CN109547936A

CN109547936A - 基于Wi-Fi信号和环境背景声的室内定位方法

Info

Publication number: CN109547936A
Application number: CN201811631536.8A
Authority: CN
Inventors: 王玫; 李凯华; 宋浠瑜; 仇洪冰; 罗丽燕; 周陬; 覃虹菱; 覃泓铭; 李晓鹏
Original assignee: Guilin University of Electronic Technology
Current assignee: Guilin University of Electronic Technology
Priority date: 2018-12-29
Filing date: 2018-12-29
Publication date: 2019-03-29

Abstract

本发明公开了一种基于Wi‑Fi信号和环境背景音的室内定位方法，该方法利用智能手机采集室内已存在的Wi‑Fi信号和房间内子区域的环境背景声，利用Jaccard similarity相似度和DBSCAN密度聚类算法提取每个房间Wi‑Fi的最优指纹，指纹匹配算法为欧氏距离匹配；提取每个子区域的环境背景声组合指纹CSIE，再利用皮尔逊相似度提取每个子区域的代表性指纹，指纹匹配算法为方差匹配。相比传统分类识别算法，能较好地提高室内定位精度。

Description

基于Wi-Fi信号和环境背景声的室内定位方法

技术领域

本发明涉及室内定位方法，具体是一种基于Wi-Fi信号和环境背景声的室内定位方法。

背景技术

目前，室外定位技术得到了极大的发展，以北斗卫星和GPS为代表的室外定位技术定位精度高，得到了广泛的应用。但是，由于建筑墙壁对北斗卫星和GPS信号有严重的屏蔽作用，所以并不能应用于室内定位，因此急需一种高效、便捷、准确的室内定位技术来填补空白。

当前较成熟的有基于蓝牙、红外线、超宽带(UWB)、超声波等室内定位技术。其中：

基于蓝牙的定位技术优点是功耗低、易集成，但是定位距离短、易受噪声干扰，增加定位区域时需要额外购买蓝牙基站以及花费人力和时间去布置和采集指纹；

基于红外线的定位技术精度高，但是不能穿越障碍，同时造价高，功耗较大，扩展性差，不能用于大规模定位；

基于超宽带的定位技术虽然定位精度高，但是设备昂贵，不易扩展定位区域；

基于超声波的室内定位技术精度较高，但存在多径效应、衰减明显、容易受到物体干扰，成本也较高。

另外，基于群智感知的Wi-Fi和环境背景声定位的技术优点是不需要布置其它基础设施，且只需要通过软件采集建筑内存在的Wi-Fi信号和环境背景声。如今，室内路由器分布广泛，不需要再购买以及人工布置，Wi-Fi信号极易大量采集，虽然Wi-Fi信号的波动较大，但是同一个房间内的Wi-Fi信号波动较小，范围在10db作用，所以Wi-Fi可以用于进行房间级定位，环境背景声是在环境相对安静时采集的，作为一种时间与空间分布特殊的声波，会形成一定规律的听觉感知效应。同时，环境背景声也是一种信息载体，反映发声体的物理属性、外部激励力等众多环境因素的重要特性。由于同一个房间的物体摆放、空间环境和建筑结构(如子区域靠墙或者靠近走廊)不同，所以同一个房间内的不同子区域的环境背景声也会不同，因此可以利用环境背景声进行房间内子区域定位。

目前，已经有一些室内定位***方案，利用智能手机多传感优势，采集Wi-Fi信号、蓝牙、图像和地磁数据等作为指纹，进行多信息的融合定位；少量文献有专门研究室内环境背景声定位的方法，如：通过背景声指纹提取和KNN算法进行背景声室内定位等。然而，这些方案都有局限性，定位空间小，不易扩展且精度低。

发明内容

针对上述现有技术中指出的缺陷，本发明提供了一种基于Wi-Fi信号和环境背景声的室内定位方法，该方法房间级定位精度高，且房间内子区域定位精度高。

实现本发明目的的技术方案是：

基于Wi-Fi信号和环境背景声的室内定位方法，包括线下建立指纹地图和线上定位两个阶段，其中：

所述线下建立指纹地图阶段，包括如下步骤：

(1)利用智能手机采集室内待定位点已存在的Wi-Fi信号和环境声数据；

(2)标注每个Wi-Fi信号的房间号和标注每段背景声音数据的房间号及房间内子区域号；

(3)提取背景声音的组合特征CSIE；

(4)用Jaccard相似度计算每个房间内Wi-Fi信号的相似，提取最优Wi-Fi指纹，用皮尔逊相似度计算每个房间的每个子区域内CSIE的相似度，提取最优环境背景声指纹；

(5)根据获取的每个房间和子区域的最大相似度指纹，建立指纹地图；

所述线上定位阶段，包括如下步骤：

(1)利用智能手机采集室内待定位点已存在的Wi-Fi信号和环境声数据，同时提取背景声音的组合特征CSIE；

(2)计算线上Wi-Fi信号和线下地图Wi-Fi信号，得出用户所在房间号；

(3)由房间号调用对应的CSIE指纹与线上CSIE指纹做比较，得出房间内子区域编号；

(4)输出用户所在的房间号和子区域号，即可完成定位。

所述Wi-Fi最优指纹提取算法，包括如下步骤：

1)按标签将每个房间的Wi-Fi指纹分类，则Wi-Fi指纹表示如下：

Fingerprint_r ^m＝{Room number,(mac,RSSI₁),(mac,RSSI₂),...,(mac,RSSI_I)}(1)

其中，r代表房间号，m代表单个房间内的指纹数，I代表单个Wi-Fi指纹录取到的Wi-Fi信号个数，mac表示每个Wi-Fi信号对应路由器的mac地址；

2)同一个房间内两个指纹间的Jaccard相似度计算方法如下：

其中，x∩y表示指纹x与指纹y内相同mac地址的信号相减，小于10即计数1，没有相同mac的信号补0，x∪y表示指纹x与指纹y内相同的mac个数；

3)计算每个房间的Wi-Fi相似度矩阵，表示如下：

其中，Wr表示相似度矩阵，Sr表示第r个房间内两两指纹间的相似度；

4)计算房间内每个指纹与其它指纹相似度的和，选出Wi-Fi指纹与其它Wi-Fi指纹相似度最大的一个，建立指纹地图，公式如下：

其中，k表示指纹从1到I的任意一个指纹，n表示代表性指纹编号，公式4表示对每个指纹与其它指纹相似度的求和。公式5表示求出最大相似度的指纹，公式6为公式4和5的简写；

5)将每个房间的最大相似度Wi-Fi指纹作为定位房间的代表性指纹，建立指纹地图。

所述环境背景声最优指纹提取算法，包括如下步骤：

1)将同一房间内不同区域的背景声指纹按区域编号分类，一个背景声指纹时长为10秒，则背景音指纹表示如下：

Fingerprint_i ^j＝{Subarea position_i,feature_j}(7)

2)同一个子区域的CSIE指纹两两间相似度的计算方法如下：

其中，表示X和Y两个CSIE间的相似度，σ_X表示x指纹的标准差，σ_Y表示y指纹的标准差，E表示均值；

3)计算每个子区域内指纹间的相似度，建立相似度矩阵，表示如下：

其中，M_i表示单个子区域内CSIE指纹间的相似度矩阵，s_i(x,y)表示两个指纹间的相似度，j表示子区域指纹的个数；

4)计算每个子区域内单个指纹与其它指纹相似度的和，并比较所有和的大小，取出和最大的指纹，作为子区域代表性指纹，公式如下：

其中，k表示子区域内某一个CSIE指纹，公式10表示求每个指纹与其他指纹相似度的和，公式11表示选取相似度和最大的值，并将该指纹作为子区域的代表性指纹，以建立指纹地图，公式12为公式10和11的简写。

所述线上定位阶段，主要是Wi-Fi指纹和环境背景声CSIE的匹配过程，包括如下步骤：

所述Wi-Fi指纹的匹配算法是利用欧式距离匹配，公式如下：

1)Wi-Fi指纹匹配算法主要是利用欧式距离，如果两个相同mac地址的Wi-Fi信号强度相减的绝对值在10db以内则判定两个Wi-Fi信号相同，具体表达式如下：

G_f＝{(mac₁,rssi₁),(mac₂,rssi₂),…,(mac_k,rssi_k)}(13)

Roomⁱ＝argmax{O¹,O²,...,Oⁱ,...,O^j}(16)

其中，G_f表示线上用户采集的的Wi-Fi指纹，表示线下建立的地图中某一个Wi-Fi指纹。参数Oⁱ表示两个指纹匹配计算法的数值，i为WiFi指纹代表的房间号。表示线上随机采集的指纹G_f(mac)与指纹库中的指纹相同的地址下的值rssi相减，绝对值小于等于10时记为1。表示线上随机采集的指纹G_f(mac)与指纹库中的指纹有相同的mac地址记为1。公式16表示，选取线上指纹G_f与指纹库中所有的指纹计算后的最大值，参数i表示房间号。

所述环境背景声组合指纹CSIE匹配算法主要是利用方差匹配，公式如下：

其中，参数X表示线上采集的声音提取的组合特征CSIE,表示房间内每个子区域的代表性声音指纹，e表示CSIE指纹矩阵中的元素个数，n表示每个子区域内原始声音数据的编号，Distance_i表示X与所定位到的房间内所有子区域簇头计算结果的最小值，i表示子区域编号。

经过Wi-Fi指纹匹配定位到房间，再由环境背景声组合指纹CSIE定位到房间内子区域，整个定位过程完成。

本发明的优点是：本发明提出了一套Wi-Fi+室内背景声定位的方法，该方法无需预部署其它基础设施，特征提取过程和定位匹配过程计算简单，模型识别率高，相较传统模型性能有较大程度的提升和较大的成本节省，更适用于大规模的室内定位场景。

附图说明

图1为本发明实施例Wi-Fi和背景声指纹地图建立过程框图；

图2为本发明实施例线上定位过程框图。

具体实施方式

实施例：

本发明提供一种仅需利用智能手机采集室内已存在的Wi-Fi信号和房间内子区域的环境背景声，利用Jaccard similarity相似度和DBSCAN密度聚类算法提取每个房间Wi-Fi的最优指纹，指纹匹配算法为欧氏距离匹配；提取每个子区域的环境背景声组合指纹CSIE，再利用皮尔逊相似度提取每个子区域的代表性指纹，指纹匹配算法为方差匹配。相比传统分类识别算法，能较好地提高室内定位精度。

Wi-Fi信号与环境背景声组合特征CSIE指纹地图的建立与匹配分为两个阶段，数据采集与线上定位。

线下指纹地图建立：采集阶段首先需要采集大量的Wi-Fi信号和房间内每个子区域的背景声数据，并标注每个Wi-Fi信号的房间号和标注每段背景声数据的房间号和房间内子区域号；然后提取背景声音的组合特征CSIE；用Jaccard相似度计算每个房间内Wi-Fi信号的相似，提取最优Wi-Fi指纹，用皮尔逊相似度计算每个房间的每个子区域内CSIE的相似度，提取最优指纹；最后建立指纹地图。(如图1所示)

线上定位过程：线上定位阶段需在待定位地点采集Wi-Fi信号和背景声数据，采集同时提取背景声的组合特征CSIE；先计算线上Wi-Fi信号与地图Wi-Fi信号，得出用户所在房间号；再由房间号调用对应的CSIE指纹与线上CSIE指纹做比较得出房间内子区域编号；最后输出用户所在的房间号和子区域号。(如图2所示)

本发明通过Wi-Fi信号和环境背景声实现房间级定位和子区域定位功能，并且有较高的定位精度。最优指纹提取算法以及匹配算法如下：

1.Wi-Fi最优指纹提取

1)按标签将每个房间的Wi-Fi指纹分类，则Wi-Fi指纹表示如下：

其中，r代表房间号，m代表单个房间内的指纹数，I代表单个Wi-Fi指纹录取到的Wi-Fi信号个数，mac表示每个Wi-Fi信号对应路由器的mac地址。

2)同一个房间内两个指纹间的Jaccard相似度计算方法如下：

其中，x∩y表示指纹x与指纹y内相同mac地址的信号相减，小于10即计数1，没有相同mac的信号补0，x∪y表示指纹x与指纹y内相同的mac个数。

3)计算每个房间的Wi-Fi相似度矩阵，表示如下：

其中，Wr表示相似度矩阵，Sr表示第r个房间内两两指纹间的相似度。

其中，k表示指纹从1到I的任意一个指纹，n表示代表性指纹编号。公式4表示对每个指纹与其它指纹相似度的求和。公式5表示求出最大相似度的指纹。公式6为公式4和5的简写。

5)最后，将每个房间的最大相似度Wi-Fi指纹作为定位房间的代表性指纹。建立指纹地图。

2.环境背景声最优指纹提取

Fingerprint_i ^j＝{Subarea position_i,feature_j}(7)

2)同一个子区域的CSIE指纹两两间相似度的计算方法如下：

其中，表示X和Y两个CSIE间的相似度，σ_X表示x指纹的标准差，σ_Y表示y指纹的标准差，E表示均值。

其中，M_i表示单个子区域内CSIE指纹间的相似度矩阵，s_i(x,y)表示两个指纹间的相似度，j表示子区域指纹的个数。

其中，k表示子区域内某一个CSIE指纹，公式10表示求每个指纹与其他指纹相似度的和，公式11表示选取相似度和最大的值，并将该指纹作为子区域的代表性指纹，以建立指纹地图。公式12为公式10和11的简写。

3.匹配算法

1)Wi-Fi指纹匹配算法

Wi-Fi指纹匹配算法主要是利用欧式距离，如果两个相同mac地址的Wi-Fi信号强度相减的绝对值在10db以内则判定两个Wi-Fi信号相同，具体表达式如下：

G_f＝{(mac₁,rssi₁),(mac₂,rssi₂),…,(mac_k,rssi_k)}(13)

Roomⁱ＝argmax{O¹,O²,...,Oⁱ,...,O^j}(16)

2)环境背景声组合指纹CSIE匹配算法

环境背景声匹配算法主要是利用方差匹配。公式如下：

Claims

1.基于Wi-Fi信号和环境背景声的室内定位方法，其特征是：包括线下建立指纹地图和线上定位两个阶段，其中：

所述线下建立指纹地图阶段，包括如下步骤：

(3)提取背景声音的组合特征CSIE；

所述线上定位阶段，包括如下步骤：

(4)输出用户所在的房间号和子区域号，即可完成定位。

2.根据权利要求1所述的室内定位方法，其特征是：所述Wi-Fi最优指纹提取算法，包括如下步骤：

1)按标签将每个房间的Wi-Fi指纹分类，则Wi-Fi指纹表示如下：

Fingerprint_r ^m＝{Room number,(mac,RSSI₁),(mac,RSSI₂),...,(mac,RSSI_I)} (1)

2)同一个房间内两个指纹间的Jaccard相似度计算方法如下：

3)计算每个房间的Wi-Fi相似度矩阵，表示如下：

3.根据权利要求1所述的室内定位方法，其特征是：所述环境背景声最优指纹提取算法，包括如下步骤：

Fingerprint_i ^j＝{Subarea position_i,feature_j} (7)

2)同一个子区域的CSIE指纹两两间相似度的计算方法如下：

4.根据权利要求1所述的室内定位方法，其特征是：所述线上定位阶段，主要是Wi-Fi指纹和环境背景声CSIE的匹配过程，其中：

Wi-Fi指纹的匹配算法是利用欧式距离匹配，公式如下：

G_f＝{(mac₁,rssi₁),(mac₂,rssi₂),...,(mac_k,rssi_k)} (13)

Roomⁱ＝argmax{O¹,O²,...,Oⁱ,...,O^j} (16)

其中，G_f表示线上用户采集的的Wi-Fi指纹，表示线下建立的地图中某一个Wi-Fi指纹，参数Oⁱ表示两个指纹匹配计算法的数值，i为WiFi指纹代表的房间号，表示线上随机采集的指纹G_f(mac)与指纹库中的指纹相同的地址下的值rssi相减，绝对值小于等于10时记为1，表示线上随机采集的指纹G_f(mac)与指纹库中的指纹有相同的mac地址记为1，公式16表示，选取线上指纹G_f与指纹库中所有的指纹计算后的最大值，参数i表示房间号。

5.根据权利要求1所述的室内定位方法，其特征是：所述环境背景声组合指纹CSIE匹配算法主要是利用方差匹配，公式如下：

其中，参数X表示线上采集的声音提取的组合特征CSIE,Cluster_i ⁿ表示房间内每个子区域的代表性声音指纹，e表示CSIE指纹矩阵中的元素个数，n表示每个子区域内原始声音数据的编号，Distance_i表示X与所定位到的房间内所有子区域簇头计算结果的最小值，i表示子区域编号。