CN106714109A - 基于众包数据的WiFi指纹库更新方法 - Google Patents

Abstract

本发明提供基于众包数据的WiFi指纹库更新方法，包括如下步骤：采集室内环境众包数据，并做聚类处理；淘汰过期指纹；根据更新数据动态获得接入点表；计算每个参考点的标准指纹；对于每个参考点原数据库和更新数据中的所有指纹做基于指纹相似性的高通滤波，获得新指纹库。本发明可以在室内Wi‑Fi环境的变化的情况下，依据此变化对指纹库进行更新，以维持定位***的稳定定位效果。

Description

基于众包数据的WiFi指纹库更新方法

技术领域

本发明涉及信息技术领域的室内定位技术，具体涉及的是一种基于众包数据的WiFi指纹库更新方法。

背景技术

随着智能手机和移动互联网的快速发展，基于位置的服务吸引了越来越多的关注。实时定位已经成为交通、商业、物流、个***等多个高层次应用的基本技术。在室外的情况下，全球导航卫星***提供了一个很好的定位服务，如全球定位***(GPS)。然而，在室内环境中，由于信号衰落和多径效应，全球卫星定位***无法达到合适的精度。因此，室内定位技术已经成为近年来的一个热门话题。

因为高精度，低成本，易于部署的特点，Wi-Fi室内定位技术已成为最广泛使用的室内定位方案之一。Wi-Fi定位***一般包括两个阶段：离线指纹训练阶段，用来建立指纹数据库；在线定位阶段，根据当前RSS(信号强度)数据，通过定位算法获取用户位置。目前大多数针对Wi-Fi室内定位技术的研究主要关注着这两个阶段，指纹库的更新技术成为该领域的一个盲点。而实际上，指纹库的更新维护是Wi-Fi室内定位的一个必要过程。

由于全监督的指纹库采集方法耗时长，效率低，当下主流的指纹库采集方法是利用众包数据的非监督采集方法。在这种方法中，Wi-Fi指纹的位置是由行人航位推算技术(PDR)来估计的。由于PDR累积误差的存在，直接使用非监督采集方法生成的指纹库进行定位是有风险的，需要根据后续的采集数据对指纹库进行更新维护。Wi-Fi信号是易变的，室内环境中的一些变化，如室内遮挡的变化，接入点(AP)设备的老化与更换都会导致同一位置上从同一AP接收到的Wi-Fi信号强度发生变化。如果室内环境中出现了上述变化，而Wi-Fi指纹库维持不变，那么室内定位的精度会受到影响，严重时会导致定位***崩溃。

发明内容

本发明所要解决的技术问题是提供一种基于众包数据的WiFi指纹库更新方法，可以依据室内Wi-Fi环境的变化对指纹库进行更新，以维持稳定的定位效果。

为解决上述问题，本发明提出一种基于众包数据的WiFi指纹库更新方法，包括以下步骤：

S1：采集室内环境中信号设备的众包数据，根据众包数据得到更新数据，所述更新数据至少包括采集位置和当前采集到的WiFi指纹，每采集依次得到一新的更新数据；

S2：根据每条更新数据中的采集位置与原指纹库中的各参考点对应的聚类位置进行比较，将各更新数据就近聚类至相应参考点；

S3：对更新数据中WiFi指纹的各接入点的出现频次进行分析，选择出现频次高的几个接入点，得到备选接入点区，若更新数据中对应原指纹库的固定接入点表中的接入点的信号强度过低时，则从所述备选接入点区中选取新的接入点替换；

S4：对原指纹库中的对应固有接入点表的原WiFi指纹和对应固有接入点表的各更新数据的WiFi指纹进行均值统计，得到能够代表各参考点的信号特征的标准指纹，若固有接入点表有替换的接入点，则将更新数据中对应该新的接入点信号强度进行均值统计，确定标准指纹中对应该新的接入点的信号强度；

S5：针对每个参考点，计算原指纹库和更新数据中的所有WiFi指纹与标准指纹的相似性，取相似性最大的几条WiFi指纹作为该参考点的新指纹库。

根据本发明的一个实施例，在所述步骤S1中，在非监督的条件下采集众包数据并利用众包数据获取WiFi指纹，通过行人行位推算技术得到每条WiFi指纹所对应的采集位置。

根据本发明的一个实施例，所述更新数据中记录能够采集到的所有WiFi接入设备的WiFi信号强度；所述原指纹库记录固定接入点表中的固定接入点的WiFi信号强度。

根据本发明的一个实施例，所述步骤S2包括以下步骤：

S21：在聚类开始前设定聚类半径为R；

S22：对于更新数据中的每一条数据，如果其采集位置与各参考点对应的聚类位置中的任意位置距离小于等于R，则将该条更新数据所对应的Wi-Fi指纹聚类到给该聚类位置的参考点中；否则丢弃该条更新数据；完成全部更新数据的聚类。

根据本发明的一个实施例，所述步骤S3包括以下步骤：

S31：对于每个参考点的更新数据，将全部WiFi指纹中具有记录的各接入点的出现频次进行累加统计；

S32：根据每个参考点的各接入点的出现频次进行大小排序，选取最出现频次最高的几个接入点，作为备选接入点区；

S33：对更新数据中对应原指纹库固定接入点表中的每个接入点的信号强度作加和统计；

S34：若全部接入点的信号强度均不低于强度阈值，则保持固定接入点表不变；若任意一接入点的信号强度低于强度阈值，则从所述备选接入点区中选取出现频次最高的一个新的接入点替换该接入点，得到新的固定接入点表。

根据本发明的一个实施例，在原指纹库中，将新替换的接入点的信号强度的值设置为指定值。

根据本发明的一个实施例，所述步骤S4包括以下情况：

情况一：当更新数据的指纹数量K远大于原指纹库的指纹数量M时，参考点的标准指纹F_s是原指纹库和更新数据中所有WiFi指纹的平均，即：

F_m为更新数据的WiFi指纹向量，F_k为原指纹库的WiFi指纹向量；

其中，当出现了固有接入点表变化时，标准指纹中对应新的接入点的信号强度RSS_r表示为：

RSS_i为更新数据中的对应该新的接入点的各信号强度；

情况二：当更新数据的指纹数量K小于原指纹库的指纹数量M或两者相当时，需要对该参考点的所有WiFi指纹建立指纹可靠性模型，指纹的可靠性模型R(t)表示为：

其中，φ^-1(x)是标准正态分布概率密度函数的反函数，σ是Wi-Fi信号的标准差，P为固定AP表中AP的数量，Δ为AP信号最大衰减量；

得到指纹的可靠性模型之后，标准指纹计算为：

F_i为参考点的各WiFi指纹向量；

其中，当出现了固有接入点表变化时，标准指纹中对应新的接入点的信号强度RSS_r表示为：

RSS_i为更新数据中的对应该新的接入点的各信号强度。

根据本发明的一个实施例，所述步骤S5包括以下步骤，

S51：原指纹库和更新数据中的各WiFi指纹与标准指纹之间的相似性表示为，WiFi指纹与标准指纹之间的欧氏距离的倒数；

S52：将各WiFi指纹按相似性从大到小进行排序；

S53：截取其中与标准指纹相似性最高的M条WiFi指纹作为新指纹库中该参考点的WiFi指纹，M与原指纹库的WiFi指纹数量相同。

根据本发明的一个实施例，原指纹库和更新数据中的各WiFi指纹与标准指纹之间的相似性表示为：|F_i-F_s|为WiFi指纹与标准指纹之间的欧氏距离，α、β为设定的参数。

根据本发明的一个实施例，在所述步骤S4之前还包括步骤S6，设定指纹寿命阈值为t_m；对原指纹库中的所有WiFi指纹进行判断，假定当前时间为t₀，原指纹库中WiFi指纹的采集时间为t，如果t₀-t＞tm，则认为该WiFi指纹过期，将其淘汰。

采用上述技术方案后，本发明相比现有技术至少具有以下有益效果：

1、本发明中的指纹库更新方法可以在非监督的条件下完成，面对Wi-Fi环境的变化可及时更新Wi-Fi指纹库，以维持定位***的正常运行；

2、本发明中的指纹库更新方法相比传统的指纹库更新方法有更强的鲁棒性，在众包数据的条件下，无论采集到的更新数据充足与否，都能使***监测到Wi-Fi环境的变化，做出相应的更新。

附图说明

图1为本发明实施例的基于众包数据的WiFi指纹库更新方法的流程示意图；

图2a为本发明实施例的初始状态下指纹相似性的分布示意图；

图2b为本发明实施例的对所有WiFi指纹按照与标准指纹的相似性由高到低排序的示意图；

图2c为本发明实施例的截取M条WiFi指纹作为新指纹库中该参考点的WiFi指纹的示意图；

图3为本发明实施例的参考点分布图；

图4为本发明实施例的指纹可靠性模型。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。

在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施的限制。

参看图1，本发明实施例的基于众包数据的WiFi指纹库更新方法，包括以下步骤：

S1：采集室内环境中信号设备的众包数据，根据众包数据得到更新数据，所述更新数据至少包括采集位置和当前采集到的WiFi指纹，每采集依次得到一新的更新数据；

S2：根据每条更新数据中的采集位置与原指纹库中的各参考点对应的聚类位置进行比较，将各更新数据就近聚类至相应参考点；

S3：对更新数据中WiFi指纹的各接入点的出现频次进行分析，选择出现频次高的几个接入点，得到备选接入点区，若更新数据中对应原指纹库的固定接入点表中的接入点的信号强度过低时，则从所述备选接入点区中选取新的接入点替换；

S4：对原指纹库中的对应固有接入点表的原WiFi指纹和对应固有接入点表的各更新数据的WiFi指纹进行均值统计，得到能够代表各参考点的信号特征的标准指纹，若固有接入点表有替换的接入点，则将更新数据中对应该新的接入点信号强度进行均值统计，确定标准指纹中对应该新的接入点的信号强度；

S5：针对每个参考点，计算原指纹库和更新数据中的所有WiFi指纹与标准指纹的相似性，取相似性最大的几条WiFi指纹作为该参考点的新指纹库。

在本发明实施例中原指纹库可以以表格1所示的方式储存。该指纹库记录了每个参考点的聚类位置、及采集到的来自不同接入点的Wi-Fi信号强度，同一时刻采集到的来自不同接入点的信号强度组成一条指纹。每个参考点所包含的指纹数量是一定的，记为M。为了后续指纹库更新分析，同时保存每条指纹的采集时间。指纹F＝{RSS₁，RSS₂，RSS₃，...，RSS_n}，计算过程中，也可称之为指纹向量，RSS₁，RSS₂，RSS₃，...RSS_n为信号强度。

表格1

为了进行指纹库更新，本发明实施例利用众包数据在非监督的条件下采取了指纹。步骤S1中，采集室内环境中信号设备的众包数据，可以使用能够采集到众包数据的设备进行采集，利用众包数据能够得到本发明实施例所需的更新数据，或者众包数据也可以直接作为更新数据，根据众包数据得到更新数据。更新数据至少包括采集位置和当前采集到的WiFi指纹，每采集依次得到一新的更新数据。更新数据是采集位置和Wi-Fi指纹的组合数据：{(x，y)，(RSS₁，RSS₂，RSS₃，...，RSS_n)}。信号设备可以是信号收发设备或信号发送设备，例如是AP(无线访问接入点)等设备。

在一个实施例中，在步骤S1中，在非监督的条件下采集众包数据并利用众包数据获取WiFi指纹，通过行人行位推算技术(PDR)得到每条WiFi指纹所对应的采集位置。但不限于此，也可以通过在指定位置对众包数据进行采集，从而必然已知采集位置。

接着执行步骤S2，通过对更新数据中采集位置的分析，依照原指纹库的聚类位置分布进行聚类，根据每条更新数据中的采集位置与原指纹库中的各参考点对应的聚类位置进行比较，将各更新数据就近聚类至相应参考点。一更新数据可以重复聚类至不同的参考点中。

具体聚类方法可以如下：步骤S21：在聚类开始前设定聚类半径为R；步骤S22：对于更新数据中的每一条数据，如果其对应位置与聚类位置集中的任意位置距离小于等于R，则将该条更新数据所对应的Wi-Fi指纹聚类到给该聚类位置的参考点中；如果该位置与聚类位置集中的任意位置距离大于R，则丢弃该数据，重复执行步骤S22直到完成全部更新数据的聚类。这样，更新数据的储存格式也可以与表格1中所示相同，但不直接存入，对于每个聚类位置上的更新数据数量，记为K。

对于原指纹库的所有参考点的聚类位置集{(x₁，y₁)，(x₂，y₂)，...，(x_n，y_n)}，设定一个聚类半径R，对于更新数据的每一条WiFi指纹，如果其采集位置(x，y)满足：((x_k-x)²+(y_k-y)²)^1/2≤R，则将该更新数据聚类到该参考点上。

其中，更新数据中记录的是能够采集到的所有WiFi接入设备的WiFi信号强度；原指纹库记录的是其固定接入点表中的固定接入点的WiFi信号强度。

接着执行步骤S3，对更新数据中WiFi指纹的各接入点的出现频次进行分析，选择出现频次高的几个接入点，得到备选接入点区，若更新数据中对应原指纹库的固定接入点表中的接入点的信号强度过低时，则从所述备选接入点区中选取新的接入点替换。

在一个实施例中，步骤S3包括以下步骤：

S31：对于每个参考点的更新数据，将全部WiFi指纹中具有记录的各接入点的出现频次进行累加统计；

S32：根据每个参考点的各接入点的出现频次进行大小排序，选取最出现频次最高的几个接入点，作为备选接入点区；

S33：对更新数据中对应原指纹库固定接入点表中的每个接入点的信号强度作加和统计；

S34：若全部接入点的信号强度均不低于强度阈值，则保持固定接入点表不变；若任意一接入点的信号强度低于强度阈值，则从备选接入点区中选取出现频次最高的一个新的接入点替换该接入点，得到新的固定接入点表。

具体来说，本发明实施例将接入点表分为两部分：固定接入点表和备选接入点区。固定接入点表是原指纹库中的N个接入点，(MAC₁，MAC₂，MAC₃，...，MAC_N)。备选接入点区包含了除固定接入点表中的接入点外，在更新数据中出现率最高的N个接入点。关于接入点的出现率，可以这样定义：在室内环境中，由于信号的衰落，在不同位置所能接收到的接入点不尽相同，如果在某一位置一接入点被采集到信号，则为该接入点的出现率加1。在更新数据中如上述方法统计出除固定接入点表外出现率最高的N个接入点，对它们按出现率由高到低排序，得到备选接入点区，(MAC_N+1，MAC_N+2，MAC_N+3，...，MAC_2N)。

在更新开始之前，首先对更新数据中来自固定接入点表中接入点的信号强度做统计，如果来自所有接入点的信号强度均值高于强度阈值RSS′，则保持固定接入点表不变。如果来自某一接入点的信号强度均值低于强度阈值RSS′，则可以认为该接入点设备已经损坏或被替换，这时可以从备选接入点区中挑选出现率最高的接入点替换进入固定接入点表。如果出现上述情况，原指纹库需要做如下改动：更新固定接入点表，由于对于新替换进入的接入点，原指纹库并没有存储来自该接入点的信号强度，在原指纹库中，将新替换的接入点的信号强度的值统一设置为指定值，该指定值例如可以是-120dbm。

接着执行步骤S4，对原指纹库中的对应固有接入点表的原WiFi指纹和对应固有接入点表的各更新数据的WiFi指纹进行均值统计，得到能够代表各参考点的信号特征的标准指纹，若固有接入点表有替换的接入点，则将更新数据中对应该新的接入点信号强度进行均值统计，确定标准指纹中对应该新的接入点的信号强度。若更新数据中没有固有接入点表中的某个接入点的信号强度，则将该接入点的信号强度同样设为指定值，或者可以设置缺省默认值。

在本发明实施例中，能够代表参考点信号特征的指纹称之为标准指纹。标准指纹的获取方法与指纹库中和更新数据中指纹数量有关。在一个实施例中，步骤S4包括以下情况：

情况一：当更新数据的指纹数量K远大于原指纹库的指纹数量M时，参考点的标准指纹F_s是原指纹库和更新数据中所有WiFi指纹的平均，即：

F_m为更新数据的WiFi指纹向量，F_k为原指纹库的WiFi指纹向量；

其中，当出现了固有接入点表变化时，标准指纹中对应新的接入点的信号强度RSS_r表示为：

RSS_i为更新数据中的对应该新的接入点的各信号强度；

对于一个参考点，其指纹库中对应的WiFi指纹和更新数据中的WiFi指纹的采集位置在非监督的条件下并不能保证准确落在参考点的位置上。这些WiFi指纹的采集位置高斯分布于参考点周围。根据指纹相似性与实际位置相似性的关系，所有WiFi指纹的采集位置的质心应该在参考点上，而指纹的平均值可以代表在参考点上采取的WiFi指纹，因而将它定义为该参考点的标准指纹。

可以看到，当室内Wi-Fi环境出现变化，如AP更换或AP信号衰减，更新数据中的WiFi指纹与原指纹库中的WiFi指纹在信号强度上会出现一定差异。此时如果K＞＞M，那么此时标准指纹可以反映当前该参考点的信号特征。而当K与M值相当或K小于M时，依此种计算方法得出的标准指纹不能准确反映此时该参考点的信号特征，如此便有了情况二。

情况二：当更新数据的指纹数量K小于原指纹库的指纹数量M或两者相当时，需要对该参考点的所有WiFi指纹建立指纹可靠性模型，指纹可靠性是指一条指纹能够准确反映当时信号特征的概率。在本发明实施例中，指纹可靠性只与指纹的采集时间有关，新采集的WiFi指纹比旧WiFi指纹更能准确反映此时的信号特征。WiFi指纹的可靠性模型R(t)表示为：

其中，φ^-1(x)是标准正态分布概率密度函数的反函数，σ是Wi-Fi信号的标准差，P为固定AP表中AP的数量，Δ为AP信号最大衰减量；

得到指纹的可靠性模型之后，标准指纹计算为：

F_i为参考点的各WiFi指纹向量；

其中，当出现了固有接入点表变化时，标准指纹中对应新的接入点的信号强度RSS_r表示为：

RSS_i为更新数据中的对应该新的接入点的各信号强度。由于接入点变化时，原接入点的信号特征便不能作为其中一部分，因而仅选择更新数据中的信号强度。

接着执行步骤S5，针对每个参考点，计算原指纹库和更新数据中的所有WiFi指纹与标准指纹的相似性，取相似性最大的几条WiFi指纹作为该参考点的新指纹库。在根据对原指纹库中和更新数据中的指纹分析后，得出每个参考点的标准指纹。在本步骤中，可以依据每条WiFi指纹与标准指纹的相似性大小，对所有WiFi指纹进行高通滤波。

在一个实施例中，步骤S5包括以下步骤，

S51：原指纹库和更新数据中的各WiFi指纹与标准指纹之间的相似性表示为，WiFi指纹与标准指纹之间的欧氏距离的倒数；

S52：将各WiFi指纹按相似性从大到小进行排序；

S53：截取其中与标准指纹相似性最高的M条WiFi指纹作为新指纹库中该参考点的WiFi指纹，M与原指纹库的WiFi指纹数量相同。

为了防止由于指纹与标准指纹过于相近带来的运算上的麻烦，原指纹库和更新数据中的各WiFi指纹与标准指纹之间的相似性表示为：|F_i-F_s|为WiFi指纹与标准指纹之间的欧氏距离，α、β为设定的参数。

图2a-2c示出了基于指纹相似性的高通滤波过程的示意图，图2a示出了初始状态下指纹相似性的分布。在计算了所有指纹与标准指纹的相似性后，对所有指纹按照与标准指纹的相似性由高到低排序，其结果如图2b所示。接着截取与标准指纹相似性最高的M条指纹作为新指纹库中该参考点的指纹，结果如图2c所示。

较佳的，为减轻数据库负担并得到最新的指纹记录，淘汰原指纹库中过期指纹，在步骤S4之前还包括步骤S6，设定指纹寿命阈值为t_m；对原指纹库中的所有WiFi指纹进行判断，假定当前时间为t₀，原指纹库中WiFi指纹的采集时间为t，如果t₀-t＞t_m，则认为该WiFi指纹过期，将其淘汰。

下面通过更具体的实施例来进行说明，但不作为限制。

本实施例中，目标区域的参考点分布如图3所示，原指纹库中选取来自12个不同接入点的信号强度作为建库标准，为室内环境中37个参考点建立指纹库。对于原指纹库中的每个参考点，分别包括60条Wi-Fi指纹。在本实施例中，设定指纹库更新间隔为12小时，在六天内本实施例对指纹库进行了12次更新，在每次更新后使用极大似然概率法进行室内定位，分析室内定位的误差与方差。

为了验证本发明实施例应对Wi-Fi环境变化的效果，本实施例在12次更新中分批次的替换接入点设备或使接入点信号衰减。为了比对本发明实施例对指纹库更新维护的效果，本实施例选取静态指纹库的方法以及多次重建指纹库的方法作为对照组，对比本发明在Wi-Fi环境变化时对指纹库的更新效果。

本实施例包括如下步骤：

步骤一：收集室内环境中的众包数据，本实施例中针对环境中的3台智能手机做信号收集，主要采集其当前位置，来自室内环境各信号发送设备的信号强度以及当前采集时间。然后使用采集到的信息以原指纹库中的参考点分布为标准做聚类，将更新数据聚类到每个参考点上。

步骤二：对原指纹库的所有指纹进行过期指纹淘汰，在本实施例中，设定指纹寿命阈值为7天。对于原指纹库的每一条指纹计算其采集时间与***当前时间的差值，如果超过指纹寿命阈值则淘汰该指纹。

步骤三：根据更新数据中来自各信号发送设备的接收信号强度分布，确定备选接入点区的各设备MAC。根据更新数据中来自各接入点的接收信号强度统计特性，检测接入点的更换的情况，如果检测到接入点更换则修改固定接入点表，并相应更改原指纹库的信息。

步骤四：对每个参考点，比较原指纹库的指纹数量M与更新数据中的指纹数量K。当K/M≥3时，认为更新数据充足，对所有指纹取平均，得到该参考点的标准指纹。当K/M＜3时，认为更新数据不足，此时需要为原指纹库中的指纹以及更新数据中的指纹建立指纹可靠性模型，根据本实施例的参数设置，此时指纹库的可靠模型为：

该指纹可靠性模型如图4所示，对所有指纹取加权平均，得到该参考点的标准指纹。

步骤五：对于每个参考点，计算原指纹库中的指纹以及更新数据中的指纹与该点标准指纹的相似性。按相似性由大到小排序，并截取前60条指纹作为该参考点的新指纹库。其过程如图2a-2c所示。

在本实施例中进行了12次更新，其中每次更新前阶段会替换掉30％初始的接入点设备，或使30％的接入点发送信号发生衰减。在进行了12次更新后，使用定点测量法评估本发明中的指纹库更新方法对定位效果的影响，本实施例中同样选取了使用静态指纹库的方法和每12小时重建指纹库的方法作为对比，结果见下面表格2。

可见，本发明实施例的更新方法，可以使得误差非常接近重建指纹库的误差，但更新方法相比重建而言，效率、成本、复杂度方面都更为优越。

本发明虽然以较佳实施例公开如上，但其并不是用来限定权利要求，任何本领域技术人员在不脱离本发明的精神和范围内，都可以做出可能的变动和修改，因此本发明的保护范围应当以本发明权利要求所界定的范围为准。

Claims (10)

1.一种基于众包数据的WiFi指纹库更新方法，其特征在于，包括以下步骤：

S1：采集室内环境中信号设备的众包数据，根据众包数据得到更新数据，所述更新数据至少包括采集位置和当前采集到的WiFi指纹，每采集依次得到一新的更新数据；

S2：根据每条更新数据中的采集位置与原指纹库中的各参考点对应的聚类位置进行比较，将各更新数据就近聚类至相应参考点；

S3：对更新数据中WiFi指纹的各接入点的出现频次进行分析，选择出现频次高的几个接入点，得到备选接入点区，若更新数据中对应原指纹库的固定接入点表中的接入点的信号强度过低时，则从所述备选接入点区中选取新的接入点替换；

S4：对原指纹库中的对应固有接入点表的原WiFi指纹和对应固有接入点表的各更新数据的WiFi指纹进行均值统计，得到能够代表各参考点的信号特征的标准指纹，若固有接入点表有替换的接入点，则将更新数据中对应该新的接入点信号强度进行均值统计，确定标准指纹中对应该新的接入点的信号强度；

S5：针对每个参考点，计算原指纹库和更新数据中的所有WiFi指纹与标准指纹的相似性，取相似性最大的几条WiFi指纹作为该参考点的新指纹库。

2.如权利要求1所述的基于众包数据的WiFi指纹库更新方法，其特征在于，在所述步骤S1中，在非监督的条件下采集众包数据并利用众包数据获取WiFi指纹，通过行人行位推算技术得到每条WiFi指纹所对应的采集位置。

3.如权利要求1所述的基于众包数据的WiFi指纹库更新方法，其特征在于，所述更新数据中记录能够采集到的所有WiFi接入设备的WiFi信号强度；所述原指纹库记录固定接入点表中的固定接入点的WiFi信号强度。

4.如权利要求1所述的基于众包数据的WiFi指纹库更新方法，其特征在于，所述步骤S2包括以下步骤：

S21：在聚类开始前设定聚类半径为R；

S22：对于更新数据中的每一条数据，如果其采集位置与各参考点对应的聚类位置中的任意位置距离小于等于R，则将该条更新数据所对应的Wi-Fi指纹聚类到给该聚类位置的参考点中；否则丢弃该条更新数据；完成全部更新数据的聚类。

5.如权利要求1所述的基于众包数据的WiFi指纹库更新方法，其特征在于，所述步骤S3包括以下步骤：

S31：对于每个参考点的更新数据，将全部WiFi指纹中具有记录的各接入点的出现频次进行累加统计；

S32：根据每个参考点的各接入点的出现频次进行大小排序，选取最出现频次最高的几个接入点，作为备选接入点区；

S33：对更新数据中对应原指纹库固定接入点表中的每个接入点的信号强度作加和统计；

S34：若全部接入点的信号强度均不低于强度阈值，则保持固定接入点表不变；若任意一接入点的信号强度低于强度阈值，则从所述备选接入点区中选取出现频次最高的一个新的接入点替换该接入点，得到新的固定接入点表。

6.如权利要求1或5所述的基于众包数据的WiFi指纹库更新方法，其特征在于，在原指纹库中，将新替换的接入点的信号强度的值设置为指定值。

7.如权利要求1所述的基于众包数据的WiFi指纹库更新方法，其特征在于，所述步骤S4包括以下情况：

情况一：当更新数据的指纹数量K远大于原指纹库的指纹数量M时，参考点的标准指纹F；是原指纹库和更新数据中所有WiFi指纹的平均，即：

F_m为更新数据的WiFi指纹向量，F_k为原指纹库的WiFi指纹向量；

其中，当出现了固有接入点表变化时，标准指纹中对应新的接入点的信号强度RSS_r表示为：

RSS_i为更新数据中的对应该新的接入点的各信号强度；

情况二：当更新数据的指纹数量K小于原指纹库的指纹数量M或两者相当时，需要对该参考点的所有WiFi指纹建立指纹可靠性模型，指纹的可靠性模型R(t)表示为：

其中，φ^-1(x)是标准正态分布概率密度函数的反函数，σ是Wi-Fi信号的标准差，P为固定AP表中AP的数量，Δ为AP信号最大衰减量；

得到指纹的可靠性模型之后，标准指纹计算为：

F_i为参考点的各WiFi指纹向量；

其中，当出现了固有接入点表变化时，标准指纹中对应新的接入点的信号强度RSS_r表示为：

RSS_i为更新数据中的对应该新的接入点的各信号强度。

8.如权利要求1所述的基于众包数据的WiFi指纹库更新方法，其特征在于，所述步骤S5包括以下步骤，

S51：原指纹库和更新数据中的各WiFi指纹与标准指纹之间的相似性表示为，WiFi指纹与标准指纹之间的欧氏距离的倒数；

S52：将各WiFi指纹按相似性从大到小进行排序；

S53：截取其中与标准指纹相似性最高的M条WiFi指纹作为新指纹库中该参考点的WiFi指纹，M与原指纹库的WiFi指纹数量相同。

9.如权利要求1或8所述的基于众包数据的WiFi指纹库更新方法，其特征在于，原指纹库和更新数据中的各WiFi指纹与标准指纹之间的相似性表示为：|F_i-F_s|为WiFi指纹与标准指纹之间的欧氏距离，α、β为设定的参数。

10.如权利要求1-5、7、8中任意一项所述的基于众包数据的WiFi指纹库更新方法，其特征在于，在所述步骤S4之前还包括步骤S6，设定指纹寿命阈值为t_m；对原指纹库中的所有WiFi指纹进行判断，假定当前时间为t₀，原指纹库中WiFi指纹的采集时间为t，如果t₀-t＞t_m，则认为该WiFi指纹过期，将其淘汰。