CN110049442B - 基于智能手机的室内WiFi指纹定位自动标定方法及系统 - Google Patents

Abstract

本发明涉及一种基于智能手机的室内WiFi指纹定位自动标定方法及系统，该方法包括如下步骤：获取通过标准手机采集到的标准采样数据，以及通过用户手机采集到的用户采样数据，其中所述标准采样数据为所述标准手机采集到的WiFi指纹数据并经均值化处理得到，所述用户采样数据为所述用户手机采集到的WiFi指纹数据并经正态分布处理得到；根据所述标准采样数据以及所述用户采样数据建立并训练得到支持向量机算法模型，并记录对应的模型参数及用户手机型号；以所述用户采样数据作为模型输入，将经所述支持向量机算法模型处理后得到的输出作为标定值以完成自动标定作业。本发明提出的基于智能手机的室内WiFi指纹定位自动标定方法及系统，可在仅持有用户手机的情况下完成标定，操作简单且更加智能，可提高室内定位精度。

Description

基于智能手机的室内WiFi指纹定位自动标定方法及系统

技术领域

本发明涉及室内定位技术领域，特别涉及一种基于智能手机的室内WiFi指纹定位自动标定方法及系统。

背景技术

近年来，室内定位作为室外定位的技术延伸，弥补了传统定位技术的不足。室内定位已广泛应用在室内导航、移动支付、店内导购、人流分析以及物品跟踪等所有与人在室内流动相关的活动之中，成为物联网时代的重要基础。

目前，常用的定位方法有Wifi、蓝牙和ZigBee等。相对于其他定位方法，WiFi指纹定位由于其覆盖广、成本低廉且定位精度较好等因素常被应用于室内定位，其通过在定位区域设置指纹点，并在每个指纹点采集各个WiFi AP的RSSI值作为指纹库。定位时，通过与指纹库中每个指纹点进行比对，找到最接近的指纹点，从而完成定位。与此同时，室内定位技术的关键问题即为室内定位精度的准确性的问题。

随着智能手机更新速度越来越快，每款手机的软硬件也存在差异，接收到的RSSI值也存在较大差异，这将大大影响WiFi指纹定位精度。而为每一款手机都采集指纹库并不现实，因此标定方法应运而生。传统的人工标定方法费时费力，然而，由于手机软硬件异构、人为干预等干扰，导致定位精度不高且标定步骤复杂，不利于实际应用。

发明内容

基于此，本发明的目的是为了解决现有技术中，由于手机软硬件异构、人为干预等干扰，导致定位精度不高且标定步骤复杂的问题。

为了解决这一技术问题，本发明提出一种基于智能手机的室内WiFi指纹定位自动标定方法，其中，所述方法包括如下步骤：

获取通过标准手机采集到的标准采样数据以及通过用户手机采集到的用户采样数据，其中所述标准采样数据为所述标准手机采集到的WiFi指纹数据并经均值化处理得到，所述用户采样数据为所述用户手机采集到的WiFi指纹数据并经正态分布处理得到；

根据所述标准采样数据以及所述用户采样数据建立并训练得到支持向量机算法模型，并记录对应的模型参数及用户手机型号；

以所述用户采样数据作为模型输入，将经所述支持向量机算法模型处理后得到的输出作为标定值以完成自动标定作业。

本发明提出一种基于智能手机的室内WiFi指纹定位自动标定方法，首先获取标准手机采集到的WiFi指纹数据，经均值化处理后得到标准采样数据，用户手机采集到的WiFi指纹数据经正态分布处理得到用户采样数据，然后根据获取的标准采样数据以及用户采样数据建立并训练得到支持向量算法模型，其中在服务器中还存储了对应的模型参数以及用户手机型号，在进行标定时，以用户采样数据作为模型输入，以支持向量机算法模型处理后的输出作为标定值，从而完成室内WiFi指纹定位的标定作业。本发明提出的室内WiFi指纹定位自动标定方法，仅通过用户的一部手机便可完成自动标定作业，消除了由于手机软硬件异构等的干扰，操作简单，可提高定位精度。

所述基于智能手机的室内WiFi指纹定位自动标定方法，其中，对所述标准手机采集到的WiFi指纹数据进行均值化处理的方法包括如下步骤：

根据公式

对所述标准手机采集到的WiFi指纹数据中的每个Mac地址的RSSI值作均值处理得到所述标准采样数据，记作RSSI_avg。

所述基于智能手机的室内WiFi指纹定位自动标定方法，其中，对所述用户手机采集到的WiFi指纹数据并经正态分布处理得方法包括如下步骤：

根据公式

对所述基于智能手机的用户手机采集到的WiFi指纹数据中的每个Mac地址的RSSI值作均值处理，并将所有Mac地址的RSSI均值记作AllRSSI_avg；

根据公式

计算得到标准差S，其中n为Mac地址的个数；

根据正态分布3σ原则，在正态曲线下，选取RSSI_avg在区间

(AllRSSI_avg-3σ，AllRSSI_avg+3σ)

内的数据以得到所述用户采样数据，其中σ即为所述标准差S。

所述基于智能手机的室内WiFi指纹定位自动标定方法，其中，从所述标准手机获取的所述标准采样数据或从所述用户手机获取的所述用户采样数据的发送格式为：

{Model{(P_i{(AP_i1,RSSI_i1avg),...(AP_ij,RSSI_ijavg),...(AP_ik,RSSI_ikavg)})}}

其中，Model是手机型号，P_i是编号为i的室内特征采样点，AP_ij(j∈[1,k])为用户手机或标准手机在编号为i的室内特征采样点均能采集到信号的第j个WiFi无线路由器AP，RSSI_ijavg为编号为i的特征采样点采集第j个AP的RSSI均值。

所述基于智能手机的室内WiFi指纹定位自动标定方法，其中，所述根据所述标准采样数据以及所述用户采样数据建立并训练得到支持向量机算法模型的方法包括如下步骤：

根据所述用户采样数据以及所述标准采样数据，得到训练样本集；

在支持向量机中，根据所述用户采样数据，通过非线性映射，映射到高维特征空间，以建立一线性模型用于估计回归函数；

根据所述非线性映射，计算得到径向基核函数；

根据拉格朗日函数，将所述径向基核函数进行转化以得到所述支持向量机算法模型。

所述基于智能手机的室内WiFi指纹定位自动标定方法，其中，所述根据所述用户采样数据以及所述标准采样数据，得到训练样本集的方法包括如下步骤：

将用户手机采样数据作为x_i，标准手机采样数据作为y_i，得到训练样本集D＝{(x₁,y₁)...(x_i,y_i)...(x_m,y_m)}；

所述线性模型的表达式为：

f(x)＝wφ(x)+b

其中，w为权向量，b为阈值，φ(x)为所述非线性映射。

所述基于智能手机的室内WiFi指纹定位自动标定方法，其中，所述径向基核函数的表达式为：

其中，σ为核宽度，x_i以及x_j均为特征向量；

所述支持向量机算法模型的表达式为：

其中a_i≥0，

为拉格朗日乘子，n为支持向量的个数，

为回归阈值。

所述基于智能手机的室内WiFi指纹定位自动标定方法，其中，在通过所述用户手机采集WiFi指纹数据之前，所述方法还包括：

判断所述用户手机的手机型号是否在标定库中；

若是，则以所述用户采样数据作为模型输入，将经所述支持向量机算法模型处理后得到的输出作为标定值以完成自动标定作业。

所述基于智能手机的室内WiFi指纹定位自动标定方法，其中，当判断到所述用户手机的手机型号不在所述标定库中，所述方法还包括：

遍历每个采样点并筛选出所述用户采样数据以及数据库中的所述标准采样数据在同一采样点共有的AP信息；

将筛选后的所述用户采样数据作为支持向量机模型的输入，将所述标准采样数据作为支持向量机模型的输出，并对所述支持向量机模型进行训练；

将训练后的所述支持向量机模型存储在服务器中，并保存对应的手机型号。

本发明还提出一种基于智能手机的室内WiFi指纹定位自动标定系统，其中，所述系统包括：

数据采样模块，用于获取通过标准手机采集到的标准采样数据，以及通过用户手机采集到的用户采样数据，其中所述标准采样数据为所述标准手机采集到的WiFi指纹数据并经均值化处理得到，所述用户采样数据为所述用户手机采集到的WiFi指纹数据并经正态分布处理得到；

模型建立模块，用于根据所述标准采样数据以及所述用户采样数据建立并训练得到支持向量机算法模型，并记录对应的模型参数及用户手机型号；

自动标定模块，用于以所述用户采样数据作为模型输入，将经所述支持向量机算法模型处理后得到的输出作为标定值以完成自动标定作业。

本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

图1为本发明第一实施例提出的基于智能手机的室内WiFi指纹定位自动标定方法的原理框架图；

图2为图1所示的基于智能手机的室内WiFi指纹定位自动标定方法的流程图；

图3为本发明第二实施例提出的基于智能手机的室内WiFi指纹定位自动标定系统的结构示意图。

具体实施方式

为了便于理解本发明，下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的首选实施例。但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容更加透彻全面。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。

传统的室内定位方式，由于人为干预等诸多因素的干扰，其定位精度仍有待提高。为了能够在仅持有用户手机的情况下完成标定，从而减小标定工作量以及人为干预，提高基于WiFi室内指纹定位的精度。经试验分析：采用支持向量机算法模型标定与线性模型标定进行对比，发现定位误差分别减小了28.5％和15.3％，所以使用支持向量机算法模型进行标定。

请参阅图1与图2，对于本发明提出第一实施例提出的基于智能手机的室内WiFi指纹定位自动标定方法，其具体实施方式包括如下步骤：

S101，获取通过标准手机采集到的标准采样数据以及通过用户手机采集到的用户采样数据，其中所述标准采样数据为所述标准手机采集到的WiFi指纹数据并经均值化处理得到，所述用户采样数据为所述用户手机采集到的WiFi指纹数据并经正态分布处理得到。

在复杂的室内环境下，不同场景对AP信号的干扰强度不同，且采样AP的数目也不相同。其中，室内特征采样点，指的是在各场景下对采样AP信号及数目相对稳定的点。在本实施例中，将室内环境分为走廊、空旷处以及拐角等场景，其中房间内属于空旷处场景。各场景分别设置6个特征采样点，对不同场景的特征采样点进行顺序编号。

在此需要指出的是，为确保手机扫描WiFi数据的有效性，保证数据的稳定型，需要大量采集数据。对于手机WiFi采样数据，采样周期为3秒，在每个特征采样点的WiFi采样时间为三分钟。

此外，由于Android9.0系统对WiFi数据扫描限制为2分钟扫描4次，故本系统扫描采用的手机系统为Android8.0。且由于手机的不同朝向会影响采集AP信号数据，规定标准手机以及用户手机在进行数据采样时的方向均朝南。

需要补充的是，标准手机是经过预实验分析比对，选择采集指纹数据波动最小、精度最准确的手机。标准手机在各个特征采样点采集数据，并对每个AP的RSSI值进行均值处理后的数据为标准采样数据。

在本步骤中，首先通过标准手机进行WiFi指纹数据采样，然后将采集到的WiFi指纹数据进行均值化处理得到标准采样数据。具体的，

根据公式

对标准手机采集到的WiFi指纹数据中的每个Mac地址的RSSI值作均值处理，记作RSSI_avg。

随后，通过用户手机进行WiFi指纹数据采样，将采集到的WiFi指纹数据进行正态分布函数处理后得到用户采样数据，并上传至服务器中。具体的，

对所述用户手机采集到的WiFi指纹数据并经正态分布处理得方法包括如下步骤：

根据公式

对用户手机采集到的WiFi指纹数据中的每个Mac地址的RSSI值作均值处理，并将所有Mac地址的RSSI均值记作AllRSSI_avg；

根据公式

计算得到标准差S，其中n为Mac地址的个数；

根据正态分布3σ原则，在正态曲线下，选取RSSI_avg在区间

(AllRSSI_avg-3σ，AllRSSI_avg+3σ)

内的数据以得到用户采样数据，其中σ即为标准差S。

进一步的，用户手机在对采样数据进行处理后，将处理后的用户采样数据发送至服务器，发送的格式如下：

{Model{(P_i{(AP_i1,RSSI_i1avg),...(AP_ij,RSSI_ijavg),...(AP_ik,RSSI_ikavg)})}}

其中，Model是手机型号，p_i是编号为i的室内特征采样点，AP_ij(j∈[1,k])为用户手机或标准手机在编号为i的室内特征采样点均能采集到信号的第j个WiFi无线路由器AP，RSSI_ijavg为编号为i的特征采样点采集第j个AP的RSSI均值。

S102，根据所述标准采样数据以及所述用户采样数据建立并训练得到支持向量机算法模型，并记录对应的模型参数及用户手机型号。

在本步骤中，其具体实施过程如下：

(1)根据所述用户采样数据以及所述标准采样数据，得到训练样本集。

具体的，将用户手机采样数据作为x_i，标准手机采样数据作为y_i，得到训练样本集D＝{(x₁,y₁)...(x_i,y_i)...(x_m,y_m)}。

(2)在支持向量机中，根据用户采样数据，通过非线性映射，映射到高维特征空间，以建立一线性模型用于估计回归函数。

支持向量机中样本x通过非线性映射φ(x)映射到一个高维特征空间，建立一个线性模型来估计回归函数，即f(x)＝wφ(x)+b，使得f(x)与y尽可能接近，其中w是权向量，b为阈值，w、b为待确定的模型参数。

(3)根据所述非线性映射，计算得到径向基核函数。

径向基核函数的表达式为：

其中σ为核宽度，它与学习样本的输入空间范围或宽度有关，样本输入空间范围越小，σ取值越小。x_i、x_j为两个特征向量。

(4)根据拉格朗日函数，将所述径向基核函数进行转化以得到所述支持向量机算法模型。

通过引入拉格朗日函数将其转化为对偶问题，得到最终回归表达式，也即支持向量机算法模型的表达式为：

其中a_i≥0，

为拉格朗日乘子，n为支持向量的个数，

为回归阈值。

由于支持向量机算法要求的样本数是相对比较少的，与样本的维数无关，因此本实例中对手机采样周期为3秒，采样时间为3分钟的WiFiRSSI数量可以全部用来进行模型训练。

在此还需要补充说明的是，在通过用户手机采集WiFi指纹数据之前，还需要判断用户手机的手机型号是否在标定库中，具体的，分两种情况进行讨论：

a、若用户手机的手机型号在标定库中，则跳转至步骤S103，也即以用户采样数据作为模型输入，将经支持向量机算法模型处理后得到的输出作为标定值以完成自动标定作业；

b、若用户手机的手机型号不在标定库中，则遍历每个采样点并筛选出所述用户采样数据以及数据库中的所述标准采样数据在同一采样点共有的AP信息；

将筛选后的所述用户采样数据作为支持向量机模型的输入，将所述标准采样数据作为支持向量机模型的输出，并对所述支持向量机模型进行训练；

将训练后的所述支持向量机模型存储在服务器中，并保存对应的手机型号。

S103，以所述用户采样数据作为模型输入，将经所述支持向量机算法模型处理后得到的输出作为标定值以完成自动标定作业。

在用户手机需要采集WiFi指纹数据时，首先自动匹配服务器中的手机型号以判断是否在标定库中。若是，则将用户采集的WiFi采样数据上传服务器作为模型的输入，将支持向量机算法模型处理后的输出作为标定值完成自动标定，否则先建立支持向量机算法模型再进行标定。

请参阅图3，对于本发明第二实施例提出的基于智能手机的室内WiFi指纹定位自动标定系统，包括依次连接的数据采样模块、模型建立模块以及自动标定模块；

其中所述数据采样模块具体用于：

获取通过标准手机采集到的标准采样数据，以及通过用户手机采集到的用户采样数据，其中所述标准采样数据为所述标准手机采集到的WiFi指纹数据并经均值化处理得到，所述用户采样数据为所述用户手机采集到的WiFi指纹数据并经正态分布处理得到；

所述模型建立模块具体用于：

根据所述标准采样数据以及所述用户采样数据建立并训练得到支持向量机算法模型，并记录对应的模型参数及用户手机型号；

所述自动标定模块具体用于：

以所述用户采样数据作为模型输入，将经所述支持向量机算法模型处理后得到的输出作为标定值以完成自动标定作业。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成。所述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，包括上述方法所述的步骤。所述的存储介质，包括：ROM/RAM、磁碟、光盘等。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (6)

1.一种基于智能手机的室内WiFi指纹定位自动标定方法，其特征在于，所述方法包括如下步骤：

S101，获取通过标准手机采集到的标准采样数据，以及通过用户手机采集到的用户采样数据，其中所述标准采样数据为所述标准手机采集到的WiFi指纹数据并经均值化处理得到，所述用户采样数据为所述用户手机采集到的WiFi指纹数据并经正态分布处理得到；

S102，根据所述标准采样数据以及所述用户采样数据建立并训练得到支持向量机算法模型，并记录对应的模型参数及用户手机型号；

S103，以所述用户采样数据作为模型输入，将经所述支持向量机算法模型处理后得到的输出作为标定值以完成自动标定作业；

对所述标准手机采集到的WiFi指纹数据进行均值化处理的方法包括如下步骤：

根据公式

对所述标准手机采集到的WiFi指纹数据中的每个Mac地址的RSSI值作均值处理得到所述标准采样数据，记作RSSI_avg；

对所述用户手机采集到的WiFi指纹数据并经正态分布处理得方法包括如下步骤：

根据公式

对所述用户手机采集到的WiFi指纹数据中的每个Mac地址的RSSI值作均值处理，并将所有Mac地址的RSSI均值记作AllRSSI_avg；

根据公式

计算得到标准差S，其中n为Mac地址的个数；

根据正态分布3σ原则，在正态曲线下，选取RSSI_avg在区间

(AllRSSI_avg-3σ，AllRSSI_avg+3σ)

内的数据以得到所述用户采样数据，其中σ即为所述标准差S；

在通过用户手机采集WiFi指纹数据之前，所述方法进一步包括，判断用户手机的手机型号是否在标定库中；

若是，则跳转至步骤S103，以所述用户采样数据作为模型输入，将经支持向量机算法模型处理后得到的输出作为标定值以完成自动标定作业。

2.根据权利要求1所述的基于智能手机的室内WiFi指纹定位自动标定方法，其特征在于，从所述标准手机获取的所述标准采样数据或从所述用户手机获取的所述用户采样数据的发送格式为：

{Model{(P_i{(AP_i1,RSSI_i1avg),...(AP_ij,RSSI_ijavg),...(AP_ik",RSSI_ik"avg)})}}

其中，Model是手机型号，P_i是编号为i的室内特征采样点，AP_ij(j∈[1,k"])为用户手机或标准手机在编号为i的室内特征采样点均能采集到信号的第j个WiFi无线路由器AP，RSSI_ijavg为编号为i的特征采样点采集第j个AP的RSSI均值。

3.根据权利要求1所述的基于智能手机的室内WiFi指纹定位自动标定方法，其特征在于，所述根据所述标准采样数据以及所述用户采样数据建立并训练得到支持向量机算法模型的方法包括如下步骤：

根据所述用户采样数据以及所述标准采样数据，得到训练样本集；

在支持向量机中，根据所述用户采样数据，通过非线性映射，映射到高维特征空间，以建立一线性模型用于估计回归函数；

根据所述非线性映射，计算得到径向基核函数；

根据拉格朗日函数，将所述径向基核函数进行转化以得到所述支持向量机算法模型。

4.根据权利要求3所述的基于智能手机的室内WiFi指纹定位自动标定方法，其特征在于，所述根据所述用户采样数据以及所述标准采样数据，得到训练样本集的方法包括如下步骤：

将用户手机采样数据作为x_i，标准手机采样数据作为y_i，得到训练样本集D＝{(x₁,y₁)...(x_i,y_i)...(x_m,y_m)}；

所述线性模型的表达式为：

f(x)＝wφ(x)+b

其中，w为权向量，b为阈值，φ(x)为所述非线性映射。

5.根据权利要求4所述的基于智能手机的室内WiFi指纹定位自动标定方法，其特征在于，所述径向基核函数的表达式为：

其中，σ为核宽度，x_i以及x_j为特征向量；

所述支持向量机算法模型的表达式为：

其中a_i≥0，

为拉格朗日乘子，n为支持向量的个数，

为回归阈值。

6.一种基于智能手机的室内WiFi指纹定位自动标定系统，其特征在于，所述系统包括：

数据采样模块，用于执行步骤S101，获取通过标准手机采集到的标准采样数据，以及通过用户手机采集到的用户采样数据，其中所述标准采样数据为所述标准手机采集到的WiFi指纹数据并经均值化处理得到，所述用户采样数据为所述用户手机采集到的WiFi指纹数据并经正态分布处理得到；

模型建立模块，用于执行步骤S102，根据所述标准采样数据以及所述用户采样数据建立并训练得到支持向量机算法模型，并记录对应的模型参数及用户手机型号；

自动标定模块，用于执行步骤S103，以所述用户采样数据作为模型输入，将经所述支持向量机算法模型处理后得到的输出作为标定值以完成自动标定作业；

对所述标准手机采集到的WiFi指纹数据进行均值化处理的方法包括如下步骤：

根据公式

对所述标准手机采集到的WiFi指纹数据中的每个Mac地址的RSSI值作均值处理得到所述标准采样数据，记作RSSI_avg；

对所述用户手机采集到的WiFi指纹数据并经正态分布处理得方法包括如下步骤：

根据公式

对所述用户手机采集到的WiFi指纹数据中的每个Mac地址的RSSI值作均值处理，并将所有Mac地址的RSSI均值记作AllRSSI_avg；

根据公式

计算得到标准差S，其中n为Mac地址的个数；

根据正态分布3σ原则，在正态曲线下，选取RSSI_avg在区间

(AllRSSI_avg-3σ，AllRSSI_avg+3σ)

内的数据以得到所述用户采样数据，其中σ即为所述标准差S；

所述系统还用于，

在通过所述用户手机采集WiFi指纹数据之前，还包括判断所述用户手机的手机型号是否在标定库中；

若是，则跳转至步骤S103，以所述用户采样数据作为模型输入，将经支持向量机算法模型处理后得到的输出作为标定值以完成自动标定作业。

Images