CN110967667A - 一种基于众包Wi-Fi指纹定位的室内轨迹采集方法 - Google Patents

Abstract

本发明公开了一种基于众包Wi‑Fi指纹定位的室内轨迹采集方法，属于移动计算领域，包括以下步骤：1、将目标区域地图信息转化为矩阵形式；2、利用粒子滤波综合地图信息和惯性传感器计算的位移，确定用户位置；3、在定义的粒子滤波收敛程度小于一个阈值之后，收集周围环境的Wi‑Fi指纹；4、执行Wi‑Fi指纹定位，利用其定位结果加速粒子收敛，从而收集完整的用户轨迹；5、在收集到大量的Wi‑Fi指纹后，对其进行聚类处理，去除噪声和异常值，并赋予初始权重；6、使用加权的Wi‑Fi指纹定位，更加精确的定位用户；7、评估Wi‑Fi定位结果，并据此调整相应Wi‑Fi指纹的权重，提高采集轨迹的精确度。

Description

一种基于众包Wi-Fi指纹定位的室内轨迹采集方法

技术领域

本发明属于移动计算领域，具体涉及一种通过众包方式采集Wi-Fi指纹，并利用收集的Wi-Fi指纹定位室内人员，采集其轨迹的方法。

背景技术

随着移动计算的快速发展，各式各样的基于位置的服务(Location BasedService,LBS)的不断涌现，比如说在医院中或者在家中监控追踪病人或者老人的活动轨迹，抑或是在商场为顾客提供导航服务或者分析和挖掘顾客的轨迹信息。虽然目前基于特定硬件的室内定位技术能够提供分米甚至厘米级别的定位精度，但其部署价格昂贵，无法大规模应用。

得益于Wi-Fi技术的普及，利用Wi-Fi进行室内定位的技术快速发展，其主流技术方案为基于接收信号强度(Received String Strength Indicator，RSSI)的指纹法，主要包含两个阶段：离线阶段和在线阶段。在离线阶段，确定若干个参考点(Reference Point，RP),测量其位置，并在每个参考点上采集周围环境中Wi-Fi无线接入点(Access Point，AP)在该点处的接收信号强度值，形成一组独一无二的RSSI向量来标识该位置(比喻为Wi-Fi指纹)，构建指纹数据库；在线阶段，利用用户携带的移动设备扫描当前位置周围环境中不同AP的RSSI，形成一组在线的RSSI向量。然后通过比对在线RSSI向量和离线Wi-Fi指纹的相似度，选择最为相似的离线指纹作为当前的定位结果。该方法存在以下缺点：1、如果目标区域较大或者定位精度要求较高时，离线阶段采集指纹的人力成本要求较高；2、在复杂室内环境中，Wi-Fi信号容易会受到多径效应等因素的干扰而不稳定，最后导致定位结果误差较大；3、无线路由设备的位置和功率可能会发生变化，需要定期更新离线指纹数据库来保证指纹库的可靠性。

为了解决上述问题，实现在不同场景下快速部署系统，采集用户轨迹。本发明提出了一种基于众包Wi-Fi指纹定位的室轨迹采集方法，通过数据众包的方式，将繁重的采集Wi-Fi指纹的开销分散到每个用户。在用户向本系统请求室内定位服务时，系统能够自动的完成Wi-Fi指纹的采集与更新。随着使用本系统用户越来越多，系统能够收集的指纹数量也会逐渐上升。同时，收集的Wi-Fi指纹能够用来定位用户，采集完整的用户轨迹。

发明内容

本发明主要是针对现有的室内轨迹追踪方法的缺陷，提出一种低开销，便于快速部署的室内轨迹采集方法，能够有效降低硬件成本，大幅减少系统部署的开销，使之能够在不同地点、场景快速部署，并且有效的收集用户轨迹。

本发明的构思是：通过持续采集用户移动设备的传感器(加速度计、磁力计、陀螺仪等)的信息，利用惯性导航技术推算用户的位移。接下来，利用粒子滤波技术综合用户的位移信息和地图信息，估计用户当前的实际位置，从而在用户行走的过程中，便可以采集周围环境中AP的RSSI值，标记系统估计的用户位置，自动构建目标区域的Wi-Fi指纹库。通过这种方式，在用户使用该系统时，系统可以非侵入式的自动的完成Wi-Fi指纹的采集过程，并且使用本系统用户越多，采集的Wi-Fi指纹越丰富。在收集到足够多的Wi-Fi指纹之后，系统可以进一步结合Wi-Fi指纹法确定的用户位置，采集完整的用户轨迹。并且在执行Wi-Fi定位的同时，能够综合地图信息和惯性导航系统提供的位移信息，对Wi-Fi定位的准确程度进行评价，并根据评估结果迭代更新Wi-Fi指纹库，提高系统的有效性和追踪效果。

本发明提供了一种室内行人的轨迹采集方法，包括以下步骤：

步骤1、将目标区域的地图转化为矩阵形式表示地图上的信息。首先通过平均值法将普通的彩色地图转化为灰度图的形式，然后确定一个阈值，将超过或等于该阈值的灰度像素值设为1，低于该阈值的灰度像素值设为0。从而将灰度图进一步转化为黑白纯色地图。其中黑色区域代表了地图上的障碍信息(墙，室内设施，家具等)，白色区域则表示用户可自由行走。以矩阵形式记录该图像的像素信息，根据其像素排列，矩阵的行列可对应坐标轴相应的X轴、Y轴，其像素值若为1代表该点有障碍物，反之则可供人行走；

步骤2、利用粒子滤波技术将用户位移匹配至地图上的相应位置，得到用户的当前位置。首先，初始化所有粒子，并根据用户位移更新粒子的位置。接下来，根据粒子的新位置和构建的地图障碍信息，为每个粒子确定转移概率。并根据转移概率大小对粒子集进行重采样得到新的粒子集，淘汰概率低的粒子，并在可能的位置重新生成。不断重复上述步骤，粒子会逐渐收敛到用户的当前位置；

步骤3、定义收敛系数来描述粒子的收敛程度，待收敛系数小于一个特定的阈值之后，系统扫描周围环境中AP的RSSI值，组成Wi-Fi指纹，并以粒子滤波估计的用户位置标记该指纹，并将其上传至服务器；

步骤4、执行Wi-Fi指纹定位法，利用其定位结果加快粒子滤波的收敛速度，收集完整的用户轨迹。从粒子集中抽取一定数量的粒子，放置到定位的子区域内，抽取粒子的数量与粒子滤波的收敛程度成正比，并且距离Wi-Fi定位结果越远的粒子将会有更大的概率被选中，通过这种方式，能够加快步骤2所述的粒子滤波的收敛速度，使得系统能够采集到完整的用户轨迹，并上传至服务器。

步骤5、在服务器端收集足够多的Wi-Fi指纹之后，对收集到Wi-Fi指纹分别根据其位置和RSSI向量进行聚类，去除噪声和异常数据。将得到的每一个簇的Wi-Fi指纹覆盖的区域作为一个子区域，为每个簇确定一个虚拟的簇中心，计算每个Wi-Fi指纹到类中心距离作为该指纹的初始权重；

步骤6、在客户端调用Wi-Fi模块实施基于Wi-Fi指纹的定位，Wi-Fi模块扫描当前位置的RSSI向量，并从服务器获取Wi-Fi指纹库，选取与当前位置RSSI向量最相似的前K个Wi-Fi指纹作为候选指纹集，将属于同一个子区域的候选指纹权重相加，并将权重和最大的子区域作为定位结果；

步骤7、根据步骤4，在从粒子集中抽取一定数量的粒子，放置到定位的子区域内之后，综合考虑这些粒子在接下来被淘汰的情况，以及Wi-Fi定位结果与粒子滤波估计的用户位置的距离，判断Wi-Fi定位结果的准确程度，并根据在线的评估结果，调整Wi-Fi指纹的权重。

本发明的技术效果是：

针对传统的Wi-Fi指纹，通过数据众包的方式将WiFi指纹法离线阶段大量的数据收集工作分散给了每一个本系统的用户，在他们使用本系统时，非侵入式的收集其行走路径上的Wi-Fi指纹。随着用户数量增加，本系统能够有效的收集目标区域的Wi-Fi指纹，无需离线阶段数据采集的开销。同时，利用众包收集的Wi-Fi的指纹能够帮助系统采集完整的用户室内轨迹。在此基础上，本系统能够实时地对已收集的Wi-Fi信号强度信息进行校准，不需要手动的采集数据去更新Wi-Fi离线数据库，提升Wi-Fi指纹法定位精度，使得本系统能够在复杂多变的室内环境中能够有效采集轨迹。

附图说明

本发明的附图说明如下：

图1是本发明的系统结构图；

图2是本发明收集室内用户轨迹的流程图；

图3是本发明更新校准Wi-Fi指纹的流程图。

具体实施方式

下面结合附图和实施例对本发明作详细说明。

为了便于理解，首先对本系统的整体结构做一个描述：

图1是本发明的系统结构图，本系统由服务器端和客户端组成，服务器端程序主要有地图转换模块U15，并维护一个Wi-Fi指纹库U16和存储用户轨迹的轨迹数据库U17。客户端程序主要分为四部分，Wi-Fi模块U11、惯性导航模块U12、粒子滤波模块U13和评估校准模块U14。

在系统开始提供服务之前，服务器首先调用地图转化模块U15将存储的目标区域地图进行转换得到地图信息。在用户进入目标区域后打开客户端程序之后，客户端会向服务器端请求数据，服务器会将转化之后的地图信息发送至客户端。在得到上述信息后，客户端持续将惯性导航模块U11得到的用户位移传输给粒子滤波模块U13。粒子滤波模块U13在获得用户位移之后，综合地图信息估计用户位置；同时系统开始监控粒子收敛速度，在收敛因子小于阈值之后，调用Wi-Fi模块扫描周围AP的RSSI向量，并用粒子滤波估计的位置标记该向量，上传至服务器Wi-Fi指纹库U16。服务器在收集到一定数量的Wi-Fi指纹之后，开始定期执行WiFi指纹定位，加快粒子滤波的收敛速度，采集用户在室内行走的完整轨迹，并将得到的轨迹上传至服务器的用户轨迹库U17。在收集到足够多的Wi-Fi指纹后，对Wi-Fi指纹库进行聚类分析，对每个Wi-Fi赋以初始权重，并调用Wi-Fi模块U11扫描周围RSSI信息，执行加权的Wi-Fi指纹定位,并随之执行评估校准模块U14，并将最后的评估结果反馈到服务器，从而对Wi-Fi数据库进行更新，使得本系统能够在复杂多变的室内环境中保持有效性和健壮性。

本发明提供一种Wi-Fi指纹的收集与更新方法，包括以下步骤：

步骤1、对目标区域的地图进行处理，转化得到障碍物的信息。首先，将RGB格式的普通地图转换为灰度图。假定原始RGB图像的分辨率为I*J,图像中的每个像素是一个3元组(r_ij,g_ij,b_ij),其中0<i<I,0<j<J,r_ij,g_ij,b_ij∈[0,2^B].B是地图图像的色深。该图像对应的灰度图的每个像素由以下公式计算得到：

在该灰度图中，灰度值越接近0，说明这个位置上没有任何障碍物，行人能够正常行走。所以我们设置了一个阈值T来鉴别哪些灰度值代表的位置是可供行人行走的，并根据以下公式进一步将灰度图转为一个黑白纯色图：

在该图像中，黑色区域代表障碍物和建筑结构，而白色区域代表用户可以自由行走。根据图像的像素排列，我们可以将(i,j)作为图像上的坐标，而该坐标系的原点位于整个图像的左上角，该坐标对应的像素点值为1，则表示该点存在障碍物，反之，该点可供行人自由行走。

步骤2、客户端进入目标区域，惯性导航模块读取传感器检测的用户步数和方向信息，并采用粒子滤波结合用户的位移的地图限制信息估计用户位置，最后调用Wi-Fi模块扫描用户周围的RSSI信息，即可组成Wi-Fi指纹。

用户持移动设备进入目标区域后，执行图2所示的Wi-Fi指纹收集流程：

在步骤S101,客户端开机；

在步骤S102,客户端向服务器请求地图数据；同时启动惯性导航模块和Wi-Fi模块。

中国专利文献CN102419180A于2012年公开了一种惯性导航系统，能够利用加速度计步并使用陀螺仪和电子罗盘确定用户方向。

在S103,粒子随机采样进行初始化；

粒子滤波是一类成熟的高效的滤波算法，它的主要思想是用一系列后验概率分布中抽取的随机状态样本(形象地称为“粒子”)来表达其后验分布。针对室内定位这一场景，本发明对粒子滤波进行了改进，使其同时维护用户的位置及步长两个概率分布，每一个粒子将是该概率分布中随机抽样得到的一个样本，所以每个粒子是一个三元组(x,y,l),其中(x,y)表示用户的位置，而l表示用户的步长。

在系统刚开始运行时，系统无法获得用户的当前位置，所以我们假定用户在任意位置都可能出现，并初始化用户位置的概率分布为整个目标区域上的均匀分布。同时，系统也无法事先获取用户的步长信息，所以将用户的步长初始化为一个符合普通人步长情况的正态分布。系统将从这两个概率分布中同时抽样M次，形成含有M个粒子的初始的粒子集。粒子的数量越高，定位精度越高，但相应的计算代价也会提高。综合考虑定位精度和计算代价之后，本系统设置M＝3000。

在步骤S104，惯性导航模块每探测到用户行走一步，便根据一下公式更新第i个粒子新位置：

其中δ和β是引入的高斯噪声。θ是智能手机内置的罗盘读取的方向。

在步骤S105,需要检查当前粒子的位置是否符合地图限制。根据服务器发送的地图信息，首先检查粒子的新位置是否符合地图限制，其次检查粒子从旧位置到新位置的过程中是否有障碍物。粒子经过的路径可由以下公式表示：

所以，上述的位置检查可以由以下公式统一表示：

将检查的结果作为粒子的转移概率，当时粒子没有违反地图限制的时候，其转移概率被设置为1，否则设置为0。接下来，我们根据粒子的转移概率更新粒子的权重：

在步骤S106,根据粒子权重，进行重采样。采用轮盘选择法对旧的粒子集进行重采样，得到新的粒子集。轮盘选择是一种经典的遗传算法的选择算子。它会根据粒子的权重大小从旧的粒子集中抽取粒子形成相同数量的新的粒子集，权重越大被抽中的可能性越大。

惯性导航模块每检测到用户行走一步，系统便执行步骤S104至S106。

在步骤S107,计算粒子滤波的收敛程度。根据观察发现，粒子滤波的收敛程度与其定位的精确程度成正相关。这里定义了粒子滤波的收敛系数C来定量的描述粒子滤波的收敛程度，由以下公式给出：

在步骤S108,当粒子滤波的收敛系数小于阈值之后，系统调用Wi-Fi模块开始扫描周围RSSI信息，并利用粒子滤波估计的位置标记RSSI，组成Wi-Fi指纹，上传至服务器。粒子滤波所估计的用户在行走t步之后的位置，可由以下公式计算得到：

在步骤S109,存储粒子滤波估计的用户当前位置。

通过不断重复S104到S106，粒子将逐渐收敛到用户的真实位置上，我们可以据此收集Wi-Fi指纹，但此时只能收集到粒子滤波收敛之后的用户轨迹。在获取一定数量的Wi-Fi指纹之后，系统可以执行Wi-Fi指纹定位，加快粒子滤波收敛的速度从而采集到完整的用户轨迹。

系统检查所收集的Wi-Fi是否过一定数量。如果超过一定数量，执行步骤S110和S111。

在步骤S110,系统执行Wi-Fi指纹定位

在步骤S111,系统抽取一定数量的粒子放置到Wi-Fi定位结果附近，从而加快粒子滤波初期的收敛速度，并且在粒子滤波收敛之后能增加为粒子增加一定的多样性。首先，我们将计算每个粒子到Wi-Fi定位结果的距离，这些距离将通过最大最小归一化映射到[0,1]的范围，作为每个粒子的选择概率。接下来，根据粒子的选择概率，系统通过轮盘选择法选择一定数量的粒子，距离越远的粒子有越大的概率被选中。选择粒子的数量与粒子滤波的收敛程度相关并由以下公式给出：

其中S是定位到的子区域的面积，k是一个常系数用来调整抽取粒子的数量，在本系统中我们设k＝2。最后，我们将选中粒子的位置修改为定位结果的周围区域。通过这种方式，粒子滤波能够在短时间内收敛到用户当前的位置(也就是粒子滤波的收敛程度小于阈值)，系统从而能够存储用户的最开始的位置，收集到完整的用户轨迹。

在步骤S112,在用户停止行走之后，系统根据之前存储的位置，组成用户完整的轨迹，上传至服务器。

在此基础上，在大量用户使用该系统之后，可以收集到足够的多的Wi-Fi指纹。在步骤4中，对数据库进行聚类处理，减少异常数据和噪声数据。系统采用DBSCAN算法对Wi-Fi指纹进行聚类。首先，系统采用DBSCAN聚类算法，根据Wi-Fi指纹的物理位置对其进行聚类。在得到第一次的聚类结果之后，我们对第一次得到的每个簇再利用DBSCAN算法，根据RSSI向量进行聚类，得到最终的Wi-Fi指纹簇，并且每个簇所有Wi-Fi指纹覆盖的区域将划分为一个子区域。两次聚类过程中所探测到的异常和噪声数据将会被删除掉，以保证RSSI向量与地理位置的强烈相关性。

接下来系统将初始化每个Wi-Fi指纹的权重。首先，系统将为每个子区域计算一个虚拟RSSI向量中心，它是所有属于这个子区域的Wi-Fi指纹的RSSI向量的平均值。然后，系统依次计算每个属于该簇的Wi-Fi指纹的RSSI向量到中心向量的欧式距离，并采用最大最小归一化每个Wi-Fi指纹的欧式距离。第i个Wi-Fi指纹的权重的计算过程由以下公式给出：

其中E_min和E_max为最大和最小的欧式距离，E_i是第i个指纹到中心向量的欧式距离。这里，我们最后采用了一个指数函数α^x将归一化后的权重映射到一个合适区间[a,1].

步骤5、在完成Wi-Fi指纹库的聚类处理之后，客户端开始执行加权Wi-Fi指纹定位。与此同时，系统开始指纹迭代更新Wi-Fi指纹的权重，提供更为精确的定位服务。下面结合图三对迭代更新指纹库的过程进行阐述。

客户端开机，与步骤2一致，系统开始使用粒子滤波综合用户位移和地图限制追踪用户位置。

在步骤S201,Wi-Fi模块扫描当前位置的RSSI向量，计算其与Wi-Fi指纹库中各个指纹的RSSI向量之前的欧式距离，并将前K个距离最小的Wi-Fi指纹作为候选指纹集。然后，系统将属于相同子区域的候选Wi-Fi指纹的权重相加。将权重最大的子区域作为Wi-Fi定位结果。

在步骤S202,与上述步骤S111相似，系统将从粒子集中抽取一定数量的粒子，放置到定位到的子区域内。接下来，计算粒子滤波的收敛系数，当粒子滤波收敛系数C小于阈值之后，在线的评估校准模块开始启动。

在步骤S203根据以下公式计算Wi-Fi定位结果与粒子滤波估计位置之间的距离：

这里(X_w,Y_w)是定位到的子区域的几何中心，(X_t,Y_t)与上文一致是粒子滤波预计的用户位置，而(X_f,Y_f)是这个子区域中距离定位中心最远的Wi-Fi指纹。通过这个公式，我们可以鉴别粒子滤波估计的位置是否在Wi-Fi定位的子区域之内。如果H>0,估计的位置则在子区域之中，这也意味着两者定位方法结果的一致。反之，H<0,则在子区域之外，并且H值越小，意味着两种定位结果越远。

在步骤S204，追踪被抽取并放置到Wi-Fi定位到的子区域中的粒子，通过这些粒子分析Wi-Fi定位结果的准确程度，如果有大量的被抽取的粒子在接下来的几步之内就被淘汰了，我们可以相信Wi-Fi定位的结果与真实结果相距较远。因为粒子实际上是在模拟用户的行为与轨迹。如果Wi-Fi定位的结果远离用户的实际位置，那么它们周围的地图限制也不尽相同，这样将会导致有大量的粒子被淘汰掉。相反，如果Wi-Fi定位结果与用户实际位置相似，那么被抽取的粒子将不会在短时间内被淘汰掉。实时监控被抽取的剩余的粒子数量

(表示用户在Wi-Fi定位结束，行走t步之后剩余被抽取粒子的数量)。我们设置了一个剩余粒子应该维持的最小的比例τ。一旦

执行步骤S205,计算评估结果。因为如果t<T_s(T_s表示两次连续的Wi-Fi定位之间用户行走的步数),我们认为被抽取的粒子在短时间内大量被淘汰掉了。一旦t＝T_s，执行步骤S205,计算上一次Wi-Fi定位的评估结果，Wi-Fi模块开始执行下一次Wi-Fi指纹定位。如果在这个过程中，剩余粒子的数量能够保持

则说明没有被抽取的粒子在短时间内被淘汰掉。

在步骤S205,根据在线的反馈的计算评估结果。除了监控被抽取的粒子被淘汰的数量，Wi-Fi定位结果与粒子滤波估计的位置之间的距离也将作为另外一个衡量标准来衡量Wi-Fi定位结果的准确程度。系统将在两种衡量指标一致的情况下才会更新Wi-Fi指纹的权重。即当t＝T_s且H>0时，说明Wi-Fi定位结果较为准确，我们设置步伐反馈S＝T_s。而当t<T_s且H<0时，说明Wi-Fi定位结果不准备，t值越小说明被抽取的粒子越快被淘汰，所以我们设置步伐反馈S＝T_s-t。最后，Wi-Fi定位的评估结果由以下公式给出：

这里我们采用了一个双曲正切函数将结果映射到了[-1，1]之间，而a是一个激进因子，用来调整该策略的激进程度。a值越大，则Wi-Fi指纹权重的改变就越大。

在步骤S206，对定位到的子区域所包含的L个候选Wi-Fi指纹的权重进行更新，第i个Wi-Fi指纹权重由以下公式给出：

这是因为根据我们之前的Wi-Fi定位算法，属于相同子区域的候选指纹的权重相加，并将拥有最大权重和的定位子区域作为定位结果。Wi-Fi指纹的权重对于定位结果有直接影响，该子区域所包含的Wi-Fi指纹权重越大，则定位到该区域的可能性越大。所以根据在线反馈，调整Wi-Fi指纹的权重，使其能够符合真实情况。在通过以上步骤，利用在线的实时反馈调整Wi-Fi指纹的权重，能够提高Wi-Fi指纹库的稳定性，进而提高系统的效果,采集更为准确的用户轨迹。

Claims (8)

1.一种基于众包Wi-Fi指纹定位的室内轨迹采集方法，其特征是，包括以下步骤：

步骤1、将目标区域的地图转化为矩阵形式表示地图上的信息。首先通过平均值法将普通的彩色地图转化为灰度图的形式，然后确定一个阈值，将超过或等于该阈值的灰度像素值设为1，低于该阈值的灰度像素值设为0。从而将灰度图进一步转化为黑白纯色地图。其中黑色区域代表了地图上的障碍信息(墙，室内设施，家具等)，白色区域则表示用户可自由行走。以矩阵形式记录该图像的像素信息，根据其像素排列，矩阵的行列可对应坐标轴相应的X轴、Y轴，其像素值若为1代表该点有障碍物，反之则可供人行走；

步骤2、利用粒子滤波技术将用户位移匹配至地图上的相应位置，得到用户的当前位置。首先，初始化所有粒子，并根据用户位移更新粒子的位置。接下来，根据粒子的新位置和构建的地图障碍信息，为每个粒子确定转移概率。并根据转移概率大小对粒子集进行重采样得到新的粒子集，淘汰概率低的粒子，并在可能的位置重新生成。不断重复上述步骤，粒子会逐渐收敛到用户的当前位置；

步骤3、定义收敛系数来描述粒子的收敛程度，待收敛系数小于一个特定的阈值之后，系统扫描周围环境中AP的RSSI值，组成Wi-Fi指纹，并以粒子滤波估计的用户位置标记该指纹，并将其上传至服务器；

步骤4、执行Wi-Fi指纹定位法，利用其定位结果加快粒子滤波的收敛速度，收集完整的用户轨迹。从粒子集中抽取一定数量的粒子，放置到定位的子区域内，抽取粒子的数量与粒子滤波的收敛程度成正比，并且距离Wi-Fi定位结果越远的粒子将会有更大的概率被选中，通过这种方式，能够加快步骤2所述的粒子滤波的收敛速度，使得系统能够采集到完整的用户轨迹，并上传至服务器。

步骤5、在服务器端收集足够多的Wi-Fi指纹之后，对收集到Wi-Fi指纹分别根据其位置和RSSI向量进行聚类，去除噪声和异常数据。将得到的每一个簇的Wi-Fi指纹覆盖的区域作为一个子区域，为每个簇确定一个虚拟的簇中心，计算每个Wi-Fi指纹到类中心距离作为该指纹的初始权重；

步骤6、在客户端调用Wi-Fi模块实施基于加权的Wi-Fi指纹定位。Wi-Fi模块扫描当前位置的RSSI向量，并从服务器获取Wi-Fi指纹库，选取与当前位置RSSI向量最相似的前K个Wi-Fi指纹作为候选指纹集，将属于同一个子区域的候选指纹权重相加，并将权重和最大的子区域作为定位结果；

步骤7、根据步骤4，在从粒子集中抽取一定数量的粒子，放置到定位的子区域之后，综合考虑这些粒子在接下来被淘汰的情况，以及Wi-Fi定位结果与粒子滤波估计的用户位置的距离，判断Wi-Fi定位结果的准确程度，并根据在线的评估结果，调整Wi-Fi指纹的权重。

2.根据权利要求1所述的一种基于众包Wi-Fi指纹定位的室内轨迹采集方法，其特征是：在步骤1中，所述的目标地图是电子格式的彩色RGB地图,每个像素是一个三元组的形式(r_ij,g_ij,b_ij),其中0<i<I,0<j<J,r_ij,g_ij,b_ij∈[0,2^B].B是图像的色深,I*J是图像的分辨率。

3.根据权利要求1所述的一种基于众包Wi-Fi指纹定位的室内轨迹采集方法，其特征是：在步骤2中，粒子滤波联合维护用户位置以及步长的概率分布，其每个粒子是一个三元组(x,y,l),其中(x,y)表示用户的位置，而l表示用户的步长。用户的位置概率分布在最初时是整个目标区域上的均匀分布，用户步长的概率分布初始时是一个经过统计得到的普通人步长的高斯分布。粒子的初始值的是指从两个概率分布中同时采样形成的。

4.根据权利要求1所述的一种基于众包Wi-Fi指纹定位的室内轨迹采集方法，其特征是：在步骤2中使用以下公式更新第i个粒子的位置：

其中δ和β是引入的高斯噪声，θ是智能手机内置的罗盘读取的方向。在更新位置之后，采用以下公式确定粒子新位置是否符合地图限制：

其中f_i(j)是i个粒子的当前的直线路径，由以下公式得到：

符合地图限制的粒子其转移概率设置为1，反之为0。最后采用轮盘选择法根据转移概率从旧粒子集重采样粒子得到新粒子集。

5.根据权利要求1所述的一种基于众包Wi-Fi指纹定位的室内轨迹采集方法，其特征是：在步骤3中所述的粒子收敛程度由以下公式给出：

6.根据权利要求1所述的一种基于众包Wi-Fi指纹定位的室内轨迹采集方法，其特征是：在步骤4中，抽取粒子的数量由以下公式确定：

其中S是定位到的子区域的面积，k是一个常系数用来调整抽取粒子的数量，然后根据粒子距离Wi-Fi指纹定位结果的远近赋予粒子选择概率，最后利用轮盘选择法根据粒子的选择概率重采样粒子。

7.根据权利要求1所述的一种基于众包Wi-Fi指纹定位的室内轨迹采集方法，其特征是：在步骤7中，Wi-Fi定位结果与粒子滤波估计位置之间的距离由以下公式确定：

其中(X_w,Y_w)是定位到的子区域的几何中心，(X_t,Y_t)与上文一致是粒子滤波预计的用户位置，而(X_f,Y_f)是这个子区域中距离几何中心最远的Wi-Fi指纹。

如果被淘汰粒子的比例小于一定阈值之后

(

表示用户行走t步之后剩余的粒子数量)，记录当前的步伐反馈S＝T_s-t，如果在下一次Wi-Fi指纹定位之前，

记录当前的步伐反馈为S＝T_s。最后评估结果由以下公式给出：

其中双曲正切函数将结果映射到了[-1，1]之间，而a是一个激进因子，用来调整该策略的激进程度。a值越大，则Wi-Fi指纹权重的改变就越大。最后根据评估结果E调整Wi-Fi指纹权重。

8.根据权利要求7所述的一种基于众包Wi-Fi指纹定位的室内轨迹采集方法，其特征在于：对定位到的子区域所包含的候选Wi-Fi指纹的权重进行调整，更新Wi-Fi权重的公式如下：

其中L是定位的子区域所包含的候选Wi-Fi指纹集。

Images