CN109819406B - 一种基于众包的室内定位方法 - Google Patents

Abstract

本发明涉及一种基于众包的室内定位方法，利用多用户在室内随意行走所形成的轨迹，将多人形成的轨迹组合，形成室内环境的逻辑平面图。利用地标实现位置矫正以及实现逻辑平面图和物理平面图的匹配及其叠加，最终实现三维楼宇内部无线定位。本发明采用设定阈值的方法来解决由于不同用户对同一位置或者近似位置所测得的WiFi Received Signal Strength(RSS)偏差问题。其次，利用用户行走的轨迹图与大楼的物理图进行重合与叠加，实现了一个与真实布局近似的无线三维楼宇内部定位。

Description

一种基于众包的室内定位方法

技术领域

本发明属于室内定位技术领域，具体涉及一种基于众包的室内定位方法。

背景技术

近年来，基于位置服务产业发展迅猛，高精度位置信息是提供高质量位置服务的基础。最早出现的GPS定位系统，在室外环境下能提供高质量的定位服务。与GPS系统类似的系统还包括俄罗斯的GLONASS全球卫星定位系统、欧盟的伽利略以及我国的北斗定位系统。但是由于建筑物的遮蔽，导致此类卫星导航信号不能提供准确甚至不能提供位置信息，继而无法达到在室内定位上的精度要求。

目前室内定位逐渐成为定位导航的一个重要的分支和研究热点。现存的室内定位技术大致可以分成三类：基于特定设备的定位技术、基于WiFi信号定位技术以及基于移动传感器的定位技术。

基于特定设备的定位技术中，特定设备是研究人员为了满足特定的室内定位需求而专门设计可以发送、接收特殊信号并具有一定计算处理能力的设备，如红外、超声波、RFID等。该类技术的特点是精度高，但是需要部署专用的硬件设施，继而部署成本高，适用范围小。

基于WiFi信号的定位技术主要包括基于测距和基于指纹定位，基于测距的定位技术是利用WiFi信号在传输过程中能量衰减特性计算出到多个已知位置Acess Point(AP)节点的距离，继而通过相应的方法计算出目标节点的位置。基于指纹的定位方法是根据无线信号在空间的差异性，将无线信号特征作为特征，建立指纹——位置数据库，利用信号匹配方式推算出目标节点的位置。基于WiFi信号的定位方法的定位精度已达到米(m)级别，基本满足在部署有无线热点的公共室内场所行人、设备等物理实体定位的要求。但是其也存在易受多径效应的影响，导致WiFi接收信号不准确等问题。

基于移动传感器的定位技术是通过移动智能手机所携带移动传感器如加速度传感器、重力传感器、陀螺仪、指南针等来收集丰富的数据，使得基于移动传感器定位方法在面对复杂的室内环境时具有相对准确的定位效果。根据定位原理的不同，基于移动传感器的定位方法可分为基于行人航位推算的定位技术、基于众包的定位技术和基于摄像测量的定位技术。基于行人航位推算的定位技术易受外界环境影响，定位精度较高，但其只能获取相对位置信息，且需额外校正操作来降低漂移误差累积的影响，增加了定位计算量和能量消耗。基于众包的定位方法能在没有先验知识及基础架构支撑等条件下取得较高的定位精度。当手机获取的行走轨迹、周围环境信息等数据较多时，用户位置的估算也愈发精准，但现存的技术也只能收敛到一个与真实布局近似的2D平面图，并且没有考虑到不同的用户在同一位置获取的数据可能会由于用户手持移动设备的姿势而导致偏差。基于摄像测量的定位技术定位精度高，但该定位技术使用特殊芯片，并特别定制LED灯具，其成本较高，不利于大范围推广应用。

发明内容

针对上述存在的问题，本发明提供了一种基于众包的室内定位方法，利用多用户在室内随意行走所形成的轨迹，将多人形成的轨迹组合，形成室内环境的逻辑平面图。利用地标实现位置矫正以及实现逻辑平面图和物理平面图的匹配及其叠加，最终实现三维楼宇内部无线定位。

为了实现上述目的，本发明具体技术方案包括如下步骤：

1)采集位置点的信号强度RSS，用户在室内走动，通过所携带的移动设备每隔ΔT自动采集用户当前位置点的RSS，第X位置点的RSS记为：S_X＝{S_X,1,S_X,2,...,S_X,j,...,S_X,g}，其中，S_X,j表示第X位置点接收到的第j个WiFi接入点AP的RSS；

2)构建RSS序列及RSS序列集，通过路径上各位置点的RSS，构建该路径所对应的RSS序列，记为R_i＝{S₁,S₂,...,S_X,...,S_N}，其中，R_i表示第i条RSS序列，S_X表示R_i序列中第X位置点的RSS，N表示RSS序列中点的个数；通过RSS序列构建RSS序列集R_before，记为{R₁,R₂,...R_i,...R_M}，其中，M表示RSS序列集R_before中RSS序列个数；

3)利用K-Means聚类的方法，依次对RSS序列集R_before中的每一条RSS序列R_i进行序列内聚类，生成聚类后的RSS序列集R_after＝{L₁,L₂,...L_i,...L_M}，其中L_i是R_i聚类后的RSS序列，记为{S₁,S₂,...,S_K}，i表示第i条RSS序列，S_x(1≤x≤K)表示第i条RSS序列中的第x个位置点的RSS值；

4)利用AP的表征能力分析和打分矩阵对序列集R_after＝{L₁,L₂,...L_i,...L_M}中的序列进行序列间聚类，生成聚类后的一条序列L₁＝L₁∪L₂,...,∪L_M；

5)设置地标；所述地标包括软地标和硬地标，将步骤4)中被多次记录的位置点设置为软地标；将楼梯口、墙角处设置为硬地标；

6)合并多用户的序列形成室内逻辑平面图；

7)匹配逻辑图与物理图，利用步骤5和步骤6将楼层的逻辑平面图与该楼层的物理图进行匹配，将真实的室内平面图转化为物理平面图；

8)叠加逻辑图与物理图；

9)基于位置指纹的用户室内定位，在指纹库中，找到在指纹库中与RSS观测值的欧氏距离最近的指纹，然后将它所对应的位置坐标作为用户当前的位置。

进一步地，上述步骤3)中，对一条RSS序列R_i进行序列内聚类包括如下步骤：

3.1)初始化聚类簇数K(1≤K≤N)；

3.2)从RSS序列R_i中随机挑选K个点作为初始均值向量U_i＝{T₁,T₂,...,T_K}，其中T_q＝{t_q,1,t_q,2,...,t_q,g}(1≤q≤K)表示第q个均值向量的WiFi RSS测量值；

3.3)为初始均值向量U_i＝{T₁,T₂,...,T_K}的元素T_q创建一个聚簇中心集合C_q,并令

3.4)令循环变量p＝1，标志变量r＝0；

3.5)计算RSS序列R_i＝{S₁,S₂,...,S_X,...,S_N}中的第X个样本S_X和初始均值向量U_i＝{T₁,T₂,...,T_K}的元素T_q的差值

选择距离最近的均值向量确定S_X的簇标记：λ_i,X＝argmin_{q∈{1,2,...,K}}d_X,q，λ_i,X∈{1,2,...,K}表示样本S_X的簇标记，即

将样本S_X划入相应的聚簇集合

3.6)令X＝X+1,重复步骤3.5)，直到X＝N；

3.7)依次对第q个簇集合(1≤q≤K)，计算新均值向量

其中

且

表示在第q个簇集合中的位置点接收到第p个AP的WiFiRSS均值。如果T_q≠T_q'，则r＝1，并将当前的均值向量T_q更新为T_q'，否则保持均值向量T_q不变；

3.8)若r＝1，则重复步骤3.4)到步骤3.7)，否则U_i＝L_i，即得到聚类后的第i条序列L_i＝{S₁,S₂,...,S_K}；

3.9)令i＝i+1,重复步骤3.1)到步骤3.8)，直到i＝M,得到聚类后的序列集R_after＝{L₁,L₂,...L_i,...L_M}。

进一步地，上述步骤4)中，序列间聚类包括如下步骤：

4.1)分析表征能力，不同的WiFi AP对不同的位置具有各不相同的表征能力，则选择表征能力强的AP，其对应的WiFi RSS测量值更加准确，方法如下：

4.1.1)分别对序列L₁＝{S₁,S₂,...,S_K}中的位置点S_m＝{S_m,1,S_m,2,...,S_m,g}(1≤m≤K)和序列L_j＝{S₁,S₂,...,S_K}(2≤j≤M)中的位置点S_n＝{S_n,1,S_n,2,...,S_n,g}(1≤n≤K)的WiFi RSS测量值进行排序，并选择前d个最大WiFi RSS测量值；其中S_m表示RSS序列L₁中的第m个位置点，S_n表示RSS序列L_j中的第n个位置点；

4.1.2)若位置点S_m的前d个最大WiFi RSS测量值所对应的d个APs与位置点S_n的前d个最大WiFi RSS测量值所对应的d个APs相同并且

则S_m＝S_n，否则S_m≠S_n。其中δ表示位置点相似性的阈值,S_m,k和S_n,k分别表示在第k个AP在位置点S_m和位置点S_n处的WiFi RSS测量值；

4.2)建立加分规则

当S_m＝S_n(1≤m≤K+num,1≤n≤K)，则score(S_m＝S_n)＝+2；

当S_m≠S_n(1≤m≤K+num,1≤n≤K)，则score(S_m≠S_n)＝-1；

当S_m＝”_”或S_n＝”_”(1≤m≤K+num,1≤n≤K)，则gap＝-1；

其中num表示用户采集的位置点存在于序列L_j却不存在与序列L₁的个数，第一次序列间聚类时，num＝0；

4.3)设计矩阵

RSS序列L₁＝{S₁,S₂,...,S_K+num}和RSS序列L_j＝{S₁,S₂,...,S_K}所组成的矩阵中，矩阵中的每一个元素F(m,n)满足如下公式：

F(m,0)＝0,0≤m≤K+num

F(0,n)＝0,0≤n≤K

4.4)回溯，回溯方法如下：

4.5)计算两条RSS序列中匹配的位置点，方法如下：

若F(m,n)→F(m-1,n-1)，则表示S_m-1＝S_n-1；

若F(m,n)→F(m-1,n)，则表示S_n-1＝”_”；

若F(m,n)→F(m,n-1)，则表示S_m-1＝”_”；

从最高分回溯到F(0,0)，根据回溯，实现不同序列间相同区域的位置点匹配，如果S_m-1＝”_”，则L₁＝L₁∪S_n-1；

4.6)执行步骤4.1到4.5，直到RSS序列L₁和第M条RSS序列匹配结束；

4.7)令G_e＝G_e∪L₁，执行步骤3到步骤4，直到第w个用户所收集的WiFi RSS序列合并到G_e中，其中G_e是包含第e层楼中每个用户生成的RSS序列的集合，记G_e＝{P₁,P₂,...,P_v,...,P_w}，初始化

其中P_v表示第v个用户采集的所有位置点的集合，记P_v＝{P_v,1,P_v,2,...,P_v,z}，z表示P_v集合中第z个位置点。

进一步地，上述步骤6)中，室内逻辑平面图形成方法包括如下步骤：

6.1)设置阈值，计算不同用户的采集的RSS序列中位置点的WiFi RSS绝对差，若用户v和用户y(1≤y≤w且y≠v)中的位置点

则归并为一点。其中P_v,i表示第v个用户收集的RSS序列中的第i个位置点，P_y,j表示第y个用户收集的RSS序列中的第j个位置点，S_v,i,k表示用户v在位置点i处接收到第k个AP的WiFi RSS，S_y,j,k用户y在位置点j处接收到第k个AP的WiFi RSS；

6.2)检测序列间是否存在连续多点聚类，若序列间存在连续多点合并，序列合并，形成复合序列，否则不能形成复合序列；

6.3)根据步骤6.1和步骤6.2，借助地标，实现多用户的序列合并，即F_e＝P₁∪P₂∪...∪P_v...∪P_w，其中P_v表示在e层收集的第v个用户经过路径采集的WiFi RSS的集合，F_e＝{f_e,1,f_e,2,...,f_e,a,...,f_e,b}是在第e层收集的所有用户经过路径采集的WiFi RSS的集合，f_e,a表示e层的第a个位置点，根据F_e和用户在行走过程中手机中的陀螺仪转向绘制出该楼层的逻辑平面图。

进一步地，上述步骤8)中，逻辑图与物理图的叠加方法包括如下步骤：

8.1)执行步骤1到步骤7，直到第E层的逻辑平面图和物理平面图匹配完成，构建该楼层所对应的RSS序列集合，记F＝{F₁,F₂,...,F_e,...,F_E}；

8.2)借助步骤5中的硬地标(楼梯口)将匹配后的平面图进行叠加，选大楼的一个墙角作为坐标系的原点来定义物理平面图的局部坐标系，则某一位置点的坐标为F(x,y,e)且e表示楼层，此时生成了位置-指纹轨迹图，将每一个位置点f_e,a表示为

并保存在数据库中，其中

表示在e层上第2个位置点上收集的WiFi RSS向量，(x,y,e)表示在e层上的坐标(x,y)。

进一步地，上述步骤9)中，定位方法包括如下步骤：

9.1)用户利用移动手机接收当前位置P的WiFi RSS的值p＝{s₁,s₂,...,s_g}；

9.2)设P和指纹数据库中的

欧式距离

其中

表示e层上第a个位置上的WiFi RSS向量，

表示在e层上第a个位置上接收到第k个AP的WiFiRSSS；

9.3)利用步骤9.2分别计算P和数据库中的WiFi RSS的欧式距离，选取最小欧式距离D_min做为当前用户的位置点，实现无线三维楼宇内部定位的效果。

与现有技术相比，本发明考虑到不同用户在同一位置获取的数据可能会由于用户手持的移动设备的姿势而导致的偏差问题，采用设定阈值的方法来解决由于不同用户对同一位置或者近似位置所测得的WiFi Received Signal Strength(RSS)偏差问题，并且借助地标实现多用户轨迹的合并。其次，针对但现存的技术只能收敛到一个与真实布局近似的2D平面图，利用用户行走的轨迹图与大楼的物理图进行重合与叠加，实现了一个与真实布局近似的无线三维楼宇内部定位。

附图说明

图1是本发明基于众包的室内定位方法流程图。

具体实施方式

下面结合附图对本发明作进一步描述，一种基于众包的无线三维楼宇内部定位的方法如图1所示，包括如下步骤：

1)采集位置点的信号强度RSS，用户在室内走动，通过所携带的移动设备每隔ΔT自动采集用户当前位置点的RSS，第X位置点的RSS记为：S_X＝{S_X,1,S_X,2,...,S_X,j,...,S_X,g}，其中，S_X,j表示第X位置点接收到的第j个WiFi接入点AP的RSS；每一条序列的采集方法是：参与数据收集的用户无需进行特殊训练，只要在建筑内正常地工作行走，当用户在室内走动时，所携带的移动设备(手机)自动收集其移动路径上的WiFi RSS，其沿途的WiFi RSS就构成一条RSS序列；

2)构建RSS序列及RSS序列集，通过路径上各位置点的RSS，构建该路径所对应的RSS序列，记为R_i＝{S₁,S₂,...,S_X,...,S_N}，其中，R_i表示第i条RSS序列，S_X表示R_i序列中第X位置点的RSS，N表示RSS序列中点的个数；通过RSS序列构建RSS序列集R_before，记为{R₁,R₂,...R_i,...R_M}，其中，M表示RSS序列集R_before中RSS序列个数；

3)利用K-Means聚类的方法，依次对RSS序列集R_before中的每一条RSS序列R_i进行序列内聚类，生成聚类后的RSS序列集R_after＝{L₁,L₂,...L_i,...L_M}，其中L_i是R_i聚类后的RSS序列，记为{S₁,S₂,...,S_K}，i表示第i条RSS序列，S_x(1≤x≤K)表示第i条RSS序列中的第x个位置点的RSS值；对每一条RSS序列R_i进行序列内聚类具体步骤如下：

3.1)初始化聚类簇数K(1≤K≤N)；

3.2)从RSS序列R_i中随机挑选K个点作为初始均值向量U_i＝{T₁,T₂,...,T_K}，其中T_q＝{t_q,1,t_q,2,...,t_q,g}(1≤q≤K)表示第q个均值向量的WiFi RSS测量值；

3.3)为初始均值向量U_i＝{T₁,T₂,...,T_K}的元素T_q创建一个聚簇中心集合C_q,并令

3.4)令循环变量p＝1，标志变量r＝0；

3.5)计算RSS序列R_i＝{S₁,S₂,...,S_X,...,S_N}中的第X个样本S_X和初始均值向量U_i＝{T₁,T₂,...,T_K}的元素T_q的差值

选择距离最近的均值向量确定S_X的簇标记：λ_i,X＝argmin_{q∈{1,2,...,K}}d_X,q，λ_i,X∈{1,2,...,K}表示样本S_X的簇标记，即

将样本S_X划入相应的聚簇集合

3.6)令X＝X+1,重复步骤3.5)，直到X＝N；

3.7)依次对第q个簇集合(1≤q≤K)，计算新均值向量

其中

且

表示在第q个簇集合中的位置点接收到第p个AP的WiFiRSS均值。如果T_q≠T_q'，则r＝1，并将当前的均值向量T_q更新为T_q'，否则保持均值向量T_q不变；

3.8)若r＝1，则重复步骤3.4)到步骤3.7)，否则U_i＝L_i，即得到聚类后的第i条序列L_i＝{S₁,S₂,...,S_K}；

3.9)令i＝i+1,重复步骤3.1)到步骤3.8)，直到i＝M,得到聚类后的序列集R_after＝{L₁,L₂,...L_i,...L_M}。

4)序列间聚类，利用AP的表征能力分析和打分矩阵对序列集R_after＝{L₁,L₂,...L_i,...L_M}中的序列进行序列间聚类，生成聚类后的一条序列L₁＝L₁∪L₂,...,∪L_M；

4.1)分析表征能力，不同的WiFi AP对不同的位置具有各不相同的表征能力，则选择表征能力强的AP，其对应的WiFi RSS测量值更加准确；方法如下：

4.1.1)分别对序列L₁＝{S₁,S₂,...,S_K}中的位置点S_m＝{S_m,1,S_m,2,...,S_m,g}(1≤m≤K)和序列L_j＝{S₁,S₂,...,S_K}(2≤j≤M)中的位置点S_n＝{S_n,1,S_n,2,...,S_n,g}(1≤n≤K)的WiFi RSS测量值进行排序，并选择前d个最大WiFi RSS测量值。其中S_m表示RSS序列L₁中的第m个位置点，S_n表示RSS序列L_j中的第n个位置点；

4.1.2)若位置点S_m的前d个最大WiFi RSS测量值所对应的d个APs与位置点S_n的前d个最大WiFi RSS测量值所对应的d个APs相同并且

则S_m＝S_n，否则S_m≠S_n。其中δ表示位置点相似性的阈值,S_m,k和S_n,k分别表示在第k个AP在位置点S_m和位置点S_n处的WiFi RSS测量值；

4.2)建立加分规则

当S_m＝S_n(1≤m≤K+num,1≤n≤K)，则score(S_m＝S_n)＝+2

当S_m≠S_n(1≤m≤K+num,1≤n≤K)，则score(S_m≠S_n)＝-1

当S_m＝”_”或S_n＝”_”(1≤m≤K+num,1≤n≤K)，则gap＝-1

其中num表示用户采集的位置点存在于序列L_j却不存在与序列L₁的个数，第一次序列间聚类时，num＝0；

4.3)设计矩阵

RSS序列L₁＝{S₁,S₂,...,S_K+num}和RSS序列L_j＝{S₁,S₂,...,S_K}所组成的矩阵中，矩阵中的每一个元素F(m,n)满足如下公式：

F(m,0)＝0,0≤m≤K+num

F(0,n)＝0,0≤n≤K

4.4)回溯，回溯方法如下：

4.5)计算两条RSS序列中匹配的位置点，方法如下：

若F(m,n)→F(m-1,n-1)，则表示S_m-1＝S_n-1

若F(m,n)→F(m-1,n)，则表示S_n-1＝”_”

若F(m,n)→F(m,n-1)，则表示S_m-1＝”_”

从最高分回溯到F(0,0)，根据回溯，实现不同序列间相同区域的位置点匹配，如果S_m-1＝”_”，则L₁＝L₁∪S_n-1；

4.6)执行步骤4.1到4.5，直到RSS序列L₁和第M条RSS序列匹配结束；

4.7)令G_e＝G_e∪L₁，执行步骤3到步骤4，直到第w个用户所收集的WiFi RSS序列合并到G_e中，其中G_e是包含第e层楼中每个用户生成的RSS序列的集合，记G_e＝{P₁,P₂,...,P_v,...,P_w}，初始化

其中P_v表示第v个用户采集的所有位置点的集合，记P_v＝{P_v,1,P_v,2,...,P_v,z}，z表示P_v集合中第z个位置点。

5)设置地标

设置地标；所述地标包括软地标和硬地标，将步骤4)中被多次记录的位置点设置为软地标；将楼梯口、墙角处设置为硬地标；

6)合并多用户的序列形成室内逻辑平面图；详细步骤如下：

6.1)设置阈值，计算不同用户的采集的RSS序列中位置点的WiFi RSS绝对差，若用户v和用户y(1≤y≤w且y≠v)中的位置点

则归并为一点。其中P_v,i表示第v个用户收集的RSS序列中的第i个位置点，P_y,j表示第y个用户收集的RSS序列中的第j个位置点，S_v,i,k表示用户v在位置点i处接收到第k个AP的WiFi RSS，S_y,j,k用户y在位置点j处接收到第k个AP的WiFi RSS；

6.2)检测序列间是否存在连续多点聚类，若序列间存在连续多点合并，序列合并，形成复合序列，否则不能形成复合序列；

6.3)根据步骤6.1和步骤6.2，借助地标，实现多用户的序列合并，即F_e＝P₁∪P₂∪...∪P_v...∪P_w，其中P_v表示在e层收集的第v个用户经过路径采集的WiFi RSS的集合，F_e＝{f_e,1,f_e,2,...,f_e,a,...,f_e,b}是在第e层收集的所有用户经过路径采集的WiFi RSS的集合，f_e,a表示e层的第a个位置点，根据F_e和用户在行走过程中手机中的陀螺仪转向绘制出该楼层的逻辑平面图。

7)逻辑图与物理图的匹配

匹配逻辑图与物理图，利用步骤4和步骤5将楼层的逻辑平面图与该楼层的物理图进行匹配，将真实的室内平面图转化为物理平面图；

8)逻辑图与物理图的叠加

8.1)执行步骤1到步骤7，直到第E层的逻辑平面图和物理平面图匹配完成，构建该楼层所对应的RSS序列集合，记F＝{F₁,F₂,...,F_e,...,F_E}；

8.2)借助步骤5中的硬地标(楼梯口)将匹配后的平面图进行叠加，选大楼的一个墙角作为坐标系的原点来定义物理平面图的局部坐标系，则某一位置点的坐标为F(x,y,e)且e表示楼层，此时生成了位置-指纹轨迹图，将每一个位置点f_e,a表示为

并保存在数据库中，其中

表示在e层上第2个位置点上收集的WiFi RSS向量，(x,y,e)表示在e层上的坐标(x,y)。

9)基于位置指纹的用户室内定位

匹配逻辑图与物理图，利用步骤5和步骤6将楼层的逻辑平面图与该楼层的物理图进行匹配，将真实的室内平面图转化为物理平面图。

详细步骤如下：

9.1)用户利用移动手机接收当前位置P的WiFi RSS的值p＝{s₁,s₂,...,s_g}；

9.2)设P和指纹数据库中的

欧式距离

其中

表示e层上第a个位置上的WiFi RSS向量，

表示在e层上第a个位置上接收到第k个AP的WiFiRSSS；

9.3)利用步骤9.2分别计算P和数据库中的WiFi RSS的欧式距离，选取最小欧式距离D_min做为当前用户的位置点，实现无线三维楼宇内部定位的效果。

Claims (4)

1.一种基于众包的室内定位方法，其特征在于包括如下步骤：

1)采集位置点的信号强度RSS，用户在室内走动，通过所携带的移动设备每隔ΔT自动采集用户当前位置点的RSS，第X位置点的RSS记为：S_X＝{S_X,1,S_X,2,...,S_X,j,...,S_X,g}，其中，S_X,j表示第X位置点接收到的第j个WiFi接入点AP的RSS；

2)构建RSS序列及RSS序列集，通过路径上各位置点的RSS，构建该路径所对应的RSS序列，记为R_i＝{S₁,S₂,...,S_X,...,S_N}，其中，R_i表示第i条RSS序列，S_X表示R_i序列中第X位置点的RSS，N表示RSS序列中点的个数；通过RSS序列构建RSS序列集R_before，记为{R₁,R₂,...R_i,...R_M}，其中，M表示RSS序列集R_before中RSS序列个数；

3)利用K-Means聚类的方法，依次对RSS序列集R_before中的每一条RSS序列R_i进行序列内聚类，生成聚类后的RSS序列集R_after＝{L₁,L₂,...L_i,...L_M}，其中L_i是R_i聚类后的RSS序列，记为{S₁,S₂,...,S_K}，i表示第i条RSS序列，S_x(1≤x≤K)表示第i条RSS序列中的第x个位置点的RSS值；

对一条RSS序列R_i进行序列内聚类包括如下步骤：

3.1)初始化聚类簇数K(1≤K≤N)；

3.2)从RSS序列R_i中随机挑选K个点作为初始均值向量U_i＝{T₁,T₂,...,T_K}，其中T_q＝{t_q,1,t_q,2,...,t_q,g}(1≤q≤K)表示第q个均值向量的WiFi RSS测量值；

3.3)为初始均值向量U_i＝{T₁,T₂,...,T_K}的元素T_q创建一个聚簇中心集合C_q,并令

3.4)令循环变量p＝1，标志变量r＝0；

3.5)计算RSS序列R_i＝{S₁,S₂,...,S_X,...,S_N}中的第X个样本S_X和初始均值向量U_i＝{T₁,T₂,...,T_K}的元素T_q的差值

选择距离最近的均值向量确定S_X的簇标记：λ_i,X＝argmin_{q∈{1,2,...,K}}d_X,q，λ_i,X∈{1,2,...,K}表示样本S_X的簇标记，即

将样本S_X划入相应的聚簇集合

3.6)令X＝X+1,重复步骤3.5)，直到X＝N；

3.7)依次对第q个簇集合(1≤q≤K)，计算新均值向量

其中

且

表示在第q个簇集合中的位置点接收到第p个AP的WiFiRSS均值；如果T_q≠T′_q，则r＝1，并将当前的均值向量T_q更新为T′_q，否则保持均值向量T_q不变；

3.8)若r＝1，则重复步骤3.4)到步骤3.7)，否则U_i＝L_i，即得到聚类后的第i条序列L_i＝{S₁,S₂,...,S_K}；

3.9)令i＝i+1,重复步骤3.1)到步骤3.8)，直到i＝M,得到聚类后的序列集R_after＝{L₁,L₂,...L_i,...L_M}；

4)利用AP的表征能力分析和打分矩阵对序列集R_after＝{L₁,L₂,...L_i,...L_M}中的序列进行序列间聚类，生成聚类后的一条序列L₁＝L₁∪L₂,...,∪L_M；

序列间聚类包括如下步骤：

4.1)分析表征能力，不同的WiFi AP对不同的位置具有各不相同的表征能力，则选择表征能力强的AP，其对应的WiFi RSS测量值更加准确，方法如下：

4.1.1)分别对序列L₁＝{S₁,S₂,...,S_K}中的位置点S_m＝{S_m,1,S_m,2,...,S_m,g}(1≤m≤K)和序列L_j＝{S₁,S₂,...,S_K}(2≤j≤M)中的位置点S_n＝{S_n,1,S_n,2,...,S_n,g}(1≤n≤K)的WiFiRSS测量值进行排序，并选择前d个最大WiFi RSS测量值，其中S_m表示RSS序列L₁中的第m个位置点，S_n表示RSS序列L_j中的第n个位置点；

4.1.2)若位置点S_m的前d个最大WiFi RSS测量值所对应的d个APs与位置点S_n的前d个最大WiFi RSS测量值所对应的d个APs相同并且

则S_m＝S_n，否则S_m≠S_n；其中δ表示位置点相似性的阈值,S_m,k和S_n,k分别表示在第k个AP在位置点S_m和位置点S_n处的WiFi RSS测量值；

4.2)建立加分规则

当S_m＝S_n(1≤m≤K+num,1≤n≤K)，则score(S_m＝S_n)＝+2；

当S_m≠S_n(1≤m≤K+num,1≤n≤K)，则score(S_m≠S_n)＝-1；

当S_m＝”_”或S_n＝”_”(1≤m≤K+num,1≤n≤K)，则gap＝-1；

其中num表示用户采集的位置点存在于序列L_j却不存在与序列L₁的个数，第一次序列间聚类时，num＝0；

4.3)设计矩阵

RSS序列L₁＝{S₁,S₂,...,S_K+num}和RSS序列L_j＝{S₁,S₂,...,S_K}所组成的矩阵中，矩阵中的每一个元素F(m,n)满足如下公式：

F(m,0)＝0,0≤m≤K+num

F(0,n)＝0,0≤n≤K

4.4)回溯，回溯方法如下：

4.5)计算两条RSS序列中匹配的位置点，方法如下：

若F(m,n)→F(m-1,n-1)，则表示S_m-1＝S_n-1；

若F(m,n)→F(m-1,n)，则表示S_n-1＝”_”；

若F(m,n)→F(m,n-1)，则表示S_m-1＝”_”；

从最高分回溯到F(0,0)，根据回溯，实现不同序列间相同区域的位置点匹配，如果S_m-1＝”_”，则L₁＝L₁∪S_n-1；

4.6)执行步骤4.1到4.5，直到RSS序列L₁和第M条RSS序列匹配结束；

4.7)令G_e＝G_e∪L₁，执行步骤3到步骤4，直到第w个用户所收集的WiFi RSS序列合并到G_e中，其中G_e是包含第e层楼中每个用户生成的RSS序列的集合，记G_e＝{P₁,P₂,...,P_v,...,P_w}，初始化

其中P_v表示第v个用户采集的所有位置点的集合，记P_v＝{P_v,1,P_v,2,...,P_v,z}，z表示P_v集合中第z个位置点；

5)设置地标；所述地标包括软地标和硬地标，将步骤4)中被多次记录的位置点设置为软地标；将楼梯口、墙角处设置为硬地标；

6)合并多用户的序列形成室内逻辑平面图；

7)匹配逻辑图与物理图，利用步骤5和步骤6将楼层的逻辑平面图与该楼层的物理图进行匹配，将真实的室内平面图转化为物理平面图；

8)叠加逻辑图与物理图；

9)基于位置指纹的用户室内定位，在指纹库中，找到在指纹库中与RSS观测值的欧氏距离最近的指纹，然后将它所对应的位置坐标作为用户当前的位置。

2.如权利要求1所述的基于众包的室内定位方法，其特征在于所述步骤6)中，室内逻辑平面图形成方法包括如下步骤：

6.1)设置阈值，计算不同用户的采集的RSS序列中位置点的WiFi RSS绝对差，若用户v和用户y(1≤y≤w且y≠v)中的位置点

则归并为一点；其中P_v,i表示第v个用户收集的RSS序列中的第i个位置点，P_y,j表示第y个用户收集的RSS序列中的第j个位置点，S_v,i,k表示用户v在位置点i处接收到第k个AP的WiFi RSS，S_y,j,k用户y在位置点j处接收到第k个AP的WiFi RSS；

6.2)检测序列间是否存在连续多点聚类，若序列间存在连续多点合并，序列合并，形成复合序列，否则不能形成复合序列；

6.3)根据步骤6.1和步骤6.2，借助地标，实现多用户的序列合并，即F_e＝P₁∪P₂∪...∪P_v...∪P_w，其中P_v表示在e层收集的第v个用户经过路径采集的WiFi RSS的集合，其中F_e＝{f_e,1,f_e,2,...,f_e,a,...,f_e,b}是在第e层收集的所有用户经过路径采集的WiFi RSS的集合，f_e,a表示e层的第a个位置点，根据F_e和用户在行走过程中手机中的陀螺仪转向绘制出该楼层的逻辑平面图。

3.如权利要求1所述的基于众包的室内定位方法，其特征在于所述步骤8)中，逻辑图与物理图的叠加方法包括如下步骤：

8.1)执行步骤1到步骤7，直到第E层的逻辑平面图和物理平面图匹配完成，构建该楼层所对应的RSS序列集合，记F＝{F₁,F₂,...,F_e,...,F_E}；

8.2)借助步骤5中的硬地标(楼梯口)将匹配后的平面图进行叠加，选大楼的一个墙角作为坐标系的原点来定义物理平面图的局部坐标系，则某一位置点的坐标为F(x,y,e)且e表示楼层，此时生成了位置-指纹轨迹图，将每一个位置点f_e,a表示为

并保存在数据库中，其中

表示在e层上第2个位置点上收集的WiFi RSS向量，(x,y,e)表示在e层上的坐标(x,y)。

4.如权利要求1所述的基于众包的室内定位方法，其特征在于所述步骤9)中，定位方法包括如下步骤：

9.1)用户利用移动手机接收当前位置P的WiFi RSS的值p＝{s₁,s₂,...,s_g}；

9.2)设P和指纹数据库中的

欧式距离

其中

表示e层上第a个位置上的WiFi RSS向量，

表示在e层上第a个位置上接收到第k个AP的WiFi RSSS；

9.3)利用步骤9.2分别计算P和数据库中的WiFi RSS的欧式距离，选取最小欧式距离D_min做为当前用户的位置点，实现无线三维楼宇内部定位的效果。

Images