CN103369466B - 一种地图匹配辅助室内定位方法 - Google Patents

Abstract

一种地图匹配辅助室内定位方法，涉及地图匹配辅助定位方法，解决现有室内地图匹配算法需要来自传感器的额外测量数据和迭代算法搜索的过程，致使计算冗余的问题。在室内目标定位环境布置接入点、参考点、建立位置指纹数据库；利用待定位楼层的CAD平面图生成加载点线模型的楼层平面图像的图像矩阵I_match；计算定位结果为测试点的定位坐标；将定位坐标转换为像素点，判断第n个像素点与第(n-1)个像素点之间是否有楼体阻挡第n个像素点与第(n-1)个像素点的中点然后搜索在点线模型上距离该点最近的像素点并将最近的像素点作为修正后的定位像素点；将获得的定位像素点转换为实际的位置坐标，完成室内定位。本发明可广泛应用于对室内定位。

Description

一种地图匹配辅助室内定位方法

技术领域

本发明涉及地图匹配辅助定位方法。

背景技术

地图匹配辅助定位技术已成为陆地车辆导航***的一个重要组成部分。高精度的数字地图不仅能够为驾驶者提供车辆的位置信息，还能够用来改善组合导航***的定位性能。目前，该技术已经广泛应用于室外车辆导航定位中。在室内定位领域，用户在多样化的室内环境运动的随机性增加了地图匹配技术在室内环境应用的难度。同时，在室内复杂无线电环境中，由于各种误差的影响，基于WLAN的指纹匹配室内定位方法所得到的定位结果可能偏离人们正常的活动区域。因此，采用地图匹配算法可以利用地图信息，通过使用软件技术有效修正WLAN的定位结果，提高定位精度。

当前，科研人员已经提出了很多种室内地图匹配算法。但是，现有的室内地图匹配算法通常与一些传感器联合使用，例如，惯性传感器、陀螺仪和电子罗盘等。另外，还有利用室内GoogleMap采用迭代算法搜索最匹配结果的室内地图匹配算法。

发明内容

本发明为了解决现有室内地图匹配算法需要来自传感器的额外测量数据和迭代算法搜索的过程，致使计算冗余的问题，从而提供一种地图匹配辅助室内定位方法。

一种地图匹配辅助室内定位方法，它包括如下步骤：

步骤一：在室内目标定位环境布置N个接入点AP_i,i=1,2,...,N，在所述定位环境下创建二维笛卡尔坐标系，在所述定位环境中选取M个参考点RP_j,j=1,2,...,M，记录每个参考点的坐标和在每个参考点处采集的W个接收信号强度RSS样本，根据M个参考点RP_j的坐标和每个参考点的信号强度RSS样本建立位置指纹数据库；

步骤二：利用待定位楼层的CAD平面图生成加载点线模型的楼层平面图像的图像矩阵I_match；

所述步骤二：利用待定位楼层的CAD平面图生成加载点线模型的楼层平面图像的图像矩阵I_match的过程为：

将点线模型加载到楼层的CAD平面图中后，即可得到一个加载点线模型的CAD平面图；将加载点线模型后的CAD平面图和原始的CAD平面图分别存为图片格式；将两幅图片分别转换为两个二值图像矩阵I_model和I_{no_model}；在这两个二值图像矩阵中，人们日常活动区域的像素点设置为数值+1，楼体结构和点线模型的像素点设置为数值0；

获得室内地图图像矩阵I_match：

I_{no_model}-2×(I_model⊕I_{no_model})=I_match

其中，⊕是异或操作。

步骤三：在所述定位环境中设置测试点，当在一个测试点处接收到H个信号强度RSS样本后，求取信号强度RSS样本均值并利用指纹匹配定位法K近邻算法KNN和加权K近邻算法WKNN计算定位结果为测试点的定位坐标；

所述步骤三：当在一个测试点处接收到N个信号强度RSS样本后，求取信号强度RSS样本均值并利用指纹匹配定位法K近邻算法KNN和加权K近邻算法WKNN计算定位结果为定位坐标的过程为：

根据指纹匹配定位法K近邻算法KNN获得公式：

$\left\{\begin{array}{c}{D}_i={\left(\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{|{\mathrm{rss}}_j-{\mathrm{rss}}_{i,j}^{\mathrm{RP}}|}^q\right)}^{1/q},i=1,\·\·\·,M\\ L_r=(x_r^{\mathrm{RP}},y_r^{\mathrm{RP}}),D_r\∈\mathrm{Min}\_K\left(D_i\right),r=1,\·\·\·,K\\ (\stackrel{\‾}{x},\stackrel{\‾}{y})=\frac{1}{K}\underset{r=1}{\overset{K}{\mathrm{\Σ}}}(x_r^{\mathrm{RP}},y_r^{\mathrm{RP}})=\frac{1}{K}\underset{r=1}{\overset{K}{\mathrm{\Σ}}}{L}_r\end{array}\right.$

其中，rss_j是AP_i的信号强度RSS数据均值，是指纹数据库中表示在参考点RP_j处测量的来自AP_i的信号强度RSS数据均值；D_i是信号强度RSS距离；q代表信号强度RSS距离的类型；Min_K(D_i)是最小K个信号强度RSS距离的集合；D_r，r=1,…,K，是最小的K个信号强度RSS距离；是属于集合Min_K(D_i)中距离D_r所对应参考点的坐标；

当被选择的K个RP的位置坐标被分配权值，所述被分配权值为信号强度RSS距离的倒数则进行WKNN算法：

$(\stackrel{\‾}{x},\stackrel{\‾}{y})=\frac{\underset{r=1}{\overset{K}{\mathrm{\Σ}}}\left((x_r^{\mathrm{RP}},y_r^{\mathrm{RP}}){/D}_r\right)}{\underset{r=1}{\overset{K}{\mathrm{\Σ}}}(1/D_r)}=\frac{\underset{r=1}{\overset{K}{\mathrm{\Σ}}}(L_r/D_r)}{\underset{r=1}{\overset{K}{\mathrm{\Σ}}}(1/D_r)}.$

步骤四：根据步骤三获得的第n个定位结果，转换为图像矩阵I_match中的像素点，n≥2；

步骤五：判断步骤四中所述像素点是否在楼体结构中，即是否为I_match(x_n,y_n)=0；如果为0则该像素点在楼体结构中，转到步骤七，否则转到步骤六；

步骤六：判断第n个像素点与第(n-1)个像素点之间是否有楼体阻挡，即两像素点是否被0值像素点阻挡；如果存在楼体阻挡，则转到步骤七，否则转到步骤八；

步骤七：计算第n个像素点与第(n-1)个像素点的中点然后搜索在点线模型上距离该点最近的像素点并将最近的像素点作为修正后的定位像素点；

步骤八：将获得的定位像素点转换为实际的位置坐标，完成室内定位。

本发明采用一种地图匹配辅助室内定位方法实现室内高精度定位。本发明充分利用室内地图信息，将计算的定位结果变换到用于地图匹配的图像矩阵的相应位置，通过识别该图像矩阵中的楼体结构，将不合理的定位结果修正到点线模型上，即可得到更加精确的定位结果。同时相对于传统的室内地图匹配算法，本发明方法可独立使用不需要传感器测量数据，不需要迭代过程。

附图说明

图1为本发明一种地图匹配辅助室内定位方法的流程图；

图2为具体实施例的楼层示意图；

图3为具体实施例所述当K=9，H=2时，分别为K近邻算法KNN和本发明的定位结果示意图；

图4为具体实施例所述当K=9，H=2时，分别为加权K近邻算法WKNN和本发明的定位结果示意图。

具体实施方式

具体实施方式一、结合图1说明本具体实施方式。一种地图匹配辅助室内定位方法，它包括如下步骤：

步骤一：在室内目标定位环境布置N个接入点AP_i,i=1,2,...,N，在所述定位环境下创建二维笛卡尔坐标系，在所述定位环境中选取M个参考点RP_j,j=1,2,...,M，记录每个参考点的坐标和在每个参考点处采集的W个接收信号强度RSS样本，根据M个参考点RP_j的坐标和每个参考点的信号强度RSS样本建立位置指纹数据库；

步骤二：利用待定位楼层的CAD平面图生成加载点线模型的楼层平面图像的图像矩阵I_match；

步骤三：在所述定位环境中设置测试点，当在一个测试点处接收到H个信号强度RSS样本后，求取信号强度RSS样本均值并利用指纹匹配定位法K近邻算法KNN和加权K近邻算法WKNN计算定位结果为测试点的定位坐标；

步骤四：根据步骤三获得的第n个定位结果，转换为图像矩阵I_match中的像素点，n≥2；

步骤五：判断步骤四中所述像素点是否在楼体结构中，即是否为I_match(x_n,y_n)=0；如果为0则该像素点在楼体结构中，转到步骤七，否则转到步骤六；

步骤六：判断第n个像素点与第(n-1)个像素点之间是否有楼体阻挡，即两像素点是否被0值像素点阻挡；如果存在楼体阻挡，则转到步骤七，否则转到步骤八；

步骤七：计算第n个像素点与第(n-1)个像素点的中点然后搜索在点线模型上距离该点最近的像素点并将最近的像素点作为修正后的定位像素点；

步骤八：将获得的定位像素点转换为实际的位置坐标，完成室内定位。

具体实施方式二、本具体实施方式与具体实施方式一不同的是所述步骤二：利用待定位楼层的CAD平面图生成加载点线模型的楼层平面图像的图像矩阵I_match的过程为：

将点线模型加载到楼层的CAD平面图中后，即可得到一个加载点线模型的CAD平面图；将加载点线模型后的CAD平面图和原始的CAD平面图分别存为图片格式；将两幅图片分别转换为两个二值图像矩阵I_model和I_{no_model}；在这两个二值图像矩阵中，将人们日常活动区域的像素点设置为数值+1，楼体结构和点线模型的像素点设置为数值0；

获得室内地图图像矩阵I_match：

I_{no_model}-2×(I_model⊕I_{no_model})=I_match

其中，⊕是异或操作。所以，在楼层平面图新的图像矩阵I_match中，点线模型的像素点由数值-1代替，人们活动区域的像素点由数值+1代替，楼体结构的像素点由数值0代替。

具体实施方式三、本具体实施方式与具体实施方式一或二不同的是所述步骤三：在所述定位环境中设置测试点，当在一个测试点处接收到H个信号强度RSS样本后，求取信号强度RSS样本均值并利用指纹匹配定位法K近邻算法KNN和加权K近邻算法WKNN计算定位结果为测试点的定位坐标的过程为：

根据指纹匹配定位法K近邻算法KNN获得公式：

$\left\{\begin{array}{c}{D}_i={\left(\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{|{\mathrm{rss}}_j-{\mathrm{rss}}_{i,j}^{\mathrm{RP}}|}^q\right)}^{1/q},i=1,\·\·\·,M\\ L_r=(x_r^{\mathrm{RP}},y_r^{\mathrm{RP}}),D_r\∈\mathrm{Min}\_K\left(D_i\right),r=1,\·\·\·,K\\ (\stackrel{\‾}{x},\stackrel{\‾}{y})=\frac{1}{K}\underset{r=1}{\overset{K}{\mathrm{\Σ}}}(x_r^{\mathrm{RP}},y_r^{\mathrm{RP}})=\frac{1}{K}\underset{r=1}{\overset{K}{\mathrm{\Σ}}}{L}_r\end{array}\right.$

其中，rss_j是AP_i的信号强度RSS数据均值，是指纹数据库中表示在参考点RP_j处测量的来自AP_i的信号强度RSS数据均值；D_i是信号强度RSS距离；q代表信号强度RSS距离的类型；Min_K(D_i)是最小K个信号强度RSS距离的集合；D_r，r=1,…,K，是最小的K个信号强度RSS距离；r=1,…,K，是属于集合Min_K(D_i)中距离D_r所对应参考点的坐标；

当被选择的K个RP的位置坐标被分配权值，所述被分配权值为信号强度RSS距离的倒数则进行WKNN算法：

$(\stackrel{\‾}{x},\stackrel{\‾}{y})=\frac{\underset{r=1}{\overset{K}{\mathrm{\Σ}}}\left((x_r^{\mathrm{RP}},y_r^{\mathrm{RP}}){/D}_r\right)}{\underset{r=1}{\overset{K}{\mathrm{\Σ}}}(1/D_r)}=\frac{\underset{r=1}{\overset{K}{\mathrm{\Σ}}}(L_r/D_r)}{\underset{r=1}{\overset{K}{\mathrm{\Σ}}}(1/D_r)}.$

具体实施方式四、本具体实施方式与具体实施方式三不同的是所述q=2，即选取欧氏距离。

具体实施方式五、本具体实施方式与具体实施方式一或四不同的是所述N、M为正整数，W、H为正整数。

具体实施例：

结合图2-4说明本具体实施例。在图2所示的室内实验环境下测试该方法的有效性。其中，9个LinksysWAP54GAP布置于24.9m×66.4m的室内实验环境中。实验路径是从房间中的A点到3米宽的走廊内的B点。实验利用一台华硕A8F笔记本电脑采集数据。它装有IntelPRO/Wireless3945ABG无线网卡和RSS数据采集软件NetStumbler，采样速率每秒2个RSS数据样本。在离线阶段，在房间中选择24个参考点和3米宽的走廊中选择67个参考点，每个参考点上用150秒采集共300个RSS样本。在在线阶段，沿着实验路径A到B共选取65个测试点，间距为0.6m。考虑到参考点的数量和布置，设置K=9，H=2，q=2时，计算传统的KNN和WKNN算法和应用地图匹配辅助室内定位方法后的定位性能，实验结果的平均误差比较如表1所示。

表1算法性能比较

算法	平均误差(m)
		KNN	2.73
WKNN	2.70
		KNN+Map	2.45
WKNN+Map	2.47

由图3和图4所示，在走廊转弯处，由于复杂建筑结构对无线电传播影响比较大，所以，KNN算法和WKNN算法的定位结果比较差，有很多定位结果穿过了墙体，这在实际中是不可能的。应用本发明所提出地图匹配辅助室内定位方法后，定位性能明显改善，将不合理的定位结果修正到了所提出的点线模型上，获得了更加准确的定位坐标。定位结果的平均误差也从KNN和WKNN算法的2.73米和2.70米分别下降到2.45米和2.47米。因此，上述实验有力地证明了本发明所提出地图匹配辅助室内定位方法的价值和有效性。

Claims (2)

1.一种地图匹配辅助室内定位方法，其特征在于它包括如下步骤：

步骤一：在室内目标定位环境布置N个接入点AP_i,i＝1,2,...,N，在所述定位环境下创建二维笛卡尔坐标系，在所述定位环境中选取M个参考点RP_j,j＝1,2,...,M，记录每个参考点的坐标和在每个参考点处采集的W个接收信号强度RSS样本，根据M个参考点RP_j的坐标和每个参考点的信号强度RSS样本建立位置指纹数据库；

步骤二：利用待定位楼层的CAD平面图生成加载点线模型的楼层平面图像的图像矩阵I_match；

步骤三：在所述定位环境中设置测试点，当在一个测试点处接收到H个信号强度RSS样本后，求取信号强度RSS样本均值并利用指纹匹配定位法K近邻算法KNN或加权K近邻算法WKNN计算定位结果为测试点的定位坐标；

步骤四：根据步骤三获得的第n个定位结果，转换为图像矩阵I_match中的像素点，n≥2；

步骤五：判断步骤四中所述像素点是否在楼体结构中，即是否为I_match(x_n,y_n)＝0；如果为0则该像素点在楼体结构中，转到步骤七，否则转到步骤六；

步骤六：判断第n个像素点与第(n-1)个像素点之间是否有楼体阻挡，即两像素点是否被0值像素点阻挡；如果存在楼体阻挡，则转到步骤七，否则转到步骤八；

步骤七：计算第n个像素点与第(n-1)个像素点的中点然后搜索在点线模型上距离该点最近的像素点P_n′＝(x_n′,y_n′)，并将最近的像素点P_n′作为修正后的定位像素点；

步骤八：将获得的修正后的定位像素点转换为实际的位置坐标，完成室内定位。

2.根据权利要求1所述的一种地图匹配辅助室内定位方法，其特征在于所述步骤二：利用待定位楼层的CAD平面图生成加载点线模型的楼层平面图像的图像矩阵I_match的过程为：

将点线模型加载到楼层的CAD平面图中后，即可得到一个加载点线模型的CAD平面图；将加载点线模型后的CAD平面图和原始的CAD平面图分别存为图片格式；将两幅图片分别转换为两个二值图像矩阵I_model和I_{no_model}；在这两个二值图像矩阵中，将人们日常活动区域的像素点设置为数值+1，楼体结构和点线模型的像素点设置为数值0；获得室内地图图像矩阵I_match：

I_{no_model}-2×(I_model⊕I_{no_model})＝I_match

其中，⊕是异或操作。