CN113382376A - 一种基于wifi和视觉集成的室内定位方法 - Google Patents

Abstract

本发明提出一种基于WIFI和视觉集成的室内定位方法，包括如下步骤：采集WIFI‑视觉指纹数据库，构建均匀网格指纹点，在每个指纹点处采集WIFI数据以及周围全方位的图像数据；在定位区域内任意位置采集WIFI数据以及多方位的图像数据，整个定位过程分为WIFI指纹粗定位和视觉指纹精定位；在WIFI粗定位阶段，提出基于斜率搜索的自适应KNN算法来智能获取样本个数K的取值，将WIFI数据与离线指纹数据进行匹配，得到候选点；在视觉精定位阶段，基于WIFI算法得到的候选点结果，提出一种多角度的无监督融合视觉定位算法，对各方向的图像所估计的位置得到相应权重值，从而实现定位。本发明有效的将WIFI与视觉集成起来，在各定位性能上具备一定的竞争力。

Description

一种基于WIFI和视觉集成的室内定位方法

技术领域

本发明涉及室内定位技术领域，尤其涉及一种基于WIFI和视觉集成的室 内定位方法。

背景技术

近年来，随着第四次工业革命的发展，各国将科研技术重心转移至智 能化技术之中。如今，定位技术已被世界各国作为衡量国家的先进技术程 度的指标之一。在户外，卫星定位技术已经较成熟，能够满足人们的各项 日常需求。但由于卫星定位技术不能穿透障碍物，例如：森林，建筑物， 隧道等，因此无法使用卫星定位技术实现室内定位。由于人们的生活质量 不断提升，人们迫切希望能在室内环境下依旧能获取位置信息，因此室内 定位技术是现阶段主流研究方向之一。同时，大约每个人将会有80％的时 间生活在室内，因此室内定位技术具有极高的潜在价值。目前还没有一款 成熟的室内定位系统被广泛应用于市场中。

因此有必要提出一种基于WIFI和视觉集成的室内定位方法以解决上 述问题。

名词解释：

BRIEF算法：是一种图像特征描述子的提取算法，全称为，二值鲁棒独立 基本特征(Binary Robust Independent Elementary Features)

K值：在计算K-近邻匹配算法时，通常会去前K个匹配值最高的样本进行 后续的操作及运算。

发明内容

本发明针对上述要解决的技术问题，提供一种鲁棒性强，定位精度极 强的WIFI与视觉集成的室内定位方法。

本发明提供一种基于WIFI和视觉集成的室内定位方法，包括如下步 骤：

S1：在室内定位区域构建网格指纹点，在每个网格点同时采集WIFI 数据和全方位图像数据，并构建离线数据库；

S2：在室内定位范围内，采集待测点位置的WIFI数据以及任意多个 方向(例如采用不同的三个方向)的图像数据。

S3：定位过程分为两个阶段：WIFI粗定位阶段以及视觉精定位阶段， WIFI粗定位阶段采用基于聚类的自适应KNN算法，通过计算筛选得到相 应的WIFI候选点集。

S4：以WIFI定位的结果作为限定条件，进行后续的视觉定位阶段。 视觉定位阶段采用多角度无监督融合算法，采用ORB特征提取算法将多方 向的图像与WIFI候选点所映射的全方位图像数据进行匹配，筛选出图像 候选点集。对图像候选点集采用无监督融合算法得到候选点的各自权重值， 实现最终的定位结果。

优选的，所述步骤S1包括如下步骤：

S11：在室内定位区域内设定网格指纹点，在每个指纹点位置采用移动 机器人进行采集，移动机器人自带有WIFI信息和图像信息采集设备，移 动机器人在指纹点处进行旋转采集，同时采集WIFI数据和全方位图像数 据，构建离线数据指纹库；设定L为所建立的室内指纹点的集合， L＝{L₁,L₂,...,L_n}，n表示室内指纹点总个数，L中的第i个指纹点的特征L_i(i＝1,2,...,n)同时具备第i个指纹点的WIFI特征和视觉图像特征； L_i＝{RSS_i,I_i}，其中

和

(i＝1,2,...,n,j2＝1,2,...,M)分别是第i个指纹点的WIFI特征和视觉图像特征；N 为室内AP的总数，M为该指纹点的图像总数；

表 示所采集的第i个指纹点的第j1个AP的WIFI特征；

表示所采集的第i个指纹点的第j2张图像特征。

S12：对采集到的WIFI数据和图像数据进行相应处理获取WIFI特征 和视觉图像特征，构建离线指纹库。

优选的，所述步骤S12包括如下步骤：

S121:提取WIFI特征：采用基于平均值的WIFI特征提取算法：设定 在每个指纹点处采集N_wifi次样本，因此每个指纹点的WIFI数据可表示为,

因此WIFI特征可如下表示：

表示第j1个AP的第k个WIFI样本数据，rss_j1表示指纹点的第j1个 AP的WIFI特征，因此离线指纹库中的所有指纹点的WIFI指纹信号特征 由上述的

所表示；

S122：提取图像特征采用特征提取算法来获取图像特征信息，特征提 取算法包含但不局限于：SURF(Speeded-Up Robust Features，加速稳健特 征),SIFT(Scale-invariant feature transform，尺度不变特征转换),ORB (Oriented FAST and RotatedBRIEF，快速定向和旋转BRIEF)等；

S123：通过BRIEF算法将每张图像转化为多个长度为n_B的特征描述子 进行表达；将所采集的离线指纹库中所有图片的特征描述子进行训练，训 练方式采用K-MEANs聚类算法，最终得到固定数量的视觉单词，将每张 图像的所有特征点采用相应得视觉单词进行替代，统计每个视觉单词出现 的次数，得到视觉单词向量，因此图像特征描述转化为视觉单词向量的表 述，基于视觉单词向量计算图片之间的相似度，去除相似度大于预设阈值 的图片；

S124:基于WIFI特征和图像特征构建离线指纹库。

优选的，所述步骤S2具体为：

S21：在待测点位置同时采集WIFI数据以及多方位图像数据，并将这 些数据转化为WIFI特征以及图像特征；

优选的，所述步骤S3具体为：

S31：将采集到的离线指纹库中的WIFI特征信息采用聚类将指纹点划 分为若干个区域，每个区域存在一个中心值。

S32：将采集到的离线指纹库中的WIFI特征信息采用分层聚类将指纹 点划分为若干个区域，每个区域存在一个中心值。将每个中心点与待测点 的WIFI特征进行余弦相似度计算，从而确定在哪个区域中。

S33：确定区域后将区域内的离线指纹点数据与待测点的WIFI特征进 行余弦相似度匹配，采用基于斜率搜索的自适应KNN算法，智能获取K值， 从而得到K个WIFI候选点，即L(p₁′),L(p′₂),...,L(p′_K)，L(p′_K)即第K个WIFI候 选点；

S34：将候选点及其所相邻的指纹点都筛选出来作为候选集。候选集是 为后续的视觉精定位阶段提供条件。设定限制条件筛选候选集，其表达式 如下：

|Lx(p′_j3)-Lx_i|≤γ(i＝1,2,...,n,j3＝1,2,...,K) (1)

|Ly(p′_j3)-Ly_i|≤γ(i＝1,2,...,n,j3＝1,2,...,K) (2)

其中Lx(p′_j3),Ly(p′_j3)(j3＝1,2,...,K)分别是候选点在世界坐标系下的x轴和y轴的坐标，Lx_i,Ly_i(i＝1,2,...,n)分别是指纹点在世界坐标系下的x轴和y轴 的坐标；γ为条件阈值；筛选的候选集需要同时满足上述式(1)和式(2)； 若筛选出KN个指纹点作为候选集L′＝{L′₁,L′₂,...,L′_KN}，KN≥2，则进行视觉精定 位。

优选的，所述步骤S4包括如下步骤：

S41：设定在待测点位置的不同方向处采集VN张图像，即h₁,h₂,...,h_VN； 在构建离线指纹库时，每个指纹点包含M张图像数据；

为第i个指纹点 的第M个图像数据；候选集L′＝{L′₁,L′₂,...,L′_KN}中包括KN个指纹点，每个指纹 点映射有M张图像数据，即

为 候选集的第j4个指纹点中的第M张图像；随后将待测点图像与候选集图 像逐一采用视觉词袋进行匹配从而得到相似度值。

argmax{}表示在集合中取最大值，f()表示两张图象的相似度值。

S42：筛选出待测点的每张图像数据的前IN个最大相似度所映射的指 纹点作为图像的候选点集LL，即，LL＝{L(S_i1j4)(i1＝1,2,...,VN,j4＝1,2,...,IN)}；其 中L(S_i1j4)是最大相似度值所映射的指纹点；

S43：将图像的候选点集采用无监督融合算法获得各候选点的权重值， 基于图像候选点集所映射的位置点以及所计算得到的相应权重值，从而实 现最终定位。

与相关技术相比，本发明提供的基于WIFI和视觉集成的室内定位方 法中应用聚类自适应的KNN定位方法，在WIFI粗定位中，一方面减少在 线定位的计算时间，另一方面采用斜率搜素的方式自主获取K值，同时在 视觉精定位中采用多角度无监督融合定位算法，利用不同方向的多张图片 实现定位来减少定位的鲁棒性。本发明有效的将WIFI和视觉图像进行集 成，并在定位各方面得到显著的提升。

具体实施方式

下面将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的一部分实施例，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 获得的所有其它实施例，都属于本发明保护的范围。

本发明提供了本发明提供一种基于WIFI与视觉融合的室内定位方法， 包括如下步骤：

S1：在室内定位区域构建网格指纹点，设定网格指纹点，在每个网格 点同时采集WIFI数据和全方位图像数据，并构建离线数据库，采集所述 步骤S1具体为：

S11：在室内定位区域内设定网格指纹点，在每个指纹点位置采用移动 机器人进行采集，上面自带有WIFI和图像信息采集设备，在指纹点处进 行旋转采集，同时采集WIFI和全方位图像数据，构建离线数据指纹库。 设定L为所建立的室内指纹点的集合，L＝{L₁,L₂,...,L_n}，n表示室内指纹点总 个数，L中的第i个指纹点的特征L_i(i＝1,2,...,n)同时具备第i个指纹点的WIFI 特征和视觉图像特征；L_i＝{RSS_i,I_i}，其中

和

分别是第i个指纹点的WIFI特征和视觉图像 特征；N为室内AP的总数，M为该指纹点的图像总数；

表示所采集的第i个指纹点的第j1个AP的WIFI特征；

表示所采集的第i个指纹点的第j2张图像特征。

S12：对采集到的WIFI数据和图像数据进行相应处理获取WIFI特征 和视觉图像特征，构建离线指纹库。

所述步骤S12包括如下步骤：

S121:提取WIFI特征：采用基于平均值的WIFI特征提取算法：设定 在每个指纹点处采集N_wifi次样本，因此每个指纹点的WIFI数据可表示为,

因此WIFI特征可如下表示：

表示第j1个AP的第k个WIFI样本数据，rss_j1表示指纹点的第j1个 AP的WIFI特征，因此离线指纹库中的所有指纹点的WIFI指纹信号特征 由上述的

所表示；

S122：提取图像特征采用特征提取算法来获取图像特征信息，特征提 取算法包含但不局限于：SURF(Speeded-Up Robust Features，加速稳健特 征),SIFT(Scale-invariant feature transform，尺度不变特征转换),ORB (Oriented FAST and RotatedBRIEF，快速定向和旋转BRIEF)等；

S123：通过BRIEF算法将每张图像转化为多个长度为n_B的特征描述子 进行表达；将所采集的离线指纹库中所有图片的特征描述子进行训练，训 练方式采用K-MEANs聚类算法，最终得到固定数量的视觉单词，将每张 图像的所有特征点采用相应得视觉单词进行替代，统计每个视觉单词出现 的次数，得到视觉单词向量，因此图像特征描述转化为视觉单词向量的表 述，基于视觉单词向量计算图片之间的相似度，去除相似度大于预设阈值 的图片；

S124:基于WIFI特征和图像特征构建离线指纹库。

S2：在定位区域内任意位置设为待测点，在待测点处采集WIFI数据 和多方位图像数据，同样采用旋转方式采集，并将其转化为相应的WIFI 特征以及图像特征，为后续定位提供条件。

所述步骤S2具体为：

S21：在待测点位置同时采集WIFI数据以及多方位图像数据，并将集 WIFI数据以及多方位图像数据转化为WIFI特征以及图像特征。

S3：将待测点的WIFI特征与指纹库中的WIFI特征进行匹配，筛选出 WIFI候选点集来实现WIFI粗定位，以WIFI候选点集作为约束范围，从 而减少后续图像精定位时间。为了提高定位的匹配效率及鲁棒性，采用聚 类的自适应KNN算法。

所述步骤S3具体为：

S31：将采集到的离线指纹库中的WIFI特征信息采用分层聚类将指纹 点划分为若干个区域，每个区域存在一个中心值；

S32：将每个中心点与待测点的WIFI特征进行余弦相似度计算，从而 确定待测点在哪个区域中；

S33：确定区域后将区域内的离线指纹点数据与待测点的WIFI特征进 行余弦相似度匹配，采用基于斜率搜索的自适应KNN算法，智能获取K值， 从而得到K个WIFI候选点，即L(p₁′),L(p′₂),...,L(p′_K)，L(p′_K)即第K个WIFI候 选点；

S34：将候选点及其所相邻的指纹点都筛选出来作为候选集。候选集是 为后续的视觉精定位阶段提供条件。设定限制条件筛选候选集，其表达式 如下：

|Lx(p′_j3)-Lx_i|≤γ(i＝1,2,...,n,j3＝1,2,...,K) (1)

|Ly(p′_j3)-Ly_i|≤γ(i＝1,2,...,n,j3＝1,2,...,K) (2)

其中Lx(p′_j3),Ly(p′_j3)(j3＝1,2,...,K)分别是候选点在世界坐标系下的x轴和y轴的坐标，Lx_i,Ly_i(i＝1,2,...,n)分别是指纹点在世界坐标系下的x轴和y轴 的坐标；γ为条件阈值；筛选的候选集需要同时满足上述式(1)和式(2)； 若筛选出KN个指纹点作为候选集L′＝{L′₁,L′₂,...,L′_KN}，KN≥2，则进行视觉精定 位。

S4：基于WIFI定位的结果，采用视觉词袋技术将待测点的图像特征 与WIFI候选集所映射图像特征进行一一匹配，筛选出图像候选点，基于 这些图像候选点，建立无监督融合系统来自主获取各图像候选点的权重值， 从而实现最终定位。

所述步骤S4包括如下步骤：

S41：设定在待测点位置的不同方向处采集VN张图像，即h₁,h₂,...,h_VN； 在构建离线指纹库时，每个指纹点包含M张图像数据；

为第i个指纹点 的第M个图像数据；候选集L′＝{L′₁,L′₂,...,L′_KN}中包括KN个指纹点，每个指纹 点映射有M张图像数据，即

为 候选集的第j4个指纹点中的第M张图像；随后将待测点图像与候选集图 像逐一采用视觉词袋进行匹配从而得到相似度值。

argmax{}表示在集合中取最大值，f()表示两张图象的相似度值。

S42：筛选出待测点的每张图像数据的前IN个最大相似度所映射的指 纹点作为图像的候选点集LL，即，LL＝{L(S_i1j4)(i1＝1,2,...,VN,j4＝1,2,...,IN)}；其 中L(S_i1j4)是最大相似度值所映射的指纹点；

S43：将图像的候选点集采用无监督融合算法获得各候选点的权重值， 基于图像候选点集所映射的位置点以及所计算得到的相应权重值，从而实 现最终定位。

以上所述的仅是本发明的实施方式，在此应当指出，对于本领域的普 通技术人员来说，在不脱离本发明创造构思的前提下，还可以做出改进， 但这些均属于本发明的保护范围。

Claims (6)

1.一种基于WIFI和视觉集成的室内定位方法，其特征在于，包括如下步骤：

S1：在室内定位区域构建网格指纹点，在每个网格点同时采集WIFI数据和全方位图像数据，并构建离线数据库；

S2：在室内定位范围内，采集待测点位置的WIFI数据以及任意多个方向的图像数据；

S3：定位过程分为两个阶段：WIFI粗定位阶段以及视觉精定位阶段，WIFI粗定位阶段采用基于聚类的自适应KNN算法，通过计算筛选得到相应的WIFI候选点集；

S4：以WIFI定位的结果作为限定条件，进行后续的视觉定位阶段；视觉定位阶段采用多角度无监督融合算法，采用ORB特征提取算法将多方向的图像与WIFI候选点所映射的全方位图像数据进行匹配，筛选出图像候选点集；对图像候选点集采用无监督融合算法得到候选点的各自权重值，实现最终的定位结果。

2.根据权利要求1所述的一种基于WIFI和视觉集成的室内定位方法，其特征在于，所述步骤S1包括如下步骤：

S11：在室内定位区域内设定网格指纹点，在每个指纹点位置采用移动机器人进行采集，移动机器人自带有WIFI信息和图像信息采集设备，移动机器人在指纹点处进行旋转采集，同时采集WIFI数据和全方位图像数据，构建离线数据指纹库；设定L为所建立的室内指纹点的集合，L＝{L₁,L₂,...,L_n}，n表示室内指纹点总个数，L中的第i个指纹点的特征L_i(i＝1,2,...,n)同时具备第i个指纹点的WIFI特征和视觉图像特征；L_i＝{RSS_i,I_i}，其中

和

(i＝1,2,...,n,j2＝1,2,...,M)分别是第i个指纹点的WIFI特征和视觉图像特征；N为室内AP的总数，M为该指纹点的图像总数；

表示所采集的第i个指纹点的第j1个AP的WIFI特征；

表示所采集的第i个指纹点的第j2张图像特征。

S12：对采集到的WIFI数据和图像数据进行处理获取WIFI特征和视觉图像特征，构建离线指纹库。

3.根据权利要求2所述的一种基于WIFI和视觉集成的室内定位方法，其特征在于，所述步骤S12包括如下步骤：

S121:提取WIFI特征：采用基于平均值的WIFI特征提取算法：设定在每个指纹点处采集N_wifi次样本，因此每个指纹点的WIFI数据表示为,

因此WIFI特征如下表示：

表示第j1个AP的第k个WIFI样本数据，rss_j1表示指纹点的第j1个AP的WIFI特征，因此离线指纹库中的所有指纹点的WIFI指纹信号特征由的

所表示；

S122：提取图像特征采用特征提取算法来获取图像特征信息，特征提取算法包含但不局限于：SURF和ORB；

S123：通过BRIEF算法将每张图像转化为多个长度为n_B的特征描述子进行表达；将所采集的离线指纹库中所有图片的特征描述子进行训练，训练方式采用K-MEANs聚类算法，最终得到固定数量的视觉单词，将每张图像的所有特征点采用相应得视觉单词进行替代，统计每个视觉单词出现的次数，得到视觉单词向量，因此图像特征描述转化为视觉单词向量的表述，基于视觉单词向量计算图片之间的相似度，去除相似度大于预设阈值的图片；

S124:基于WIFI特征和图像特征构建离线指纹库。

4.根据权利要求3所述的一种基于WIFI和视觉集成的室内定位方法，其特征在于，所述步骤S2具体为：

在待测点位置同时采集WIFI数据以及多方位图像数据，并将集WIFI数据以及多方位图像数据转化为WIFI特征以及图像特征。

5.根据权利要求3所述的一种基于WIFI和视觉集成的室内定位方法，其特征在于，所述步骤S3具体为：

S31：将采集到的离线指纹库中的WIFI特征信息采用分层聚类将指纹点划分为若干个区域，每个区域存在一个中心值；

S32：将每个中心点与待测点的WIFI特征进行余弦相似度计算，从而确定待测点在哪个区域中；

S33：确定区域后将区域内的离线指纹点数据与待测点的WIFI特征进行余弦相似度匹配，采用基于斜率搜索的自适应KNN算法，智能获取K值，从而得到K个WIFI候选点，即L(p′₁),L(p′₂),...,L(p′_K)；L(p′_K)即第K个WIFI候选点；

S34：将候选点及候选点所相邻的指纹点都筛选出来作为候选集；候选集用于为后续的视觉精定位阶段提供条件；设定限制条件筛选候选集，其表达式如下：

|Lx(p′_j3)-Lx_i|≤γ(i＝1,2,...,n,j3＝1,2,...,K) (1)

|Ly(p′_j3)-Ly_i|≤γ(i＝1,2,...,n,j3＝1,2,...,K) (2)

其中Lx(p′_j3),Ly(p′_j3)(j3＝1,2,...,K)分别是候选点在世界坐标系下的x轴和y轴的坐标，Lx_i,Ly_i(i＝1,2,...,n)分别是指纹点在世界坐标系下的x轴和y轴的坐标；γ为条件阈值；筛选的候选集需要同时满足上述式(1)和式(2)；若筛选出KN个指纹点作为候选集L′＝{L′₁,L′₂,...,L′_KN}，KN≥2，则进行视觉精定位。

6.根据权利要求5所述的一种基于WIFI和视觉集成的室内定位方法，其特征在于，所述步骤S4具体为：

S41：设定在待测点位置的不同方向处采集VN张图像，即h₁,h₂,...,h_VN；在构建离线指纹库时，每个指纹点包含M张图像数据；

为第i个指纹点的第M个图像数据；候选集L′＝{L′₁,L′₂,...,L′_KN}中包括KN个指纹点，每个指纹点映射有M张图像数据，即

为候选集的第j4个指纹点中的第M张图像；随后将待测点图像与候选集图像逐一采用视觉词袋进行匹配从而得到相似度值。

argmax{}表示在集合中取最大值，f()表示两张图象的相似度值。

S42：筛选出待测点的每张图像数据的前IN个最大相似度所映射的指纹点作为图像的候选点集LL，即，LL＝{L(S_i1j4)(i1＝1,2,...,VN,j4＝1,2,...,IN)}；其中L(S_i1j4)是最大相似度值所映射的指纹点；

S43：将图像的候选点集采用无监督融合算法获得各候选点的权重值，基于图像候选点集所映射的位置点以及所计算得到的相应权重值，从而实现最终定位。