CN112738714B - 楼宇的楼层识别方法、电子设备及计算机可读存储介质 - Google Patents
楼宇的楼层识别方法、电子设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN112738714B CN112738714B CN202011598022.4A CN202011598022A CN112738714B CN 112738714 B CN112738714 B CN 112738714B CN 202011598022 A CN202011598022 A CN 202011598022A CN 112738714 B CN112738714 B CN 112738714B
- Authority
- CN
- China
- Prior art keywords
- fingerprint
- floor
- probability
- autonomous
- autonomous block
- 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
Images
Classifications
-
- 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
- H04W4/025—Services making use of location information using location based information parameters
-
- 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
- H04W4/029—Location-based management or tracking services
Abstract
本公开提供一种楼宇的楼层识别方法、电子设备及计算机可读存储介质,所述方法包括:收集楼宇空间内的多个采样点的采样Wi‑Fi指纹的数据;将采样Wi‑Fi指纹基于位置数据以及AP数据聚类为多个自治块;基于所述自治块中采样Wi‑Fi指纹构建自治块检测模型、以及构建楼层检测模型;基于自治块检测模型计算实时Wi‑Fi指纹在每一自治块内的第一概率;基于楼层检测模型计算实时Wi‑Fi指纹在每一自治块中的每一楼层内的第二概率;根据所述第一概率和所述第二概率计算实时Wi‑Fi指纹分别在每一自治块的每一楼层内的联合概率;选择所述联合概率最大值对应的楼层作为实时Wi‑Fi指纹所在的楼层。本公开能够在楼宇复杂环境中精准进行楼层识别。
Description
技术领域
本公开涉及通信领域,尤其涉及一种楼宇的楼层识别方法,电子设备及计算机可读存储介质。
背景技术
随着位置感知应用程序的需求日益增高,借助智能手机的ILBS(IndoorLocalization-based Service,基于室内位置服务)受到越来越多的关注。ILBS可以帮助人们在商场中快速定位一家商铺,同时它在应急救援、消防、安全执法等领域中能够发挥重要作用。为了满足ILBS的要求,人们需要实现精确的室内定位,尤其是在大范围和多层的楼宇环境中。
在大范围和多层的楼宇环境中有效部署ILBS,正确识别楼层是最基本的也是最主要的目标。现有的楼层识别方法主要有基于气压变化识别以及基于Wi-Fi(WirelessFidelity,无线保真)指纹识别。
在基于气压变化的识别技术中,通过智能手机中嵌入的气压计来测量气压,但是手机中嵌入的低端气压计难以精确地测量气压绝对值。
在基于Wi-Fi指纹的识别技术中,现有方法是将楼层识别建模为分类问题,假设由于混凝土楼板对Wi-Fi信号造成的衰减,不同楼层能够接收到的APAccess Point)集合不同,且同一个无线访问接入点AP的接收信号强度指示(RSSI-Received Signal StrengthIndicator)有较大差异。
在大范围环境下,墙壁、房间、人流、家具等造成的水平方向的信号衰减与垂直方向混凝土楼板造成的信号衰减几乎等效,请参见图1,为在同一大型建筑物的三个不同100平方米区域内收集的Wi-Fi指纹,其中区域1和区域2属于同一楼层,区域1和区域3属于不同楼层且区域3在区域1的正下方。从图中可以看出,同一楼层的区域1与区域2之间的差异比不同楼层的区域1与区域3间更大。实际场景中,区域1和区域2之间的空间距离仅为80米,但是它们之间存在许多障碍物,因此会导致Wi-Fi信号的强烈衰减。这种情况在大型建筑物内较为常见,因此导致现有室内定位系统中的楼层识别准确率较低。
发明内容
有鉴于此,本公开的目的在于提供一种楼宇的楼层识别方法,电子设备及计算机可读存储介质。
基于上述目的,本公开一个或多个实施例提供一种楼宇的楼层识别方法,包括:
收集楼宇空间内的多个采样点的采样Wi-Fi指纹,所述采样Wi-Fi指纹包括采样点的位置数据以及采样点周围扫描到的AP数据;
将所述采样Wi-Fi指纹基于所述位置数据以及AP数据聚类为多个自治块;
基于所述自治块中采样Wi-Fi指纹构建自治块检测模型、以及构建楼层检测模型;
基于所述自治块检测模型计算实时Wi-Fi指纹在每一自治块内的第一概率;
基于所述楼层检测模型计算实时Wi-Fi指纹在所述每一自治块中的每一楼层内的第二概率;
根据所述第一概率和所述第二概率计算实时Wi-Fi指纹分别在每一自治块的每一楼层内的联合概率,所述联合概率为所述第一概率和所述第二概率的乘积;
选择所述联合概率最大值对应的楼层作为实时Wi-Fi指纹所在的楼层。
作为本公开一实施方式的进一步改进,将所述采样Wi-Fi指纹基于所述位置数据以及AP数据聚类为多个自治块,包括如下步骤:
M1,设定目标自治块数量C;
M2,随机初始化每个自治块的质心;
M3,计算每个采样Wi-Fi指纹与所述质心之间的距离,将每个采样Wi-Fi指纹归类到与其距离最近的质心,形成C个簇;
M4,基于形成的簇重新计算每个自治块的质心;
M5,重复步骤M3,M4,直至所述质心不再变化;
M6,基于最终的簇数据划分自治块。
作为本公开一实施方式的进一步改进,计算每个采样Wi-Fi指纹与所述质心之间的距离,包括:
其中,中的实例Si由Fi和Pi组成,Fi表示第i个采样Wi-Fi指纹的MAC地址集合,Ns表示采集的Wi-Fi指纹总数,Nc表示目标自治块的数量;α为常数,α∈(0,1);j∈[1,Nc],表示编号为j的质心的Wi-Fi指纹的MAC地址集合,表示Fi和共同扫描到的AP数量,表示采样Wi-Fi指纹中扫描到的最大AP数量;Pi表示第i个采样Wi-Fi指纹的空间坐标,表示编号为j的质心的空间坐标,表示Pi和之间的空间距离,表示任意两个采样点之间距离的最大值。
作为本公开一实施方式的进一步改进,步骤M4包括:
重新计算每个簇的信号质心,所述信号质心为簇内所有AP的并集;
重新计算每个簇的空间质心,所述空间质心为簇内所有采样Wi-Fi指纹的坐标平均值。
作为本公开一实施方式的进一步改进,基于所述自治块构建自治块检测模型,包括:
定义采样Wi-Fi指纹中在当前自治块中至少出现过一次的AP为自治块阳性;
定义采样Wi-Fi指纹中从未出现在当前自治块中但出现在其他自治块中的AP为自治块阴性;
自治块阴性AP在实时Wi-Fi指纹中被扫描成功的概率为U1,U1∈(0,0.2);
自治块阴性AP在实时Wi-Fi指纹中被扫描失败的概率为U2,U2∈(0.8,1);
其中,
ri表示扫描到的第i个AP的事件,表示采样Wi-Fi指纹数据中在第k个自治块中成功扫描到第i个AP的概率,表示由高斯分布模型获得的条件概率,和分别表示第k个自治块中的第i个AP的信号强度的平均值和方差。
作为本公开一实施方式的进一步改进,基于所述自治块检测模型计算实时Wi-Fi指纹在每一自治块内的第一概率包括:将所述自治块内所有AP在所述实时Wi-Fi指纹扫描的概率连乘形成所述第一概率。
作为本公开一实施方式的进一步改进,基于所述自治块构建所述楼层检测的楼层检测模型,包括:
定义采样Wi-Fi指纹中在当前楼层中至少出现过一次的AP为楼层阳性;
定义采样Wi-Fi指纹中从未出现在当前楼层中但出现在自治块中的其他楼层的AP为楼层阴性;
楼层阴性AP在实时Wi-Fi指纹中被扫描成功的概率为V1,V1∈(0,0.2);
楼层阴性AP在实时Wi-Fi指纹中被扫描失败的概率为V2,V2∈(0.8,1);
其中,
ri表示扫描到的第i个AP的事件,表示采样Wi-Fi指纹数据中在第k个自治块中第j层成功扫描到第i个AP的概率,表示由高斯分布模型获得的条件概率,和分别表示第k个自治块第j层中的第i个AP的信号强度的平均值和方差。
作为本公开一实施方式的进一步改进,基于所述楼层检测模型计算实时Wi-Fi指纹在所述每一自治块中的每一楼层内的第二概率,包括:将所述每一自治块中的每一楼层内所有AP在所述实时Wi-Fi指纹扫描的概率连乘形成所述第二概率。
本公开一个或多个实施例提供一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述程序时实现如上所述的楼宇的楼层识别方法。
本公开一个或多个实施例提供一种计算机可读存储介质,所述计算机可读存储介质存储计算机指令,所述计算机指令用于使所述计算机执行如上所述的楼宇的楼层识别方法。
与现有技术相比,本公开的有益效果是:本公开一个或多个实施例提供的楼宇的楼层识别方法,电子设备及计算机可读存储介质,充分利用了可用的Wi-Fi指纹,将大型建筑物划分为若干三维自治块,每个自治块内具有高度的RSSI和空间特征相似性,从而有效降低同一楼层上信号衰减对楼层识别的干扰。通过自治块检测和局部楼层识别的联合优化来估计不同的楼层,显著提高了复杂环境中楼层识别的准确性。在大型建筑物内,具有良好的精确性,楼层定位精度高;在包含中空、开阔区域等大型复杂室内环境内,仍然能够实现高精度的楼层估计,鲁棒性强。此外,本公开提供的楼层识别方法,仅需要低频次的Wi-Fi信息,无需依赖气压计、惯导等信息,适应于大部分商业智能终端,适用性好。
附图说明
图1为大型建筑物内不同楼层和区域的Wi-Fi指纹对比示意图;
图2为本公开的一个或多个实施例提供的楼宇的楼层识别方法的示意图;
图3为本公开的一个或多个实施例提供的自治块聚类算法示意图;
图4为本公开的一个或多个实施例提供的自治块聚类的示意图;
图5为本公开的一个或多个实施例提供的开放区域中的一个自治块的示意图;
图6为本公开的一个或多个实施例提供的自治块检测模型的示意图;
图7为本公开的一个或多个实施例提供的楼层检测模型的示意图;
图8为本公开的一个或多个实施例提供的楼层识别精度对比示意图;
图9为本公开的一个或多个实施例提供的电子设备的示意图。
具体实施方式
为使本公开的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本公开进一步详细说明。
需要说明的是,除非另外定义,本说明书一个或多个实施例使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本说明书一个或多个实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而只是为了表述的方便。“包括”或者“包含”等类似的词语意指出现该词前面的物件涵盖出现在该词后面列举的物件及其等同,而不排除其他物件。后续实施例对此不再一一说明。
如图2所示,本公开的一个或多个实施例提供一种楼宇的楼层识别方法,包括以下步骤:
S1,收集楼宇空间内的多个采样点的采样Wi-Fi指纹,所述采样Wi-Fi指纹包括采样点的位置数据以及采样点周围扫描到的AP数据;
S2,将所述采样Wi-Fi指纹基于所述位置数据以及AP数据聚类为多个自治块;
S3,基于所述自治块中采样Wi-Fi指纹构建自治块检测模型、以及构建楼层检测模型;
S4,基于所述自治块检测模型计算实时Wi-Fi指纹在每一自治块内的第一概率;基于所述楼层检测模型计算实时Wi-Fi指纹在所述每一自治块中的每一楼层内的第二概率;
S5,根据所述第一概率和所述第二概率计算实时Wi-Fi指纹分别在每一自治块的每一楼层内的联合概率,所述联合概率为所述第一概率和所述第二概率的乘积;
S6,选择所述联合概率最大值对应的楼层作为实时Wi-Fi指纹所在的楼层。
对于步骤S1,在整个楼宇空间内进行采样,采样位置覆盖楼宇内的所有空间,且遍布楼宇空间内的各个楼层;在每个采样位置上,记录采样位置的Wi-Fi指纹,Wi-Fi指纹包括在采样位置扫描接收到的周边的AP数据,AP数据包括接收到的每个AP的MAC地址、信号强度;采样人员辅助或设备自助标记采样位置的空间坐标,完成一次采样;重复采样过程形成整座建筑物的Wi-Fi指纹数据库。
对于步骤S2,区分自治块的聚类算法有多种,例如:K均值算法,均值偏移(Mean-Shift)算法,具有噪声的基于密度的应用空间聚类(DBSCAN)算法等。
本公开的一种实施方式基于K均值聚类算法来区分自治块。
具体地,步骤S2包括:
M1,设定目标自治块数量C;
M2,随机初始化每个自治块的质心;
M3,计算每个采样Wi-Fi指纹与所述质心之间的距离,将每个采样Wi-Fi指纹归类到与其距离最近的质心,形成C个簇;
M4,基于形成的簇重新计算每个自治块的质心;
M5,重复步骤M3,M4,直至所述质心不再变化;
M6,基于最终的簇数据划分自治块。
对于步骤M3,本公开的一种实施方式所提供的楼宇的楼层识别方法中,计算每个采样Wi-Fi指纹与所述质心之间的距离,包括:
本公开的采样Wi-Fi指纹与质心之间的距离由两部分组成,第一部分是归一化的杰卡德(Jaccard)距离,该距离用于测量RSSI空间中的两个Wi-Fi指纹的相似性,利用所有采样Wi-Fi指纹中AP的最大值对其进行归一化。第二部分是欧几里得距离,用于测量三维空间的距离,同样利用整个指纹集的最大空间距离对其进行归一化。
具体地:
其中,中的实例Si由Fi和Pi组成,Fi表示第i个采样Wi-Fi指纹的MAC地址集合,Ns表示采集的Wi-Fi指纹总数,Nc表示目标自治块的数量;α为常数,α∈(0,1);j∈[1,Nc],表示编号为j的质心的Wi-Fi指纹的MAC地址集合,表示Fi和共同扫描到的AP数量,表示采样Wi-Fi指纹中扫描到的最大AP数量;小于其中任何一个单一采样Wi-Fi指纹的AP的数量,分母取最大的AP数量时,计算结果属于0到1之间。Pi表示第i个采样Wi-Fi指纹的空间坐标,表示编号为j的质心的空间坐标,表示Pi和之间的空间距离,Pn||2表示任意两个采样点之间距离的最大值,计算结果同样属于0到1之间;
进一步的,每次迭代结束后,重新计算每个自治块的质心。
对于步骤M4,本公开的较佳实施方式所提供的楼宇的楼层识别方法中,重新计算每个自治块的质心,包括:重新计算每个自治块的信号质心,所述信号质心为簇内所有AP的并集,则
其中,mk表示当前自治块内的Wi-Fi指纹成员,cj表示自治块初始化的质心,并集操作可将具有更多共同AP的Wi-Fi指纹聚类为同一自治块。
以及重新计算每个自治块的空间质心,所述空间质心为簇内所有采样Wi-Fi指纹的坐标平均值,则
聚类算法重复运行,直到自治块的质心不再变化为止。
请参见图3,本公开一具体实施方式中,采用的伪代码实现聚类算法。输入为Nc,表示已标记的Wi-Fi指纹数据库,Nc表示目标自治块的数量。算法的输出为Nc个具有相似RSSI和空间特征的自治块。在算法开始时,随机初始化每个自治块的质心。然后对Wi-Fi指纹数据库中的每个采样Wi-Fi指纹si执行:初始化最小距离阈值初始化每个自治块内Wi-Fi指纹成员mi←null。对于每个自治块质心cj执行:计算每个采样Wi-Fi指纹si到每一个质心cj的距离di,j,如果距离di,j小于预先设定好的最小距离阈值则将di,j作为新的最小距离阈值,将初始化质心cj作为自治块内的指纹成员。重新计算自治块的RSSI质心重新计算自治块的空间质心基于新的最小距离阈值和新的质心,重复执行上述距离的计算,比对,采样Wi-Fi指纹的聚类,以及质心的计算过程,直到质心不再变化为止。
参照图4和图5所示,展示了自治块聚类的一个示例。本公开将信号特征相似和空间特征相近的Wi-Fi指纹聚类到同一自治块中,形成多个具有相似RSSI和空间特征的自治块,每个自治块可能覆盖多个楼层。接着在每个自治块内进行楼层识别,能够有效减少同楼层信号差异性对楼层识别的影响。图5中的每个点对应于采样Wi-Fi指纹的空间位置,可以看出,在中控区域和夹层中收集的指纹被聚类为一个自治块。
本公开的较佳实施方式中,对于步骤S3,定义采样Wi-Fi指纹中在当前自治块中至少出现过一次的AP为自治块阳性;
定义采样Wi-Fi指纹中从未出现在当前自治块中但出现在其他自治块中的AP为自治块阴性;
自治块阴性AP在实时Wi-Fi指纹中被扫描成功的概率为U1,U1∈(0,0.2);
自治块阴性AP在实时Wi-Fi指纹中被扫描失败的概率为U2,U2∈(0.8,1);
其中,
ri表示扫描到的第i个AP的事件,表示采样Wi-Fi指纹数据中在第k个自治块中成功扫描到第i个AP的概率,表示由高斯分布模型获得的条件概率,和分别表示第k个自治块中的第i个AP的信号强度的平均值和方差,U1为趋近于0的值,U2为趋近于1的值,本发明具体实施例中,U1∈(0,0.2),U2∈(0.8,1)。
基于聚类好的Wi-Fi指纹,本公开通过评估每个自治块的统计特征来进行自治块检测的模型训练。请参照图6所示,对于每个自治块,将采样时扫描到的所有AP分为阳性(P)和阴性(N)两种类型,阳性是指在该自治块中至少出现过一次的AP,而阴性AP是指从未出现在当前自治块但出现在其他自治块的AP。在有新的实时指纹时,将实时Wi-Fi指纹中的AP分为成功扫描(T)和失败扫描(F)两种类型。成功扫描是指在采样时出现过并且在实时Wi-Fi指纹中检测到的AP,失败扫描是指在采样时出现过但是在实时Wi-Fi指纹中未检测到的AP。因此,结合采样阶段和实时指纹的扫描情况分为了四类,分别是PT,PF,NT,NF。
其中,自治块阴性AP和成功扫描(NT)的概率P(NTb)趋近于零,表示AP远离当前自治块,如果实时指纹中检测到该AP,则该实时指纹所处的位置不应处于当前自治块。在实际情况中,考虑到采样时间有限,可以使用非常小的概率值来取代零。自治块阴性AP和失败扫描(NF)的概率P(NFb、)趋近于1。
自治块阳性AP和成功扫描结果(PT)的概率是等于和的乘积。由于采样时,多个采样点扫描到的RSSI强度是不同的,所以构建了高斯模型,将采样阶段的信号强度的平均值和方差进行计算,结合采样阶段扫描成功的概率,计算出自治块阳性AP和成功扫描结果(PT)的概率。
本公开的较佳实施方式中,步骤S4第一概率获取过程包括:将所述自治块内所有AP在所述实时Wi-Fi指纹扫描的概率连乘形成所述第一概率。
给定一个实时Wi-Fi指纹R和一个自治块Bk,指纹R由接收到的AP的RSSI数据ri组成。被扫描到的AP的RSSI是负整数N-,未被扫描到的AP检测失败时对应空值Null,则
根据贝叶斯公式,给定每个自治块的初始概率相等,即实时指纹R在各个自治块内出现的概率相当,则指纹R位于Bk中的概率P(Bk|R)与自治块Bk中检测到指纹R的概率P(R|Bk)成正比,则
每条Wi-Fi指纹由多个AP组成,且每个AP彼此独立,因此,P(R|Bk)是在块Bk中出现的所有AP的联合概率。所有的指纹根据模型分为四类,所以:
由于P(NFb)始终等于1,则可通过前述公式计算出在线指纹R在自治块Bk中的概率为
归一化后,可以得出:
其中setblock表示集合所有可用的自治块,分子是每个块的概率,分母是所有自治块的概率连乘。从而对于实时Wi-Fi指纹R,计算出其在每一个自治块内的第一概率。
本公开较佳实施方式中,步骤S3基于所述自治块中采样Wi-Fi指纹构建楼层检测模型包括:
定义采样Wi-Fi指纹中在当前楼层中至少出现过一次的AP为楼层阳性;
定义采样Wi-Fi指纹中从未出现在当前楼层中但出现在自治块中的其他楼层的AP为楼层阴性;
楼层阴性AP在实时Wi-Fi指纹中被扫描成功的概率为V1,V1∈(0,0.2);
楼层阴性AP在实时Wi-Fi指纹中被扫描失败的概率为V2,V2∈(0.8,1);
其中,
ri表示扫描到的第i个AP的事件,表示采样Wi-Fi指纹数据中在第k个自治块中第j层成功扫描到第i个AP的概率,表示由高斯分布模型获得的条件概率,和分别表示第k个自治块第j层中的第i个AP的信号强度的平均值和方差,V1为趋近于0的值,V2为趋近于1的值,本发明具体实施例中,V1∈(0,0.2),V2∈(0.8,1)。
对于每个基于采样Wi-Fi数据得到的楼层号的自治块,本公开通过评估每个自治块中每个楼层的统计特征来进行局部楼层检测的模型训练。请参照图7,对于每个楼层而言,楼层检测模型中的AP也分为阳性(P)和阴性(T)。阳性AP是已经出现在楼层上的AP,而阴性AP是指从未出现在当前楼层但出现在自治块中的其他楼层。在有新的实时指纹时,将实时Wi-Fi指纹中的AP分为成功扫描(T)和失败扫描(F)两种类型。因此,结合采样阶段和实时指纹的扫描情况同样能够分为四类,分别是PT,PF,NT,NF。
本公开的较佳实施方式中,步骤S4第二概率获取过程包括:将所述每一自治块中的每一楼层内所有AP在所述实时Wi-Fi指纹扫描的概率连乘形成所述第二概率。
给定一个实时Wi-Fi指纹R和一个自治块Bk。fj表示自治块Bk中的楼层概率,假设在同一自治块中不同楼层上的概率是相等的,即每个楼层的P(fj|Bk)相等。因数P(R|Bk)表示自治块Bk每个楼层的常数。则,指纹R位于fj楼层的概率P(fj|R,Bk)与楼层fj中检测到指纹R的概率P(R|fj,Bk)成比例,则
由于Wi-Fi指纹中多个AP的独立性,P(R|fj,Bk)表示在块Bk中第fj层出现的每个ri的联合概率。由于所有的指纹根据模型分为四类,所以
经过归一化后,可以得出:
本公开较佳实施方式中,对于步骤S5,通过对自治块和自治块中的楼层进行联合优化来估计楼层。
对于实时Wi-Fi指纹R,P(fj,Bk|R)表示楼层fj和自治块Bk的联合概率,则概率P(fj,Bk|R)等于P(Bk|R)和P(fj|R,Bk)的乘积。
进一步的,对于步骤S6,本公开较佳实施方式中,对于实时Wi-Fi指纹R,P(fj,Bk|R)表示楼层fj和自治块Bk的联合概率。setfloor和setblock分别表示建筑物的所有可用楼层和自治块的集合。最后估计的楼层号是最大化概率P(fj,Bk|R)所在的楼层。其中,
将前述P(Bk|R)及P(fj|R,Bk)的计算公式带入,可以估算用户所在的楼层:
在本公开的另一方面,在大尺度复杂情况的楼宇环境下,验证了本公开楼宇的楼层识别方法的有效性。为了评估该算法的性能,分别在不同时间、不同设备和在中空区域三种情况下将本公开提供的楼宇的楼层识别方法与现有常见的三种楼层识别方法(HYFI,LDA和XGBoost)进行了比较。所有方法的训练数据集都收集于同一天,而测试数据收集于三个不同的时间,每次收集的数据都完全覆盖了楼宇内四层60000平方米的测试平台,每次收集测试数据市场约为2个小时。因此对于大规模环境中的实际定位系统的部署,这个测试是典型的。
请参见图8,其中分别显示了在不同时间、不同设备和在中空区域情况下各种方法的楼层识别精度对比。可以看出,在时间不同的测试结果中,本公开和XGBoost方法均优于其他两种算法。在不同设备的测试结果中,可以看出HYFI和LDA方法对设备更改更为敏感。当更换另一种设备类型时这四种算法的性能都会下降,因为Mate9和Mix2收到的信号差异很大。其中的XGBoost算法的降幅显著,表明该算法易于出现过拟合问题。在中空区域测试中,本公开提供的识别方法仍比其他算法具有更高的精度。
本公开一实施方式提供一种电子设备,所述电子设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上所述的楼宇的楼层识别方法。
图9示出了本实施例所提供的一种更为具体的电子设备硬件结构示意图,该设备可以包括:处理器1010、存储器1020、输入/输出接口1030、通信接口1040和总线1050。其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。
处理器1010可以采用通用的CPU(Central Processing Unit,中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit,ASIC)、或者一个或多个集成电路等方式实现,用于执行相关程序,以实现本说明书实施例所提供的技术方案。
存储器1020可以采用ROM(Read Only Memory,只读存储器)、RAM(Random AccessMemory,随机存取存储器)、静态存储设备,动态存储设备等形式实现。存储器1020可以存储操作系统和其他应用程序,在通过软件或者固件来实现本说明书实施例所提供的技术方案时,相关的程序代码保存在存储器1020中,并由处理器1010来调用执行。
输入/输出接口1030用于连接输入/输出模块,以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出),也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等,输出设备可以包括显示器、扬声器、振动器、指示灯等。
通信接口1040用于连接通信模块(图中未示出),以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信,也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。
总线1050包括一通路,在设备的各个组件(例如处理器1010、存储器1020、输入/输出接口1030和通信接口1040)之间传输信息。
需要说明的是,尽管上述设备仅示出了处理器1010、存储器1020、输入/输出接口1030、通信接口1040以及总线1050,但是在具体实施过程中,该设备还可以包括实现正常运行所必需的其他组件。此外,本领域的技术人员可以理解的是,上述设备中也可以仅包含实现本说明书实施例方案所必需的组件,而不必包含图中所示的全部组件。
上述实施例的电子设备用于实现前述实施例中相应的方法,并且具有相应的方法实施例的有益效果,在此不再赘述。
本公开一实施方式提供一种计算机可读存储介质,所述计算机可读存储介质存储计算机指令,所述计算机指令用于使所述计算机执行如上所述的楼宇的楼层识别方法。
综上所述,本公开的一个或多个实施例提出了一种细粒度的Wi-Fi模型,充分利用可用的Wi-Fi指纹,削弱距离过远和同频干扰造成的影响;将大型建筑物划分为若干三维自治块,每个自治块内具有高度的RSSI和空间特征相似性,从而有效降低同一楼层上信号衰减对楼层识别的干扰。本公开能够通过自治块聚类来检测已收集过指纹的粗糙区域,然后利用局部Wi-Fi自治块的模型准确估算用户所在的楼层。在大型建筑物内,具有良好的精确性,楼层定位精度高;在包含中空、开阔区域等大型复杂室内环境内,仍然能够实现高精度的楼层估计,鲁棒性强;此外,本公开提供的楼层识别方法,仅需要低频次的Wi-Fi信息,无需依赖气压计、惯导等信息,适应于大部分商业智能终端,适用性好。
需要说明的是,本说明书一个或多个实施例的方法可以由单个设备执行,例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下,由多台设备相互配合来完成。在这种分布式场景的情况下,这多台设备中的一台设备可以只执行本说明书一个或多个实施例的方法中的某一个或多个步骤,这多台设备相互之间会进行交互以完成所述的方法。
本实施例的计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书一个或多个实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此,凡在本说明书一个或多个实施例的精神和原则之内,所做的任何省略、修改、等同替换、改进等,均应包含在本公开的保护范围之内。
Claims (10)
1.一种楼宇的楼层识别方法,其特征在于,包括:
收集楼宇空间内的多个采样点的采样Wi-Fi指纹的数据,所述采样Wi-Fi指纹的数据包括采样点的位置数据以及采样点周围扫描到的AP数据;
将所述采样Wi-Fi指纹基于所述位置数据以及AP数据聚类为多个自治块;
基于所述自治块中采样Wi-Fi指纹构建自治块检测模型、以及构建楼层检测模型;
基于所述自治块检测模型计算实时Wi-Fi指纹在每一自治块内的第一概率;
基于所述楼层检测模型计算实时Wi-Fi指纹在所述每一自治块中的每一楼层内的第二概率;
根据所述第一概率和所述第二概率计算实时Wi-Fi指纹分别在每一自治块的每一楼层内的联合概率,所述联合概率为所述第一概率和所述第二概率的乘积;
选择所述联合概率最大值对应的楼层作为实时Wi-Fi指纹所在的楼层;
构建自治块检测模型,包括:
定义采样Wi-Fi指纹中在当前自治块中至少出现过一次的AP为自治块阳性;
定义采样Wi-Fi指纹中从未出现在当前自治块中但出现在其他自治块中的AP为自治块阴性;
自治块阴性AP在实时Wi-Fi指纹中被扫描成功的概率为U1;
自治块阴性AP在实时Wi-Fi指纹中被扫描失败的概率为U2;
其中,
ri表示扫描到的第i个AP的事件,表示采样Wi-Fi指纹数据中在第k个自治块中成功扫描到第i个AP的概率,表示由高斯分布模型获得的条件概率,和分别表示第k个自治块中的第i个AP的信号强度的平均值和方差;
构建楼层检测模型,包括:
定义采样Wi-Fi指纹中在当前楼层中至少出现过一次的AP为楼层阳性;
定义采样Wi-Fi指纹中从未出现在当前楼层中但出现在自治块中的其他楼层的AP为楼层阴性;
楼层阴性AP在实时Wi-Fi指纹中被扫描成功的概率为V1;
楼层阴性AP在实时Wi-Fi指纹中被扫描失败的概率为V2;
其中,
2.根据权利要求1所述的楼宇的楼层识别方法,其特征在于,将所述采样Wi-Fi指纹基于所述位置数据以及AP数据聚类为多个自治块,包括如下步骤:
M1,设定目标自治块数量C;
M2,随机初始化每个自治块的质心;
M3,计算每个采样Wi-Fi指纹与所述质心之间的距离,将每个采样Wi-Fi指纹归类到与其距离最近的质心,形成C个簇;
M4,基于形成的簇重新计算每个自治块的质心;
M5,重复步骤M3,M4,直至所述质心不再变化;
M6,基于最终的簇数据划分自治块。
3.根据权利要求2所述的楼宇的楼层识别方法,其特征在于,计算每个采样Wi-Fi指纹与所述质心之间的距离,包括:
4.根据权利要求2所述的楼宇的楼层识别方法,其特征在于,步骤M4包括:
重新计算每个自治块的信号质心,所述信号质心为簇内所有AP的并集;
重新计算每个自治块的空间质心,所述空间质心为簇内所有采样Wi-Fi指纹的坐标平均值。
5.根据权利要求1所述的楼宇的楼层识别方法,其特征在于:U1∈(0,0.2),U2∈(0.8,1)。
6.根据权利要求5所述的楼宇的楼层识别方法,其特征在于,基于所述自治块检测模型计算实时Wi-Fi指纹在每一自治块内的第一概率包括:
将所述自治块内所有AP在所述实时Wi-Fi指纹扫描的概率连乘形成所述第一概率。
7.根据权利要求1所述的楼宇的楼层识别方法,其特征在于:V1∈(0,0.2),V2∈(0.8,1)。
8.根据权利要求7所述的楼宇的楼层识别方法,其特征在于,基于所述楼层检测模型计算实时Wi-Fi指纹在所述每一自治块中的每一楼层内的第二概率,包括:
将所述每一自治块中的每一楼层内所有AP在所述实时Wi-Fi指纹扫描的概率连乘形成所述第二概率。
9.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至8任意一项所述的楼宇的楼层识别方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储计算机指令,所述计算机指令用于使所述计算机执行权利要求1至8任一所述的楼宇的楼层识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011598022.4A CN112738714B (zh) | 2020-12-29 | 2020-12-29 | 楼宇的楼层识别方法、电子设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011598022.4A CN112738714B (zh) | 2020-12-29 | 2020-12-29 | 楼宇的楼层识别方法、电子设备及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112738714A CN112738714A (zh) | 2021-04-30 |
CN112738714B true CN112738714B (zh) | 2021-11-30 |
Family
ID=75610742
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011598022.4A Active CN112738714B (zh) | 2020-12-29 | 2020-12-29 | 楼宇的楼层识别方法、电子设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112738714B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117693017A (zh) * | 2024-02-02 | 2024-03-12 | 腾讯科技(深圳)有限公司 | 楼层识别方法、装置、设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103874200A (zh) * | 2014-03-19 | 2014-06-18 | 北京邮电大学 | 一种楼层识别方法及系统 |
CN109041206A (zh) * | 2018-07-03 | 2018-12-18 | 东南大学 | 一种基于改进模糊核聚类的室内定位楼层判别方法 |
WO2019034239A1 (en) * | 2017-08-14 | 2019-02-21 | Here Global B.V. | CREATION OF A RADIO CARD FOR INDOOR NAVIGATION |
CN110708674A (zh) * | 2019-11-08 | 2020-01-17 | 北京云迹科技有限公司 | 一种多楼层定位方法及系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9936342B2 (en) * | 2015-06-05 | 2018-04-03 | Apple Inc. | Floor level determination |
US9906914B2 (en) * | 2016-05-11 | 2018-02-27 | Mapsted Corp. | Scalable indoor navigation and positioning systems and methods |
-
2020
- 2020-12-29 CN CN202011598022.4A patent/CN112738714B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103874200A (zh) * | 2014-03-19 | 2014-06-18 | 北京邮电大学 | 一种楼层识别方法及系统 |
WO2019034239A1 (en) * | 2017-08-14 | 2019-02-21 | Here Global B.V. | CREATION OF A RADIO CARD FOR INDOOR NAVIGATION |
CN109041206A (zh) * | 2018-07-03 | 2018-12-18 | 东南大学 | 一种基于改进模糊核聚类的室内定位楼层判别方法 |
CN110708674A (zh) * | 2019-11-08 | 2020-01-17 | 北京云迹科技有限公司 | 一种多楼层定位方法及系统 |
Non-Patent Citations (4)
Title |
---|
A hybrid floor identification algorithm based on Bayesian classification and special AP;Fang Zhao;< 2014 IEEE International Conference on Information and Automation >;20141023;全文 * |
HYFI: Hybrid Floor Identification Based on Wireless Fingerprinting and Barometric Pressure;Fang Zhao;<IEEE>;20170201;全文 * |
基于室内地图环境信息的多楼层WiFi定位技术研究;黎海涛;《电子科技大学学报》;20170131;全文 * |
室内移动位置感知关键技术研究;邵文华;《中国优秀博士学位论文全文数据库》;20190830;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112738714A (zh) | 2021-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chriki et al. | SVM-based indoor localization in wireless sensor networks | |
CN110012428B (zh) | 一种基于WiFi的室内定位方法 | |
Abdelnasser et al. | SemanticSLAM: Using environment landmarks for unsupervised indoor localization | |
Zheng et al. | Exploiting fingerprint correlation for fingerprint-based indoor localization: A deep learning-based approach | |
US10198625B1 (en) | Association of unique person to a mobile device using repeat face image matching | |
CN107517446A (zh) | 基于Wi‑Fi热点的室内定位方法及装置 | |
CN109104688B (zh) | 使用聚集技术生成无线网络接入点模型 | |
He et al. | SLAC: Calibration-free pedometer-fingerprint fusion for indoor localization | |
CN104394588B (zh) | 基于Wi‑Fi指纹和多维尺度分析的室内定位方法 | |
CN106559749B (zh) | 一种基于射频层析成像的多目标被动式定位方法 | |
CN103809153A (zh) | 用于两个通信装置之间的准确的直线距离估计的方法和系统 | |
US20230409931A1 (en) | Occupant detection systems | |
CN111726765A (zh) | 一种面向大规模复杂场景的wifi室内定位方法及系统 | |
CN110413655B (zh) | 一种基于改进隐马尔科夫模型的楼层识别方法 | |
He et al. | Towards area classification for large-scale fingerprint-based system | |
Shao et al. | Floor identification in large-scale environments with wi-fi autonomous block models | |
Qi et al. | RSSI-based floor localization using principal component analysis and ensemble extreme learning machine technique | |
CN112738714B (zh) | 楼宇的楼层识别方法、电子设备及计算机可读存储介质 | |
Gu et al. | ZeeFi: Zero-effort floor identification with deep learning for indoor localization | |
CN110072192B (zh) | 一种智能手机WiFi室内定位方法 | |
US10614436B1 (en) | Association of mobile device to retail transaction | |
Wu et al. | A novel RSSI fingerprint positioning method based on virtual AP and convolutional neural network | |
CN104703215A (zh) | 一种室内信号强度异常诊断方法及系统 | |
Deng et al. | RRIFLoc: Radio robust image fingerprint indoor localization algorithm based on deep residual networks | |
Wang et al. | Adaptive room-level localization system with crowd-sourced WiFi data |
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 |