一种WLAN室内定位方法和装置与流程

本申请涉及室内定位
技术领域：
，尤其涉及一种wlan室内定位方法和装置。
背景技术：
：随着无线网络的推广普及，基于位置的服务越来越受到人们的关注。目前已有的全球卫星定位系统通过接收器测量来自一个卫星信号的到达时间差估计位置，可以分析得到较高精度的位置信息。然而在室内和高楼密集的城市由于卫星信号存在严重的多径和非视距干扰，在室内难以实现定位功能。目前，无线局域网(wirelesslocalareanetwork，wlan)已经广泛分布于国内机场、火车站、图书馆、政府办公楼以及大型购物商场，在wlan环境下，可以通过测量来自接入点(accesspoint，ap)的信号强度值rssi(receivedsignalstrengthindicator，信号强度指示)获得相应的位置信息。但现有的室内定位方法多采用欧式距离进行搜索定位，存在速度慢和定位精度低的问题。技术实现要素：本申请提供了一种wlan室内定位方法和装置，用于解决现有的室内定位方法采用欧氏距离进行搜索定位所存在的定位速度慢和定位精度低的技术问题。有鉴于此，本申请第一方面提供了一种wlan室内定位方法，包括：获取目标室内的第一环境信息数据，所述第一环境信息数据包括空间三维点云数据、目标对象的位置坐标、目标对象的方位角以及俯仰角；对所述第一环境信息数据进行主成分分析，选取满足预置条件的累计贡献率对应的所述第一环境信息数据为第二环境信息数据；基于所述第二环境信息数据构建所述目标室内的环境，得到目标室内模型；在所述目标室内模型中布置ap和设置参考点，获取所述目标室内模型中每个所述参考点的信号强度rssi值；基于每个所述参考点的信号强度rssi值，根据模糊聚类算法对所述目标室内的环境进行区域划分，得到若干个子区域；将获取的所述子区域中的测试点的信号强度rssi值输入到所述子区域对应的预置卷积神经网络模型，输出所述测试点的定位结果。优选地，所述对所述第一环境信息数据进行主成分分析，选取满足预置条件的累计贡献率对应的所述第一环境信息数据为第二环境信息数据，包括：基于所述第一环境信息数据计算相关系数，生成相关系数矩阵；对基于所述相关系数矩阵构建的特征方程进行求解，得到特征值；基于所述特征值计算贡献率；选取累计贡献率大于85％时对应的最少数量的特征值对应的所述第一环境信息数据为第二环境信息数据。优选地，所述在所述目标室内模型中布置ap和设置参考点，获取所述目标室内模型中每个所述参考点的信号强度rssi值，之前还包括：对所述目标室内模型进行坐标化处理。优选地，所述在所述目标室内模型中布置ap和设置参考点，获取所述目标室内模型中每个所述参考点的信号强度rssi值，包括：在所述目标室内模型中布置若干个ap和设置若干个参考点，所述参考点根据预置距离均匀分布；采集每个所述参考点的来自各个所述ap的信号强度rssi值。优选地，所述在所述目标室内模型中布置若干个ap和设置若干个参考点，之后还包括：在若干个所述参考点中选取目标参考点，以所述目标参考点为原点建立三维坐标系，基于所述三维坐标系得到每个所述参考点的位置坐标。优选地，所述将获取的所述子区域中的测试点的信号强度rssi值输入到所述子区域对应的预置卷积神经网络模型，输出所述测试点的定位结果，之前还包括：将每个所述子区域的所述参考点的位置坐标和所述参考点的信号强度rssi值作为一个训练集；每个所述训练集训练一个卷积神经网络模型，当所述卷积神经网络模型达到收敛条件时，得到若干个训练好的所述卷积神经网络模型，将训练好的所述卷积神经网络模型作为所述预置卷积神经网络模型。本申请第二方面提供了一种wlan室内定位装置，包括：第一获取模块，用于获取目标室内的第一环境信息数据，所述第一环境信息数据包括空间三维点云数据、目标对象的位置坐标、目标对象的方位角以及俯仰角；主成分分析模块，用于对所述第一环境信息数据进行主成分分析，选取满足预置条件的累计贡献率对应的所述第一环境信息数据为第二环境信息数据；构建模块，用于基于所述第二环境信息数据构建所述目标室内的环境，得到目标室内模型；第二获取模块，用于在所述目标室内模型中布置ap和设置参考点，获取所述目标室内模型中每个所述参考点的信号强度rssi值；划分模块，用于基于每个所述参考点的信号强度rssi值，根据模糊聚类算法对所述目标室内的环境进行区域划分，得到若干个子区域；定位模块，用于将获取的所述子区域中的测试点的信号强度rssi值输入到所述子区域对应的预置卷积神经网络模型，输出所述测试点的定位结果。优选地，还包括：预处理模块，用于对所述目标室内模型进行坐标化处理。优选地，所述第二获取模块包括：布置子模块，用于在所述目标室内模型中布置若干个ap和设置若干个参考点，所述参考点根据预置距离均匀分布；采集子模块，用于采集每个所述参考点的来自各个所述ap的信号强度rssi值。优选地，所述第二获取模块还包括：选取子模块，用于在若干个所述参考点中选取目标参考点，以所述目标参考点为原点建立三维坐标系，基于所述三维坐标系得到每个所述参考点的位置坐标。从以上技术方案可以看出，本申请具有以下优点：本申请提供了一种wlan室内定位方法，包括：获取目标室内的第一环境信息数据，第一环境信息数据包括空间三维点云数据、目标对象的位置坐标、目标对象的方位角以及俯仰角；对第一环境信息数据进行主成分分析，选取满足预置条件的累计贡献率对应的第一环境信息数据为第二环境信息数据；基于第二环境信息数据构建目标室内的环境，得到目标室内模型；在目标室内模型中布置ap和设置参考点，获取目标室内模型中每个参考点的信号强度rssi值；基于每个参考点的信号强度rssi值，根据模糊聚类算法对目标室内的环境进行区域划分，得到若干个子区域；将获取的子区域中的测试点的信号强度rssi值输入到子区域对应的预置卷积神经网络模型，输出测试点的定位结果。本申请中的wlan室内定位方法，通过对获取的目标室内的第一环境信息数据进行主成分分析，选取满足预置条件的累计贡献率对应的第一环境信息数据为第二环境信息数据，保留了对于构建目标室内模型影响较大的第一环境信息数据，去掉了对于目标室内模型影响不大的第一环境信息数据，达到了一定的数据降维作用，在一定程度上提高了定位速度；基于第二环境信息数据构建目标室内模型，在目标室内模型中合理布置ap和设置参考点，通过获取参考点来自各个ap的信号强度rssi值，并通过聚类算法对目标室内的环境进行区域划分，得到多个子区域，通过将子区域中的测试点的信号强度rssi值输入到子区域对应的预置卷积神经网络模型，得到测试点的定位结果，在划分子区域的基础上进行小区域的精确定位，在提高了室内定位精度的同时也提高了定位速度，解决了现有的室内定位方法采用欧氏距离进行搜索定位所存在的定位速度慢和定位精度低的技术问题。附图说明图1为本申请实施例提供的一种wlan室内定位方法的一个流程示意图；图2为本申请实施例提供的一种wlan室内定位方法的另一个流程示意图；图3为本申请实施例提供的一种wlan室内定位装置的一个结构示意图。具体实施方式为了使本
技术领域：
的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。为了便于理解，请参阅图1，本申请提供的一种wlan室内定位方法的一个实施例，包括：步骤101、获取目标室内的第一环境信息数据。需要说明的是，第一环境信息数据包括空间三维点云数据、目标对象的位置坐标、目标对象的方位角以及俯仰角。本申请实施例中可以通过多个摄像头和多个雷达来获取目标室内的第一环境信息数据，通过摄像头采集目标室内的环境图像，通过采集的图像可以标定目标室内中的桌子、椅子等目标对象，通过雷达来测量发射脉冲与回波脉冲之间的时间差，因电磁波以光速传播，据此就能换算成目标对象的精确距离，此外，通过天线的尖锐方位波束测量目标对象的方位，通过窄的仰角波束测量仰角，进而根据目标对象的仰角和距离就能计算目标对象的高度。步骤102、对第一环境信息数据进行主成分分析，选取满足预置条件的累计贡献率对应的第一环境信息数据为第二环境信息数据。需要说明的是，对第一环境信息数据进行主成分分析，计算各个第一环境信息数据对应的贡献率，贡献率表征着各个第一环境信息数据对于目标室内环境建模影响的大小，贡献率越大，对应的第一环境信息数据对目标室内环境建模的影响越大，通过贡献率筛选得到较大影响的第一环境信息数据作为用于构建目标室内模型的第二环境信息数据，在对数据达到了一定程度降维作用的同时又避免了冗余数据对建模的影响。步骤103、基于第二环境信息数据构建目标室内的环境，得到目标室内模型。需要说明的是，基于第二环境信息数据构建目标室内的环境，得到目标室内模型的过程属于现有技术，在此不再对建模的具体过程进行赘述。步骤104、在目标室内模型中布置ap和设置参考点，获取目标室内模型中每个参考点的信号强度rssi值。需要说明的是，在目标室内模型中布置ap和设置参考点后，可以在每个参考点位置设置信号接收机，通过信号接收机来记录每个ap发出的信号强度rssi值，从而得到每个参考点的信号强度rssi值。步骤105、基于每个参考点的信号强度rssi值，根据模糊聚类算法对目标室内的环境进行区域划分，得到若干个子区域。需要说明的是，标记部分参考点作为模糊聚类的已知类别信息，通过模糊聚类算法将目标室内环境分成多个子区域，并为每个参考点标记其所属子区域的类别信息，进而实现对区域的划分。步骤106、将获取的子区域中的测试点的信号强度rssi值输入到子区域对应的预置卷积神经网络模型，输出测试点的定位结果。需要说明的是，每个子区域对应的有一个预置卷积神经网络模型，预置卷积神经网络模型可以是训练好的bp神经网络模型，也可以是训练好的其他卷积神经网络模型，当需要对某个测试点进行定位时，可以在该测试点布置信号接收机来记录每个ap发出的信号强度rssi值，并将获取的来自不同ap的信号强度rssi值输入到该测试点所在的子区域对应的预置卷积神经网络模型中，从而输出该测试点的定位信息。本申请实施例中的wlan室内定位方法，通过对获取的目标室内的第一环境信息数据进行主成分分析，选取满足预置条件的累计贡献率对应的第一环境信息数据为第二环境信息数据，保留了对于构建目标室内模型影响较大的第一环境信息数据，去掉了对于目标室内模型影响不大的第一环境信息数据，达到了一定的数据降维作用，在一定程度上提高了定位速度；基于第二环境信息数据构建目标室内模型，在目标室内模型中合理布置ap和设置参考点，通过获取参考点来自各个ap的信号强度rssi值，并通过聚类算法对目标室内的环境进行区域划分，得到多个子区域，通过将子区域中的测试点的信号强度rssi值输入到子区域对应的预置卷积神经网络模型，得到测试点的定位结果，在划分子区域的基础上进行小区域的精确定位，在提高了室内定位精度的同时也提高了定位速度，解决了现有的室内定位方法采用欧氏距离进行搜索定位所存在的定位速度慢和定位精度低的技术问题。为了便于理解，请参阅图2，本申请提供的一种wlan室内定位方法的另一个实施例，包括：步骤201、获取目标室内的第一环境信息数据。需要说明的是，第一环境信息数据包括空间三维点云数据、目标对象的位置坐标、目标对象的方位角以及俯仰角。本申请实施例中可以通过多个摄像头和多个雷达来获取目标室内的第一环境信息数据，通过摄像头采集目标室内的环境图像，通过采集的图像可以标定目标室内中的桌子、椅子等目标对象，通过雷达来测量发射脉冲与回波脉冲之间的时间差，因电磁波以光速传播，据此就能换算成目标对象的精确距离，此外，通过天线的尖锐方位波束测量目标对象的方位，通过窄的仰角波束测量仰角，进而根据目标对象的仰角和距离就能计算目标对象的高度。步骤202、对第一环境信息数据进行主成分分析，选取满足预置条件的累计贡献率对应的第一环境信息数据为第二环境信息数据。需要说明的是，将通过不同的摄像头和雷达两部分获取的第一环境信息数据分别记为o1,o2,…oi,…,oj,…,on，n为大于0的整数，基于第一环境信息数据计算相关系数rij，生成相关系数矩阵r，即：其中，rij为第一环境信息数据oi和第一环境信息数据oj之间的相关系数，rij＝rji，分别为oi和oj的平均值，当所有相关系数计算完后，生成的相关系数矩阵为对基于相关系数矩阵构建的特征方程|λi-r|＝0进行求解，得到特征值λl，l＝1,2,…,n，可以通过matlab等工具进行计算。基于特征值计算贡献率，贡献率的计算公式为：选取累计贡献率大于85％时对应的最少数量的特征值对应的第一环境信息数据为第二环境信息数据，累计贡献率的计算公式为：贡献率表征着各个第一环境信息数据对于目标室内环境建模影响的大小，贡献率越大，对应的第一环境信息数据对目标室内环境建模的影响越大，通过贡献率筛选得到较大影响的第一环境信息数据作为用于构建目标室内模型的第二环境信息数据，在对数据达到了一定程度降维作用的同时又避免了冗余数据对建模的影响。步骤203、基于第二环境信息数据构建目标室内的环境，得到目标室内模型。需要说明的是，基于第二环境信息数据构建目标室内的环境，得到目标室内模型的过程属于现有技术，在此不再对建模的具体过程进行赘述。步骤204、对目标室内模型进行坐标化处理。需要说明的是，对目标室内模型进行坐标化处理就是将目标室内的环境模拟成一个空间三维坐标系，若在坐标系中设置了原点则形成一个完整的可获取坐标数值的三维坐标系，为后续获取参考点的位置坐标提供基础，而对模型进行坐标化处理属于现有技术，在此不再对模型的坐标化处理的具体过程进行赘述。其中，可以通过存储器对坐标化处理后的目标室内模型进行存储。步骤205、在目标室内模型中布置ap和设置参考点，获取目标室内模型中每个参考点的位置坐标和每个参考点的信号强度rssi值。需要说明的是，在目标室内模型中布置若干个ap，布置ap时要确保目标室内中任一点都要被两个或两个以上的ap发出的信号覆盖，在目标室内模型中设置若干个参考点时，每个参考点按照预置距离均匀布置，预置距离的具体取值可以根据实际情况进行选择。在所有参考点中选取一个参考点作为目标参考点，以该目标参考点为原点建立三维坐标系，基于三维坐标系就能得到每个参考点的位置坐标；可以在每个参考点位置处设置信号接收机，通过信号接收机来记录每个ap发出的信号强度rssi值，从而得到每个参考点的信号强度rssi值。步骤206、基于每个参考点的信号强度rssi值，根据模糊聚类算法对目标室内的环境进行区域划分，得到若干个子区域。需要说明的是，根据每个参考点的信号强度rssi值得到原始数据矩阵a：a＝(xij)n×m,j＝1,2,…,m；i＝1,2,…,n；其中，n为ap的数量，m为参考点的数量，xij为第j个参考点接收的第i个ap发出的信号强度rssi值。通过格贴近度建立模糊相似矩阵，令：其中，rij为相似系数，aj、bj、ai和bi为对信号强度rssi值的隶属度的近似值；模糊相似矩阵为：r＝(rij)m×m；根据模糊相似矩阵计算模糊等价矩阵：t(r)＝r*＝r2；设t(r)＝(rij')m×m；t(r)λ＝(rij'(λ))m×m；由前述求得的模糊相似矩阵r出发，构造一个模糊等价矩阵r*，可以是通过用平方法求出r的传递闭包t(r)，然后由大到小取一组λ∈[0,1]，一般λ＝0.998，若rij'(λ)＝1，则认为第i个ap的布置位置与第j个参考点的位置可以视为在一个子区域，从而实现将目标室内环境分成多个子区域。步骤207、将每个子区域的参考点的位置坐标和参考点的信号强度rssi值作为一个训练集。需要说明的是，将每个子区域的参考点的位置坐标和参考点的信号强度rssi值作为一个训练集，每个子区域对应一个训练集，有多少个子区域就有多少个训练集。步骤208、每个训练集训练一个卷积神经网络模型，当卷积神经网络模型达到收敛条件时，得到若干个训练好的卷积神经网络模型，将训练好的卷积神经网络模型作为预置卷积神经网络模型。需要说明的是，本申请实施例中每个训练集训练一个卷积神经网络模型，有多少个训练集，对应的就有多少个卷积神经网络模型，训练过程中卷积神经网络模型的隐藏层节点数h通过经验公式确定，即：其中，o为输入层节点数，p为输出层节点数，q为1-10之间的调节常数。根据输入向量、输入层和隐藏层的连接权值wij以及阈值aj，计算隐藏层输出h：其中，f(·)为激活函数，本申请实施例中的激活函数为f(x)＝1/(1+e-x)。根据隐藏层输出h、连接层权值wjk和阈值bk，计算输出层输出ok：其中，m为输出层节点数。根据卷积神经网络输出值ok和期望输出yk(即参考点的位置坐标)，计算该模型辨识误差e：根据模型辨识误差e更新网络连接权值wij和wjk：δjk＝(yk-ok)·ok·(1-ok)；其中，为学习率，根据实际情况进行设置。根据模型辨识误差e，更新网络节点的阈值aj、bk：当卷积神经网络模型辨识误差小于预置阈值时，迭代结束，得到训练好的卷积神经网络模型，将训练好的卷积神经网络模型作为预置卷积神经网络模型。步骤209、将获取的子区域中的测试点的信号强度rssi值输入到子区域对应的预置卷积神经网络模型，输出测试点的定位结果。需要说明的是，每个子区域对应一个预置卷积神经网络模型，当需要对某个测试点进行定位时，可以在该测试点布置信号接收机来记录每个ap发出的信号强度rssi值，并将获取的来自不同ap的信号强度rssi值输入到该测试点所在的子区域对应的预置卷积神经网络模型中，从而输出该测试点的位置坐标，得到该测试点的定位信息，其中，该测试点所在的子区域可以通过前述的聚类算法确定。将本申请实施例中的wlan室内定位与传统的定位方法进行误差比对，如表1所示，本申请实施例中的wlan室内定位方法误差更小，精度更高。表1误差比对表测试点传统方案定位误差本申请定位误差测试点15.3％3.2％测试点26.1％4.1％测试点310.4％5.3％测试点47.2％3.1％为了便于理解，请参阅图3，本申请提供的一种wlan室内定位装置的一个实施例，包括：第一获取模块301，用于获取目标室内的第一环境信息数据，第一环境信息数据包括空间三维点云数据、目标对象的位置坐标、目标对象的方位角以及俯仰角。主成分分析模块302，用于对第一环境信息数据进行主成分分析，选取满足预置条件的累计贡献率对应的第一环境信息数据为第二环境信息数据。构建模块303，用于基于第二环境信息数据构建目标室内的环境，得到目标室内模型。第二获取模块304，用于在目标室内模型中布置ap和设置参考点，获取目标室内模型中每个参考点的信号强度rssi值。划分模块305，用于基于每个参考点的信号强度rssi值，根据模糊聚类算法对目标室内的环境进行区域划分，得到若干个子区域。定位模块306，用于将获取的子区域中的测试点的信号强度rssi值输入到子区域对应的预置卷积神经网络模型，输出测试点的定位结果。进一步地，还包括：预处理模块307，用于对目标室内模型进行坐标化处理。进一步地，第二获取模块304包括：布置子模块3041，用于在目标室内模型中布置若干个ap和设置若干个参考点，参考点根据预置距离均匀分布。采集子模块3042，用于采集每个参考点的来自各个ap的信号强度rssi值。进一步地，第二获取模块304还包括：选取子模块3043，用于在若干个参考点中选取目标参考点，以目标参考点为原点建立三维坐标系，基于三维坐标系得到每个参考点的位置坐标。进一步地，还包括：训练集获取模块308，用于将每个子区域的参考点的位置坐标和参考点的信号强度rssi值作为一个训练集；训练模块309，用于每个训练集训练一个卷积神经网络模型，当卷积神经网络模型达到收敛条件时，得到若干个训练好的卷积神经网络模型，将训练好的卷积神经网络模型作为预置卷积神经网络模型。进一步地，主成分分析模块302具体用于：基于第一环境信息数据计算相关系数，生成相关系数矩阵；对基于相关系数矩阵构建的特征方程进行求解，得到特征值；基于特征值计算贡献率；选取累计贡献率大于85％时对应的最少数量的特征值对应的第一环境信息数据为第二环境信息数据。在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以通过一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(英文全称：read-onlymemory，英文缩写：rom)、随机存取存储器(英文全称：randomaccessmemory，英文缩写：ram)、磁碟或者光盘等各种可以存储程序代码的介质。以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。当前第1页12