本发明涉及室内定位系统及定位方法，尤其涉及一种基于hmm的wifi和地磁融合的室内定位系统及定位方法。
背景技术：
随着经济的快速发展，各种高楼大厦拔地而起，人们在室内的活动空间不断扩大并且室内地形也越来越复杂。对室内定位的需求越来越强烈。在商场内寻找某件特定物品，在机场内找寻远道而来的朋友，在停车场内反向寻车，人们都需要明确的位置进行引导。gps定位技术在室外定位能够发挥很好的作用，但在室内环境中gps信号受到建筑物的遮挡，移动终端很难接收到gps信号。
基于室内定位的技术很多，包括红外线定位技术、蓝牙定位技术、rfid定位技术、wifi定位技术、惯性导航技术和地磁定位技术。红外线、蓝牙、rfid等这些定位技术需要在目标区域预先部署专用的硬件设施，用户还需要佩戴相对应的定位终端，系统总体成本花费较高。在惯性导航技术中，惯性传感器在短时间内定位效果比较好，但长时间容易积累误差，导致定位精度急剧下降。在地磁定位技术中，磁场信号稳定、抗干扰能力强，局部特征明显，但当定位空间较大时，不同位置的地磁信号可能存在相似的情况，导致仅根据地磁信号的定位精度降低。而直接利用广泛布置在公共场所的wifi网络进行定位，可以降低定位成本，但是wifi容易受到多径效应、信号衰减和人体阻挡影响，从而导致单一的wifi定位技术精度比较低。
单一的室内定位技术已不能满足人们对位置的需求，而多种定位技术结合已成为室内定位的主流方向，因此如何将多种信息进行有效结合达到精准定位，是一个具有探索性的问题。目前基于滤波的融合定位方法主要是粒子滤波，该方法在粒子状态转移过程需要对用户的步长和方向进行准确估计，但是不同用户步长具有多样性以及行走方向具有随机性，能否有效估计步长和方向影响着定位结果。而本发明采用前向方法不断迭代估计用户的位置，避免连续行走过程对步长和方向的估计，同时对wifi信号和地磁信号进行有效融合，提高定位的精度。
技术实现要素：
为了解决上述问题，本发明提出了一种基于hmm的wifi和地磁融合的室内定位系统及定位方法，通过多种信息融合，提高定位精度。本发明具体技术方案如下。
一种基于hmm的wifi和地磁融合的室内定位系统，该系统包括移动终端和服务器端。其中移动终端上具有wifi传感器模块、地磁传感器模块、方向传感器、无线传输模块和数据存储模块；服务器端为具有高级计算功能和数据存储的设备和无线传输模块。服务端可通过无线传输模块接收由移动终端收集和发送的wifi数据和地磁数据，服务器端建立用于定位的隐马尔可夫模型，实现wifi信号和地磁信号的融合对用户位置进行定位。其中：所述wifi传感器模块用于接收wifi信号；所述地磁传感器模块用于接收地磁信号；所示方向传感器模块用于获取移动终端的方向；所述的无线网络是由路由器构成的通信网络；所述无线传输模块将移动终端收集的wifi信号和地磁信号发送到服务器端，服务器端的定位结果同样通过无线传输模块发送回移动终端的存储模块；所述数据存储模块将用户历史的定位结果进行保存，便于查看行走路径；所述服务器端的高级计算功能可进行矩阵的运算，同时存储预先建立的wifi指纹库和地磁指纹库。
所述的基于隐马尔可夫模型的定位方法，具体步骤如下：
a.建立的wifi指纹库，用于移动终端实时收集的wifi信号与建立的wifi指纹库进行匹配；
b.建立的地磁指纹库，为移动终端实时收集的地磁信号与建立的地磁指纹库进行匹配；
c.移动终端将实时采样的wifi信号与预先建立的wifi指纹库进行匹配得到局部位置区域，在局部位置区域内进行初始化获得隐马尔可夫模型的初始概率分布矩阵e；
d.根据局部位置区域内标签点的位置关系，获得隐马尔可夫模型的状态转移概率矩阵g；
e.移动终端实时采样的地磁信号与预先建立的地磁指纹库进行匹配，获得隐马尔可夫模型的观测概率矩阵d；
f.利用用户前一时刻估算出的位置信息、隐马尔可夫模型的状态转移概率矩阵g和隐马尔可夫模型的观测概率矩阵d，通过隐马尔可夫模型的前向算法不断迭代估计后一时刻隐藏的状态，即用户的位置信息；
g.当用户的定位在由wifi信号所确定的局部位置区域内时，即用户在此局部位置区域内移动，此时仅利用用户所在位置的实时地磁信号更新观测概率矩阵，将其和状态转移矩阵用于隐马尔科夫模型中确定用户的实时位置；当用户的定位在wifi信号所确定的局部位置区域的外部时，则引入wifi信号重新建立一个局部位置区域，重复步骤c、d、e、f，该过程保证了wifi信号和地磁信号的有效融合，从而估计用户的位置。
所述的步骤a建立wifi指纹库，具体如下：
a1.定位区域内每隔1米设置一个标签点，以第一个标签位置作为二维平面的原点坐标，按依次递增的顺序为标签位置进行编号，总共n个标签位置，即标签位置的编号范围为1～n，其中n为正整数。此外，j个路由器被部署在定位区域的墙顶上，j为正整数；
a2.移动终端的wifi传感器模块以1hz作为采样频率，对每个标签位置采样m次wifi信号数据，并通过无线传输模块发送给服务器端并存于数据存储模块，其中m为正整数；
a3.将m次wifi信号数据求平均值作为该标签位置的wifi特征指纹，表示为
其中，
所述的步骤b建立地磁指纹库，具体如下：
b1.与步骤a中建立的wifi指纹库选取相同的标签位置；
b2.地磁信号采样频率为1hz，每个标签位置采集m次地磁信号数据；
b3.将m次地磁数据求平均值，表示为
b4.将移动终端直角坐标系下的第i个标签位置磁场矢量
其中，ξ是绝对坐标系变换到移动终端直角坐标系的旋转矩阵，θ,γ,ψ分别是方向传感器相对移动终端直角坐标系下绕xs,ys,zs轴的旋转角度。
所述的步骤c中局部位置区域，具体步骤如下：
c1.移动终端实时收集的wifi信号强度值与步骤a建立的wifi指纹库进行匹配，通过knn算法获得一个粗略的定位位置(ap,bp)；
c2.在以(ap,bp)为圆心，r为半径的圆形区域，该圆形区域即为局部位置区域，其中r为正整数；
所述的步骤c中初始概率分布矩阵表示为e＝(et,i,......,et,j,......,et,l)，其中et,i表示t时刻用户携带移动终端在第i个标签位置的概率；根据步骤c1和c2获得的局部位置区域，统计在该局部位置区域的标签位置个数为n个，移动终端位于这n个标签位置的初始概率设为
所述的步骤d中状态转移概率矩阵
所述的步骤e中观测概率矩阵d＝(dt,i...dt,j...dt,l),设
e1.对t时刻移动终端采集到的实时地磁信号按照步骤b4进行数据处理，获得t时刻移动终端的实时绝对坐标系xe,ye,ze下的地磁特征值，即
e2.将实时的绝对坐标系下的地磁信号与地磁指纹库进行相似度匹配，相似度计算如下：
其中，wt,i表示第t时刻实时的地磁信号与第i个标签位置的地磁信号的欧氏距离，σt是t时刻wt,i,......,wt,j,......,wt,l的标准差。
所述的步骤f前向算法是利用前一时刻用户的位置信息来估算后一时刻的用户的位置，从而估计t时刻用户的隐藏状态，具体过程如下：
f1.初始化
其中，
f2.迭代计算
其中，u和v都表示为标签位置的标号，u∈[i,......,j......,l]。
f3.归一化
f4.估算位置
经过f1、f2和f3步骤，可以得到t时刻n个标签位置的概率αt＝[αt(i)...αt(j)...αt(l)]，则用户的位置(at,bt)则估算为
与现有技术相比，本发明具有如下优点和效果：
本发明的一种基于wifi和地磁融合的室内定位系统及方法，可以克服单一定位技术精度低的问题；实现自主定位，不需要布置节点，降低成本；采用前向方法不断迭代估计用户的位置，避免连续行走过程对步长和方向的估计；同时对wifi信号和地磁信号进行有效融合，提高定位的精度。
附图说明
图1是实例中一种基于hmm的wifi和地磁融合的室内定位系统及方法的框架图。
图2是实例中一种基于hmm的wifi和地磁融合的室内定位系统及方法的实验场景示意图。
图3是实例中一种基于hmm的wifi和地磁融合的室内定位方法中的坐标系转换图。
图4是实例中一种基于hmm的wifi和地磁融合的室内定位方法与其他定位方法的定位积累误差图。
图5是实例中一种基于hmm的wifi和地磁融合的室内定位方法与其他定位方法的最大、最小、平均定位误差图。
具体实施方式
以下结合附图和实例对本发明的具体实施作进一步说明，但本发明的实施和保护不限于此，需指出的是，以下若有未特别详细说明之过程或符号，均是本领域技术人员可参照现有技术实现或理解的。
本实例中一种基于hmm的wifi和地磁融合的室内定位系统如图1所示，该系统包括移动终端和服务器端。其中移动终端上具有wifi传感器模块、方向传感器、地磁传感器模块、无线传输模块和数据存储模块，一般是智能手机和平板电脑等；服务器端为具有高级计算功能和数据存储的设备和无线传输模块，一般为pc机等。服务端可通过无线传输模块接收由移动终端收集和发送的wifi数据和地磁数据，服务器端建立用于定位的隐马尔可夫模型，实现wifi信号和地磁信号的融合对用户位置进行定位。其中：所述wifi传感器模块用于接收wifi信号；所述地磁传感器模块用于接收地磁信号；所示方向传感器模块用于获取移动终端的方向；所述的无线网络是由路由器构成的通信网络；所述无线传输模块将移动终端收集的wifi信号和地磁信号发送到服务器端，服务器端的定位结果同样通过无线传输模块发送回移动终端的存储模块；所述数据存储模块将用户历史的定位结果进行保存，便于查看行走路径；所述服务器端的高级计算功能可进行矩阵的运算，同时存储预先建立的wifi指纹库和地磁指纹库。
图2是本实施例中基于hmm的wifi和地磁融合的室内定位系统及方法的实验场景图，在实验区域内每隔1米设置一个标签位置，并用阿拉伯数字依次对标签位置进行编号，同时ap1、ap3、ap4、ap5和ap6六个路由器被安装在墙顶上，同时预定义了行人的行走路径。
所述的基于隐马尔可夫模型的定位方法，具体步骤如下：
a.建立的wifi指纹库，用于移动终端实时收集的wifi信号与建立的wifi指纹库进行匹配；
b.建立的地磁指纹库，为移动终端实时收集的地磁信号与建立的地磁指纹库进行匹配；
c.移动终端将实时采样的wifi信号与预先建立的wifi指纹库进行匹配得到局部位置区域，在局部位置区域内进行初始化获得隐马尔可夫模型的初始概率分布矩阵e；
d.根据局部位置区域内标签点的位置关系，获得隐马尔可夫模型的状态转移概率矩阵g；
e.移动终端实时采样的地磁信号与预先建立的地磁指纹库进行匹配，获得隐马尔可夫模型的观测概率矩阵d；
f.利用用户前一时刻估算出的位置信息、隐马尔可夫模型的状态转移概率矩阵g和隐马尔可夫模型的观测概率矩阵d，通过隐马尔可夫模型的前向算法不断迭代估计后一时刻隐藏的状态，即用户的位置信息；
g.当用户的定位在由wifi信号所确定的局部位置区域内时，即用户在此局部位置区域内移动，此时仅利用用户所在位置的实时地磁信号更新观测概率矩阵，将其和状态转移矩阵用于隐马尔科夫模型中确定用户的实时位置；当用户的定位在wifi信号所确定的局部位置区域的外部时，则引入wifi信号重新建立一个局部位置区域，重复步骤c、d、e、f，该过程保证了wifi信号和地磁信号的有效融合，从而估计用户的位置。
所述的步骤a建立wifi指纹库，具体如下：
a1.如图2所示的定位区域内每隔1米设置一个标签点，以第一个标签位置作为二维平面的原点坐标，按依次递增的顺序为标签位置进行编号，总共n个标签位置，即标签位置的编号范围为1～n，本实例中n＝60。此外，j个路由器被部署在定位区域的墙顶上，本实例中j＝6；
a2.移动终端的wifi传感器模块以1hz作为采样频率，对每个标签位置采样m次wifi信号数据，并通过无线传输模块发送给服务器端并存于数据存储模块，本实例中m＝200；
a3.将m次wifi信号数据求平均值作为该标签位置的wifi特征指纹，表示为
其中，
所述的步骤b建立地磁指纹库，具体如下：
b1.与步骤a中建立的wifi指纹库选取相同的标签位置；
b2.地磁信号采样频率为1hz，每个标签位置采集m次地磁信号数据；
b3.将m次地磁数据求平均值，表示为
b4.坐标系转化图如图3所示，将移动终端直角坐标系下的第i个标签位置磁场矢量
其中，ξ是绝对坐标系变换到移动终端直角坐标系的旋转矩阵，θ,γ,ψ分别是方向传感器相对移动终端直角坐标系下绕xs,ys,zs轴的旋转角度。
所述的步骤c中局部位置区域，具体步骤如下：
c.移动终端将实时采样的wifi信号与预先建立的wifi指纹库进行匹配得到局部位置区域，在局部位置区域内进行初始化获得隐马尔可夫模型的初始概率分布矩阵e，具体步骤如下：
c1.移动终端实时收集的wifi信号强度值与步骤a建立的wifi指纹库进行匹配，通过knn算法获得一个粗略的定位位置(ap,bp)；
c2.在以(ap,bp)为圆心，r为半径的圆形区域，该圆形区域即为局部位置区域；
所述的步骤c中初始概率分布矩阵表示为e＝(et,i,......,et,j,......,et,l)，其中et,i表示t时刻用户携带移动终端在第i个标签位置的概率；根据步骤c1和c2获得的局部位置区域，统计在该局部位置区域的标签位置个数为n个，移动终端位于这n个标签位置的初始概率设为
所述的步骤d中状态转移概率矩阵
所述的步骤e中观测概率矩阵d＝(dt,i...dt,j...dt,l),,设
e1.对t时刻移动终端采集到的实时地磁信号按照步骤b4进行数据处理，获得t时刻移动终端的实时绝对坐标系xe,ye,ze下的地磁特征值，即
e2.将实时的绝对坐标系下的地磁信号与地磁指纹库进行相似度匹配，相似度计算如下：
其中，wt,i表示第t时刻实时的地磁信号与第i个标签位置的地磁信号的欧氏距离，σt是t时刻wt,i,......,wt,j,......,wt,l的标准差。
所述的步骤f前向算法是利用前一时刻用户的位置信息来估算后一时刻的用户的位置，从而估计t时刻用户的隐藏状态，具体过程如下：
f1.初始化
其中，
f2.迭代计算
其中，u和v都表示为标签位置的标号，u∈[i,......,j......,l]。
f3.归一化
f4.估算位置
经过f1、f2和f3步骤，可以得到t时刻n个标签位置的概率αt＝[αt(i)...αt(j)...αt(l)]，则用户的位置(at,bt)则估算为
图4是基于hmm的wifi和地磁融合的室内定位方法与其他定位方法的定位积累误差图。本实例中实验者携带移动终端沿着图2中预先定义的路径行走，采集频率设置为50hz，将hmm方法与k近邻knn、惯性行人导航pdr、卡尔曼滤波kf、粒子滤波pf进行比较，其中kf方法将wifi信号和地磁信号进行融合，pf方法将惯性行人导航和地磁信号进行结合。实验结果的具体分析如下：
在图4中，当积累误差cdf为0.9时，knn、pdr、kf、pf、hmm对应的定位误差分别为6.5m、5.2m、3.7m、2.5m和2m。可见knn和pdr的定位效果比kf、pf和hmm差，这是因为knn和pdr方法都是依赖单一信号的定位方法，knn方法是基于wifi信号获得定位结果，但是wifi信号在时间维度具有不稳定，并且容易受到多径效应和终端类型影响。pdr方法是行人移动的加速度和方向角对位置进行递推估计，然而pdr的定位存在积累误差并且需要已知行人的初始位置。与knn和pdr这些单一信号的定位方法对比，hmm、kf和pf能够有效地将多种信号进行融合，提高定位精度。
在图4中，pf方法在定位误差12m时，积累误差cdf仍然不能达到1，pf的最大误差可达到12m，这是因为在pf方法中，代表行人信息的粒子经过重采样阶段后，权重较小的粒子被消除，权重大的粒子会产生新的粒子，但是剩下的粒子都代表权重较大的粒子，明显导致粒子的多样性降低，这些粒子不能很好地代表行人的状态，所以存在较大的定位误差。在图4中，在定位误差1m到12m内，虽然hmm方法的积累误差cdf只比pf稍微大点，但在图5中，kf的最大定位误差和均方根误差分别是7.2m和2.1m，而hmm的最大误差和均方误差分别为6.6m和1.8m，可见hmm定位效果由于kf，虽然kf也是利用wifi信号进行粗定位获得位置pa，然后利用序列化的地磁信号进行细定位pb，kf方法本质是在粗定位pa和细定位pb之间进行滤波，所以kf方法肯定比基于wifi信号的knn方法定位效果好。但是kf滤波操作中预测阶段和更新阶段引入的噪声必须服从单峰的高斯分布，而实际上对粗定位pa和细定位pb进行估计的系统噪声可能受多个因素的影响，可能服从多维的高斯分布。对比而言，hmm方法将在初始概率分布矩阵e引入wifi信号，在状态转移概率分布g引入地磁信号，接着利用行人连续行走的特点，前向算法运用hmm模型的三个要素将之前时刻标签位置的前向概率进行迭代计算，从而获得行人的位置。因此，hmm方法定位性能优于其他定位方法，能够改善行人的定位效果。