CN111163514B - 一种最优区域自适应选取的指纹定位方法和系统 - Google Patents

Abstract

本发明公开一种最优区域自适应选取的指纹定位方法和系统，该方法通过计算参考点与测试点接收到WiFi接入点信号强度差的绝对值，并对每一个WiFi接入点信号强度差的绝对值由小到大排序，选取所有WiFi接入点排序第一的参考点作为与测试点信号强度差最小的最佳参考点，并以最佳参考点作为初始种子点进行区域生长，选取M个参考点并将M个参考点的坐标进行加权计算，得到最终测试点的定位结果。该方法提高了最佳参考点与测试点位置的位置误差精度，降低了环境所带来的指纹变化的影响，通过区域生长算法选取多个参考点，进一步加权得到更精确的定位结果，从而解决目前指纹定位易受环境影响，定位精度低的问题。

Description

一种最优区域自适应选取的指纹定位方法和系统

技术领域

本发明涉及指纹定位技术领域，特别涉及一种最优区域自适应选取的指纹定位方法和系统。

背景技术

指纹定位方法由于其方便、快捷的原因在室内定位领域被广泛应用。指纹定位主要包括WiFi指纹定位、蓝牙指纹定位和地磁指纹定位，其中WiFi指纹定位由于其可以利用现有的WiFi设备，在室内导航定位领域中受到了广泛的重视和研究，并且已经获得了初步成效。指纹库定位技术主要是通过设备在不同空间点上具有不完全相同的信号强度序列，使得每一个空间位置点都有自己独特的特征。通过存储每一个点的信号强度序列，来构建定位区域的信号指纹库，并采用在线信号强度序列匹配的方法，达到定位的目的。但是由于受温度、湿度、人流移动以及障碍物的出现消失等问题，使得指纹库时效性较差，且一些比较常用算法，如，NN，WKNN算法，无法很好的解决这一问题，这也导致指纹定位的精度较低。

因此，如何通过可靠的算法来应对环境的变化，提升定位精度，直接决定指纹定位技术的推广和应用。

发明内容

本发明提供了一种最优区域自适应选取的指纹定位方法和系统，以解决目前无线信号指纹库定位易受环境影响，定位精度低的问题。

第一方面，本发明提供了一种最优区域自适应选取的指纹定位方法，包括：

针对每一个WiFi接入点，计算所有参考点处WiFi接入点的信号强度与所述测试点处WiFi接入点的信号强度差的绝对值；

将所述信号强度差的绝对值进行由小到大的排序；

综合所有参考点处WiFi接入点信号强度差的绝对值排序，选取排序第一的参考点作为与参考点信号强度差最小的最佳参考点；

以所述最佳参考点作为初始种子点，进行区域生长，筛选出M个参考点；

根据所述M个参考点的坐标进行加权计算，得到测试点最终的定位结果。

在一个实施例中，针对每一个WiFi接入点，计算所有参考点处WiFi接入点的信号强度与所述测试点处WiFi接入点的信号强度差的绝对值，包括：

离线采集参考点的指纹信息，包括WiFi接入点的MAC地址和在参考点处接收到WiFi接入点的信号强度；

在线获取测试点的指纹信息，包括WiFi接入点的MAC地址和该在参考点处接收到WiFi接入点的信号强度；

对于同一WiFi接入点，计算参考点与测试点接收到信号强度差的绝对值，计算公式为：

error^ji＝|s_ij-t_j|

式中，error^ji表示第i个参考点处接收到第j个WiFi接入点的信号强度与测试点接收到的第j个WiFi接入点的信号强度的差的绝对值；s_ij表示第i个参考点接收到的第j个WiFi接入点的信号强度；t_j表示测试点在线接收到第j个WiFi接入点的信号强度。

在一个实施例中，将所述信号强度差的绝对值进行由小到大的排序，包括：

将信号强度差的绝对值转换为从1到m的排序，其转换公式为：

rank(RP_ij)＝find(error^ji＝＝sort(error^j))

(1)

式中，rank(RP_ij)表示第i个参考点接收到第j个WiFi接入点信号强度与测试点接收到第j个WiFi接入点信号强度的差在所有参考点与测试点信号强度差中的排序；error^j＝[error^j1,error^j2,…,error^jm]，向量表示参考点的数量有m个；sort(*)表示对向量由小到大进行排序；find(A＝＝B)表示元素A在向量B中的索引。

在一个实施例中，综合所有参考点处WiFi接入点信号强度差的绝对值排序，选取排序第一的参考点作为与参考点信号强度差最小的最佳参考点，包括：

对每一个参考点，计算全部WiFi接入点的参考点排序，并计算每一个参考点在所有WiFi接入点的排序的平均值，作为每一个参考点的最终排序，第i个参考点的综合排序计算公式为：

式中，n表示接收到WiFi接入点的数量。

在一个实施例中，以所述最佳参考点作为初始种子点，进行区域生长，筛选出M个参考点，包括：

以所述最佳参考点作为初始种子点进行区域生长，并判断以种子点的邻域参考点是否满足预设条件；所述预设条件为有参考点的排序大于等于除种子点外的参考点的最高排序；

如果有，则将满足条件的所述参考点添加为种子点，并重新进行区域生长；

如果没有，区域生长结束，筛选出的M个所述种子点作为参考点。

在一个实施例中，根据所述M个参考点的坐标进行加权计算，得到测试点最终的定位结果，包括：

根据筛选出的M个参考点的排序，归一化计算参考点的权重；

ω_i＝1/rank(RP_i)

(3)

其中，rank(RP_i)为M个参考点中第i个参考点的排序；ω_i为M个参考点中第i个点的权重；

根据每个参考点的坐标和对应的权重，通过加权计算，得到测试点的最终的定位结果；计算公式为：

(4)式中，loc_i＝(x_i,y_i)为M个参考点中第i个点的坐标；ω_i为M个参考点中第i个点的权重；loc_t为测试点最终的定位结果。

第二方面，本发明实施例还提供了一种最优区域自适应选取的指纹定位系统，包括：

采集模块，用于采集所有参考点处WiFi接入点的信号强度和实时采集测试点处WiFi接入点的信号强度；

计算及排序模块，用于计算所有参考点处WiFi接入点的信号强度与所述测试点处WiFi接入点的信号强度差的绝对值；并将所述信号强度差的绝对值进行由小到大的排序；

选取模块，用于综合所有参考点处WiFi接入点信号强度差的绝对值排序，选取排序第一的参考点作为与参考点信号强度差最小的最佳参考点；

筛选模块，用于以所述最佳参考点作为初始种子点，进行区域生长，筛选出M个参考点；

定位模块，用于根据所述M个参考点的坐标进行加权计算，得到测试点最终的定位结果。

本发明实施例提供的上述技术方案的有益效果至少包括：

本发明实施例提供的最优区域自适应选取的指纹定位方法，该方法通过计算参考点与测试点接收到WiFi接入点信号强度差的绝对值，并对每一个WiFi接入点信号强度差的绝对值由小到大排序，选取所有WiFi接入点排序第一的参考点作为与测试点信号强度差最小的最佳参考点，并以最佳参考点作为初始种子点进行区域生长，选取M个参考点并将M个参考点的坐标进行加权计算，得到最终测试点的定位结果。该方法提高了最佳参考点与测试点位置的位置误差精度，降低了环境所带来的指纹变化的影响，通过区域生长算法选取多个参考点，进一步加权得到更精确的定位结果，从而解决目前指纹定位易受环境影响，定位精度低的问题。

本发明的其它特征和优点将在随后的说明书中阐述，而且部分关键技术细节从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

图1为本发明实施例提供的最优区域自适应选取的指纹定位方法的流程图。

图2为本发明实施例提供的最优区域自适应选取过程中区域生长的流程示意图。

图3为本发明实时例提供的最优区域自适应选取的指纹定位系统的框图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

实施例一：本发明实施例提供了一种最优区域自适应选取的指纹定位方法，参照图1所示，包括以下步骤：

S101、采集所有参考点处WiFi接入点的信号强度和实时采集测试点处WiFi接入点的信号强度；

S102、计算所有参考点处WiFi接入点的信号强度与所述测试点处WiFi接入点的信号强度差的绝对值；并将所述信号强度差的绝对值进行由小到大的排序；

S103、综合所有参考点处WiFi接入点信号强度差的绝对值排序，选取排序第一的参考点作为与参考点信号强度差最小的最佳参考点；

S104、以所述最佳参考点作为初始种子点，进行区域生长，筛选出M个参考点；

S105、根据所述M个参考点的坐标进行加权计算，得到测试点最终的定位结果。

本实施例中，该方法通过计算参考点与测试点接收到WiFi接入点信号强度差的绝对值，并对每一个WiFi接入点信号强度差的绝对值由小到大排序，选取所有WiFi接入点排序第一的参考点作为与测试点信号强度差最小的最佳参考点，并以最佳参考点作为初始种子点进行区域生长，选取M个参考点并将M个参考点的坐标进行加权计算，得到最终测试点的定位结果。该方法提高了最佳参考点与测试点位置的位置误差精度，实现指纹定位最佳参考点的确定；降低了环境所带来的指纹变化的影响，通过区域生长算法选取多个参考点，进一步加权得到更精确的定位结果，从而解决目前指纹定位易受环境影响，定位精度低的问题。

下面分别对上述各个步骤进行详细说明。

在一个实施例中，步骤S101包括：

离线采集参考点的指纹信息，包括WiFi接入点的MAC地址和在参考点处接收到WiFi接入点的信号强度；

在线获取测试点的指纹信息，包括WiFi接入点的MAC地址和该在参考点处接收到WiFi接入点的信号强度；

对于同一WiFi接入点，计算参考点与测试点接收到信号强度差的绝对值，计算公式为：

error^ji＝|s_ij-t_j|

式中，error^ji表示第i个参考点处接收到第j个WiFi接入点的信号强度与测试点接收到的第j个WiFi接入点的信号强度的差的绝对值；s_ij表示第i个参考点接收到的第j个WiFi接入点的信号强度；t_j表示测试点在线接收到第j个WiFi接入点的信号强度。

在一个实施例中，步骤S102包括：将信号强度差的绝对值转换为从1到m的排序，其转换公式为：

rank(RP_ij)＝find(error^ji＝＝sort(error^j))

(1)

式中，rank(RP_ij)表示第i个参考点接收到第j个WiFi接入点信号强度与测试点接收到第j个WiFi接入点信号强度的差在所有参考点与测试点信号强度差中的排序；error^j＝[error^j1,error^j2,…,error^jm]，向量表示参考点的数量有m个；sort(*)表示对向量由小到大进行排序；find(A＝＝B)表示元素A在向量B中的索引。

在一个实施例中，步骤S103包括：对每一个参考点，计算全部WiFi接入点的参考点排序，并计算每一个参考点在所有WiFi接入点的排序的平均值，作为每一个参考点的最终排序，第i个参考点的综合排序计算公式为：

式中，n表示接收到WiFi接入点的数量。

在一个实施例中，步骤S104，包括：以所述最佳参考点作为初始种子点进行区域生长，并判断以种子点的邻域参考点是否满足预设条件；所述预设条件为有参考点的排序大于等于除种子点外的参考点的最高排序；

如果有，则将满足条件的所述参考点添加为种子点，并重新进行区域生长；

如果没有，区域生长结束，筛选出的M个所述种子点作为参考点。

具体流程可参照图2所示，包括：

步骤S1041，确定种子点；

步骤S1042，判断种子点的邻域参考点是否有参考点的排序大于等于除种子点外的参考点的最高排序；

步骤S1043，若满足，则将满足条件的参考点添加进入为种子点，并重复步骤S1041和S1042；

步骤S1044，若不满足，则种子点所包含的参考点即为最终用于定位的M个参考点。

在一个实施例中，步骤S105包括：对M个参考点的坐标进行加权计算，得到最终的定位结果，包括：

根据筛选出的M个参考点的排序，归一化计算参考点的权重；

ω_i＝1/rank(RP_i)

(3)

其中，rank(RP_i)为M个参考点中第i个参考点的排序；ω_i为M个参考点中第i个点的权重；

根据每个参考点的坐标和对应的权重，通过加权计算，得到测试点的最终的定位结果；计算公式为：

(4)式中，loc_i＝(x_i,y_i)为M个参考点中第i个点的坐标；ω_i为M个参考点中第i个点的权重；loc_t为测试点最终的定位结果。

实施例二：

本发明实施例提供了一种最优区域自适应选取的指纹定位系统，参照图3所示，包括：

采集模块31，用于采集所有参考点处WiFi接入点的信号强度和实时采集测试点处WiFi接入点的信号强度；

计算及排序模块32，用于计算所有参考点处WiFi接入点的信号强度与所述测试点处WiFi接入点的信号强度差的绝对值；并将所述信号强度差的绝对值进行由小到大的排序；

选取模块33，用于综合所有参考点处WiFi接入点信号强度差的绝对值排序，选取排序第一的参考点作为与参考点信号强度差最小的最佳参考点；

筛选模块34，用于以所述最佳参考点作为初始种子点，进行区域生长，筛选出M个参考点；

定位模块35，用于根据所述M个参考点的坐标进行加权计算，得到测试点最终的定位结果。

其中，采集模块31，具体用于离线采集参考点的指纹信息，包括WiFi接入点的MAC地址和在参考点处接收到WiFi接入点的信号强度；

在线获取测试点的指纹信息，包括WiFi接入点的MAC地址和该在参考点处接收到WiFi接入点的信号强度。

计算及排序模块32，包括计算子模块和排序子模块；

该计算子模块，具体用于对于同一WiFi接入点，计算参考点与测试点接收到信号强度差的绝对值，计算公式为：

error^ji＝|s_ij-t_j|

式中，error^ji表示第i个参考点处接收到第j个WiFi接入点的信号强度与测试点接收到的第j个WiFi接入点的信号强度的差的绝对值；s_ij表示第i个参考点接收到的第j个WiFi接入点的信号强度；t_j表示测试点在线接收到第j个WiFi接入点的信号强度。

排序子模块，具体用于将信号强度差的绝对值转换为从1到m的排序，其转换公式为：

rank(RP_ij)＝find(error^ji＝＝sort(error^j))

(1)

式中，rank(RP_ij)表示第i个参考点接收到第j个WiFi接入点信号强度与测试点接收到第j个WiFi接入点信号强度的差在所有参考点与测试点信号强度差中的排序；error^j＝[error^j1,error^j2,…,error^jm]，向量表示参考点的数量有m个；sort(*)表示对向量由小到大进行排序；find(A＝＝B)表示元素A在向量B中的索引。

选取模块33，具体用于对每一个参考点，计算全部WiFi接入点的参考点排序，并计算每一个参考点在所有WiFi接入点的排序的平均值，作为每一个参考点的最终排序，第i个参考点的综合排序计算公式为：

式中，n表示接收到WiFi接入点的数量。

筛选模块34，用于以所述最佳参考点作为初始种子点进行区域生长，并判断以种子点的邻域参考点是否满足预设条件；所述预设条件为有参考点的排序大于等于除种子点外的参考点的最高排序；

如果有，则将满足条件的所述参考点添加为种子点，并重新进行区域生长；

如果没有，区域生长结束，筛选出的M个所述种子点作为参考点。

定位模块，用于根据筛选出的M个参考点的排序，归一化计算参考点的权重；

ω_i＝1/rank(RP_i)

(3)

其中，rank(RP_i)为M个参考点中第i个参考点的排序；ω_i为M个参考点中第i个点的权重；

根据每个参考点的坐标和对应的权重，通过加权计算，得到测试点的最终的定位结果；计算公式为：

(4)式中，loc_i＝(x_i,y_i)为M个参考点中第i个点的坐标；ω_i为M个参考点中第i个点的权重；loc_t为测试点最终的定位结果。

本公开实施例的最优区域自适应选取的指纹定位系统，首先精确查找最佳参考点，进而以最佳参考点作为初始种子点，进行区域生长，找到M个参考点，最终以排序倒数作为参考点的权重，对参考点位置进行加权计算，得到最终的定位结果。从而解决目前指纹定位易受环境影响，定位精度低的问题。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其它可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (7)

1.一种最优区域自适应选取的指纹定位方法，其特征在于，包括：

针对每一个WiFi接入点，计算所有参考点处WiFi接入点的信号强度与测试点处WiFi接入点的信号强度差的绝对值；

将所述信号强度差的绝对值进行由小到大的排序；

综合所有参考点处WiFi接入点信号强度差的绝对值排序，选取排序第一的参考点作为与参考点信号强度差最小的最佳参考点；

以所述最佳参考点作为初始种子点，进行区域生长，筛选出M个参考点；

根据所述M个参考点的坐标进行加权计算，得到测试点最终的定位结果。

2.如权利要求1所述的一种最优区域自适应选取的指纹定位方法，其特征在于，针对每一个WiFi接入点，计算所有参考点处WiFi接入点的信号强度与测试点处WiFi接入点的信号强度差的绝对值，包括：

离线采集参考点的指纹信息，包括WiFi接入点的MAC地址和在参考点处接收到WiFi接入点的信号强度；

在线获取测试点的指纹信息，包括WiFi接入点的MAC地址和在测试点处接收到WiFi接入点的信号强度；

对于同一WiFi接入点，计算参考点与测试点接收到信号强度差的绝对值，计算公式为：

error^ji＝|s_ij-t_j|

式中，error^ji表示第i个参考点处接收到第j个WiFi接入点的信号强度与测试点接收到的第j个WiFi接入点的信号强度的差的绝对值；s_ij表示第i个参考点接收到的第j个WiFi接入点的信号强度；t_j表示测试点在线接收到第j个WiFi接入点的信号强度。

3.如权利要求1所述的一种最优区域自适应选取的指纹定位方法，其特征在于，将所述信号强度差的绝对值进行由小到大的排序，包括：

将信号强度差的绝对值转换为从1到m的排序，其转换公式为：

rank(RP_ij)＝find(error^ji＝＝sort(error^j))

(1)

式中，rank(RP_ij)表示第i个参考点接收到第j个WiFi接入点信号强度与测试点接收到第j个WiFi接入点信号强度的差在所有参考点与测试点信号强度差中的排序；error^j＝[error^j1,error^j2,…,error^jm]，向量表示参考点的数量有m个；sort(error^j)表示对向量error^j由小到大进行排序；find(A＝＝B)表示元素A在向量B中的索引。

4.如权利要求3所述的一种最优区域自适应选取的指纹定位方法，其特征在于，综合所有参考点处WiFi接入点信号强度差的绝对值排序，选取排序第一的参考点作为与参考点信号强度差最小的最佳参考点，包括：

对每一个参考点，计算全部WiFi接入点的参考点排序，并计算每一个参考点在所有WiFi接入点的排序的平均值，作为每一个参考点的最终排序，第i个参考点的综合排序计算公式为：

式中，n表示接收到WiFi接入点的数量。

5.如权利要求4所述的一种最优区域自适应选取的指纹定位方法，其特征在于，以所述最佳参考点作为初始种子点，进行区域生长，筛选出M个参考点，包括：

以所述最佳参考点作为初始种子点进行区域生长，并判断种子点的邻域参考点是否满足预设条件；所述预设条件为有参考点的排序大于等于除种子点外的参考点的最高排序；

如果有，则将满足条件的所述参考点添加为种子点，并重新进行区域生长；

如果没有，区域生长结束，筛选出的M个所述种子点作为参考点。

6.如权利要求5所述的一种最优区域自适应选取的指纹定位方法，其特征在于，根据所述M个参考点的坐标进行加权计算，得到测试点最终的定位结果，包括：

根据筛选出的M个参考点的排序，归一化计算参考点的权重；

ω_i＝1/rank(RP_i)

(3)

其中，rank(RP_i)为M个参考点中第i个参考点的排序；ω_i为M个参考点中第i个点的权重；

根据每个参考点的坐标和对应的权重，通过加权计算，得到测试点的最终的定位结果；计算公式为：

(4)式中，loc_i＝(x_i,y_i)为M个参考点中第i个点的坐标；loc_t为测试点最终的定位结果。

7.一种最优区域自适应选取的指纹定位系统，其特征在于，包括：

采集模块，用于采集所有参考点处WiFi接入点的信号强度和实时采集测试点处WiFi接入点的信号强度；

计算及排序模块，用于计算所有参考点处WiFi接入点的信号强度与所述测试点处WiFi接入点的信号强度差的绝对值；并将所述信号强度差的绝对值进行由小到大的排序；

选取模块，用于综合所有参考点处WiFi接入点信号强度差的绝对值排序，选取排序第一的参考点作为与参考点信号强度差最小的最佳参考点；

筛选模块，用于以所述最佳参考点作为初始种子点，进行区域生长，筛选出M个参考点；

定位模块，用于根据所述M个参考点的坐标进行加权计算，得到测试点最终的定位结果。

Images