CN111757464B - 一种区域轮廓提取方法及装置 - Google Patents
一种区域轮廓提取方法及装置 Download PDFInfo
- Publication number
- CN111757464B CN111757464B CN201910561112.7A CN201910561112A CN111757464B CN 111757464 B CN111757464 B CN 111757464B CN 201910561112 A CN201910561112 A CN 201910561112A CN 111757464 B CN111757464 B CN 111757464B
- Authority
- CN
- China
- Prior art keywords
- sample
- wifi fingerprint
- samples
- cluster
- wifi
- 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.)
- Active
Links
- 238000000605 extraction Methods 0.000 title claims abstract description 105
- 238000000034 method Methods 0.000 claims abstract description 60
- 238000004458 analytical method Methods 0.000 claims abstract description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 17
- 238000013507 mapping Methods 0.000 claims description 15
- 238000007621 cluster analysis Methods 0.000 claims description 11
- 238000012163 sequencing technique Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 5
- 238000007405 data analysis Methods 0.000 abstract description 3
- 238000004364 calculation method Methods 0.000 description 12
- 238000004590 computer program Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 11
- 230000000694 effects Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000002776 aggregation Effects 0.000 description 3
- 238000004220 aggregation Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000000691 measurement method Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 108010001267 Protein Subunits Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
Classifications
-
- 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
- H04W64/006—Locating users or terminals or network equipment for network management purposes, e.g. mobility management with additional information processing, e.g. for direction or speed determination
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/906—Clustering; Classification
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Quality & Reliability (AREA)
- Electromagnetism (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例涉及数据分析技术领域，公开了一种区域轮廓提取方法及装置。该方法包括：根据获取到的若干WiFi指纹样本的位置信息，对若干WiFi指纹样本进行聚类分析，以获得若干聚类簇；从若干聚类簇中确定出包含WiFi指纹样本数量最多的最大聚类簇；根据最大聚类簇包含的WiFi指纹样本的分布情况，确定最大聚类簇包含的目标WiFi指纹样本为目标区域的边缘点，目标WiFi指纹样本为最大聚类簇的簇包络点；根据目标区域的边缘点，获得目标区域轮廓。实施本发明实施例，能够提高区域轮廓的提取精准度。
Description
技术领域
本发明涉及数据分析技术领域，具体涉及一种区域轮廓提取方法及装置。
背景技术
如今，市面上的智能终端基本上都具有定位功能，通常是利用全球卫星定位(Global Positioning System，GPS)系统进行定位。但是，随着智能终端的功能越来越丰富，有时候可能不仅需要获取GPS系统定位到的GPS定位信息，还需要识别智能终端当前所处的区域，以识别用户的活动区域，比如学校、家庭小区、图书馆或购物商场等特定区域，以完善智能终端的功能。
现有技术中，应用于特定区域的地理轮廓提取方法比较少，一般是采用栅格化数据分析方法，即是一种通过构建地图栅格，将空间分裂成有规律的网格，然后对各网格赋予相应的属性值来表示实体的数据形式，如此可以对各网格的数据进行分析，把相同属性值的网格找到，组成特定区域，然后将特定区域中各个栅格的顶点作为边缘点，根据边缘点提取特定区域的粗略轮廓，最后通过该粗略轮廓识别用户的活动区域。
但是，在实践中发现，该栅格化数据分析方法下，特定区域的识别精度和栅格的构建尺寸紧密相关，一旦栅格的构建尺寸掌握不好，所识别出来的区域可能差异很大，可见区域的识别精密度不高，以至于区域轮廓的提取精密度也不高。而且，使用栅格顶点作为边缘点，这种边缘估计方式误差较大，也无法准确地反映区域的轮廓。
综上所述，现有技术中区域轮廓的提取精准度较低。
发明内容
针对上述缺陷，本发明实施例公开了一种区域轮廓提取方法及装置，能够提高区域轮廓的提取精准度。
本发明实施例第一方面公开一种区域轮廓提取方法，包括：
根据获取到的若干WiFi指纹样本的位置信息，对所述若干WiFi指纹样本进行聚类分析，以获得若干聚类簇；
从所述若干聚类簇中确定出包含WiFi指纹样本数量最多的最大聚类簇；
根据所述最大聚类簇包含的WiFi指纹样本的分布情况，确定所述最大聚类簇包含的目标WiFi指纹样本为目标区域的边缘点，所述目标WiFi指纹样本为所述最大聚类簇的簇包络点；
根据所述目标区域的边缘点，获得目标区域轮廓。
作为一种可选的实施方式，在本发明实施例第一方面中，所述根据获取到的若干WiFi指纹样本的位置信息，对所述若干WiFi指纹样本进行聚类分析，以获得若干聚类簇之前，所述方法还包括：
接收终端设备测得的若干WiFi接入点的信号强度；
根据所述信号强度，确定每一所述WiFi接入点的位置信息，所述位置信息对应有一个WiFi指纹样本。
作为一种可选的实施方式，在本发明实施例第一方面中，所述根据获取到的若干WiFi指纹样本的位置信息，对所述若干WiFi指纹样本进行聚类分析，以获得若干聚类簇，包括：
根据获取到的若干WiFi指纹样本的位置信息，从所述若干WiFi指纹样本中确定出若干核心对象样本，其中，每一所述核心对象样本的第一距离阈值邻域内均包括大于或等于指定数量的密度直达样本，所述密度直达样本与该核心对象样本的距离小于第一距离阈值，所述密度直达样本为所述若干WiFi指纹样本中除去该核心对象样本的任一WiFi指纹样本；
依次判断每一所述核心对象样本的第一距离阈值邻域内所包括的每一密度直达样本是否为核心对象样本；
若每一所述核心对象样本的第一距离阈值邻域内所包括的每一密度直达样本均不是核心对象样本，根据每一所述核心对象样本及其第一距离阈值邻域内所包括的密度直达样本组成聚类簇，以获得若干聚类簇；
若任一所述核心对象样本的第一距离阈值邻域内所包括的任一密度直达样本为核心对象样本，获取与该任一密度直达样本的距离小于第二距离阈值的若干密度相连样本，所述密度相连样本为所述若干WiFi指纹样本中除去该任一核心对象样本及其第一距离阈值邻域内所包括的密度直达样本的任一WiFi指纹样本；根据所述若干密度相连样本、该任一核心对象样本及其第一距离阈值邻域内所包括的密度直达样本组成聚类簇，以获得若干聚类簇。
作为一种可选的实施方式，在本发明实施例第一方面中，所述最大聚类簇包含的WiFi指纹样本数量大于二；所述根据所述最大聚类簇包含的WiFi指纹样本的分布情况，确定所述最大聚类簇包含的目标WiFi指纹样本为目标区域的边缘点，包括：
将所述最大聚类簇包含的WiFi指纹样本映射到二维坐标系中；
根据映射结果，从所述最大聚类簇包含的WiFi指纹样本中确定出纵坐标最小的WiFi指纹样本作为原点样本；
计算所述最大聚类簇包含的WiFi指纹样本中除去所述原点样本之外的各个其它WiFi指纹样本相对于所述原点样本的幅角值；
根据所述幅角值的大小顺序对所述各个其它WiFi指纹样本进行排序；
按照排序结果，采用寻找凸包算法计算获得所述最大聚类簇的簇包络点，以确定所述各个其它WiFi指纹样本中的若干目标WiFi指纹样本；
将所述若干目标WiFi指纹样本与所述原点样本作为目标区域的边缘点。
作为一种可选的实施方式，在本发明实施例第一方面中，所述根据所述幅角值的大小顺序对所述各个其它WiFi指纹样本进行排序之前，所述方法还包括：
判断所述各个WiFi指纹样本的所述幅角值是否各不相同；
若各不相同，执行所述根据所述幅角值的大小顺序对所述各个其它WiFi指纹样本进行排序的步骤。
作为一种可选的实施方式，在本发明实施例第一方面中，还包括：
若不是各不相同，获取所述幅角值相同的若干其它WiFi指纹样本子集，以及获取每一所述其它WiFi指纹样本子集中所包括的每一其它WiFi指纹样本与所述原点样本的距离；根据所述距离的大小顺序以及所述幅角值的大小顺序，对所述各个其它WiFi指纹样本进行排序。
本发明实施例第二方面公开一种区域轮廓提取装置，
作为一种可选的实施方式，在本发明实施例第二方面中，包括：
聚类单元，用于根据获取到的若干WiFi指纹样本的位置信息，对所述若干WiFi指纹样本进行聚类分析，以获得若干聚类簇；
第一确定单元，用于从所述若干聚类簇中确定出包含WiFi指纹样本数量最多的最大聚类簇；
第二确定单元，用于根据所述最大聚类簇包含的WiFi指纹样本的分布情况，确定所述最大聚类簇包含的目标WiFi指纹样本为目标区域的边缘点，所述目标WiFi指纹样本为所述最大聚类簇的簇包络点；
提取单元，用于根据所述目标区域的边缘点，获得目标区域轮廓。
作为一种可选的实施方式，在本发明实施例第二方面中，还包括：
接收单元，用于在所述聚类单元根据获取到的若干WiFi指纹样本的位置信息，对所述若干WiFi指纹样本进行聚类分析以获得若干聚类簇之前，接收终端设备测得的若干WiFi接入点的信号强度；
取样单元，用于根据所述信号强度，确定每一所述WiFi接入点的位置信息，所述位置信息对应有一个WiFi指纹样本。
作为一种可选的实施方式，在本发明实施例第二方面中，所述聚类单元包括：
第一确定子单元，用于根据获取到的若干WiFi指纹样本的位置信息，从所述若干WiFi指纹样本中确定出若干核心对象样本，其中，每一所述核心对象样本的第一距离阈值邻域内均包括大于或等于指定数量的密度直达样本，所述密度直达样本与该核心对象样本的距离小于第一距离阈值，所述密度直达样本为所述若干WiFi指纹样本中除去该核心对象样本的任一WiFi指纹样本；
第一判断子单元，用于依次判断每一所述核心对象样本的第一距离阈值邻域内所包括的每一密度直达样本是否为核心对象样本；
第一聚类子单元，用于在所述第一判断子单元判断出每一所述核心对象样本的第一距离阈值邻域内所包括的每一密度直达样本均不是核心对象样本时，根据每一所述核心对象样本及其第一距离阈值邻域内所包括的密度直达样本组成聚类簇，以获得若干聚类簇；
第二聚类子单元，用于在所述第一判断子单元判断出任一所述核心对象样本的第一距离阈值邻域内所包括的任一密度直达样本为核心对象样本时，获取与该任一密度直达样本的距离小于第二距离阈值的若干密度相连样本，所述密度相连样本为所述若干WiFi指纹样本中除去该任一核心对象样本及其第一距离阈值邻域内所包括的密度直达样本的任一WiFi指纹样本；以及，根据所述若干密度相连样本、该任一核心对象样本及其第一距离阈值邻域内所包括的密度直达样本组成聚类簇，以获得若干聚类簇。
作为一种可选的实施方式，在本发明实施例第二方面中，所述最大聚类簇包含的WiFi指纹样本数量大于二；所述第二确定单元包括：
映射子单元，用于将所述最大聚类簇包含的WiFi指纹样本映射到二维坐标系中；
第二确定子单元，用于根据映射结果，从所述最大聚类簇包含的WiFi指纹样本中确定出纵坐标最小的WiFi指纹样本作为原点样本；
计算子单元，用于计算所述最大聚类簇包含的WiFi指纹样本中除去所述原点样本之外的各个其它WiFi指纹样本相对于所述原点样本的幅角值；
第一排序子单元，用于根据所述幅角值的大小顺序对所述各个其它WiFi指纹样本进行排序；
第三确定子单元，用于按照排序结果，采用寻找凸包算法计算获得所述最大聚类簇的簇包络点，以确定所述各个其它WiFi指纹样本中的若干目标WiFi指纹样本；以及，将所述若干目标WiFi指纹样本与所述原点样本作为目标区域的边缘点。
作为一种可选的实施方式，在本发明实施例第二方面中，所述第二确定单元还包括：
第二判断子单元，用于在所述第一排序子单元根据所述幅角值的大小顺序对所述各个其它WiFi指纹样本进行排序之前，判断所述各个WiFi指纹样本的所述幅角值是否各不相同；若各不相同，触发所述第一排序子单元执行所述根据所述幅角值的大小顺序对所述各个其它WiFi指纹样本进行排序的操作。
本发明实施例第三方面公开一种区域轮廓提取装置，包括：
存储有可执行程序代码的存储器；
与所述存储器耦合的处理器；
所述处理器调用所述存储器中存储的所述可执行程序代码，执行本发明实施例第一方面公开的一种区域轮廓提取方法。
本发明实施例第四方面公开一种计算机可读存储介质，其存储计算机程序，其中，所述计算机程序使得计算机执行本发明实施例第一方面公开的一种区域轮廓提取方法。所述计算机可读存储介质包括ROM/RAM、磁盘或光盘等。
本发明实施例第五方面公开一种计算机程序产品，当所述计算机程序产品在计算机上运行时，使得所述计算机执行第一方面的任意一种方法的部分或全部步骤。
本发明实施例第六方面公开一种应用发布平台，所述应用发布平台用于发布计算机程序产品，其中，当所述计算机程序产品在计算机上运行时，使得所述计算机执行第一方面的任意一种方法的部分或全部步骤。
与现有技术相比，本发明实施例具有以下有益效果：
本发明实施例中，通过根据获取到的若干WiFi指纹样本的位置信息，对若干WiFi指纹样本进行聚类分析，以获得若干聚类簇，并从若干聚类簇中确定出包含WiFi指纹样本数量最多的最大聚类簇，根据最大聚类簇包含的WiFi指纹样本的分布情况，确定最大聚类簇包含的WiFi指纹样本中属于最大聚类簇的簇包络点的目标WiFi指纹样本为目标区域的边缘点，根据目标区域的边缘点，即可获得目标区域轮廓。可见，实施本发明实施例，能够基于WiFi指纹样本的聚集密度进行聚类分析，并根据包含WiFi指纹样本数量最多的最大聚类簇中的样本分布情况，确定最大聚类簇的簇包络点为区域边缘点以提取区域轮廓，无需构建其它辅助工具，区域轮廓的提取精密度不会受到制约，从而能够提高区域轮廓的提取精密度，同时基于最大聚类簇的簇包络点确定区域边缘点，能够提高区域轮廓的提取准确度。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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是本发明实施例公开的一种区域轮廓提取方法的流程示意图；
图2是本发明实施例公开的另一种区域轮廓提取方法的流程示意图；
图3是本发明实施例公开的又一种区域轮廓提取方法的流程示意图；
图4是本发明实施例公开的一种区域轮廓提取装置的结构示意图；
图5是本发明实施例公开的另一种区域轮廓提取装置的结构示意图；
图6是本发明实施例公开的又一种区域轮廓提取装置的结构示意图；
图7是本发明实施例公开的一种WiFi指纹样本的聚类分析结果示意图；
图8是本发明实施例公开的一种寻找目标区域的边缘点的过程示例图。
具体实施方式
下面将结合本发明实施例中的附图，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他实施例，都属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书中的术语“第一”、“第二”、“第三”等是用于区别不同的对象，而不是用于描述特定顺序。本发明实施例的术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本发明实施例中，术语“上”、“下”、“左”、“右”、“前”、“后”、“顶”、“底”、“内”、“外”、“中”、“竖直”、“水平”、“横向”、“纵向”等指示的方位或位置关系为基于附图所示的方位或位置关系。这些术语主要是为了更好地描述本发明及其实施例，并非用于限定所指示的装置、元件或组成部分必须具有特定方位，或以特定方位进行构造和操作。并且，上述部分术语除了可以用于表示方位或位置关系以外，还可能用于表示其他含义，例如术语“上”在某些情况下也可能用于表示某种依附关系或连接关系。对于本领域普通技术人员而言，可以根据具体情况理解这些术语在本发明中的具体含义。
此外，术语“安装”、“设置”、“装设”、“连接”、“相连”应做广义理解。例如，可以是固定连接，可拆卸连接，或整体式构造；可以是机械连接，或电连接；可以是直接相连，或者是通过中间媒介间接相连，又或者是两个装置、元件或组成部分之间内部的连通。对于本领域普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
本发明实施例公开了一种区域轮廓提取方法及装置，能够提高区域轮廓的提取精准度。其中，该区域轮廓提取方法的执行主体可以为区域轮廓提取装置，也可以为区域轮廓提取系统，也可以是与用户使用的终端设备绑定的服务设备，甚至可以是用户使用的终端设备，本发明实施例不作限定。
其中，各类终端设备的操作系统包括但不限于Android操作系统、IOS操作系统、Symbian(塞班)操作系统、Black Berry(黑莓)操作系统、Windows Phone8操作系统等等，本发明实施例不做限定。本发明实施例的执行主体以区域轮廓提取装置为例进行描述，应理解不应对本发明构成任何限定。以下结合附图进行详细描述。
实施例一
请参阅图1，图1是本发明实施例公开的一种区域轮廓提取方法的流程示意图。如图1所示，该区域轮廓提取方法可以包括以下步骤：
101、区域轮廓提取装置根据获取到的若干WiFi指纹样本的位置信息，对若干WiFi指纹样本进行聚类分析，以获得若干聚类簇。
需要说明的是，本发明实施例所公开的区域轮廓提取方法可以适用于室内定位场景，在室内定位场景下，全球定位系统GPS会因楼栋建筑密集而感测不到卫星信号导致无法精准定位，因此通过实施本发明实施例公开的区域轮廓提取方法，可以根据提取出来的区域轮廓，识别用户所在的室内区域是属于哪一个楼栋建筑，从而实现楼栋建筑定位。
作为一种可选的实施方式，在执行步骤101之前，区域轮廓提取装置可以预先建立WiFi指纹库，该WiFi指纹库存储有若干WiFi指纹数据以及各个WiFi指纹数据对应的位置信息。基于此，区域轮廓提取装置可以获取若干WiFi指纹样本，并根据若干WiFi指纹样本在WiFi指纹库中进行匹配，以识别每一WiFi指纹样本匹配的目标WiFi指纹数据及其对应的位置信息。其中，位置信息可以包括经纬度坐标。也即，可得到一对形如(long，lat)的坐标值。其中，lat指代纬度，long指代经度。通过该实施方式，能够利用部署于楼栋建筑物的WiFi指纹数据及其对应的位置信息建立WiFi指纹库，用以在后续进行区域轮廓提取时，识别WiFi指纹样本，从而获取到精准的位置信息，进而提高区域轮廓的提取准确率。
进一步可选地，WiFi指纹数据可以包括一个或多个WiFi信号特征项，该WiFi信号特征项可以是某个位置上扫描到的WiFi热点名称、某个位置上扫描到的WiFi热点的(MediaAccess Control，MAC)地址、某个位置通信信号的多径结构、某个位置上是否能检测到无线接入点(AP)或基站、某个位置上检测到的来自AP或基站的信号的接收信号强度(ReceivedSignal Strength，RSS)或某个位置上通信时信号的往返时间或延迟等。
可以理解的是，WiFi指纹样本也可以包括一个或多个上述的WiFi信号特征项，当然了，WiFi指纹样本所包括的WiFi信号特征项数量越多，在WiFi指纹库中匹配到的目标WiFi指纹数据的准确度就越高，位置信息的准确度也就越高。
作为一种可选的实施方式，在建立或更新WiFi指纹库的过程中，区域轮廓提取装置获取WiFi指纹数据的方式具体可以是连续采集用户移动终端的GPS信息和WiFi指纹数据，其中用户移动终端内嵌有WiFi模块，GPS信息是用户移动终端在室外采集的，WiFi指纹数据是在用户移动终端的GPS信息的间断点采集的；然后，根据用户移动终端的GPS信息可以获得用户移动终端的GPS轨迹，根据GPS轨迹获得采集WiFi指纹数据的间断点所对应的位置信息，建立WiFi指纹数据与位置信息的映射关系，用以建立或更新WiFi指纹库。其中，用户移动终端可以是用户使用的智能手机、平板电脑、个人数字助理(PAD)或笔记本电脑等移动通信设备。通过该实施方式，在用户进行实时GPS定位的同时，结合GPS轨迹识别在GPS定位的间断点所获取的WiFi指纹数据来建立或更新WiFi指纹库，能够基于用户日常行为，便捷地获取到WiFi指纹数据，降低了数据采集难度和成本。
可选地，聚类分析方法可以包括系统聚类法、分解法、加入法、动态聚类法、有序样品聚类、有重叠聚类或模糊聚类等。
102、区域轮廓提取装置从若干聚类簇中确定出包含WiFi指纹样本数量最多的最大聚类簇。
请一并参阅图7，图7是本发明实施例公开的一种WiFi指纹样本的聚类分析结果示意图。如图7所示，聚类分析结果包含若干聚类簇，每一聚类簇包含若干WiFi指纹样本，因此，包含WiFi指纹样本数量最多的最大聚类簇可以是如图7所示的虚线框取区域所对应的聚类簇。
进一步可选地，区域轮廓提取装置也可以根据计算每一聚类簇对应的平面几何面积，从而确定平面几何面积最大的聚类簇为最大聚类簇，使得最大聚类簇的确定方式更加灵活。显然，平面几何面积最大的聚类簇所包含的WiFi指纹样本数量也最多，为了使最大聚类簇的确定方式更加灵活，甚至还可以采取其它一些方式来确定最大聚类簇，本发明实施例在此不作具体限定。
103、区域轮廓提取装置根据最大聚类簇包含的WiFi指纹样本的分布情况，确定最大聚类簇包含的目标WiFi指纹样本为目标区域的边缘点。
其中，目标WiFi指纹样本为最大聚类簇的簇包络点。
请再参阅图7，如图7所示，实线所连接的各个点即为最大聚类簇的簇包络点，各个点对应的WiFi指纹样本即为目标WiFi指纹样本，也为目标区域的边缘点，可以理解的是，目标区域轮廓可以具体为如图7所示的实线。
104、区域轮廓提取装置根据目标区域的边缘点，获得目标区域轮廓。
作为一种可选的实施方式，执行步骤104之后，还可以对目标区域轮廓进行区域识别，具体地，将目标区域轮廓与预设的区域测量库中所存储的若干预设区域的轮廓进行匹配，以识别出与目标区域轮廓匹配的目标预设区域。其中，目标预设区域具体可以是用户常去的任一活动区域，活动区域包括但不限于学校、家庭小区、图书馆或购物商场等特定区域，以改善定位功能。
可见，实施图1所描述的方法，能够基于WiFi指纹样本的聚集密度进行聚类分析，并根据包含WiFi指纹样本数量最多的最大聚类簇中的样本分布情况，确定最大聚类簇的簇包络点为区域边缘点以提取区域轮廓，无需构建其它辅助工具，区域轮廓的提取精密度不会受到制约，从而能够提高区域轮廓的提取精密度，同时基于最大聚类簇的簇包络点确定区域边缘点，能够提高区域轮廓的提取准确度。
实施例二
请参阅图2，图2是本发明实施例公开的另一种区域轮廓提取方法的流程示意图。如图2所示，该区域轮廓提取方法可以包括以下步骤：
201、区域轮廓提取装置接收终端设备测得的若干WiFi接入点的信号强度。其中，终端设备可以是智能手机，平板电脑，智能手表，智能手环，甚至是智能眼镜等用户使用的移动终端。
可选地，WiFi接入点的信号强度具体可以是终端设备测得的任一WiFi接入点的接收信号强度RSS，该接收信号强度RSS可以为一段时间内采集到的接收信号强度的平均值或者中位数。
202、区域轮廓提取装置根据信号强度，确定每一WiFi接入点的位置信息，位置信息对应有一个WiFi指纹样本。
作为一种可选的实施方式，步骤202具体可以包括：区域轮廓提取装置根据每一WiFi接入点的信号强度在预先建立的WiFi指纹库中进行匹配，获得与信号强度的匹配度达到预设阈值的若干候选WiFi指纹数据，以获得若干候选位置信息，其中，候选位置信息与候选WiFi指纹数据一一对应；然后，区域轮廓提取装置根据若干候选位置信息，确定每一WiFi接入点的位置信息，其中，每一WiFi接入点的位置信息可以是若干候选位置信息的几何中心点或加权中心点；最后，区域轮廓提取装置利用该位置信息获得一个WiFi指纹样本。通过该实施方式，能够提高位置信息的准确率，进而提高区域轮廓的提取准确率。
203、区域轮廓提取装置根据获取到的若干WiFi指纹样本的位置信息，从若干WiFi指纹样本中确定出若干核心对象样本。
其中，每一核心对象样本的第一距离阈值邻域内均包括大于或等于指定数量的密度直达样本，密度直达样本与该核心对象样本的距离小于第一距离阈值，密度直达样本为若干WiFi指纹样本中除去该核心对象样本的任一WiFi指纹样本。
可选地，假设有WiFi指纹样本集合M＝{P1，P2，……，Pi}，那么WiFi指纹样本集合对应的位置信息集合为N＝{(x1，y1)，(x2，y2)，……，(xi，yi)}，其中，Pi表示第i个WiFi指纹样本，xi表示第i个WiFi指纹样本的经度坐标，yi表示第i个WiFi指纹样本的纬度坐标。基于此，步骤203可以包括：区域轮廓提取装置初始化核心对象样本集合Ω＝Φ(空集)，以距离度量方式计算样本Pj的
-邻域子样本集
如果样本Pj的
-邻域子样本集
中的样本个数大于或等于β，将样本Pj加入核心对象样本集合Ω，即Ω＝Ω∪{Pj}，以减少计算量，进而提高区域轮廓的提取效率。
可选地，上述例子中涉及的距离度量方式包括但不限于欧式距离、余弦相似度、曼哈顿距离或者马氏距离等度量方式，通过该距离度量方式，可以计算任意两个WiFi指纹样本之间的距离。
需要说明的是，本发明实施例中，第一距离阈值具体可以为上述例子中涉及的
指定数量具体可以为上述例子中涉及的β，密度直达样本具体可以为上述例子中涉及的子样本集
中的样本Pi。
可以理解的是，由于Pi位于Pj的
-邻域中，且Pj是核心对象，则称Pi由Pj密度直达，反之不一定成立，即不能称Pj由Pi密度直达，除非Pi也是核心对象。如果存在一系列样本P1，P2，……，Pn，且其中Pn由Pn-1密度直达，那么Pn从P1密度可达。另外，对于Pi和Pj，如果存在核心对象样本Pk，使Pi和Pj均由Pk密度可达，那么称Pi和Pj密度相连。
204、区域轮廓提取装置依次判断每一核心对象样本的第一距离阈值邻域内所包括的每一密度直达样本是否为核心对象样本。
其中，执行步骤204之后，若每一核心对象样本的第一距离阈值邻域内所包括的每一密度直达样本均不是核心对象样本，执行步骤205，再转向步骤208；若任一核心对象样本的第一距离阈值邻域内所包括的任一密度直达样本为核心对象样本，执行步骤206～210。
205、区域轮廓提取装置根据每一核心对象样本及其第一距离阈值邻域内所包括的密度直达样本组成聚类簇，以获得若干聚类簇。
206、区域轮廓提取装置获取与该任一密度直达样本的距离小于第二距离阈值的若干密度相连样本。
其中，密度相连样本为若干WiFi指纹样本中除去该任一核心对象样本及其第一距离阈值邻域内所包括的密度直达样本的任一WiFi指纹样本。
需要说明的是，第二距离阈值与第一距离阈值均为邻域参数，可以是开发人员根据实际情况而设定的数值，两者可以相同，也可以不同。
另外，可以理解的是，区域轮廓提取装置获取与该任一密度直达样本的距离小于第二距离阈值的若干密度相连样本的具体实施方式可以参照步骤203下面区域轮廓提取装置从若干WiFi指纹样本中确定出若干核心对象样本的具体实施方式的详细描述，本发明在此不再赘述。
207、区域轮廓提取装置根据若干密度相连样本、该任一核心对象样本及其第一距离阈值邻域内所包括的密度直达样本组成聚类簇，以获得若干聚类簇。
通过实施步骤204～207，从若干WiFi指纹样本中确定出核心对象样本，进而确定核心对象样本的第一距离阈值邻域内所包含的各个密度直达样本是否也是核心对象样本，如果是，将第一距离阈值邻域内所包含的密度直达样本的第二距离阈值邻域内的密度相连样本扩充进来，从而找到密度相连对象的最大集合，以提高聚类分析结果的准确性。另外，在聚类分析过程中，无需事先确定聚类簇的数量，能够从样本数据出发，自动进行分类，将密度相连的样本数据归入一类，从而使得计算方式更加简便。
208～210。其中，针对步骤208～210的描述，请参照实施例一中针对步骤102～104的详细描述，本发明在此不再赘述。
可见，与实施图1所描述的方法相比较，实施图2所描述的方法，还能够从若干WiFi指纹样本中确定出核心对象样本，进而确定核心对象样本的第一距离阈值邻域内所包含的各个密度直达样本是否也是核心对象样本，如果是，将第一距离阈值邻域内所包含的密度直达样本的第二距离阈值邻域内的密度相连样本扩充进来，从而找到密度相连对象的最大集合，以提高聚类分析结果的准确性。除此之外，实施图2所描述的方法，在聚类分析过程中，无需事先确定聚类簇的数量，能够从样本数据出发，自动进行分类，将密度相连的样本数据归入一类，从而使得计算方式更加简便。此外，实施图2所描述的方法，密度聚类算法的时间复杂度为O(n2)，其中n表示若干WiFi指纹样本的数量，因此计算量较少，能够提高区域轮廓的提取效率。
实施例三
请参阅图3，图3是本发明实施例公开的另一种区域轮廓提取方法的流程示意图。如图3所示，该区域轮廓提取方法可以包括以下步骤：
301～302。其中，针对步骤301～302的描述，请参照实施例一中针对步骤101～102的详细描述，本发明在此不再赘述。
303、区域轮廓提取装置将最大聚类簇包含的WiFi指纹样本映射到二维坐标系中。其中，最大聚类簇包含的WiFi指纹样本数量大于二。可以理解的是，若最大聚类簇包含的WiFi指纹样本数量不大于二，说明目标区域的边缘点为0、1或2个，均无法构成封闭的区域，则无需执行本流程。
本发明实施例中，通过地球经纬度与平面坐标的转换方法，即可实现将最大聚类簇包含的WiFi指纹样本映射到二维坐标系中(如图8所示的XY轴坐标系，图8是本发明实施例公开的一种寻找目标区域的边缘点的过程示例图)。可选地，转换方法包括但不限于米勒投影、墨卡托投影、横轴墨卡托投影(又称UTM投影)、高斯-克吕格投影或Lambert等角正割圆锥投影等。
304、区域轮廓提取装置根据映射结果，从最大聚类簇包含的WiFi指纹样本中确定出纵坐标最小的WiFi指纹样本作为原点样本。
305、区域轮廓提取装置计算最大聚类簇包含的WiFi指纹样本中除去原点样本之外的各个其它WiFi指纹样本相对于原点样本的幅角值。
需要说明的是，幅角值具体可以是各个其它WiFi指纹样本与原点样本的连线与X轴的夹角大小。
306、区域轮廓提取装置判断各个WiFi指纹样本的幅角值是否各不相同。若是，执行步骤307，再转向步骤310；否则，执行步骤308～312。
307、区域轮廓提取装置根据幅角值的大小顺序对各个其它WiFi指纹样本进行排序。
其中，幅角值的大小顺序可以是幅角值从大到小的顺序，也可以是幅角值从小到大的顺序，本发明在此不作具体限定。
308、区域轮廓提取装置获取幅角值相同的若干其它WiFi指纹样本子集，以及获取每一其它WiFi指纹样本子集中所包括的每一其它WiFi指纹样本与原点样本的距离。
可以理解，若各个WiFi指纹样本的幅角值不是各不相同，那么有可能存在部分或全部的WiFi指纹样本的幅角值相同，当存在全部的WiFi指纹样本的幅角值相同时，其它WiFi指纹样本子集只有一个；当存在部分的WiFi指纹样本的幅角值相同时，其它WiFi指纹样本子集可以有若干个。
309、区域轮廓提取装置根据距离的大小顺序以及幅角值的大小顺序，对各个其它WiFi指纹样本进行排序。
其中，距离的大小顺序可以是距离从大到小的顺序，也可以距离从小到大的顺序，本发明在此不作具体限定。
通过实施步骤305～309，通过对最大聚类簇包含的WiFi指纹样本进行排序，方便对样本数据进行查询，以提高计算速度。
310、区域轮廓提取装置按照排序结果，采用寻找凸包算法计算获得最大聚类簇的簇包络点，以确定各个其它WiFi指纹样本中的若干目标WiFi指纹样本。
需要说明的是，最大聚类簇的簇包络点具体可以是采用寻找凸包算法计算获得的凸包上的点。可以理解的是，纵坐标最小的点(即原点样本)一定是凸包上的点。
请一并参照图8，图8是本发明实施例公开的一种寻找目标区域的边缘点的过程示例图。示例性地，如图8所示，有原点样本P0以及各个其它WiFi指纹样本P1、P2、P3、P4、P5、P6、P7和P8，可见，P1、P2、P3、P4、P5、P6、P7和P8是按照幅角值
从小到大的顺序进行排序的。
那么，作为一种可选的实施方式，首先可以依次将P0、P1以及P2压入空栈，以使P2成为栈顶元素，并判断向量P2P3是否位于向量P2P1的逆时针方向，由图8可见，向量P2P3位于向量P2P1的逆时针方向，于是判定P2不是凸包上的点并将P2从栈顶弹出，以及将P3压入栈成为新的栈顶元素。然后，对P3重复执行以上判断步骤，即，判断向量P3P4是否位于向量P3P1的逆时针方向，由图8可见，向量P3P4并不是位于向量P3P1的逆时针方向，那么可以将P4压入栈成为新的栈顶元素，再判断向量P4P5是否位于向量P4P3的逆时针方向，由图8可见依然不是，则将P5压入栈成为新的栈顶元素，再判断向量P5P6是否位于向量P5P4的逆时针方向，由图8可见，向量P5P6确实位于向量P5P4的逆时针方向，那么判定P5不是凸包上的点并将P5从栈顶弹出，以使P4成为新的栈顶元素，并回溯P4的判断过程，即，重新判断向量P4P6是否位于向量P4P3的逆时针方向，由图8可见，向量P4P6确实位于向量P4P3的逆时针方向，则判定P4不是凸包上的点并将P4从栈顶弹出，以使P3成为新的栈顶元素，并回溯P3的判断过程，即，重新判断向量P3P6是否位于向量P3P1的逆时针方向，由图8可见，向量P3P6并不是位于向量P3P1的逆时针方向，这时才将P6压入栈成为新的栈顶元素，再判断向量P6P7是否位于向量P6P3的逆时针方向，以此类推，直到遍历所有样本之后，栈里的元素即为凸包上的点。
需要说明的是，作为另一种可选的实施方式，若P1、P2、P3、P4、P5、P6、P7和P8是按照幅角值
从大到小的顺序进行排序的，那么在该情况下，假如判断出向量P2P3位于向量P2P1的顺时针方向，则判定P2不是凸包上的点并将P2从栈顶弹出，以及将P3压入栈成为新的栈顶元素。
311、区域轮廓提取装置将若干目标WiFi指纹样本与原点样本作为目标区域的边缘点。
312、区域轮廓提取装置根据目标区域的边缘点，获得目标区域轮廓。
可见，与实施图1所描述的方法相比较，实施图3所描述的方法，还能够对最大聚类簇包含的WiFi指纹样本进行排序，方便对样本数据进行查询，以提高计算速度。除此之外，采用寻找凸包算法的算法时间复杂度为O(m*log(m))，其中，m表示最大聚类簇内的样本数量，能够大大地减少计算量，进而提高目标区域的边缘点的识别效率。
实施例四
请参阅图4，图4是本发明实施例公开的一种区域轮廓提取装置的结构示意图。如图4所示，该区域轮廓提取装置可以包括：
聚类单元401，用于根据获取到的若干WiFi指纹样本的位置信息，对若干WiFi指纹样本进行聚类分析，以获得若干聚类簇。
第一确定单元402，用于从若干聚类簇中确定出包含WiFi指纹样本数量最多的最大聚类簇。
第二确定单元403，用于根据最大聚类簇包含的WiFi指纹样本的分布情况，确定最大聚类簇包含的目标WiFi指纹样本为目标区域的边缘点，目标WiFi指纹样本为最大聚类簇的簇包络点。
提取单元404，用于根据目标区域的边缘点，获得目标区域轮廓。
作为一种可选的实施方式，图4所示的区域轮廓提取装置还可以包括未图示的识别单元，用于在聚类单元401根据获取到的若干WiFi指纹样本的位置信息，对若干WiFi指纹样本进行聚类分析以获得若干聚类簇之前，获取若干WiFi指纹样本，并根据若干WiFi指纹样本在WiFi指纹库中进行匹配，以识别每一WiFi指纹样本匹配的目标WiFi指纹数据及其对应的位置信息。其中，WiFi指纹库存储有若干WiFi指纹数据以及各个WiFi指纹数据对应的位置信息；位置信息可以包括经纬度坐标，也即，可得到一对形如(long，lat)的坐标值。其中，lat指代纬度，long指代经度。
通过该实施方式，能够利用部署于楼栋建筑物的WiFi指纹数据及其对应的位置信息建立WiFi指纹库，用以在后续进行区域轮廓提取时，识别WiFi指纹样本，从而获取到精准的位置信息，进而提高区域轮廓的提取准确率。
作为一种可选的实施方式，图4所示的区域轮廓提取装置还可以包括以下未图示的单元：
采集单元，用于连续采集用户移动终端的GPS信息和WiFi指纹数据，其中，用户移动终端内嵌有WiFi模块，GPS信息是用户移动终端在室外采集的，WiFi指纹数据是在用户移动终端的GPS信息的间断点采集的；
获取单元，用于根据用户移动终端的GPS信息可以获得用户移动终端的GPS轨迹，根据GPS轨迹获得采集WiFi指纹数据的间断点所对应的位置信息，并建立WiFi指纹数据与位置信息的映射关系，用以建立或更新WiFi指纹库。其中，用户移动终端可以是用户使用的智能手机、平板电脑、个人数字助理(PAD)或笔记本电脑等移动通信设备。
通过该实施方式，在用户进行实时GPS定位的同时，结合GPS轨迹识别在GPS定位的间断点所获取的WiFi指纹数据来建立或更新WiFi指纹库，能够基于用户日常行为，便捷地获取到WiFi指纹数据，降低了数据采集难度和成本。
作为一种可选的实施方式，图4所示的区域轮廓提取装置还可以包括未图示的定位单元，用于在提取单元404根据目标区域的边缘点获得目标区域轮廓之后，对目标区域轮廓进行区域识别。进一步地，定位单元用于对目标区域轮廓进行区域识别的方式具体可以是：定位单元，用于将目标区域轮廓与预设的区域测量库中所存储的若干预设区域的轮廓进行匹配，以识别出与目标区域轮廓匹配的目标预设区域。其中，目标预设区域具体可以是任一用户常去的活动区域，活动区域包括但不限于学校、家庭小区、图书馆或购物商场等特定区域，以改善定位功能。
可见，实施图4所示的区域轮廓提取装置，能够基于WiFi指纹样本的聚集密度进行聚类分析，并根据包含WiFi指纹样本数量最多的最大聚类簇中的样本分布情况，确定最大聚类簇的簇包络点为区域边缘点以提取区域轮廓，无需构建其它辅助工具，区域轮廓的提取精密度不会受到制约，从而能够提高区域轮廓的提取精密度，同时基于最大聚类簇的簇包络点确定区域边缘点，能够提高区域轮廓的提取准确度。
实施例五
请参阅图5，图5是本发明实施例公开的另一种区域轮廓提取装置的结构示意图。其中，图5所示的区域轮廓提取装置是由图4所示的区域轮廓提取装置进行优化得到的，与图4相比较，图5所示的区域轮廓提取装置还可以包括：
接收单元405，用于在聚类单元401根据获取到的若干WiFi指纹样本的位置信息，对若干WiFi指纹样本进行聚类分析以获得若干聚类簇之前，接收终端设备测得的若干WiFi接入点的信号强度。
取样单元406，用于根据信号强度，确定每一WiFi接入点的位置信息，位置信息对应有一个WiFi指纹样本。
可选地，图5所示的区域轮廓提取装置中，聚类单元401可以包括：
第一确定子单元4011，用于根据获取到的若干WiFi指纹样本的位置信息，从若干WiFi指纹样本中确定出若干核心对象样本；其中，每一核心对象样本的第一距离阈值邻域内均包括大于或等于指定数量的密度直达样本，密度直达样本与该核心对象样本的距离小于第一距离阈值，密度直达样本为若干WiFi指纹样本中除去该核心对象样本的任一WiFi指纹样本。
第一判断子单元4012，用于依次判断每一核心对象样本的第一距离阈值邻域内所包括的每一密度直达样本是否为核心对象样本。
第一聚类子单元4013，用于在第一判断子4012单元判断出每一核心对象样本的第一距离阈值邻域内所包括的每一密度直达样本均不是核心对象样本时，根据每一核心对象样本及其第一距离阈值邻域内所包括的密度直达样本组成聚类簇，以获得若干聚类簇。
第二聚类子单元4014，用于在第一判断子单元4012判断出任一核心对象样本的第一距离阈值邻域内所包括的任一密度直达样本为核心对象样本时，获取与该任一密度直达样本的距离小于第二距离阈值的若干密度相连样本；以及，根据若干密度相连样本、该任一核心对象样本及其第一距离阈值邻域内所包括的密度直达样本组成聚类簇，以获得若干聚类簇。
其中，密度相连样本为若干WiFi指纹样本中除去该任一核心对象样本及其第一距离阈值邻域内所包括的密度直达样本的任一WiFi指纹样本。
作为一种可选的实施方式，最大聚类簇包含的WiFi指纹样本数量大于二；上述的第二确定单元403可以包括：
映射子单元4031，用于将最大聚类簇包含的WiFi指纹样本映射到二维坐标系中。
第二确定子单元4032，用于根据映射结果，从最大聚类簇包含的WiFi指纹样本中确定出纵坐标最小的WiFi指纹样本作为原点样本。
计算子单元4033，用于计算最大聚类簇包含的WiFi指纹样本中除去原点样本之外的各个其它WiFi指纹样本相对于原点样本的幅角值。
第一排序子单元4034，用于根据幅角值的大小顺序对各个其它WiFi指纹样本进行排序。
第三确定子单元4035，用于按照排序结果，采用寻找凸包算法计算获得最大聚类簇的簇包络点，以确定各个其它WiFi指纹样本中的若干目标WiFi指纹样本；以及，将若干目标WiFi指纹样本与原点样本作为目标区域的边缘点。
进一步可选地，上述的第二确定单元403还可以包括：
第二判断子单元4036，用于在第一排序子单元4034根据幅角值的大小顺序对各个其它WiFi指纹样本进行排序之前，判断各个WiFi指纹样本的幅角值是否各不相同；若各不相同，触发第一排序子单元4034执行根据幅角值的大小顺序对各个其它WiFi指纹样本进行排序的操作。
更进一步可选地，上述的第二确定单元403还可以包括：
获取子单元4037，用于在第二判断子单元4036的判断结果为否时，获取幅角值相同的若干其它WiFi指纹样本子集，以及获取每一其它WiFi指纹样本子集中所包括的每一其它WiFi指纹样本与原点样本的距离。
第二排序子单元4038，用于根据距离的大小顺序以及幅角值的大小顺序，对各个其它WiFi指纹样本进行排序。
作为一种可选的实施方式，图5所示的区域轮廓提取装置中，上述的取样单元406可以包括以下未图示的子单元：
匹配子单元，用于根据每一WiFi接入点的信号强度在预先建立的WiFi指纹库中进行匹配，获得与信号强度的匹配度达到预设阈值的若干候选WiFi指纹数据，以获得若干候选位置信息，其中，候选位置信息与候选WiFi指纹数据一一对应；
取样子单元，用于根据若干候选位置信息，确定每一WiFi接入点的位置信息，其中，每一WiFi接入点的位置信息可以是若干候选位置信息的几何中心点或加权中心点；最后，利用该位置信息获得一个WiFi指纹样本。
通过该实施方式，能够提高位置信息的准确率，进而提高区域轮廓的提取准确率。
可见，与实施图4所示的区域轮廓提取装置相比较，实施图5所示的区域轮廓提取装置，还能够找到密度相连对象的最大集合，以提高聚类分析结果的准确性。并且，在聚类分析过程中，无需事先确定聚类簇的数量，能够从样本数据出发，自动进行分类，将密度相连的样本数据归入一类，从而使得计算方式更加简便。此外，密度聚类算法的时间复杂度为O(n2)，其中n表示若干WiFi指纹样本的数量，因此计算量较少，能够提高区域轮廓的提取效率。实施图5所描述的区域轮廓提取装置，还能够对最大聚类簇包含的WiFi指纹样本进行排序，方便对样本数据进行查询，以提高计算速度。
除此之外，采用寻找凸包算法的算法时间复杂度为O(m*log(m))，其中，m表示最大聚类簇内的样本数量，能够大大地减少计算量，进而提高目标区域的边缘点的识别效率。此外，密度聚类算法与寻找凸包算法的总体算法时间复杂度控制在O(n2)以内，即，算法的计算量可控，能够在提高区域轮廓的提取精准度的同时，提高计算速度。
实施例六
请参阅图6，图6是本发明实施例公开的又一种区域轮廓提取装置的结构示意图。如图6所示，该区域轮廓提取装置可以包括：
存储有可执行程序代码的存储器601；
与存储器601耦合的处理器602；
其中，处理器602调用存储器601中存储的可执行程序代码，执行图1～图3任意一种区域轮廓提取方法。
需要说明的是，图6所示的区域轮廓提取装置还可以包括电源、输入按键、扬声器、麦克风、屏幕、RF电路、Wi-Fi模块、蓝牙模块、传感器等未显示的组件，本实施例不作赘述。
本发明实施例公开一种计算机可读存储介质，其存储计算机程序，其中，该计算机程序使得计算机执行图1～图3任意一种区域轮廓提取方法。
本发明实施例还公开一种计算机程序产品，其中，当计算机程序产品在计算机上运行时，使得计算机执行如以上各方法实施例中的方法的部分或全部步骤。
本发明实施例还公开一种应用发布平台，其中，应用发布平台用于发布计算机程序产品，其中，当计算机程序产品在计算机上运行时，使得计算机执行如以上各方法实施例中的方法的部分或全部步骤。
应理解，说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本发明的至少一个实施例中。因此，在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外，这些特定特征、结构或特性可以以任意适合的方式结合在一个或多个实施例中。本领域技术人员也应该知悉，说明书中所描述的实施例均属于可选实施例，所涉及的动作和模块并不一定是本发明所必须的。
在本发明的各种实施例中，应理解，上述各过程的序号的大小并不意味着执行顺序的必然先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物单元，即可位于一个地方，或者也可以分布到多个网络单元上。可根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
上述集成的单元若以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可获取的存储器中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或者部分，可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储器中，包括若干请求用以使得一台计算机设备(可以为个人计算机、服务器或者网络设备等，具体可以是计算机设备中的处理器)执行本发明的各个实施例上述方法的部分或全部步骤。
在本发明所提供的实施例中，应理解，“与A对应的B”表示B与A相关联，根据A可以确定B。但还应理解，根据A确定B并不意味着仅仅根据A确定B，还可以根据A和/或其他信息确定B。
本领域普通技术人员可以理解上述实施例的各种方法中的部分或全部步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质包括只读存储器(Read-Only Memory，ROM)、随机存储器(Random Access Memory，RAM)、可编程只读存储器(Programmable Read-only Memory，PROM)、可擦除可编程只读存储器(Erasable Programmable Read Only Memory，EPROM)、一次可编程只读存储器(One-time Programmable Read-Only Memory，OTPROM)、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory，EEPROM)、只读光盘(CompactDisc Read-Only Memory，CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
以上对本发明实施例公开的一种区域轮廓提取方法及装置进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种区域轮廓提取方法，其特征在于，包括：
根据获取到的若干WiFi指纹样本的位置信息，对所述若干WiFi指纹样本进行聚类分析，以获得若干聚类簇；
从所述若干聚类簇中确定出包含WiFi指纹样本数量最多的最大聚类簇，所述最大聚类簇包含的WiFi指纹样本数量大于二；
将所述最大聚类簇包含的WiFi指纹样本映射到二维坐标系中；根据映射结果，从所述最大聚类簇包含的WiFi指纹样本中确定出纵坐标最小的WiFi指纹样本作为原点样本；计算所述最大聚类簇包含的WiFi指纹样本中除去所述原点样本之外的各个其它WiFi指纹样本相对于所述原点样本的幅角值；根据所述幅角值的大小顺序对所述各个其它WiFi指纹样本进行排序；按照排序结果，采用寻找凸包算法计算获得所述最大聚类簇的簇包络点，以确定所述各个其它WiFi指纹样本中的若干目标WiFi指纹样本，所述目标WiFi指纹样本为所述最大聚类簇的簇包络点；将所述若干目标WiFi指纹样本与所述原点样本作为目标区域的边缘点；
根据所述目标区域的边缘点，获得目标区域轮廓。
2.根据权利要求1所述的方法，其特征在于，所述根据获取到的若干WiFi指纹样本的位置信息，对所述若干WiFi指纹样本进行聚类分析，以获得若干聚类簇之前，所述方法还包括：
接收终端设备测得的若干WiFi接入点的信号强度；
根据所述信号强度，确定每一所述WiFi接入点的位置信息，所述位置信息对应有一个WiFi指纹样本。
3.根据权利要求1或2所述的方法，其特征在于，所述根据获取到的若干WiFi指纹样本的位置信息，对所述若干WiFi指纹样本进行聚类分析，以获得若干聚类簇，包括：
根据获取到的若干WiFi指纹样本的位置信息，从所述若干WiFi指纹样本中确定出若干核心对象样本，其中，每一所述核心对象样本的第一距离阈值邻域内均包括大于或等于指定数量的密度直达样本，所述密度直达样本与该核心对象样本的距离小于第一距离阈值，所述密度直达样本为所述若干WiFi指纹样本中除去该核心对象样本的任一WiFi指纹样本；
依次判断每一所述核心对象样本的第一距离阈值邻域内所包括的每一密度直达样本是否为核心对象样本；
若每一所述核心对象样本的第一距离阈值邻域内所包括的每一密度直达样本均不是核心对象样本，根据每一所述核心对象样本及其第一距离阈值邻域内所包括的密度直达样本组成聚类簇，以获得若干聚类簇；
若任一所述核心对象样本的第一距离阈值邻域内所包括的任一密度直达样本为核心对象样本，获取与该任一密度直达样本的距离小于第二距离阈值的若干密度相连样本，所述密度相连样本为所述若干WiFi指纹样本中除去该任一核心对象样本及其第一距离阈值邻域内所包括的密度直达样本的任一WiFi指纹样本；根据所述若干密度相连样本、该任一核心对象样本及其第一距离阈值邻域内所包括的密度直达样本组成聚类簇，以获得若干聚类簇。
4.根据权利要求1所述的方法，其特征在于，所述根据所述幅角值的大小顺序对所述各个其它WiFi指纹样本进行排序之前，所述方法还包括：
判断所述各个WiFi指纹样本的所述幅角值是否各不相同；
若各不相同，执行所述根据所述幅角值的大小顺序对所述各个其它WiFi指纹样本进行排序的步骤。
5.根据权利要求4所述的方法，其特征在于，所述方法还包括：
若不是各不相同，获取所述幅角值相同的若干其它WiFi指纹样本子集，以及获取每一所述其它WiFi指纹样本子集中所包括的每一其它WiFi指纹样本与所述原点样本的距离；根据所述距离的大小顺序以及所述幅角值的大小顺序，对所述各个其它WiFi指纹样本进行排序。
6.一种区域轮廓提取装置，其特征在于，包括：
聚类单元，用于根据获取到的若干WiFi指纹样本的位置信息，对所述若干WiFi指纹样本进行聚类分析，以获得若干聚类簇；
第一确定单元，用于从所述若干聚类簇中确定出包含WiFi指纹样本数量最多的最大聚类簇，所述最大聚类簇包含的WiFi指纹样本数量大于二；
第二确定单元，用于根据所述最大聚类簇包含的WiFi指纹样本的分布情况，确定所述最大聚类簇包含的目标WiFi指纹样本为目标区域的边缘点，所述目标WiFi指纹样本为所述最大聚类簇的簇包络点；
提取单元，用于根据所述目标区域的边缘点，获得目标区域轮廓；
所述第二确定单元包括：
映射子单元，用于将所述最大聚类簇包含的WiFi指纹样本映射到二维坐标系中；
第二确定子单元，用于根据映射结果，从所述最大聚类簇包含的WiFi指纹样本中确定出纵坐标最小的WiFi指纹样本作为原点样本；
计算子单元，用于计算所述最大聚类簇包含的WiFi指纹样本中除去所述原点样本之外的各个其它WiFi指纹样本相对于所述原点样本的幅角值；
第一排序子单元，用于根据所述幅角值的大小顺序对所述各个其它WiFi指纹样本进行排序；
第三确定子单元，用于按照排序结果，采用寻找凸包算法计算获得所述最大聚类簇的簇包络点，以确定所述各个其它WiFi指纹样本中的若干目标WiFi指纹样本；以及，将所述若干目标WiFi指纹样本与所述原点样本作为目标区域的边缘点。
7.根据权利要求6所述的装置，其特征在于，还包括：
接收单元，用于在所述聚类单元根据获取到的若干WiFi指纹样本的位置信息，对所述若干WiFi指纹样本进行聚类分析以获得若干聚类簇之前，接收终端设备测得的若干WiFi接入点的信号强度；
取样单元，用于根据所述信号强度，确定每一所述WiFi接入点的位置信息，所述位置信息对应有一个WiFi指纹样本。
8.根据权利要求6或7所述的装置，其特征在于，所述聚类单元包括：
第一确定子单元，用于根据获取到的若干WiFi指纹样本的位置信息，从所述若干WiFi指纹样本中确定出若干核心对象样本，其中，每一所述核心对象样本的第一距离阈值邻域内均包括大于或等于指定数量的密度直达样本，所述密度直达样本与该核心对象样本的距离小于第一距离阈值，所述密度直达样本为所述若干WiFi指纹样本中除去该核心对象样本的任一WiFi指纹样本；
第一判断子单元，用于依次判断每一所述核心对象样本的第一距离阈值邻域内所包括的每一密度直达样本是否为核心对象样本；
第一聚类子单元，用于在所述第一判断子单元判断出每一所述核心对象样本的第一距离阈值邻域内所包括的每一密度直达样本均不是核心对象样本时，根据每一所述核心对象样本及其第一距离阈值邻域内所包括的密度直达样本组成聚类簇，以获得若干聚类簇；
第二聚类子单元，用于在所述第一判断子单元判断出任一所述核心对象样本的第一距离阈值邻域内所包括的任一密度直达样本为核心对象样本时，获取与该任一密度直达样本的距离小于第二距离阈值的若干密度相连样本，所述密度相连样本为所述若干WiFi指纹样本中除去该任一核心对象样本及其第一距离阈值邻域内所包括的密度直达样本的任一WiFi指纹样本；以及，根据所述若干密度相连样本、该任一核心对象样本及其第一距离阈值邻域内所包括的密度直达样本组成聚类簇，以获得若干聚类簇。
9.根据权利要求8所述的装置，其特征在于，所述第二确定单元还包括：
第二判断子单元，用于在所述第一排序子单元根据所述幅角值的大小顺序对所述各个其它WiFi指纹样本进行排序之前，判断所述各个WiFi指纹样本的所述幅角值是否各不相同；若各不相同，触发所述第一排序子单元执行所述根据所述幅角值的大小顺序对所述各个其它WiFi指纹样本进行排序的操作。
10.根据权利要求9所述的装置，其特征在于，所述第二确定单元还包括：
获取子单元，用于在所述第二判断子单元的判断结果为否时，获取所述幅角值相同的若干其它WiFi指纹样本子集，以及获取每一所述其它WiFi指纹样本子集中所包括的每一其它WiFi指纹样本与所述原点样本的距离；
第二排序子单元，用于根据所述距离的大小顺序以及所述幅角值的大小顺序，对所述各个其它WiFi指纹样本进行排序。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910561112.7A CN111757464B (zh) | 2019-06-26 | 2019-06-26 | 一种区域轮廓提取方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910561112.7A CN111757464B (zh) | 2019-06-26 | 2019-06-26 | 一种区域轮廓提取方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111757464A CN111757464A (zh) | 2020-10-09 |
| CN111757464B true CN111757464B (zh) | 2022-03-01 |
Family
ID=72672849
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910561112.7A Active CN111757464B (zh) | 2019-06-26 | 2019-06-26 | 一种区域轮廓提取方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111757464B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112423233B (zh) * | 2020-08-31 | 2022-04-22 | 腾讯科技（深圳）有限公司 | 数据处理方法、装置、计算机设备以及存储介质 |
| CN112312316B (zh) * | 2020-10-27 | 2023-03-24 | 上海连尚网络科技有限公司 | 一种确定是否需要提供热点连接服务的方法与设备 |
| CN112530040B (zh) * | 2020-11-30 | 2022-12-06 | 中国移动通信集团内蒙古有限公司 | 一种打卡方法、装置、设备及计算机存储介质 |
| CN113177101B (zh) * | 2021-06-30 | 2021-11-12 | 平安科技（深圳）有限公司 | 用户轨迹识别方法、装置、设备及存储介质 |
| CN113989310B (zh) * | 2021-10-22 | 2022-05-17 | 广州市城市规划勘测设计研究院 | 建筑体量数据的估算方法、装置、设备及存储介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105242239A (zh) * | 2015-10-19 | 2016-01-13 | 华中科技大学 | 一种基于众包指纹分簇和匹配的室内子区域定位方法 |
| CN108271120A (zh) * | 2017-12-22 | 2018-07-10 | 阿里巴巴集团控股有限公司 | 目标区域及目标用户的确定方法、装置及设备 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106717082B (zh) * | 2014-06-06 | 2020-12-29 | 香港科技大学 | 减轻信号噪声的基于指纹的室内定位 |
-
2019
- 2019-06-26 CN CN201910561112.7A patent/CN111757464B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105242239A (zh) * | 2015-10-19 | 2016-01-13 | 华中科技大学 | 一种基于众包指纹分簇和匹配的室内子区域定位方法 |
| CN108271120A (zh) * | 2017-12-22 | 2018-07-10 | 阿里巴巴集团控股有限公司 | 目标区域及目标用户的确定方法、装置及设备 |
Non-Patent Citations (1)
| Title |
|---|
| 基于扩展网格和密度的数据流聚类算法;邢长征等;《计算机工程》;20141215;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111757464A (zh) | 2020-10-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111757464B (zh) | 一种区域轮廓提取方法及装置 | |
| CN110166991B (zh) | 用于定位电子设备的方法、设备、装置以及存储介质 | |
| US8542637B2 (en) | Clustering crowd-sourced data for determining beacon positions | |
| CN103796305B (zh) | 一种基于Wi‑Fi位置指纹的室内定位方法 | |
| CN111954175B (zh) | 一种兴趣点到访判别方法和相关装置 | |
| CN107087256A (zh) | 一种基于WiFi室内定位的指纹聚类方法及装置 | |
| CN105307121B (zh) | 一种信息处理方法及装置 | |
| US20130205196A1 (en) | Location-based mobile application marketplace system | |
| CN108834077B (zh) | 基于用户移动特性的跟踪区划分方法、装置及电子设备 | |
| CN109068272B (zh) | 相似用户识别方法、装置、设备及可读存储介质 | |
| CN111782980B (zh) | 地图兴趣点的挖掘方法、装置、设备及存储介质 | |
| JP5930551B2 (ja) | 滞留点抽出方法、滞留点抽出装置及び滞留点抽出プログラム | |
| CN112214677B (zh) | 一种兴趣点推荐方法、装置、电子设备及存储介质 | |
| EP3474580B1 (en) | Information pushing method and device | |
| CN110049434B (zh) | 一种定位方法、装置、设备及存储介质 | |
| Lee et al. | Location recognition system using random forest | |
| CN110290455A (zh) | 基于场景识别的目标场景确定方法及系统 | |
| CN113590936A (zh) | 信息推送的方法及装置 | |
| CN111475746B (zh) | 兴趣点位置挖掘方法、装置、计算机设备和存储介质 | |
| CN104135718B (zh) | 一种位置信息的获取方法及装置 | |
| CN112035548A (zh) | 识别模型的获取方法、识别方法、装置、设备及介质 | |
| Tarekegn et al. | Applying long short-term memory (LSTM) mechanisms for fingerprinting outdoor positioning in hybrid networks | |
| Khokhar et al. | Machine learning based indoor localization using Wi-Fi and smartphone | |
| CN111757284B (zh) | 一种室内入口定位方法及电子设备 | |
| CN114547386A (zh) | 基于Wi-Fi信号的定位方法、装置，以及电子设备 |
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 |