CN113347562B - 一种室内位置指纹定位准确性自动验证方法及设备 - Google Patents

Abstract

本发明涉及WiFi定位领域，特别是一种室内位置指纹定位准确性自动验证方法及设备。本发明通过将位置指纹定位法获取所述用户的估计位置处相邻4个参考点处的位置指纹与当前时刻所述用户准确的周边位置指纹点集进行相似性比较，从而判断出此时的估计位置是否准确以及位置指纹库是否需要更新，且本发明提出的方法无需用户主观参与判断，也进而避免了用户参与导致的不确定性和主观误差，通过增加移动群智感知任务，使比较的周边位置指纹点集更加准确，有效的提高了本发明的准确度，同时简化了准确性检测的算法，降低了计算的复杂度，也进一步的减少了验证时间。

Description

一种室内位置指纹定位准确性自动验证方法及设备

技术领域

本发明涉及WiFi定位领域，特别是一种室内位置指纹定位准确性自动验证方法及设备。

背景技术

近年来，得益于WLAN的普及和智能手机性能的提升，基于位置指纹法的室内定位技术逐渐脱颖而出。由于基于WLAN和位置指纹的室内定位技术能够兼容现有的大多数网络设施，无需接入点具体位置的先验信息和额外测量设备，信号测量实现简单，并使用户在享有基于位置服务的同时，保持较高的隐私权，因而被广泛应用于各种室内定位系统中。

当接入点在定位区域内长期部署后，会因如光线、温度、湿度、天气条件的改变等引起其RSSI(Received Signal Strength Indicators，接收信号强度指示) 值波动，但只要网络情况不发生改变，区域内每个参考点处探测到的较强的RSSI 值所对应的接入点序列一般变化不大，其测量到的RSSI值会随时间增长发生轻微的改变。此时根据公式计算出的距离信息会发生一些改变，但变化一般有限，在定位区域内的指纹数据库构建完成初期(3-9天)，其RSSI变化的幅度维持在一个可以接受的范围内，但长时间部署后(约6个月)RSSI变化的幅度波动增大，导致指纹数据库记录的RSSI值准确性降低，进而影响定位精度，导致实时定位阶段计算的位置信息出现偏差，需要对实时定位阶段计算的位置信息准确性加以验证。

现有方法大多利用用户的反馈加以验证，这里用户的反馈是指用户对服务器端根据现有的指纹数据库计算出来的位置信息做出判断，目前用户对服务器返回位置估计的判断主要依靠用户主观判断或基于IMU(Inertial Measurement Unit，惯性传感器)的航迹推算算法判定，前者需要用户对自己的位置有着清晰准确的了解且有主动参与定位的意愿，并能对用户恶意或错误输入等状况加以有效筛选，后者需要复杂的计算实现，且由于累积误差等因素在准确性上有所欠缺。同时整体而言，两者在判断的实时性上均存在不足。所以如今需要一种不依赖用户，且不需要复杂计算的准确性验证方法。

发明内容

本发明的目的在于克服现有技术中所存在的依赖用户进行人工判断以及计算量大的问题，提供一种室内位置指纹定位准确性自动验证方法。

为了实现上述发明目的，本发明提供了以下技术方案：

一种室内位置指纹定位准确性自动验证方法，包括以下步骤：

S1：接收定位用户的定位请求，通过位置指纹定位法获取所述定位用户的估计位置，并输出所述定位用户发送请求时的估计位置指纹；

S2：判断所述感知用户的运动状态，当所述感知用户处于静止状态且持续时间超过预设值后，计算记录的RSSI均值信息与接收到的指纹f_i的欧氏距离，当所述欧氏距离小于预设值后进入步骤S3；所述感知用户为接受移动群智感知任务进行辅助验证的用户；

S3：通过惯性传感器对所述感知用户移动距离进行统计；

S4：通过陀螺仪对所述感知用户的运动方向进行判定以及归一化处理，并根据所述运动方向以及所述移动距离，确定所述感知用户的所述估计位置指纹对应的参考点；所述归一化处理将所述运动方向归一为平面正交的四个方向；

S5：采集所述感知用户邻近参考点的位置指纹，并通过对所述位置指纹进行聚类获取所述感知用户的周边位置指纹点集；

S6：将所述周边位置指纹点集与指纹数据库中所述估计位置指纹相邻的4 个参考点处的位置指纹进行相似性比较，输出定位是否准确的结果判定，其中，所述4个参考点为所述估计位置指纹对应的参考点平面正交的四个方向上的相邻参考点。

本发明通过将位置指纹定位法获取所述定位用户的估计位置处相邻4个参考点处的位置指纹与当前时刻通过所述感知用户辅助获取的准确的周边位置指纹点集进行相似性比较，从而判断出此时的估计位置是否准确以及位置指纹库是否需要更新，且本发明提出的方法无需用户主观参与判断，也进而避免了用户参与导致的不确定性和主观误差，通过增加移动群智感知任务，使比较的周边位置指纹点集更加准确，有效的提高了本发明的准确度，同时简化了准确性检测的算法，降低了计算的复杂度，也进一步的减少了验证时间。

作为本发明的优选方案，所述步骤S5包括：

S51：设置聚类参数eps和MinP，获取所述感知用户静止阶段时采集的位置指纹，存入集合

其中，eps为相似性度量阈值，MinP为相似性度量阈值范围内存在的最小指纹数量；

S52：对所述集合

中任意两个位置指纹

和

进行状态分类，

当所述集合

中存在连续的序列

所述序列中的位置指纹满足

且

时，

和

处于density-reachable状态，其中，

当存在

分别与

和

处于density-reachable状态时，

和

处于density-connected状态，其中，l∈[1,p)∪(q,+∞)；

S53：设一个参考点的位置指纹集Z为集合

中的非空子集，且所述位置指纹集Z满足以下条件：

S54：根据预设的聚类规则对位置指纹进行聚类，获取所述感知用户的周边位置指纹点集F_i'＝(f_i,f_i ^↑,f_i ^↓,f_i ^←,f_i ^→)。

作为本发明的优选方案，所述步骤S54中预设的所述聚类规则为：

(I)若F_upd为空集，则无新类生成，现有的聚类结果不变，

视为噪音；其中，

是感知端新接收到的静止状态的位置指纹；

(II)若F_upd中的所有指纹元素不存在于现有的聚类结果中，则创建一个包含 F_upd和

的新聚类；

(III)若F_upd中的所有指纹元素均存在于现有的某一聚类位置指纹集Z中，则 F_upd和

均合并到现有的聚类位置指纹集Z中；

(IV)若F_upd中的所有指纹元素存在于现有的不同聚类结果中，则将现有的不同聚类结果和

合并到一个新的聚类中；

其中F_d为所有与

距离在eps以内的静止状态的位置指纹集合，F_upd为所有需要更新的静止状态的位置指纹集合，其中所述集合F_d和所述集合F_upd满足下式；

本发明通过采用聚类算法来获取所述用户的准确位置，有效地减少了检测算法的累积误差，提升了算法的整体准确性。

作为本发明的优选方案，所述步骤S6中所述相似性比较的阈值为所述相似性度量阈值eps；所述相似性度量阈值eps采用基于spearman等级相关系数ρ_s，所述MinP采用共有接入点参数ε₂，其中，ρ_s＝0.7，ε₂取值为5。

作为本发明的优选方案，所述步骤S2中所述预设值为2min，以防止静止阶段采样时间过短以致影响RSSI指纹平均值的准确性。

作为本发明的优选方案，所述步骤S3中通过加速度计并采用基于采样数据曲线峰值的步态检测方法对所述感知用户的移动距离进行统计。

作为本发明的优选方案，所述感知用户的所述移动距离＝步长参数ε₁*步数，

其中，

a为参考点覆盖半径，b为相邻参考点间距。

作为本发明的优选方案，所述步骤S3中所述惯性传感器为加速度计。

作为本发明的优选方案，所述步骤S4中所述陀螺仪能替换为磁力计。

一种电子设备，包括至少一个处理器，以及与所述至少一个处理器通信连接的存储器；所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述任一项所述的方法。

与现有技术相比，本发明的有益效果：

1.本发明通过将位置指纹定位法获取所述用户的估计位置处相邻4个参考点处的位置指纹与当前时刻所述用户准确的周边位置指纹点集进行相似性比较，从而判断出此时的位置指纹库是否需要更新，且本发明提出的方法无需用户主观参与判断，也进而避免了用户参与导致的不确定性和主观误差，通过增加移动群智感知任务，使比较的周边位置指纹点集更加准确，有效的提高了本发明的准确度，同时简化了准确性检测的算法，降低了计算的复杂度，也进一步的减少了验证时间。

2.本发明通过采用聚类算法来获取所述用户的准确位置，有效地减少了检测算法的累积误差，提升了算法的整体准确性。

附图说明

图1为本发明所述的现有位置指纹法的流程示意图；

图2为本发明实施例1所述的一种室内位置指纹定位准确性自动验证方法的流程示意图；

图3为本发明实施例1所述的一种室内位置指纹定位准确性自动验证方法中基于采样数据曲线峰值点的步态检测方法流程图；

图4为本发明实施例2所述的一种利用了实施例1所述的一种室内位置指纹定位准确性自动验证方法的一种电子设备。

具体实施方式

下面结合试验例及具体实施方式对本发明作进一步的详细描述。但不应将此理解为本发明上述主题的范围仅限于以下的实施例，凡基于本发明内容所实现的技术均属于本发明的范围。

位置指纹法利用非几何特征在定位区域不同位置上表现出的差异性来反映位置信息，无需额外部署设备及预知设备的部署位置、发射功率等信息，定位成本较低且实现便捷，逐渐成为目前室内定位技术研究的主流。其中位置点上的非几何特征被称为指纹(Fingerprint)，这些指纹和物理位置一一对应，称之为指纹数据库(FingerprintDatabase)。通常位置指纹可以是图像、声音、地磁场和无线电信号等，其中最具代表性的指纹便是接收信号强度指示(Received Signal Strength Indicators，RSSI)，RSSI是衡量无线接收信号强度的一个相对值，计算公式如公式1-1所示，其中P为接受到的信号功率，单位为dBm，同时基于RSSI 的指纹数据库又被特别地称为指纹地图(Radio Map，RM)。

RSSI＝10logP (1-1)

基于RSSI的位置指纹法的基本原理在于室内环境中不同位置接收到的 RSSI值呈现出一定的差异性，理论上其与接入点(Access Point,AP)的距离成一定的比例关系。

如图1所示，位置指纹法一般分为离线采样阶段和在线实时定位阶段。离线采样阶段的目标是构建一个关于RSSI与采样点位置间关系的数据库，即指纹数据库。传统方法是首先在定位环境里确定若干参考点(Reference Point,RP)，然后安排专业人员遍历所有RP，记录下在每个RP测量得到的来自所有接入AP 的RSSI值，最后将每个RP位置处的RSSI观测向量作为一个指纹记录保存在指纹数据库中，这一过程通常称为现场勘测(SiteSurvey)或指纹校刻 (Calibration)。而在线实时定位阶段的目标是，通过确定性或概率定位算法将用户移动到某一位置实时收到的RSSI信息与指纹数据库中记录的信息进行匹配计算，确定该用户位置。然而，传统的基于指纹匹配的室内定位算法往往将离线阶段采集的指纹数据库看作静态数据，直接用于后期的位置估计算法，忽略了指纹数据库的静态特性对定位精度带来的影响。室内环境的一个显著特点就是时变性，即定位环境随时可能发生各种变化，如增加部署了新的AP或原有AP因故障等原因被拆除，定位环境内出现AP、家具摆设布局的改变，甚至光线、温度、湿度、天气条件的改变等，这些都会对RSSI的测量带来影响，导致实时定位阶段计算的位置信息出现偏差。

所以本发明提出了一种全新室内位置指纹定位准确性自动验证方法及设备，以满足在不需要人工参与校正的前提下简单快速的对指纹库进行验证。

实施例1

如图2所示，一种室内位置指纹定位准确性自动验证方法，包括以下步骤：

S1：当服务器接收到定位用户的定位请求，并根据定位用户发送的当前位置指纹(本发明采用RSSI向量f_i)计算出估计位置l_i后，为验证l_i的准确性，其将f_i发送至客户端并激活准确性检测算法。(根据原指纹库计算定位用户实时位置)

S2：当客户端接收到服务器端发来的RSSI向量f_i后，启动终端运动状态检测算法对所有参与定位准确性验证的感知用户所持终端的运动状态做出判定，当终端处于静止状态且持续时间超过预设时间后(本发明采用2min)，其将记录的RSSI均值信息与接收到的指纹f_i进行欧氏距离计算，当所述欧氏距离小于预设值后则将此时所在位置定义为startingpoint并激活客户端的IMU设备磁力计和加速度计执行下列步骤。(确定startingpoint，主要依据是相较于感知用户移动记录的瞬时信息静止状态下记录的RSSI均值信息更准确)

S3：利用加速度计进行步数统计；

根据人类步行的自然规律，内置在移动智能终端的加速度计测量值呈现出显著的周期性。因此现有的PDR技术针对人员的下肢动作将行走过程分为四大基本部分，分别为全脚掌接地(Flat foot)、脚后跟抬起(Heel lift)、脚尖抬起(Toe off)、脚尖触地(HeelStrike)等阶段，人类步行时会周期性出现加速和减速状态，理论上IMU的输出加速度和角速度一定存在为零的时刻，抬脚和落脚也正好对应着加速度值的波峰和波谷，因此经历一次波峰和波谷的一个周期恰恰是用户行走一步。目前关于利用移动终端IMU数据统计感知用户步数的研究较为成熟，本方法采用目前比较成熟的基于采样数据曲线峰值的步态检测方法，该方法检测流程如图3所示。

该方法实现步态检测的准确性已经被证明能够达到97％的精度，可以满足设计精度要求。同时我们定义步长参数ε₁保证感知用户移动的范围在其紧致周边点集内。能否正确的计算得到单步步长值是决定PDR计算结果的关键因素。此处我们无需精确确定各移动群智感知参与感知用户单步步长值，仅设置步长计数参数ε₁主要用于精准定位指纹数据库更新中以保证感知用户从当前位置移动到其邻近参考点区域，避免感知用户在当前区域内徘徊或移动出邻近参考点区域的范围。目前大量研究表明人类的平均步长为0.5m，考虑到参考点所在区域大多为矩形区域，假定其覆盖半径为a，相邻参考点间距为b，则ε₁取值范围可限制为(如公式2所示)：

S4：利用陀螺仪进行运动方向判定并进行归一化处理，并根据所述运动方向以及所述移动距离，确定所述感知用户的所述估计位置指纹对应的参考点；其中，感知用户移动距离＝步长参数ε₁*步数。

如前所述，智能移动终端中的磁力计和陀螺仪两个传感装置能够获得感知用户的方向信息，其中磁力计获取的是基于地球两极坐标系统的绝对朝向，陀螺仪获取的是相对旋转角度，目前研究大多利用准确性较高的移动终端磁力计和陀螺仪协作定向的运动方向判定策略。但该方法计算比较复杂，考虑到后续通过归一化限定了感知用户运动轨迹，对方向准确性的精度要求不高，因此采用目前已提出的的磁力计定向策略，首先通过磁力计获取不精确的朝向数据，确定运动轨迹大致的方向。理论上惯性传感器测得的磁力数据其值取决于外界磁场和地磁场共同作用的合磁场，人体静止但朝向不同时，因地磁传感器三轴指向不同会导致磁力数据分布不一。

随后将感知用户朝向归一化为平面正交的四个方向，由于人体站立并分别转动90°时，X轴垂直地面，其对应磁力数据基本不变，而Y轴、Z轴朝向改变，对应数据跟着变化。以某处人体顺时针90°转向为例，若不计外界干扰磁场的波动，把-25～+25磁力值(或-50～+50)均视为零，把-200～-150(或<-200)视为-150，把+150～+200(或>200)视为+150，则Y轴磁力数据变为原Z轴磁力数据(Y＝Z)，而Z轴磁力数据变为原Y轴磁力数据的负值(Z＝-Y)(如表1所示)。相似的，当人体站立并逆时针依次转90°时，Y轴和Z轴磁力数据与前一位置磁力数据的关系分别为Y＝-Z和Z＝Y。可见不同行进方向的X轴、Y轴和Z 轴磁力数据都对应一组磁力数据值，它们的大小和变化互不相同。据此限定所有的朝向仅有上(南)、下(北)、左(东)、右(西)4个方向，这样可以显著减弱测量误差的影响，并能够将移动轨迹与目标的邻近单元完全对应。

表1静止状态下归一化后三轴磁力数据统计表

S5：对所有采集到的邻近区域指纹进行聚类；

聚类算法采用基于密度的聚类算法，同时考虑到终端在运动状态时采集的指纹信息在准确性上有所欠缺，因此此处基于密度的聚类算法借助基于 spearman等级相关系数确定紧致周边点集指纹(f_i ^↑,f_i ^↓,f_i ^←,f_i ^→)。

其具体算法实现如下：

S51：首先定义两个参数eps和MinP，并获取所述感知用户静止阶段时采集的位置指纹，存入集合F_S；其中eps表示相似性度量阈值，MinP表示密度的阈值，即在相似性度量阈值范围内存在的最小指纹数量。此时将基于spearman等级相关系数ρ_s作为相似性度量阈值eps，共有AP参数ε₂作为聚类时样本点的eps 邻域内至少包含的点个数MinP。

S52：引入两个特征值“density-reachable”、“density-connected”，对所述集合

中任意两个位置指纹

和

进行状态分类，

当所述集合

中存在连续的序列

满足

且

和

处于density-reachable状态，其中，p≤k≤q-1，

(即所有成员的距离小于阈值eps)；

当存在

分别与

和

处于density-reachable状态时，

和

处于density-connected状态，其中，l∈[1,p)∪(q,+∞)；

S53：定义一个RP点的RSSI指纹集Z为集合

中的非空子集，且满足下列条件：

and

is density-reachable from

then

is density-connected to

S54：假定

是感知平台端新接收到的静止状态RSSI指纹，则将所有与

距离在eps以内的静止状态RSSI指纹集合定义为F_d，则

是感知端新接收到的静止状态的位置指纹；

同时定义所有需要更新的静止状态RSSI指纹集合为F_upd，即

则

根据下列原则完成聚类操作：

(I)若F_upd为空集，则无新类生成，现有的聚类结果不变，

视为噪音；

(II)若F_upd中的所有指纹元素不存在于现有的聚类结果中，则创建一个包含 F_upd和

的新聚类；

(III)若F_upd中的所有指纹元素均存在于现有的某一聚类位置指纹集Z中，则 F_upd和

均合并到现有的聚类位置指纹集Z中；

(IV)若F_upd中的所有指纹元素存在于现有的不同聚类结果中，则将现有的不同聚类结果和

合并到一个新的聚类中。

至此，所有采集到的邻近区域指纹实现了聚类，指纹F_i'＝(f_i,f_i ^↑,f_i ^↓,f_i ^←,f_i ^→) 被确定下来。

聚类计算中，基于spearman等级相关系数的聚类算法主要用来确认两个终端运动状态下采集的瞬时RSSI向量的相似性聚类，ε₂及ρ_s分别表示需判定的RSSI序列所共有AP数量阈值和spearman等级相关系数阈值。实验及实践结果表明当ε₂≥5，ρ_s≥0.7时，聚类准确性改善效果不明显。因此将ε₂取值设为5，ρ_s取值设为0.7。

S6：定位精度验证；

将采集到的指纹F_i'＝(f_i,f_i ^↑,f_i ^↓,f_i ^←,f_i ^→)和指纹数据库中记录的估计位置l_i相邻的4个参考点处的指纹一一进行相似性比较(一个参考点对应的网格周围有4 个相邻网格，在比较过程中，当一个相邻参考点定位错误时，无需比较剩余参考点，直接判定为定位错误，所述相似性比较的阈值为所述相似性度量阈值 eps)，如结果一致则定位准确，否则定位错误。(确定当前时刻定位用户请求RSSI 指纹所在的紧致周边点集最新指纹信息，并通过准确性检测算法来和指纹数据库中记录的估计位置的紧致周边点集指纹进行相似性比较，如比较结果一致则位置估计准确，否则位置估计错误。)

实施例2

如图4所示，一种电子设备，包括至少一个处理器，以及与所述至少一个处理器通信连接的存储器；所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行前述实施例所述的一种室内位置指纹定位准确性自动验证方法。所述输入输出接口可以包括显示器、键盘、鼠标、以及USB接口，用于输入输出数据；电源用于为电子设备提供电能。

本领域技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(Read Only Memory，ROM)、磁碟或者光盘等各种可以存储程序代码的介质。

当本发明上述集成的单元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，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的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介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等) 执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅为本发明的较佳实施例而已，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、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种室内位置指纹定位准确性自动验证方法，其特征在于，包括以下步骤：

S1：接收定位用户的定位请求，通过位置指纹定位法获取所述定位用户的估计位置，并输出所述定位用户发送请求时的估计位置指纹；

S2：判断所有感知用户的运动状态，当所述感知用户处于静止状态且持续时间超过预设值后，计算记录的RSSI均值信息与接收到的指纹f_i的欧氏距离，当所述欧氏距离小于预设值后进入步骤S3；所述感知用户为接受移动群智感知任务进行辅助验证的用户；

S3：通过惯性传感器对所述感知用户移动距离进行统计；

S4：通过陀螺仪对所述感知用户的运动方向进行判定以及归一化处理，并根据所述运动方向以及所述移动距离，确定所述感知用户的所述估计位置指纹对应的参考点；所述归一化处理将所述运动方向归一为平面正交的四个方向；

S5：采集所述感知用户邻近参考点的位置指纹，并通过对所述位置指纹进行聚类获取所述定位用户的周边位置指纹点集；

S6：将所述周边位置指纹点集与指纹数据库中所述估计位置指纹相邻的4个参考点处的位置指纹进行相似性比较，输出定位是否准确的结果判定，其中，所述4个参考点为所述估计位置指纹对应的参考点平面正交的四个方向上的相邻参考点；

其中，所述步骤S5包括：

S51：设置参数eps和MinP，并获取所述感知用户静止阶段时采集的位置指纹，存入集合

其中，eps为相似性度量阈值，MinP为相似性度量阈值范围内存在的最小指纹数量；

S52：对所述集合

中任意两个位置指纹

和

进行状态分类，

当所述集合

中存在连续的序列

所述序列中的位置指纹满足

且

时，

和

处于density-reachable状态，其中，

当存在

分别与

和

处于density-reachable状态时，

和

处于density-connected状态，其中，l∈[1,p)∪(q,+∞)；

S53：设一个参考点的位置指纹集Z为集合

中的非空子集，且所述位置指纹集Z满足以下条件：

(I)

当

且

从

处于density-reachable状态时，

(II)

到

处于density-connected状态；

S54：根据预设的聚类规则对位置指纹进行聚类，获取所述感知用户的周边位置指纹点集

2.根据权利要求1所述的一种室内位置指纹定位准确性自动验证方法，其特征在于，所述步骤S54中预设的所述聚类规则为：

(I)若F_upd为空集，则无新类生成，现有的聚类结果不变，

视为噪音，其中，

是感知端新接收到的静止状态的位置指纹；

(II)若F_upd中的所有指纹元素不存在于现有的聚类结果中，则创建一个包含F_upd和

的新聚类；

(III)若F_upd中的所有指纹元素均存在于现有的某一聚类位置指纹集Z中，则F_upd和

均合并到现有的聚类位置指纹集Z中；

(IV)若F_upd中的所有指纹元素存在于现有的不同聚类结果中，则将现有的不同聚类结果和

合并到一个新的聚类中；

其中F_d为所有与

距离在eps以内的静止状态的位置指纹集合，F_upd为所有需要更新的静止状态的位置指纹集合，其中所述集合F_d和所述集合F_upd满足下式；

3.根据权利要求1所述的一种室内位置指纹定位准确性自动验证方法，其特征在于，所述步骤S6中所述相似性比较的阈值为所述相似性度量阈值eps；

所述相似性度量阈值eps采用基于spearman等级相关系数ρ_s，所述MinP采用共有接入点参数ε₂，其中，ρ_s＝0.7，ε₂取值为5。

4.根据权利要求1所述的一种室内位置指纹定位准确性自动验证方法，其特征在于，所述步骤S2中所述预设时间为2min。

5.根据权利要求1所述的一种室内位置指纹定位准确性自动验证方法，其特征在于，所述步骤S3中通过加速度计并采用基于采样数据曲线峰值的步态检测方法对所述感知用户的移动距离进行统计。

6.根据权利要求5所述的一种室内位置指纹定位准确性自动验证方法，其特征在于，所述移动距离＝步长参数ε₁*步数，

其中，

a为参考点覆盖半径，b为相邻参考点间距。

7.根据权利要求1所述的一种室内位置指纹定位准确性自动验证方法，其特征在于，所述步骤S3中所述惯性传感器为加速度计。

8.根据权利要求1所述的一种室内位置指纹定位准确性自动验证方法，其特征在于，所述步骤S4中所述陀螺仪能替换为磁力计。

9.一种电子设备，其特征在于，包括至少一个处理器，以及与所述至少一个处理器通信连接的存储器；所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1至8中任一项所述的方法。

Images