₃x₃

y′＝w₁y₁+w₂y₂+w₃y₃

其中，w_i(i＝1,2,3)为WKNN方法的加权系数，且

将第二坐标与待插值固定参考点对各WiFi接入点的第二滤波RSSI值作为第二指纹数据，将第二指纹数据插入第一指纹数据库；

对下一个待插值固定参考点重复上述插值处理，直至完成q个待插值固定参考点的插值处理，其中，q为整数且0≤q≤38，d₁、d₂...d_k1为正数。

插值判断的方法为：

依次将h号固定参考点作为第三样本，从第一指纹数据库中读取第三样本的坐标(x,y)，按与第三样本欧氏距离由小到大的顺序找出3个固定参考点，并将这3个固定参考点作为第四固定参考点，按与第三样本欧式距离由小到大的顺序在除第四固定参考点以外的其余固定参考点集合中找出3个固定参考点，并将这3个固定参考点作为第五参考点，判断3个第四固定参考点和3个第五固定参考点是否有交集；

如果3个第四固定参考点和3个第五固定参考点有交集，第三样本通过插值判断，否则，第三样本未通过插值判断；

对下一个固定参考点进行插值判断，直至遍历各固定参考点，其中，1≤h≤38，1≤k≤6，h、k为整数。

步骤(5)中，选出符合插值条件的固定参考点并以这些固定参考点为基础进行插值，因此插值可称为选择性插值。

综上，离线测量阶段是采集数据和完善数据的阶段。

在线测量阶段的过程如下：

(A)使用外部定位终端在待定位点上分别对各WiFi接入点的定位RSSI值进行50次采集；

(B)选取步骤(A)中大于-60dBm的定位RSSI值作为定位匹配数据，并将其余定位RSSI值设为负无穷大；

(C)对定位匹配数据进行归一化处理，得到归一化定位匹配数据；

(D)对第二指纹数据库的指纹数据进行归一化处理，得到归一化指纹数据；

(E)按与定位匹配数据欧氏距离由小到大的顺序找出6个归一化指纹数据，得到对应的6个固定参考点，即找出6个最近邻点；

(F)根据6个最近邻点的坐标，采用WKNN方法计算得出定位终端所处的坐标，将这6个最近邻点坐标的平均值作为待定位点的位置。

进行第一次平滑滤波时，如果存在一个或多个第一固定参考点与第一样本的欧氏距离大于d，则用WKNN方法获取第一样本对该WiFi接入点的第一滤波RSSI值并覆盖存入至第一指纹数据库对应位置，因此，当这K个第一固定参考点与第一样本的欧氏距离均小于d时，则表明第一样本与K个第一固定参考点相对集中的分布在第一样本周围和预设距离d相关的空间内，该WiFi接入点在这个和预设距离d相关的空间内信号强度和信号覆盖相对集中以及稳定，则定位终端在这个和预设距离d相关的空间内接收到的WiFi接入点信号也相对稳定，因此通过第一次平滑滤波使在第一样本位置采集的对此WiFi接入点的定位RSSI值的稳定性较高，遍历各固定参考点对各WiFi接入点的RSSI值，提高了各固定参考点第一指纹数据的准确性，从而提高在线测量阶段的定位准确性。

同理，进行第二次平滑滤波时，如果A个第二固定参考点和B个第三固定参考点存在交集，则表明与第二样本欧氏距离接近的第三固定参考点对同一WiFi接入点的第一滤波RSSI值也接近，因此通过第二次平滑滤波使在第二样本位置处采集的对此WiFi接入点的定位RSSI值的稳定性较高，遍历各固定参考点对各WiFi接入点的第一滤波RSSI值，进一步提高了第一指纹数据的准确性，从而提高在线测量阶段的定位准确性。

对第一指纹数据库插值插入第二指纹数据时，相当于在待定位区域增加了一个与第二指纹数据对应的映射参考点，映射参考点对各WiFi接入点的信号接收强度与对应的待插值固定参考点对各WiFi接入点的第二滤波RSSI值相等，而映射参考点位置坐标是对待计算固定参考点的坐标进行了加权计算，从而映射参考点接近待插值固定参考点，因此映射参考点相当于增加了固定参考点的数量并且增大了各WiFi接入点某一信号强度的覆盖范围，因此第二指纹数据库内的数据量大于第一指纹数据库中的数据量，增加了在线测量阶段定位时的比对数据，从而使比对结果更为精确，从而使定位更为准确。

在在线测量阶段，如果选择定位匹配数据的预设阈值过低，则会把与待定位点隔墙的WiFi接入点的信号纳入定位匹配数据中，WiFi的正常信号强度为-40dbm～-85dbm之间，因此，本实验中选择定位匹配数据的预设阈值设置为-60dBm，即选择在待定位点选择接收信号强的WiFi接入点进行定位，接收信号弱的WiFi接入点不参与运算。

分别用本发明方法、最近邻法、4阶KNN法和4阶WKNN法对实验区中的12个定位测试点分别进行50次定位测试，测得的平均误差如表2所示，误差概率分布如图3所示，从表2和图3可以看出，本发明方法的相较于传统的方法有较大的性能提升。

表2.不同定位方法的平均误差

定位方法	平均定位误差/米
		最近邻法	2.5
4阶KNN法	2.1
		4阶WKNN法	2.0
本发明方法	1.4

需要说明的是，以上所述只是本发明的较佳实施例而已，本发明并不局限于上述实施方式，只要其以相同的手段达到本发明的技术效果，都应属于本发明的保护范围。

Claims (9)

1.一种基于多重滤波的WiFi室内定位方法，其特征在于：

包括离线测量阶段和在线测量阶段；

所述离线测量阶段包括以下步骤：

(1)在待定位区域设有p个WiFi接入点，选取m个固定参考点，分别测量各固定参考点的第一坐标，并在各固定参考点上依次对各WiFi接入点分别采集n个源RSSI值，源RSSI值的数量为p*m*n个，其中，p、m、n为正整数；

(2)依次对p*m*n个源RSSI值进行动态阈值滤波，得到m个固定参考点对各WiFi接入点的第一RSSI值，针对各固定参考点，依次将固定参考点的坐标以及与所述固定参考点对应的第一RSSI值作为该固定参考点的第一指纹数据，存入第一指纹数据库；

(3)依次对各第一RSSI值进行第一次平滑滤波，得到m个固定参考点对各WiFi接入点的第一滤波RSSI值；针对各第一滤波RSSI值，将第一滤波RSSI值覆盖与所述第一滤波RSSI值对应的第一RSSI值，存入第一指纹数据库；

(4)依次对各第一滤波RSSI值进行第二次平滑滤波，得到m个固定参考点对各WiFi接入点的第二滤波RSSI值；针对各第二滤波RSSI值，将第二滤波RSSI值覆盖与所述第二滤波RSSI值对应的第一滤波RSSI值，存入第一指纹数据库；

(5)依次对各固定参考点进行插值判断，得到未通过插值判断的q个待插值固定参考点，并对第一指纹数据库进行插值得到第二指纹数据库，插值方法如下：

对其中一个待插值固定参考点，按欧式距离由小到大的顺序分别找出k3个固定参考点，并将这k3个固定参考点作为待计算固定参考点，待计算固定参考点的坐标分别为(x₁，y₁)、(x₂，y₂)...(x_k3，y_k3)，且待计算固定参考点与待插值固定参考点的欧式距离分别为d₁、d₂...d_k3，采用WKNN方法对待计算固定参考点的坐标进行计算得出第二坐标(x′，y′)：

x′＝w₁x₁+w₂x₂+…+w_kx_k3

y′＝w₁y₁+w₂y₂+…+w_ky_k3

其中，w_i(i＝1，2...k3)为WKNN方法的加权系数，且

将第二坐标与待插值固定参考点对各WiFi接入点的第二滤波RSSI值作为第二指纹数据，将第二指纹数据插入第一指纹数据库；

对下一个待插值固定参考点重复上述插值处理，直至完成q个待插值固定参考点的插值处理，其中，k3为正整数，q为整数且0≤q≤m，d₁、d₂...d_k1为正数；

所述在线测量阶段包括以下步骤：

(A)外部定位终端在待定位点上采集对各WiFi接入点的定位RSSI值；

(B)选取步骤(A)中大于预设阈值的定位RSSI值作为定位匹配数据；

(C)对定位匹配数据进行归一化处理，得到归一化定位匹配数据；

(D)对第二指纹数据库中的各指纹数据进行归一化处理，得到归一化指纹数据；

(E)按与归一化定位匹配数据欧式距离从小到大的顺序找出M个归一化指纹数据及与所述归一化指纹数据对应的M个固定参考点，其中，M为正整数；

(F)根据步骤(E)中M个固定参考点的坐标，采用WKNN方法计算得出外部定位终端所处的坐标。

2.如权利要求1所述的一种基于多重滤波的WiFi室内定位方法，其特征在于，

所述离线测量阶段步骤(2)中动态阈值滤波方法为：

x₁，x₂，...，x_n为一个固定参考点对其中一个WiFi接入点采集的n个源RSSI值，为n个源RSSI值的平均值，如果

则将对应的源RSSI值x_i舍去，将未被舍去的源RSSI值的平均值作为该固定参考点对该WiFi接入点的第一RSSI值。

3.如权利要求1或2所述的一种基于多重滤波的WiFi室内定位方法，其特征在于：

所述离线测量阶段步骤(3)中第一次平滑滤波的方法为：

将其中一个固定参考点选为第一样本，将第一样本对各WiFi接入点的第一RSSI值选为第一RSSI值样本，按与第一RSSI值样本数值之差的绝对值由小到大的顺序在第一指纹数据库中找出对同一WiFi接入点的K个第一RSSI值及对应的K个固定参考点，并将这K个固定参考点作为第一固定参考点，判断第一固定参考点与第一样本的欧式距离是否大于预设距离d，当第一固定参考点与第一样本的欧氏距离全都小于预设距离d时，则第一样本对该WiFi接入点的第一RSSI值为第一样本对该WiFi接入点的第一滤波RSSI值，否则，采用WKNN方法获取第一样本对该WiFi接入点的第一滤波RSSI值，其中，K为正整数，d为正数；

将下一个固定参考点选为第一样本，重复上述第一次平滑滤波处理，直至完成m个固定参考点的第一次平滑滤波处理。

4.如权利要求3所述的一种基于多重滤波的WiFi室内定位方法，其特征在于：

所述离线测量阶段步骤(4)中第二次平滑滤波的方法为：

将其中一个固定参考点选为第二样本，将第二样本对各WiFi接入点的第一滤波RSSI值选为第二RSSI值样本，按与第二RSSI值样本数值之差的绝对值由小到大的顺序在第一指纹数据库中找出对同一WiFi接入点的A个第一滤波RSSI值及对应的A个固定参考点，并将这A个固定参考点作为第二固定参考点，按与第二样本欧氏距离由小到大的找出B个固定参考点，并将这B个固定参考点作为第三固定参考点，判断第二固定参考点和第三固定参考点是否有交集，当第二固定参考点和第三固定参考点有交集时，则第二样本对该WiFi接入点的第一滤波RSSI值就为第二样本对该WiFi接入点的第二滤波RSSI值，否则，采用WKNN方法获取第二样本对该WiFi接入点的第二滤波RSSI值，其中，A、B为正整数；

将下一个固定参考点选为第二样本，重复上述第二次平滑滤波处理，直至完成m个固定参考点的第二次平滑滤波处理。

5.如权利要求4所述的一种基于多重滤波的WiFi室内定位方法，其特征在于：

所述离线测量阶段步骤(5)中插值判断的方法为：

将其中一个固定参考点选为第三样本，按与第三样本欧式距离由小到大的顺序找出k1个固定参考点，并将这k1个固定参考点作为第四固定参考点；

按与第三样本欧式距离由小到大的顺序在除第四固定参考点的其他固定参考点集合中找出k2个固定参考点，并将这k2个固定参考点作为第五固定参考点，判断第四固定参考点和第五固定参考点是否有交集，

当第四固定参考点和第五固定参考点有交集时，第三样本通过插值判断，否则，第三样本未通过插值判断；

将下一个固定参考点选为第三样本，重复上述插值判断，直至完成m个固定参考点的插值判断。

6.如权利要求3所述的一种基于多重滤波的WiFi室内定位方法，其特征在于：所述第一次平滑滤波所采用的WKNN方法为19阶WKNN方法。

7.如权利要求4所述的一种基于多重滤波的WiFi室内定位方法，其特征在于：所述第二次平滑滤波所采用的WKNN方法为19阶WKNN方法。

8.如权利要求1所述的一种基于多重滤波的WiFi室内定位方法，其特征在于：

所述在线测量阶段步骤(B)中，预设阈值大小为-60dBm。

9.如权利要求1所述的一种基于多重滤波的WiFi室内定位方法，其特征在于：

将步骤(A)中小于等于预设阈值的定位RSSI值设为负无穷大。