本發(fā)明屬于室內(nèi)定位領(lǐng)域，具體涉及基于二級(jí)分區(qū)與指紋梯度匹配的室內(nèi)定位與跟蹤方法。

背景技術(shù)：

近年來(lái)，由于移動(dòng)互聯(lián)網(wǎng)的發(fā)展和基于位置服務(wù)(LBS，Location-Based Service)需求的日益增加,室內(nèi)定位已經(jīng)在學(xué)術(shù)界和工業(yè)界備受關(guān)注，室內(nèi)位置跟蹤和定位漸漸成為了室內(nèi)環(huán)境位置感知領(lǐng)域的研究熱點(diǎn)之一。

室內(nèi)定位技術(shù)主要包括基于Wi-Fi、紅外線、射頻識(shí)別(RFID)、超聲波、基于ZigBee(IEEE 802.15.4標(biāo)準(zhǔn)的低功耗局域網(wǎng)協(xié)議)、藍(lán)牙、室內(nèi)麥克風(fēng)陣列、基于運(yùn)動(dòng)傳感器的慣性跟蹤等技術(shù)。其中，Wi-Fi是基于IEEE 802.11標(biāo)準(zhǔn)的一種無(wú)線局域網(wǎng)，它具有高帶寬、高速率、高覆蓋率的特點(diǎn)，在中短距離的應(yīng)用范圍內(nèi)具有無(wú)可比擬的優(yōu)勢(shì)。如今無(wú)線局域網(wǎng)絡(luò)的廣泛部署和智能手機(jī)的迅速普及，作為室內(nèi)定位研究的一個(gè)分支，基于信號(hào)接收強(qiáng)度的Wi-Fi的室內(nèi)定位技術(shù)憑借其使用范圍廣、低成本、便攜性等優(yōu)勢(shì)成為了室內(nèi)環(huán)境位置感知領(lǐng)域的研究熱點(diǎn)。Wi-Fi熱點(diǎn)的遍布性，使得Wi-Fi定位技術(shù)的應(yīng)用節(jié)約了大量成本?？紤]到成本及實(shí)施復(fù)雜度問(wèn)題，Wi-Fi定位跟蹤技術(shù)具有較大優(yōu)勢(shì)，其中信號(hào)傳輸耗損法和位置指紋定位法是基于RSS(Received Signal Strength,接收信號(hào)強(qiáng)度)測(cè)量的兩個(gè)主要Wi-Fi定位方法。信號(hào)傳輸損耗法進(jìn)行定位的條件是建立精確的信號(hào)傳播模型，指紋定位算法則是建立信號(hào)強(qiáng)度與位置關(guān)系的數(shù)據(jù)庫(kù)，后者在室內(nèi)環(huán)境下更容易實(shí)現(xiàn)，定位精度也更高。現(xiàn)有的技術(shù)方案中，如專(zhuān)利名為“一種基于區(qū)域分割和曲面擬合的室內(nèi)定位方法”(申請(qǐng)?zhí)枮?01310180007.1)，該方法在離線階段，將整個(gè)室內(nèi)環(huán)境分成若干分區(qū)和每個(gè)分區(qū)創(chuàng)建指紋庫(kù)。然后將曲線擬合技術(shù)為各分區(qū)的每個(gè)AP發(fā)出信號(hào)強(qiáng)度構(gòu)建一個(gè)過(guò)濾的RSS-distance關(guān)系函數(shù)。在線定位階段由2個(gè)步驟組成。在第一步，該方法確定了移動(dòng)設(shè)備屬于哪個(gè)分區(qū)。第二步，該方法提出了兩個(gè)位置搜索算法，即窮舉搜索和梯度下降搜索，在選定的分區(qū)去確定距離誤差的總和可以最小化的定位。該定位方法提高了定位精度，利用空間分區(qū)方法，大大減少定位過(guò)程中的運(yùn)算量。

在室內(nèi)位置識(shí)別領(lǐng)域，現(xiàn)在的最流行的方法是基于信號(hào)接收強(qiáng)度的Wi-Fi指紋位置定位方法，該方法通過(guò)Wi-Fi接收信號(hào)強(qiáng)度(RSS)的和一個(gè)預(yù)先確定的特定位置的指紋圖。然而，由于時(shí)變性的無(wú)線信號(hào)強(qiáng)度，人體的遮擋，采集和測(cè)試設(shè)備的異質(zhì)性等影響，導(dǎo)致位置點(diǎn)之間的建模變得困難，RSS指紋地圖需要定期進(jìn)行校準(zhǔn)，提高勞動(dòng)和時(shí)間成本。目前的室內(nèi)位置識(shí)別算法仍集中于構(gòu)建RSS(Received Signal Strength,接收信號(hào)強(qiáng)度)與距離的線性關(guān)系或者直接對(duì)參考點(diǎn)采樣建立對(duì)應(yīng)指紋庫(kù)并用于定位，造成較大定位精度誤差和魯棒性，龐大的指紋數(shù)據(jù)庫(kù)導(dǎo)致指紋位置定位效率低下，復(fù)雜的Wi-Fi環(huán)境使室內(nèi)定位抗干擾性受到巨大挑戰(zhàn)。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明要解決的技術(shù)問(wèn)題是解決在室內(nèi)的定位跟蹤過(guò)程中，由于室內(nèi)定位受到非視距、反射、多徑效應(yīng)干擾等因素造成固定參考點(diǎn)接收信號(hào)強(qiáng)度值的抖動(dòng)導(dǎo)致定位精度低，指紋數(shù)據(jù)量大導(dǎo)致的定位速度慢，預(yù)處理復(fù)雜，局部極端室內(nèi)環(huán)境的定位，后期維護(hù)成本高等問(wèn)題。

為解決上述問(wèn)題，本發(fā)明提出通過(guò)多級(jí)分區(qū)和多進(jìn)制指紋圖譜梯度匹配方法，對(duì)復(fù)雜指紋數(shù)據(jù)快速提取特征指紋，多級(jí)分區(qū)、多進(jìn)制梯度化處理，提高定位精度和匹配效率。具體的技術(shù)方案如下：基于二級(jí)分區(qū)與指紋梯度匹配的室內(nèi)定位與跟蹤方法，包括如下步驟：

步驟1：獲取底層特征指紋庫(kù)，此指紋庫(kù)主要是用來(lái)獲得參考點(diǎn)的特征指紋，包含采集和處理參考點(diǎn)數(shù)據(jù)，獲取一級(jí)分區(qū)詞典，劃分AP聚類(lèi)二級(jí)分區(qū)和提取二級(jí)分區(qū)中心標(biāo)識(shí)索引，對(duì)人工標(biāo)記訓(xùn)練參考點(diǎn)屬性，聚類(lèi)過(guò)程；

步驟2：得到梯度指紋圖譜，所述的梯度圖譜主要是獲得基于AP聚類(lèi)二級(jí)分區(qū)中心的標(biāo)識(shí)索引的各參考點(diǎn)特征指紋的多進(jìn)制梯度特征指紋向量，包含獲取多級(jí)分區(qū)內(nèi)各個(gè)參考點(diǎn)的多進(jìn)制梯度特征向量，根據(jù)訓(xùn)練參考點(diǎn)的特征指紋得到多級(jí)分區(qū)分類(lèi)器，預(yù)測(cè)得到測(cè)試所屬分區(qū)；

步驟3：定位步驟，采集待定位點(diǎn)的指紋進(jìn)行位置預(yù)測(cè)，包含得到所有分區(qū)內(nèi)參考點(diǎn)的多進(jìn)制梯度特征向量的梯度指紋圖譜，利用多級(jí)分區(qū)分類(lèi)器獲取所屬分區(qū)，獲取該AP聚類(lèi)二級(jí)分區(qū)中心的標(biāo)識(shí)索引的標(biāo)識(shí)索引，通過(guò)多進(jìn)制梯度KNN匹配算法，預(yù)測(cè)待定位點(diǎn)的位置坐標(biāo)；

步驟4：跟蹤步驟，對(duì)各種運(yùn)動(dòng)模式進(jìn)行跟蹤定位，包含得到指紋定位的位置坐標(biāo)，傳感器采集和處理的數(shù)據(jù)，利用室內(nèi)運(yùn)動(dòng)測(cè)距算法和前一步參考位置坐標(biāo)，預(yù)測(cè)當(dāng)前位置坐標(biāo)和運(yùn)動(dòng)軌跡，完成指紋定位的周期性位置聯(lián)合跟蹤定位。

進(jìn)一步，上述步驟1具體包括：

步驟11：獲取室內(nèi)地圖數(shù)據(jù)：獲取全區(qū)域的室內(nèi)空間平面矢量圖，確定參與定位的所有AP信息并建立AP庫(kù)，對(duì)全區(qū)域根據(jù)已存在的墻壁等障礙物分成大小不一的一級(jí)分區(qū)并標(biāo)示編號(hào)，保證全區(qū)域90％以上的Wi-Fi覆蓋；

步驟12：提取參考點(diǎn)指紋：確定所有一級(jí)分區(qū)內(nèi)所有網(wǎng)格參考點(diǎn)的設(shè)置，包括特殊地點(diǎn)設(shè)置參考點(diǎn)，對(duì)每個(gè)參考點(diǎn)標(biāo)注基于室內(nèi)地圖的二維坐標(biāo)(x,y)和數(shù)字編號(hào)，對(duì)包含一級(jí)分區(qū)內(nèi)對(duì)已設(shè)置的參考點(diǎn)進(jìn)行信號(hào)強(qiáng)度采集并處理，獲得6組來(lái)自參與定位AP的最強(qiáng)RSS排序序列向量，該參考點(diǎn)位置特征指紋；

步驟13：提取一級(jí)分區(qū)詞典：對(duì)于一級(jí)分區(qū)內(nèi)的每一個(gè)參考點(diǎn)，利用特征指紋提取參考點(diǎn)的最強(qiáng)RSS的AP及其RSS，每個(gè)一級(jí)分區(qū)包含所屬空間編號(hào)和最強(qiáng)特征AP，建立一級(jí)分區(qū)詞典；

步驟14：提取AP聚類(lèi)二級(jí)分區(qū)中心的標(biāo)識(shí)索引：提取的AP聚類(lèi)二級(jí)分區(qū)中心的標(biāo)識(shí)索引有兩個(gè)方面，一個(gè)是根據(jù)一級(jí)分區(qū)內(nèi)所有參考點(diǎn)有相同的AP組合序列向量進(jìn)行聚類(lèi)，同時(shí)根據(jù)組合聚類(lèi)得到該一級(jí)分區(qū)內(nèi)的多個(gè)含有參考點(diǎn)數(shù)量不一的AP聚類(lèi)二級(jí)分區(qū)；另外一個(gè)是根據(jù)AP聚類(lèi)二級(jí)分區(qū)的所有參考點(diǎn)信號(hào)強(qiáng)度，得到信號(hào)強(qiáng)度的均值向量,聚類(lèi)得到一個(gè)關(guān)于該分區(qū)中心的標(biāo)識(shí)索引；

步驟15：得到特征指紋庫(kù):對(duì)全區(qū)域每個(gè)參考點(diǎn)的所屬的多級(jí)分區(qū)，一級(jí)分區(qū)詞典和所有AP聚類(lèi)二級(jí)分區(qū)標(biāo)識(shí)索引，對(duì)于全區(qū)域所有一級(jí)分區(qū)內(nèi)的所有AP聚類(lèi)二級(jí)分區(qū)中的參考點(diǎn)特征指紋進(jìn)行聚類(lèi)，形成特征指紋庫(kù)。

又進(jìn)一步，提取參考點(diǎn)特征指紋包括：利用Wi-Fi信號(hào)強(qiáng)度指紋采集器，在成功部署無(wú)線節(jié)點(diǎn)的室內(nèi)劃分網(wǎng)格，將網(wǎng)絡(luò)中心點(diǎn)作為參考點(diǎn)，在第k個(gè)參考點(diǎn)進(jìn)行信號(hào)強(qiáng)度連續(xù)采集60s并標(biāo)注位置坐標(biāo)信息，得到20組信號(hào)強(qiáng)度數(shù)據(jù),離線訓(xùn)練后可以得到一定范圍內(nèi)某個(gè)AP在不同參考位置檢測(cè)到的信號(hào)強(qiáng)度，利用對(duì)每個(gè)參考點(diǎn)的多組數(shù)據(jù)中來(lái)自同一個(gè)Wi-Fi發(fā)射器的RSS過(guò)濾，去剔除奇異值并求均值，得到位置指紋，對(duì)原始指紋按信號(hào)強(qiáng)度排序，得到該參考點(diǎn)排序指紋并選取前6位信號(hào)強(qiáng)度較大的指紋序列向量，獲得第k個(gè)參考點(diǎn)特征指紋。

上述步驟2具體包括以下步驟：

步驟21：提取多進(jìn)制梯度圖譜：每個(gè)AP聚類(lèi)二級(jí)分區(qū)內(nèi)所有參考點(diǎn)和標(biāo)識(shí)索引進(jìn)行梯度對(duì)比，得到一組多進(jìn)制數(shù)值的特征向量，這些向量與AP聚類(lèi)二級(jí)分區(qū)標(biāo)識(shí)索引聚類(lèi)，形成多進(jìn)制梯度圖譜；

步驟22：得到多級(jí)分區(qū)分類(lèi)器：一級(jí)多級(jí)分區(qū)分類(lèi)器，根據(jù)步驟1中一級(jí)分區(qū)詞典比對(duì)，可以初步縮小定位范圍，根據(jù)和AP聚類(lèi)二級(jí)分區(qū)中心的標(biāo)識(shí)索引中的AP序列向量及標(biāo)識(shí)索引匹配，確定所屬AP聚類(lèi)二級(jí)分區(qū)，形成多級(jí)分區(qū)分類(lèi)器。

進(jìn)一步，上述提取多進(jìn)制梯度圖譜對(duì)于所有AP聚類(lèi)二級(jí)分區(qū)，其擁有通過(guò)獨(dú)一無(wú)二的標(biāo)識(shí)索引，標(biāo)識(shí)索引與該分區(qū)內(nèi)所有參考點(diǎn)特征指紋相比較，如果在參考點(diǎn)指紋對(duì)應(yīng)AP的RSS值與標(biāo)識(shí)索引中對(duì)應(yīng)AP下的RSS值之間的差大于閾值δ且小于2δ，則生成一個(gè)輸出1，當(dāng)差小于-δ且大于-2δ時(shí)，輸出-1，以此遞推，兩者對(duì)應(yīng)的RSS值之間的差大于閾值3δ，則生成一個(gè)輸出3，當(dāng)差小于-3δ時(shí)，則生成一個(gè)輸出-3，通過(guò)這種方式，將RSS增大和減小分別由1，2，3和-1，-2，-3表示，若沒(méi)有明顯的變化時(shí)產(chǎn)生時(shí)候產(chǎn)生一個(gè)0，將每個(gè)參考點(diǎn)提取到的多進(jìn)制向量和標(biāo)識(shí)索引根據(jù)多級(jí)分區(qū)提取并構(gòu)建分區(qū)的多進(jìn)制梯度圖譜。

進(jìn)一步，還在于得到AP聚類(lèi)二級(jí)分區(qū)特征標(biāo)識(shí)索引，在得到一級(jí)分區(qū)內(nèi)所有參考點(diǎn)特征指紋并提取AP序列進(jìn)行聚類(lèi)后，得到若干個(gè)大小不一的AP序列聚類(lèi)分區(qū)，即AP聚類(lèi)二級(jí)分區(qū)，每個(gè)AP聚類(lèi)二級(jí)分區(qū)內(nèi)的參考點(diǎn)指紋擁有6個(gè)相同的AP序列，對(duì)該二級(jí)分區(qū)內(nèi)所有參考點(diǎn)指紋接收信號(hào)強(qiáng)度向量求均值，得到一組信號(hào)強(qiáng)度序列的特征向量并與AP序列聚類(lèi)，得到AP聚類(lèi)二級(jí)分區(qū)特征標(biāo)識(shí)索引，位置指紋可以通過(guò)。

同理，還可以得到多級(jí)分區(qū)分類(lèi)器，多級(jí)分區(qū)分類(lèi)器是通過(guò)一級(jí)分區(qū)詞典和二級(jí)分區(qū)標(biāo)識(shí)索引聚合得到的分類(lèi)模型。

進(jìn)一步，上述步驟3具體包括：

步驟31：得到基于待測(cè)點(diǎn)的特征指紋:采集當(dāng)前時(shí)間節(jié)點(diǎn)的位置指紋，得到了原始RSS排序序列向量及對(duì)應(yīng)AP聚類(lèi)組合并且所有AP都在AP庫(kù)中存在；

步驟32：確定所屬分區(qū):提取前3個(gè)最強(qiáng)信號(hào)強(qiáng)度的AP，利用步驟22中多級(jí)分區(qū)分類(lèi)器，得到所在的一級(jí)分區(qū)和二級(jí)分區(qū)；

步驟33：識(shí)別定位:對(duì)于室內(nèi)位置預(yù)測(cè)，待定位點(diǎn)提取相對(duì)于標(biāo)識(shí)索引的位置指紋并多進(jìn)制梯度化，與所屬AP聚類(lèi)二級(jí)分區(qū)內(nèi)其他參考點(diǎn)梯度圖譜匹配并設(shè)置得分，通過(guò)得分和KNN加權(quán)算法得到室內(nèi)位置坐標(biāo)。

上述步驟4具體包括：

步驟41：新型運(yùn)動(dòng)檢測(cè)模塊實(shí)時(shí)檢測(cè)用戶(hù)移動(dòng)狀態(tài):獲取步驟3的位置坐標(biāo)，首先，利用加速度計(jì)獲取加速度信息，以此通過(guò)步態(tài)檢測(cè)算法判斷運(yùn)動(dòng)移動(dòng)狀態(tài)；然后，利用陀螺儀、磁力計(jì)分別獲得終端的地磁方向和旋轉(zhuǎn)速率，并據(jù)此采用航向計(jì)算算法得到運(yùn)動(dòng)的運(yùn)動(dòng)方向，室內(nèi)參考點(diǎn)坐標(biāo)信息和運(yùn)動(dòng)檢測(cè)數(shù)據(jù)相結(jié)合，通過(guò)地圖匹配的粒子濾波算法得到運(yùn)動(dòng)的估算位置；

步驟42：周期性Wi-Fi聯(lián)合位置評(píng)估:位置輔助定位周期T設(shè)為20秒，每20秒Wi-Fi指紋采集觸發(fā)器觸發(fā)一級(jí)，啟動(dòng)Wi-Fi指紋采集定位來(lái)匹配當(dāng)前坐標(biāo)，通過(guò)與傳感器位置估計(jì)的聯(lián)合質(zhì)量評(píng)估，確定最終目標(biāo)室內(nèi)坐標(biāo)。

與現(xiàn)有技術(shù)相比，本發(fā)明的優(yōu)勢(shì)在于：

1，對(duì)環(huán)境變化和設(shè)備的多樣性導(dǎo)致RSS變化模型在本發(fā)明中沒(méi)有做出假設(shè)(例如，線性關(guān)系)。相反，本發(fā)明建立底層特征指紋庫(kù)，從RSS底層特征指紋庫(kù)中提取局部特征指紋并多進(jìn)制梯度化處理，得到RSS梯度圖譜，即梯度指紋圖譜。這樣的梯度指紋圖譜是能夠處理隨時(shí)間變化的影響和異構(gòu)設(shè)備的RSS測(cè)量的多樣性，從而大大降低了指紋圖定期維護(hù)的開(kāi)銷(xiāo)，在定位階段，梯度指紋圖譜不僅能夠保證高精度指紋定位，而且還壓縮移動(dòng)終端數(shù)據(jù)庫(kù)并提高性能。

2，除了梯度指紋圖譜，本發(fā)明還設(shè)計(jì)了一個(gè)基于慣性傳感器的擴(kuò)展運(yùn)動(dòng)檢測(cè)模塊，同時(shí)檢測(cè)用戶(hù)的移動(dòng)和跟蹤用戶(hù)的室內(nèi)位置。本方法不需要使用復(fù)雜的模型并且其實(shí)施簡(jiǎn)單，能夠很好的識(shí)別室內(nèi)位置并跟蹤，對(duì)于未來(lái)室內(nèi)位置跟蹤定位具有重要作用。

附圖說(shuō)明：

圖1是指紋匹配流程圖。

圖2是航向角θ_N計(jì)算流程圖。

圖3是一個(gè)具體實(shí)施例中的室內(nèi)環(huán)境及參考點(diǎn)部署圖。

圖4是本發(fā)明的主要步驟流程圖。

圖5是本發(fā)明的主要步驟流程圖的展開(kāi)圖。

具體實(shí)施方式：

下面結(jié)合附圖和實(shí)例對(duì)本發(fā)明做進(jìn)一步的說(shuō)明，應(yīng)該指出的是，所描述的實(shí)施例僅旨在便于對(duì)本發(fā)明的理解，而對(duì)其不起任何限定作用。

基于二級(jí)分區(qū)與指紋梯度匹配的室內(nèi)定位與跟蹤方法，主要步驟流程及其展開(kāi)如圖4和圖5所示，包括如下步驟：

步驟1：獲取底層特征指紋庫(kù)，此指紋庫(kù)主要是用來(lái)獲得參考點(diǎn)的特征指紋，包含采集和處理參考點(diǎn)數(shù)據(jù)，獲取一級(jí)分區(qū)詞典，劃分AP聚類(lèi)二級(jí)分區(qū)和提取二級(jí)分區(qū)中心的標(biāo)識(shí)索引，對(duì)人工標(biāo)記訓(xùn)練參考點(diǎn)屬性，聚類(lèi)過(guò)程；

步驟2:得到梯度指紋圖譜，所述的梯度圖譜主要是獲得基于AP聚類(lèi)二級(jí)分區(qū)中心的標(biāo)識(shí)索引的多進(jìn)制梯度特征向量，包含獲取多級(jí)分區(qū)內(nèi)各個(gè)參考點(diǎn)的多進(jìn)制梯度特征向量，根據(jù)訓(xùn)練參考點(diǎn)的特征指紋得到多級(jí)分區(qū)分類(lèi)器，預(yù)測(cè)得到測(cè)試所屬分區(qū)；

步驟3：定位步驟，采集待定位點(diǎn)的指紋進(jìn)行位置預(yù)測(cè)，包含得到所有分區(qū)內(nèi)參考點(diǎn)的多進(jìn)制梯度特征向量的梯度指紋圖譜，利用多級(jí)分區(qū)分類(lèi)器獲取所屬分區(qū)，獲取該AP聚類(lèi)二級(jí)分區(qū)中心的標(biāo)識(shí)索引的標(biāo)識(shí)索引，通過(guò)多進(jìn)制梯度KNN匹配算法，預(yù)測(cè)待定位點(diǎn)的位置坐標(biāo)；

步驟4：跟蹤步驟，對(duì)各種運(yùn)動(dòng)模式進(jìn)行跟蹤定位，包含得到指紋定位的位置坐標(biāo)，傳感器采集和處理的數(shù)據(jù)，利用室內(nèi)運(yùn)動(dòng)測(cè)距算法和前一步參考位置坐標(biāo)，預(yù)測(cè)當(dāng)前位置坐標(biāo)和運(yùn)動(dòng)軌跡，完成指紋定位的周期性位置聯(lián)合跟蹤定位。

步驟1獲取底層特征指紋庫(kù)

步驟11獲取室內(nèi)地圖數(shù)據(jù)：獲取全區(qū)域的室內(nèi)空間平面矢量圖，如圖3所示，對(duì)全區(qū)域內(nèi)的所有以墻壁、門(mén)等障礙物統(tǒng)一對(duì)其劃分得到一級(jí)分區(qū)。確定所有參與定位的所有AP信息并建立AP庫(kù)，保證全區(qū)域90％以上的Wi-Fi覆蓋并且每個(gè)位置的可以接收到的信號(hào)強(qiáng)度的AP個(gè)數(shù)大于6個(gè)。

步驟12參考點(diǎn)設(shè)置及指紋提??；具體的操作是：

雖然可以選擇任意的參考點(diǎn)作為每個(gè)一級(jí)分區(qū)的參考點(diǎn)數(shù)目，但是取參考點(diǎn)間距為1.6米,高度為1.2米，可以得到最好的結(jié)果，一般情況下用戶(hù)平均拿手機(jī)的高度在1.2米左右，這可以更好的完成一個(gè)指紋的匹配定位,如圖1所示。

由于本發(fā)明中使用315個(gè)參考點(diǎn)，可以利用這315個(gè)參考點(diǎn)來(lái)檢測(cè)信號(hào)強(qiáng)度采集，奇異值剔除和求均值過(guò)濾，得到參考點(diǎn)k的20組降序排序的RSS指紋f_ki,f_ki包括RSS向量及其AP序列向量i∈[1,20]。先將20組指紋剔除奇異值再求均值處理，然后提取特征指紋F_k。先剔除奇異值，步驟如下

對(duì)于第k個(gè)參考點(diǎn)指紋數(shù)據(jù)RSS向量集合f_k＝{f_ki},median(f_k)表示中值向量，MADFM表示中值和偏離中值絕對(duì)值的中值(median absolute deviate from median,MADFM)，對(duì)來(lái)自同一個(gè)AP的接收信號(hào)強(qiáng)度RSS求均值med，公式如下：

得到中值向量median(f_k)，然后計(jì)算中值和偏離中值絕對(duì)值的中值MADFM，計(jì)算如下

MADFM＝1.4824×median{[f_ki-median(f_k)]} (2)

MADFM規(guī)模分m_i計(jì)算如下

MADFM規(guī)模分是數(shù)據(jù)集樣本偏離中值的程度，將Hampel濾波器與KDE概率密度估計(jì)聯(lián)合起來(lái)可得到可信度c_i

pro(f_ki)由評(píng)估隨機(jī)變量概率密度函數(shù)的核密度方法估計(jì)算得到。

當(dāng)概率密度較大、MADFM規(guī)模分較低，可信指標(biāo)值較高，數(shù)據(jù)可信，當(dāng)概率密度較小、MADFM規(guī)模分較高，可信指標(biāo)較低，數(shù)據(jù)不可信。在指紋定位算法離線訓(xùn)練階段，設(shè)定某閾值，對(duì)上式計(jì)算得到的可信度進(jìn)行檢測(cè)，小于門(mén)限值的接收點(diǎn)信號(hào)強(qiáng)度視為奇異值剔除。

獲得6個(gè)來(lái)自參與定位AP的最強(qiáng)RSS排序序列向量并設(shè)置為參考點(diǎn)位置特征指紋，包含其參考點(diǎn)的位置坐標(biāo)，id和所屬一級(jí)分區(qū)號(hào)，id是在0到314之間的。由于在空間上已經(jīng)得到了劃分，還需要在時(shí)間上進(jìn)行劃分，由于不同時(shí)間，在同一個(gè)位置可能接收來(lái)自同一個(gè)AP有不同的信號(hào)強(qiáng)度，因此選取每個(gè)參考點(diǎn)位置的一個(gè)組數(shù)為20組指紋進(jìn)行過(guò)濾和處理，因此最終可以得到參考點(diǎn)最真實(shí)的位置指紋得到每個(gè)參考點(diǎn)最終特征指紋F_k，形如

其中Space_j表示該參考點(diǎn)所在的第j個(gè)一級(jí)分區(qū)id，(x_k,y_k)表示參考點(diǎn)k的位置坐標(biāo)，特征指紋的RSS向量及其AP序列向量

步驟13提取一級(jí)分區(qū)詞典；具體的操作是：

考慮得到一級(jí)分區(qū)內(nèi)所有參考點(diǎn)的特征指紋，把所有特征指紋的最強(qiáng)RSS的取值范圍以及對(duì)應(yīng)AP進(jìn)行聚類(lèi)可以得到一級(jí)分區(qū)詞典，因此可以通過(guò)提取位置指紋最強(qiáng)RSS的值和AP確定所屬一級(jí)分區(qū)。

步驟14提取AP聚類(lèi)二級(jí)分區(qū)中心的標(biāo)識(shí)索引；具體的操作是：

已經(jīng)得到一級(jí)分區(qū)內(nèi)k個(gè)參考點(diǎn)的特征指紋，提取多組有相同AP序列的參考點(diǎn)聚類(lèi)組成二級(jí)分區(qū)，得到信號(hào)強(qiáng)度的均值向量,提取二級(jí)分區(qū)內(nèi)的特征指紋的特征值，得到一個(gè)關(guān)于該二級(jí)分區(qū)中心的標(biāo)識(shí)索引Flag_i。Flag_i包括RSS向量及其AP序列向量公式如下。

其中，表示第i個(gè)二級(jí)分區(qū)內(nèi)第j個(gè)參考點(diǎn)特征指紋RSS向量，N_i表示第i個(gè)二級(jí)分區(qū)內(nèi)所有參考點(diǎn)數(shù)量。

步驟15得到特征指紋庫(kù)；具體的操作是：

對(duì)全區(qū)域劃分的一級(jí)分區(qū)，一級(jí)分區(qū)內(nèi)所有AP聚類(lèi)二級(jí)分區(qū)和一級(jí)分區(qū)詞典，AP聚類(lèi)二級(jí)分區(qū)內(nèi)所有參考點(diǎn)的特征指紋進(jìn)行聚類(lèi)，形成特征指紋庫(kù)。

步驟2得到多進(jìn)制梯度圖譜

步驟21提取多進(jìn)制梯度圖譜；具體的操作是：

得到二級(jí)分區(qū)中心的標(biāo)識(shí)索引Flag_i及其對(duì)應(yīng)的多個(gè)參考點(diǎn)特征指紋F_ij，然后對(duì)特征指紋F_ij進(jìn)行多進(jìn)制梯度化處理，為自定義函數(shù)，功能是對(duì)向量其數(shù)值e_i，若10dBm>e_i>5dBm，則e_i＝1；若15dBm<e_i<10dBm，則e_i＝2；若15dBm<＝e_i，則e_i＝3；若-10dBm<e_i<-5dBm,則e_i＝-1；若-10dBm>＝e_i,則e_i＝-3；若-15dBm<e_i<-10dBm,則e_i＝-2；若-5dBm<＝e_i<＝5dBm,則e_i＝0。對(duì)于標(biāo)識(shí)索引Flag_i所在二級(jí)分區(qū)的所有參考點(diǎn)，對(duì)相同AP序列向量的參考點(diǎn)F_k多進(jìn)制梯度化處理，即兩者指紋RSS向量求差值向量數(shù)值e_i是向量的向量值，梯度化公式如下

其中，向量多進(jìn)制梯度化公式如下：

其中，是第i個(gè)二級(jí)分區(qū)內(nèi)的第j個(gè)參考點(diǎn)指紋F_ij的多進(jìn)制梯度指紋向量，表示第i個(gè)二級(jí)分區(qū)，表示第i個(gè)二級(jí)分區(qū)內(nèi)第j個(gè)參考點(diǎn)特征指紋RSS向量。

每個(gè)AP聚類(lèi)二級(jí)分區(qū)內(nèi)所有參考點(diǎn)和標(biāo)識(shí)索引進(jìn)行梯度對(duì)比，得到一組多進(jìn)制數(shù)值的特征向量，這些向量與AP聚類(lèi)二級(jí)分區(qū)標(biāo)識(shí)索引聚類(lèi)，形成多進(jìn)制梯度圖譜。

步驟22得到多級(jí)分區(qū)分類(lèi)器，由于在步驟1中已經(jīng)得到了一級(jí)分區(qū)詞典和二級(jí)分區(qū)中心的標(biāo)識(shí)索引，對(duì)于Wi-Fi指紋而言，利用基于一級(jí)分區(qū)的詞典，可以得到一個(gè)一級(jí)分區(qū)位置的確定，同時(shí)利用AP聚類(lèi)也可以得到一個(gè)二級(jí)分區(qū)圖，把這兩個(gè)分區(qū)過(guò)程連接起來(lái)歸一化，就可以得到Wi-Fi指紋的所屬的多級(jí)分區(qū)分類(lèi)器。

步驟3定位步驟；

步驟31得到基于待測(cè)點(diǎn)的特征指紋；具體操作如下：

啟動(dòng)Wi-Fi采集模塊掃描AP，獲取該位置信號(hào)接收強(qiáng)度向量，剔除非定位AP及其信號(hào)強(qiáng)度值，得到按信號(hào)強(qiáng)度值排序序列的當(dāng)前位置指紋FP_m。

步驟32確定所屬分區(qū)；具體操作如下：

得到當(dāng)前位置指紋FP_m，提取AP序列組合并獲取最強(qiáng)AP及其信號(hào)強(qiáng)度值，通過(guò)多級(jí)分區(qū)分類(lèi)器中以及分區(qū)詞典得到當(dāng)前位置指紋FP_m所屬一級(jí)分區(qū)Room_i，獲取區(qū)內(nèi)所有二級(jí)分區(qū)標(biāo)識(shí)索引Flag_ij，計(jì)算其與各個(gè)標(biāo)識(shí)索引間的歐式距離d_ij，如式(8)。選取最小的歐氏距離d_min，這就得到當(dāng)前指紋FP_m所在的一級(jí)分區(qū)和二級(jí)分區(qū)。

其中，為當(dāng)前指紋FP_m根據(jù)的過(guò)濾得到特征RSS向量，為特征指紋庫(kù)中第i個(gè)一級(jí)分區(qū)內(nèi)第j個(gè)二級(jí)分區(qū)標(biāo)識(shí)索引的RSS向量，每個(gè)一級(jí)分區(qū)內(nèi)的標(biāo)識(shí)索引數(shù)量由該一級(jí)分區(qū)內(nèi)二級(jí)分區(qū)數(shù)量決定。

步驟33識(shí)別定位；具體的操作步驟如下：

已經(jīng)得到當(dāng)前待定位指紋所屬的二級(jí)分區(qū)Flag_k，將二級(jí)分區(qū)的Flag_k相對(duì)應(yīng)的特征指紋如步驟21多進(jìn)制梯度化后得到梯度指紋與對(duì)應(yīng)二級(jí)分區(qū)的多進(jìn)制指紋圖譜內(nèi)參考點(diǎn)多進(jìn)制梯度指紋進(jìn)行匹配，找到最接近的k個(gè)位置。所謂“接近”可通過(guò)平均距離最小來(lái)確定。平均距離計(jì)算公式為：

MAD值越小表示待定位點(diǎn)距離該參考點(diǎn)位置越近，是測(cè)量待位點(diǎn)的多進(jìn)制梯度化特征指紋；為二級(jí)AP聚類(lèi)分區(qū)確定的搜索區(qū)域內(nèi)候選的id為i的參考點(diǎn)位置多進(jìn)制梯度指紋向量。

最后取m個(gè)MAD(i)值最小的點(diǎn)并計(jì)算待定位點(diǎn)。然后通過(guò)加權(quán)m近鄰算，計(jì)算這些點(diǎn)的加權(quán)平均位置，將其作為位置估計(jì)點(diǎn)P_w，如式(10)所示。

其中，m的值一般設(shè)為5，k為一個(gè)數(shù)值很小的正數(shù)，防止公式中分母出現(xiàn)0的情況，P_i為選取的m個(gè)MAD值最小的點(diǎn)中第i個(gè)參考點(diǎn)指紋的位置。

步驟4跟蹤步驟：

步驟41實(shí)時(shí)用戶(hù)移動(dòng)狀態(tài)檢測(cè)；具體操作如下：

首先通過(guò)加速度計(jì)，測(cè)算步長(zhǎng)，公式如下

為了濾除加速度信號(hào)中的噪聲，把加速度信號(hào)v(k)通過(guò)時(shí)間窗口大小周期T_s為0.2秒的短時(shí)間移動(dòng)平均濾波器，得到加速度信號(hào)的實(shí)時(shí)平均值為

其中，T_s時(shí)間內(nèi)的加速度值采樣數(shù)N＝T_s/Δt，0.2秒是T_s的典型值，Δt為加速度計(jì)采樣時(shí)間間隔。

把短時(shí)間移動(dòng)平均濾波器輸出信號(hào)W(k)通過(guò)窗口大小T_l周期為1秒的長(zhǎng)時(shí)間移動(dòng)平均濾波器，得到加速度信號(hào)的實(shí)時(shí)平均值為

其中，T_s秒內(nèi)加速度值采樣數(shù)M＝T_l/Δt，這里1秒是T_s的典型值。類(lèi)似地，采用上述方法處理移動(dòng)終端Y軸加速度信號(hào)，得到實(shí)時(shí)平均值S_y范圍在0.3—3之間。

本方法把滿足判別條件：若k時(shí)刻S(k)＝L(k)，且k-Δt時(shí)，S(k-Δt)＞L(k-Δt)的交叉點(diǎn)稱(chēng)為候選步態(tài)或者可能的腳步落地時(shí)刻。

為了區(qū)分輕微抖動(dòng)與正常移動(dòng)，本方法采用功率閾值濾波器，通過(guò)比較相鄰候選步態(tài)間累積功率值P與當(dāng)前功率閾值T_h的大小，以此判斷運(yùn)動(dòng)是否走步。假設(shè)兩相鄰候選步態(tài)時(shí)刻分別為k和t，累計(jì)功率值P定義如下

采用如下條件判斷運(yùn)動(dòng)正確步態(tài)或運(yùn)動(dòng)腳步落地時(shí)刻：1)運(yùn)動(dòng)步態(tài)為候選步態(tài)；2)累計(jì)功率P大于功率閾值T_h；3)Y軸加速度實(shí)時(shí)平均值S_y在0.3—3之間。若某一時(shí)刻的加速度值滿足上述三個(gè)條件，則判定該時(shí)刻步態(tài)為正確步態(tài)。

我們把磁力計(jì)和陀螺儀相結(jié)合，通過(guò)互補(bǔ)濾波器處理兩者輸入信號(hào)，得到運(yùn)動(dòng)航偏角。首先，通過(guò)低通濾波器濾除磁力計(jì)信號(hào)噪聲，然后通過(guò)對(duì)磁力計(jì)信號(hào)和陀螺儀信號(hào)進(jìn)行加權(quán)，如圖2所示，得到運(yùn)動(dòng)航偏角θ_N

θ_N＝(1-a)×θ_ab+a×θ_r (14)

其中，θ_r是終端相對(duì)地球北極方向夾角，θ_ab為陀螺儀絕對(duì)角度，補(bǔ)償參數(shù)a＝Δt/(Δt+T_h)，T_h為低通濾波器濾波時(shí)間，Δt為終端信號(hào)采樣時(shí)間間隔。

粒子狀態(tài)以向量形式表示為V＝[x,y,h,l]，其中，x表示粒子橫坐標(biāo)，y表示粒子縱坐標(biāo)，h表示粒子方向，l表示運(yùn)動(dòng)步長(zhǎng)。通過(guò)步態(tài)事件和移動(dòng)方向θ_N，對(duì)粒子狀態(tài)進(jìn)行更新獲得慣性跟蹤推算位置P_dk，所提地圖匹配粒子濾波算法流程及其具體公式如下。

1)獲取當(dāng)前位置坐標(biāo)(x_k-1,y_k-1)并初始化粒子，生成k個(gè)粒子集。

2)當(dāng)檢測(cè)到步態(tài)事件，對(duì)該粒子進(jìn)行狀態(tài)更新，狀態(tài)更新方程式如下

其中，x_k和y_k分別為粒子k時(shí)刻狀態(tài)橫縱坐標(biāo)，l_k為步長(zhǎng)，h_k為粒子方向，θ_N為終端當(dāng)前方向。

3)判斷粒子狀態(tài)更新后是否穿過(guò)墻壁，并濾除穿過(guò)墻壁的粒子。

4)計(jì)算粒子平均坐標(biāo)(x_avg,y_avg)

其中，(x_i,y_i)表示第i個(gè)粒子的坐標(biāo)，m為當(dāng)前存活粒子總數(shù)。

5)根據(jù)如式(17),計(jì)算各個(gè)粒子與平均坐標(biāo)(x_avg,y_avg)的偏離距離d_i，并將偏離距離大于4米的粒子剔除。

6)若存活粒子數(shù)小于總粒子數(shù)的70％，則補(bǔ)充粒子，生成與被濾除粒子數(shù)相同的粒子。

步驟42周期性Wi-Fi聯(lián)合位置評(píng)估步驟；具體操作如下：

隨著傳感器慣性導(dǎo)航時(shí)間的增加，其累計(jì)誤差也不斷增大，當(dāng)累計(jì)誤差過(guò)大，慣性導(dǎo)航估算的位置將不能準(zhǔn)確表示目標(biāo)位置把位置校正周期T設(shè)為20秒，即當(dāng)傳感器慣性導(dǎo)航時(shí)間達(dá)到校正周期T時(shí)，啟動(dòng)Wi-Fi定位模塊掃描當(dāng)前位置Wi-Fi信號(hào)強(qiáng)度，指紋定位來(lái)輔助校正室內(nèi)位置，計(jì)算當(dāng)前信號(hào)位置與傳感器剩余跟蹤粒子位置的歐式距離d，選出指紋定位位置與粒子位置P_dk距離最小的歐式距離d。

通過(guò)數(shù)據(jù)分析得到，當(dāng)歐式距離d小于某一閾值δ_min時(shí)，Wi-Fi定位結(jié)果可信度較高。反之，歐式距離d大于某一閾值δ_max時(shí)，Wi-Fi定位結(jié)果可信度較低。根據(jù)最小歐氏距離d的大小，本方法將實(shí)時(shí)位置跟蹤定位分為以下三種情況，確定最終位置P。

1)若最小歐式距離d小于或等于最小閾值δ_min,方法中δ_min取值為110，表示慣性跟蹤推算位置可信度較高，把其粒子坐標(biāo)P_dk設(shè)為當(dāng)前位置P。

2)若最小歐式距離d大于或等于最大閾值δ_max,方法中δ_max取值為140，表示慣性跟蹤推算位置可信度較低，重新掃描RSS進(jìn)行定位。若重新三次都是歐式距離d大于或等于最大閾值δ_max，則校正位置，定位位置P_w設(shè)為當(dāng)前位置P。

3)若最小歐式距離d滿足δ_min，則采用聯(lián)合定位算法將Wi-Fi定位位置P_w與慣性跟蹤推算位置P_dk進(jìn)行加權(quán)計(jì)算，得到運(yùn)動(dòng)最終位置P，如式(18)所示。

P＝1/w(α×P_dk+β×P_w) (18)

其中，加權(quán)權(quán)重w＝α+β，L為前一級(jí)位置輔助定位與本次輔助定位時(shí)間間隔內(nèi)運(yùn)動(dòng)移動(dòng)距離。α為慣性跟蹤位置加權(quán)系數(shù)，如式(19)所示，β為Wi-Fi定位位置加權(quán)系數(shù)，如式(20)所示。

β＝1/(d-σ_min)110＜β＜140 (20)

然后結(jié)合室內(nèi)地圖，在室內(nèi)地圖上實(shí)時(shí)顯示用戶(hù)位置P。