CN110300370B - 一种重建wifi指纹地图室内定位方法 - Google Patents
一种重建wifi指纹地图室内定位方法 Download PDFInfo
- Publication number
- CN110300370B CN110300370B CN201910588853.4A CN201910588853A CN110300370B CN 110300370 B CN110300370 B CN 110300370B CN 201910588853 A CN201910588853 A CN 201910588853A CN 110300370 B CN110300370 B CN 110300370B
- Authority
- CN
- China
- Prior art keywords
- map
- fingerprint map
- wifi
- fingerprint
- reconstructing
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 33
- 238000012360 testing method Methods 0.000 claims abstract description 13
- 230000006870 function Effects 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 230000008447 perception Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 4
- 238000002474 experimental method Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
Images
Classifications
-
- 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
- G06T3/4046—Scaling of whole images or parts thereof, e.g. expanding or contracting using neural networks
-
- 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
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/309—Measuring or estimating channel quality parameters
- H04B17/318—Received signal strength
-
- 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
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/33—Services specially adapted for particular environments, situations or purposes for indoor environments, e.g. buildings
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Electromagnetism (AREA)
- Collating Specific Patterns (AREA)
- Image Analysis (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明公开了一种重建wifi指纹地图室内定位方法,包括以下步骤:采集指纹地图数据到特定AP接入点的信号强度RSS值,利用RSS值建立该室内场景相应的wifi指纹地图,将wifi指纹地图转化为第一指纹地图热度图,将约束条件添加到第一指纹地图热度图作为训练样本,根据训练样本训练生成训练模型,采集作为测试样本,将测试样本输入到重建网络中,通过训练模型对第二指纹地图热度图进行恢复,最后重建出完整的Wi‑Fi指纹地图。通过在第一指纹地图热度图中添加约束条件,有效解决对抗网络训练耗时,图像超分辨重建易导致指纹地图边界误差偏大的问题,增大了本文算法的鲁棒性,在室内环境变化较大的情况下,甚至是在不同的室内场景中,依然保持良好的重建效果。
Description
技术领域
本发明涉及室内定位方法,特别涉及一种基于wifi网络在指纹地图的室内定位方法。
背景技术
基于wifi指纹的室内定位算法是一种常用的室内定位技术,该算法在离线训练阶段,通过对室内场景中设置的若干个参考点记录其位置信息与信号强度值构造指纹地图库,当在线定位时,利用待测位置的信号强度信息,通过信号强度匹配算法预测待测点的位置。
现有技术中,通过RecNet(Radio-Map Super-Resolution Network)网络使用了端到端的卷积神经网络,实现了稀疏参考点指纹地图数据到完整参考点指纹地图数据的转换,但是,RecNet网络在指纹地图重建工作中存在着指纹地图边缘数据恢复效果较差的缺点,且受限于三层网络的局限性,其网络参数较少将导致当图像下采样倍数较高时,重建的得到的图片会因过于平滑而丢失细节,在指纹地图重建工作中则表现为当低分辨率热度图中包含的参考点数据量较少时,其网络的重建效果将会下降。
发明内容
有鉴于此,本发明提出一种重建能力强、通用性广的重建wifi指纹地图室内定位方法。
本发明的技术方案是这样实现的:
一种重建wifi指纹地图室内定位方法,包括以下步骤:
步骤S1,选择特定AP接入点所对应的一次指纹地图数据,调用移动端的wifi模块,采集上述指纹地图数据到上述特定AP接入点的信号强度RSS值;
步骤S2,将所述信号强度RSS值发送至服务器上,服务器依据所述信号强度RSS值生成第一指纹地图热度图;
步骤S3,将约束条件添加到所述第一指纹地图热度图作为训练样本;
步骤S4,将所述训练样本输入神经网络进行训练,生成训练模型;
步骤S5,采集室内场景中wifi信号的RSS值作为测试样本;
步骤S6,将所述测试样本转化成第二指纹地图热度图,输入到重建网络中,通过训练模型对第二指纹地图热度图进行恢复,最后重建出完整的Wi-Fi指纹地图。
作为所述重建wifi指纹地图室内定位方法的进一步可选方案,所述服务器依据所述信号强度RSS值生成第一指纹地图热度图包括:
服务器利用所述RSS值建立该室内场景相应的wifi指纹地图;
将所述wifi指纹地图利用公式转化为第一指纹地图热度图。
作为所述重建wifi指纹地图室内定位方法的进一步可选方案,所述将约束条件添加到所述热度图作为训练样本包括:
将所述约束条件使用单通的灰度图表示;
将所述灰度图叠加到所述第一指纹地图热度图中。
作为所述重建wifi指纹地图室内定位方法的进一步可选方案,所述约束条件包括边界约束和Mask约束。
作为所述重建wifi指纹地图室内定位方法的进一步可选方案,所述神经网络为删掉感知损失函数的SRGAN网络。
作为所述重建wifi指纹地图室内定位方法的进一步可选方案,所述公式为i={(a-b)/(c-b)}*255,其中,i表示为转化得到的像素值,a表示为信号强度RSS值,b表示为采集到的数据中的信号强度最小值,c表示为采集到的数据中的信号强度最大值。
作为所述重建wifi指纹地图室内定位方法的进一步可选方案,所述测试样本的数据量为步骤S1中采集的数据量的25%或50%。
本发明的有益效果是:通过在第一指纹地图热度图中添加约束条件,有效解决对抗网络训练耗时,图像超分辨重建易导致指纹地图边界误差偏大的问题,增大了本文算法的鲁棒性,在室内环境变化较大的情况下,甚至是在不同的室内场景中,依然保持良好的重建效果,同时,采用指纹地图数据生成的训练模型,只需要比步骤S1中采集的参考点少,即可生成一个能够达到更大定位精度的wifi指纹地图,大大减少了数据的采集量。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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,下面描述中的附图仅仅是本发明的一些实施例,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为本发明一种重建wifi指纹地图室内定位方法的流程图;
图2为本发明一种重建wifi指纹地图室内定位方法的室内场景地图示例;
图中:1、AP接入点;2、参考点。
具体实施方式
下面将对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明的一部分实施例,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它实施例,都属于本发明保护的范围。
参照图1,一种重建wifi指纹地图室内定位方法,包括以下步骤:
步骤S1,选择特定AP接入点1所对应的一次指纹地图数据,调用移动端的wifi模块,采集上述指纹地图数据到上述特定AP接入点1的信号强度RSS值,具体为:
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,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,其中,每次进行数据采集时,实验人员在每个参考点2位置上进行20次的数据采集,以此避免行人走动等信号干扰带来的偶然误差,每个参考点2的数据采集时长约为1.5分钟。
步骤S2,将所述信号强度RSS值发送至服务器上,服务器依据所述信号强度RSS值生成第一指纹地图热度图,具体为:
在数据采集工作结束后,移动端通过网络将所述信号强度RSS值发送至服务器上,服务器利用上述采集到的数据建立该室内场景相应的wifi指纹地图,并将所述指纹地图利用公式转化成第一指纹热度图;
本发明中进行实验的例子中,实验选择了一个室内场景,如图2所示,在这个场景中布置10个AP接入点1,场景中的参考点2距离间隔约为1.6m,整个场景中共设置了480个参考点2,由于本实验中在场景中布置有10个AP接入点1,故场景中采集一次的指纹地图数据可以转化得到200(10个AP接入点1,每个AP接入点1采集20次数据)张指纹地图热度图。
步骤S3,将约束条件添加到所述第一指纹地图热度图作为训练样本;
步骤S4,将所述训练样本输入神经网络进行训练,生成训练模型;
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。
步骤S5,采集室内场景中wifi信号的RSS值作为测试样本;
步骤S6,将所述测试样本转化成第二指纹地图热度图,输入到重建网络中,通过训练模型对第二指纹地图热度图进行恢复,最后重建出完整的wifi指纹地图,具体为:
将在步骤S5中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wifi指纹地图。
优选的,作为所述重建wifi指纹地图室内定位方法的进一步可选方案,所述服务器依据所述信号强度RSS值生成第一指纹地图热度图包括以下步骤:
步骤S201,服务器利用所述RSS值建立该室内场景相应的wifi指纹地图;
步骤S202,将所述wifi指纹地图利用公式转化为第一指纹地图热度图。
优选的,作为所述重建wifi指纹地图室内定位方法的进一步可选方案,所述将约束条件添加到所述第一指纹地图热度图包括以下步骤:
步骤S301,将所述约束条件使用单通的灰度图表示;
由于指纹地图热度图本身为单通道的灰度图,为了将相应的约束条件添加到指纹地图热度图中,约束条件使用单通的灰度图表示。
步骤S302,将所述灰度图叠加到所述第一指纹地图热度图中作为训练样本;
通过matlab等软件将约束条件叠加到指纹地图热度图中,形成3通道的RGB图片。
优选的,作为所述重建wifi指纹地图室内定位方法的进一步可选方案,所述约束条件包括Mask约束和边界约束,其中,Mask约束是指,对热度图中所有根据参考点的RSS值转化成像素值的像素点进行覆盖,从而得到的约束图像;边界约束是指,对热度图中将室内场景中有建筑物遮挡的像素位置与其他像素位置进行分割;约束条件的添加即对需要进行信号重建的区域进行了标注,减低无信号区域错误地被当做训练数据而引入误差的可能性。
优选的,作为所述重建wifi指纹地图室内定位方法的进一步可选方案,所述神经网络选用SRGAN网络完成超分辨率重建的训练工作,利用这项技术,可以仅仅利用25%或50%的指纹点数据,来恢复100%指纹地图;将实况指纹地图转化而成的热度图进行下采样,下采样的图片分辨率变低,作为SRCNN网络的输入,SRGAN网络的输出则是与下采样前的热度图有同样分辨率的图片,另外,SRGAN网络的损失函数包括对抗损失函数和内容损失函数,内容损失函数包括在超分辨率重建工作中最常用到的MSE损失函数和感知损失函数,但是,由于指纹地图的超分辨率重建只需要注重像素值的重建效果,而不需要考虑重建得到的图像的视觉感受,因此本发明在使用SRGAN网络时删除感知损失函数,仅保留MSE损失函数。
优选的,作为所述重建wifi指纹地图室内定位方法的进一步可选方案,所述公式为i={(a-b)/(c-b)}*255,其中,i表示为转化得到的像素值,a表示为信号强度RSS值,b表示为采集到的数据中的信号强度最小值,c表示为采集到的数据中的信号强度最大值。
优选的,作为所述重建wifi指纹地图室内定位方法的进一步可选方案,所述所述测试样本的数据量为步骤S1中采集的数据量的25%或50%;由于只采集原数据的25%或50%的数据就可以将训练模型训练出来,所以只需要采集原数据的25%或50%的数据作为测试样本输入训练模型即可重建出完整的wifi指纹地图,从而大大地减少数据的采集输入,减少前期准备工作。
以上所述仅为本发明的较佳实施方式而已,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、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种重建wifi指纹地图室内定位方法,其特征在于,所述方法包括以下步骤:
步骤S1,选择特定AP接入点所对应的一次指纹地图数据,调用移动端的wifi模块,采集上述指纹地图数据到上述特定AP接入点的信号强度RSS值;
步骤S2,将所述信号强度RSS值发送至服务器上,服务器依据所述信号强度RSS值生成第一指纹地图热度图;
步骤S3,将约束条件添加到所述第一指纹地图热度图作为训练样本;
步骤S4,将所述训练样本输入神经网络进行训练,生成训练模型;
步骤S5,采集室内场景中wifi信号的RSS值作为测试样本;
步骤S6,将所述测试样本转化成第二指纹地图热度图,输入到重建网络中,通过训练模型对第二指纹地图热度图进行恢复,最后重建出完整的wifi指纹地图;
其中,所述约束条件包括边界约束和Mask约束,所述边界约束是指对热度图中将室内场景中有建筑物遮挡的像素位置与其他像素位置进行分割,所述Mask约束是指对热度图中所有根据参考点的RSS值转化成像素值的像素点进行覆盖,从而得到的约束图像。
2.根据权利要求1所述的一种重建wifi指纹地图室内定位方法,其特征在于,所述服务器依据所述信号强度RSS值生成第一指纹地图热度图包括:
服务器利用所述RSS值建立该室内场景相应的wifi指纹地图;
将所述wifi指纹地图利用公式转化为第一指纹地图热度图。
3.根据权利要求1所述的一种重建wifi指纹地图室内定位方法,其特征在于,所述将约束条件添加到所述热度图作为训练样本包括:
将所述约束条件使用单通的灰度图表示;
将所述灰度图叠加到所述第一指纹地图热度图中。
4.根据权利要求1所述的一种重建wifi指纹地图室内定位方法,其特征在于,所述神经网络为删掉感知损失函数的SRGAN网络。
5.根据权利要求2所述的一种重建wifi指纹地图室内定位方法,其特征在于,所述公式为i={(a-b)/(c-b)}*255,其中,i表示为转化得到的像素值,a表示为信号强度RSS值,b表示为采集到的数据中的信号强度最小值,c表示为采集到的数据中的信号强度最大值。
6.根据权利要求1所述的一种重建wifi指纹地图室内定位方法,其特征在于,所述测试样本的数据量为步骤S1中采集的数据量的25%或50%。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910588853.4A CN110300370B (zh) | 2019-07-02 | 2019-07-02 | 一种重建wifi指纹地图室内定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910588853.4A CN110300370B (zh) | 2019-07-02 | 2019-07-02 | 一种重建wifi指纹地图室内定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110300370A CN110300370A (zh) | 2019-10-01 |
CN110300370B true CN110300370B (zh) | 2021-04-02 |
Family
ID=68029843
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910588853.4A Expired - Fee Related CN110300370B (zh) | 2019-07-02 | 2019-07-02 | 一种重建wifi指纹地图室内定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110300370B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110933628B (zh) * | 2019-11-26 | 2020-12-08 | 西安电子科技大学 | 基于孪生网络的指纹室内定位方法 |
CN111858927B (zh) * | 2020-06-09 | 2023-11-24 | 阿波罗智能技术(北京)有限公司 | 数据测试方法、装置、电子设备及存储介质 |
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 |
CN114095863B (zh) * | 2021-10-18 | 2023-12-19 | 西安邮电大学 | 一种基于稀疏自动编码器的wifi指纹库更新方法 |
CN114758364B (zh) * | 2022-02-09 | 2022-09-23 | 四川大学 | 基于深度学习的工业物联网场景融合定位方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN108462992A (zh) * | 2018-03-05 | 2018-08-28 | 中山大学 | 一种基于超分辨率重建Wi-Fi指纹地图的室内定位方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9201133B2 (en) * | 2011-11-11 | 2015-12-01 | The Board Of Trustees Of The Leland Stanford Junior University | Method and system for signal-based localization |
CN103079269A (zh) * | 2013-01-25 | 2013-05-01 | 哈尔滨工业大学 | 基于LDE算法的WiFi室内定位方法 |
CN103905993B (zh) * | 2014-03-04 | 2017-04-19 | 华南理工大学 | 一种基于室内定位的区域误判解决方法 |
CN105025439B (zh) * | 2015-06-26 | 2019-02-05 | 上海汇纳信息科技股份有限公司 | 室内定位系统及所应用的数据库、方法和装置 |
-
2019
- 2019-07-02 CN CN201910588853.4A patent/CN110300370B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN108462992A (zh) * | 2018-03-05 | 2018-08-28 | 中山大学 | 一种基于超分辨率重建Wi-Fi指纹地图的室内定位方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110300370A (zh) | 2019-10-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110300370B (zh) | 一种重建wifi指纹地图室内定位方法 | |
CN111047516B (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
CN112287940A (zh) | 一种基于深度学习的注意力机制的语义分割的方法 | |
CN110490082A (zh) | 一种有效融合神经网络特征的道路场景语义分割方法 | |
CN110838095B (zh) | 一种基于循环密集神经网络的单幅图像去雨方法和系统 | |
CN113411425B (zh) | 视频超分模型构建处理方法、装置、计算机设备和介质 | |
Yang et al. | No‐reference image quality assessment via structural information fluctuation | |
CN114169245A (zh) | 一种变压器故障诊断方法、装置及设备 | |
CN113496176B (zh) | 动作识别方法、装置以及电子设备 | |
CN113240586A (zh) | 一种可自适应调节放大倍数的螺栓图像超分辨率处理方法 | |
CN110796003B (zh) | 车道线检测方法、装置及电子设备 | |
CN116563103A (zh) | 一种基于自适应神经网络的遥感图像时空融合方法 | |
CN111652152A (zh) | 人群密度检测方法、装置、计算机设备和存储介质 | |
CN115496819B (zh) | 一种基于能量集中特性的快速编码光谱成像方法 | |
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 | |
CN113962332B (zh) | 基于自优化融合反馈的显著目标识别方法 | |
CN113920455B (zh) | 一种基于深度神经网络的夜间视频着色方法 | |
CN115909088A (zh) | 基于超分辨特征聚合的光学遥感图像目标检测方法 | |
CN111553961B (zh) | 线稿对应色图的获取方法和装置、存储介质和电子装置 | |
CN114219725A (zh) | 一种图像处理方法、终端设备及计算机可读存储介质 | |
CN114037646A (zh) | 基于物联网的智能图像检测方法、系统、可读介质、设备 | |
CN113505844A (zh) | 标签生成方法、装置、设备、存储介质及程序产品 | |
CN116385270B (zh) | 一种基于多重损失和分辨率的图像转图像的方法 | |
CN117576483B (zh) | 基于多尺度卷积自编码器的多源数据融合地物分类方法 | |
CN114862979A (zh) | 图像的重建方法、装置、存储介质和电子设备 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210402 Termination date: 20210702 |
|
CF01 | Termination of patent right due to non-payment of annual fee |