本發(fā)明屬于通信與無線網(wǎng)絡(luò)
技術(shù)領(lǐng)域：
，更具體地，涉及一種基于眾包軌跡的室內(nèi)轉(zhuǎn)角地標(biāo)的匹配及識別方法。
背景技術(shù)：
：隨著移動網(wǎng)絡(luò)的發(fā)展，基于位置信息服務(wù)的需求不斷增長；全球定位系統(tǒng)(GPS)在室外環(huán)境可以提供可靠的定位服務(wù)，但在復(fù)雜的室內(nèi)環(huán)境中衛(wèi)星信號的視距傳播導(dǎo)致其表現(xiàn)不佳?，F(xiàn)有的室內(nèi)定位技術(shù)RSS定位技術(shù)包括基于測距的定位與基于指紋的定位；前者通過RSS根據(jù)傳播模型計算目標(biāo)到信號源的距離實現(xiàn)定位，該方法在復(fù)雜室內(nèi)環(huán)境下性能不佳；后者通過在不同地理位置測到的RSS向量作為對應(yīng)位置的指紋，收集大量指紋構(gòu)成指紋數(shù)據(jù)庫，將實時采集到的指紋與數(shù)據(jù)庫中的指紋進行比較來實現(xiàn)定位，這種方案需要專業(yè)人員采集大量的指紋，并且室內(nèi)無線電環(huán)境具有動態(tài)性以致于采集到的指紋過時，例如，開關(guān)門、人群走動、室內(nèi)布局變化、無線接入點位置變化等因素均會造成RSS較為劇烈的變化。群智眾包的指紋采集技術(shù)為解決現(xiàn)場勘測人力成本高與指紋更新難的問題提供了思路，將離線階段的指紋采集工作轉(zhuǎn)移到大量的普通用戶上從而減少工作量，具體地，采集用戶攜帶終端設(shè)備所經(jīng)過的軌跡上的傳感器與Wi-Fi測量數(shù)據(jù)作為眾包軌跡測量序列，稱之為眾包軌跡，并可在眾包軌跡中提取指紋。然而，將用戶采集到的指紋標(biāo)注到某個位置上是個具有挑戰(zhàn)性的工作，一種方案為服務(wù)提供商通過某種激勵措施促使用戶將采集到的RSS指紋標(biāo)注到具體的位置上，但該方案依然基于人工采集，并且面臨惡意標(biāo)注或無意錯誤標(biāo)注的問題。室內(nèi)地標(biāo)提供了一種物理空間和信號空間相對準(zhǔn)確的映射，為眾包指紋的標(biāo)注提供了一種可能。地標(biāo)指的是某些具有特定結(jié)構(gòu)或指紋特征的物理位置，如轉(zhuǎn)角、電梯、樓梯等。通過這種特定結(jié)構(gòu)或指紋特征來識別出相應(yīng)的物理位置即為地標(biāo)檢測。近年來，有些研究學(xué)者提出了一些地標(biāo)檢測以及通過地標(biāo)進行輔助定位的方案，譬如基于陀螺儀的峰值檢測方法以及基于數(shù)字羅盤的鄰近窗口角度差的方法，但這些方法面臨姿態(tài)多樣與偽轉(zhuǎn)角的問題；姿態(tài)多樣指的是行人持有終端設(shè)備的方式可能不同，不同姿態(tài)下傳感器測量數(shù)據(jù)有顯著的不同；偽轉(zhuǎn)角問題指的是行人經(jīng)過轉(zhuǎn)角時傳感器信號體現(xiàn)出的特征與行人折返、切換姿態(tài)時的特征接近，峰值檢測等方案對于有多姿態(tài)與偽轉(zhuǎn)角干擾的數(shù)據(jù)集上性能不佳甚至?xí)プR別能力。技術(shù)實現(xiàn)要素：針對現(xiàn)有技術(shù)的以上缺陷或改進需求，本發(fā)明提供了一種基于眾包軌跡的室內(nèi)轉(zhuǎn)角地標(biāo)的匹配及識別方法，其目的在于利用室內(nèi)地標(biāo)信息進行眾包指紋標(biāo)注，解決目前轉(zhuǎn)角地標(biāo)識別方法中行人多姿態(tài)與偽轉(zhuǎn)角問題導(dǎo)致的識別性能不佳的問題。為實現(xiàn)上述目的，按照本發(fā)明的一個方面，提供了一種基于眾包軌跡的室內(nèi)轉(zhuǎn)角地標(biāo)的匹配方法，包括如下步驟：(1)在給定目標(biāo)區(qū)域的室內(nèi)布局圖中標(biāo)記出所有的轉(zhuǎn)角，記錄各轉(zhuǎn)角的二維坐標(biāo)信息；(2)在給定目標(biāo)區(qū)域中設(shè)置N個信號源，使得用戶終端在目標(biāo)區(qū)域中的任何位置都能接收到來自至少一個信號源的信號；用戶終端采集測量數(shù)據(jù)構(gòu)成傳感器測量序列，并根據(jù)預(yù)設(shè)長度的時間窗口將傳感器測量序列分段；(3)采集給定區(qū)域內(nèi)已標(biāo)注與未標(biāo)注的軌跡，根據(jù)各時間窗口所對應(yīng)的軌跡是否經(jīng)過轉(zhuǎn)角對時間窗口進行標(biāo)注，并將各時間窗口通過服務(wù)器保存到本地數(shù)據(jù)庫；(4)在服務(wù)器端從已標(biāo)注的時間窗口提取針對性的特征以訓(xùn)練姿態(tài)組識別分類器與轉(zhuǎn)角識別分類器；利用已訓(xùn)練的姿態(tài)組識別分類器與轉(zhuǎn)角識別分類器對未標(biāo)注的時間窗口進行轉(zhuǎn)角地標(biāo)識別；(5)根據(jù)轉(zhuǎn)角地標(biāo)識別結(jié)果提取被標(biāo)注為正類的時間窗口與被識別為正類的時間窗口作為信號指紋，構(gòu)成RSS矩陣；(6)將上述RSS矩陣進行降維處理，對各維度矩陣分別進行聚類與匹配；(7)根據(jù)各維度下的聚類與匹配結(jié)果，將無效指紋過濾，將有效眾包指紋匹配到轉(zhuǎn)角地標(biāo)。優(yōu)選地，上述基于眾包軌跡的室內(nèi)轉(zhuǎn)角地標(biāo)匹配方法，其步驟(2)包括如下子步驟：(2.1)用戶終端采集獲得線性加速度序列L、重力加速度序列G、陀螺儀測量序列R、磁力計測量序列C、方位計測量序列M；根據(jù)采集到的這些測量數(shù)據(jù)構(gòu)成傳感器測量序列S＝<L,G,R,C,M>；(2.2)按照預(yù)設(shè)的長度設(shè)置時間窗口Wi＝＜si,ri＞；其中，si表示第i個時間窗口的傳感器測量序列，ri＝(ri1,...,rin,...,riN)表示用戶終端在第i個時間窗口接收到的N個信號源的指紋；rin表示第i個時間窗口從第n個信號源接收的信號強度；n＝1,2,...,N，i＝1,2,...,M；M為指時間窗口總數(shù)，M、K均為自然數(shù)。優(yōu)選地，上述基于眾包軌跡的室內(nèi)轉(zhuǎn)角地標(biāo)的匹配方法，其步驟(3)包括如下子步驟：(3.1)根據(jù)各時間窗口所對應(yīng)的軌跡是否經(jīng)過轉(zhuǎn)角將時間窗口標(biāo)注為正類或是負類；本發(fā)明中，將經(jīng)過了轉(zhuǎn)角的時間窗口定義為正類，將未經(jīng)過任何轉(zhuǎn)角的時間窗口定義為負類；(3.2)用戶終端采集到時間窗口Wi下的傳感器測量序列si及指紋ri并上傳到服務(wù)器，服務(wù)器將接收到的時間窗口保存在本地數(shù)據(jù)庫中；(3.3)根據(jù)時間窗口的類別是否標(biāo)注，分別構(gòu)成類別已標(biāo)注窗口集Wl與類別未標(biāo)注窗口集Wu；并對已標(biāo)注類別的時間窗口標(biāo)注其行進姿態(tài)信息，包括發(fā)送信息、電話、擺動和/或置于口袋；其中，表示已標(biāo)注類別的窗口，表示未標(biāo)注類別的窗口，L表示已標(biāo)注窗口的數(shù)量，L＜＜M。優(yōu)選地，上述基于眾包軌跡的室內(nèi)轉(zhuǎn)角地標(biāo)的匹配方法，其步驟(4)包括如下子步驟：(4.1)對類別已標(biāo)注窗口集Wl中的任意時間窗口Wi進行特征提取，由所提取到的特征構(gòu)成特征向量yi＝(yi1,...,yif,...,yiF)，其中F為特征向量的維度,1≤f≤F；(4.2)將人類行進姿態(tài)劃分為相對于身體固定方位的姿態(tài)組A與相對于身體非固定方位的姿態(tài)組B；根據(jù)姿態(tài)組A、B之間的差異從特征向量yi中選擇特征：具體地，對傳感器測量序列S＝＜L,G,R,C,M＞選取方差、平均絕對誤差、FFT能量，對序列L,G取均值，對序列L,G,R取均方值，構(gòu)成特征向量并利用特征向量訓(xùn)練出姿態(tài)組識別分類器P-Detector；(4.3)對相對于身體固定方位的姿態(tài)組A與相對于身體非固定方位的姿態(tài)組B，分別訓(xùn)練針對性的轉(zhuǎn)角識別分類器：(I)對于所述姿態(tài)組A，從特征向量yi提取特征來訓(xùn)練轉(zhuǎn)角識別分類器A-Detector；特征包括：從磁力計測量序列C、方位計測量序列M中分別提取的方差、平均絕對誤差以及時間窗口初值與末值差的絕對值；從線性加速度序列L、重力加速度序列G利用以下公式提取的轉(zhuǎn)向軸：axismax,i＝argmax(accx,i,accy,i,accz,i)；其中，(accx,i,accy,i,accz,i)為加速計三軸測量序列中第i個測量值；以及轉(zhuǎn)向軸角速度序列的極差、方差，平均絕對誤差、SMA、均方根、平均值、最大值、最小值；其中，轉(zhuǎn)向軸角速度序列從陀螺儀測量序列R提取獲得；(II)對于姿態(tài)組B，直接采用特征向量yi來訓(xùn)練轉(zhuǎn)角識別分類器B-Detector；(4.4)對于類別未標(biāo)注窗口集Wu的時間窗口Wi，提取特征通過姿態(tài)組識別分類器P-Detector識別出該時間窗口處于姿態(tài)組A還是姿態(tài)組B；如果為前者，則提取特征采用轉(zhuǎn)角識別分類器A-Detector識別出該窗口是否屬于某個轉(zhuǎn)角，否則提取特征yi采用轉(zhuǎn)角識別分類器B-Detector進行識別，得到未標(biāo)注窗口集的識別結(jié)果，表示為向量優(yōu)選地，上述基于眾包軌跡的室內(nèi)轉(zhuǎn)角地標(biāo)的匹配方法，其RSS矩陣如下：其中，Mc表示提取轉(zhuǎn)角窗口的總數(shù)量。優(yōu)選地，上述基于眾包軌跡的室內(nèi)轉(zhuǎn)角地標(biāo)的匹配方法，其步驟(6)包括如下子步驟：(6.1)對上述RSS矩陣的每一行采用多維尺度分析算法進行降維，設(shè)起止維度為ds、de，得到矩陣的集合其中，為MC×d維的矩陣；(6.2)對每個經(jīng)過降維后的矩陣采用聚類算法進行聚類，將矩陣中所有的轉(zhuǎn)角指紋劃分到K個簇中；其中，K也是轉(zhuǎn)角數(shù)量；(6.3)對于d維度下的聚類結(jié)果，根據(jù)K個轉(zhuǎn)角的物理特征與K個簇的指紋特征將各個指紋簇一對一地匹配到轉(zhuǎn)角地標(biāo)中，得到d維度下的匹配結(jié)果xd；(6.4)匯總所有維度下的匹配結(jié)果構(gòu)成矩陣其中，xid表示d維度下，第i個時間窗口的指紋所匹配的轉(zhuǎn)角標(biāo)號，D為維度總數(shù)。優(yōu)選地，上述基于眾包軌跡的室內(nèi)轉(zhuǎn)角地標(biāo)的匹配方法，其步驟(6.1)的降維處理中，維度選擇的標(biāo)準(zhǔn)如下：通過主成分分析得到RSS矩陣各特征向量其對應(yīng)的特征值為γs，選取γs最大的l個特征向量滿足如下條件：其中η表示l個特征向量的信息比率，ηa、ηb為閾值，閾值ηa0.3～0.5；閾值ηb的選擇依據(jù)為：保證相鄰維度之間的信息比率η具有差異。優(yōu)選地，上述基于眾包軌跡的室內(nèi)轉(zhuǎn)角地標(biāo)的匹配方法，其步驟(6.3)中的匹配方法包括如下子步驟：(a)獲取轉(zhuǎn)角指紋簇與轉(zhuǎn)角地標(biāo)可能的匹配方案：在未剪枝的情況下，匹配方案共有K！種，用Sp＝{s1,…,sk,…,sK}表示第p種匹配方案，其中sk表示第k的轉(zhuǎn)角被匹配到第sk個指紋簇中；(b)計算轉(zhuǎn)角地標(biāo)的歸一化歐氏距離矩陣DS＝{dgh}K*K與匹配方案對應(yīng)的指紋簇的歸一化距離矩陣其中，dgh表示第g個轉(zhuǎn)角質(zhì)心與第h個轉(zhuǎn)角質(zhì)心的歸一化距離，其中p是指第p種匹配方案所對應(yīng)的矩陣，是指第p種匹配方案第g個指紋簇質(zhì)心到第h個指紋簇質(zhì)心的歸一化距離；(c)計算轉(zhuǎn)角地標(biāo)的歸一化歐氏距離矩陣DS與各個匹配方案轉(zhuǎn)角指紋簇的歸一化歐氏距離矩陣之間的相似度，并采用相似度最大的匹配方案進行匹配。優(yōu)選地，上述基于眾包軌跡的室內(nèi)轉(zhuǎn)角地標(biāo)的匹配方法，其步驟(b)中，歸一化歐式距離其中，表示指紋簇質(zhì)心在信號空間或地標(biāo)在物理空間的坐標(biāo)的向量；對于轉(zhuǎn)角地標(biāo)，坐標(biāo)為標(biāo)注值對墻壁進行預(yù)處理后的坐標(biāo)。優(yōu)選地，上述基于眾包軌跡的室內(nèi)轉(zhuǎn)角地標(biāo)的匹配方法，其步驟(7)具體為：采用投票算法根據(jù)步驟(6)所獲得的單維度下的匹配結(jié)果矩陣X得到最終的匹配結(jié)果其中，vi表示第i個窗口最終匹配的轉(zhuǎn)角標(biāo)號；投票算法具體如下：其中，nik表示轉(zhuǎn)角指紋集中第i個指紋在第k個轉(zhuǎn)角的總票數(shù)，每一個維度下的匹配結(jié)果對應(yīng)一票；分別為第i個指紋的票數(shù)向量中的最大票數(shù)、次大票數(shù)；δ、γ為閾值；其中閾值δ的意義在于：最大票數(shù)應(yīng)該超過某個范圍，而閾值γ的意義在于兩個轉(zhuǎn)角的得票數(shù)不能過于接近，從而保證絕大多數(shù)維度下匹配結(jié)果的正確性；閾值δ優(yōu)選取總票數(shù)的40％～60％，閾值γ優(yōu)選為總票數(shù)的10％。按照本發(fā)明的另一方面，提供了一種基于眾包軌跡的室內(nèi)轉(zhuǎn)角地標(biāo)的識別方法，根據(jù)上述基于眾包軌跡的室內(nèi)轉(zhuǎn)角地標(biāo)的匹配方法的步驟(7)獲得的匹配結(jié)果以及RSS矩陣計算獲得轉(zhuǎn)角地標(biāo)指紋Fk；Fk＝(fk1，fk2，...，fkn，...，fkN)為第k個轉(zhuǎn)角地表的指紋，其中fkn表示所有匹配到第k個轉(zhuǎn)角地標(biāo)的所有窗口指紋中來自第n個信號源的信號強度均值?？傮w而言，通過本發(fā)明所構(gòu)思的以上技術(shù)方案與現(xiàn)有技術(shù)相比，能夠取得下列有益效果：(1)減少軌跡數(shù)據(jù)采集工作量：本發(fā)明基于群智眾包思想，由于采用步驟(2)，眾包軌跡不需要進行位置標(biāo)注，從而減少工作量；并且眾包軌跡可以通過廣泛的普通用戶進行，節(jié)約了專業(yè)人員人工成本；(2)提高了對行人多姿態(tài)的魯棒性：由于采用了步驟(4)，將行人姿態(tài)分為各具特征的兩個姿態(tài)組，基于模式識別理論進行姿態(tài)組識別，并且根據(jù)姿態(tài)組識別結(jié)果進一步進行轉(zhuǎn)角的識別，從而能夠有效的區(qū)分出經(jīng)過轉(zhuǎn)角的特征，從眾包軌跡中提取出經(jīng)過地標(biāo)的指紋；(3)提供一種地標(biāo)匹配方案及其應(yīng)用方式——地標(biāo)指紋：由于采用了步驟(6)～(8)，實現(xiàn)了將未標(biāo)注位置且空經(jīng)過地標(biāo)的指紋從RSS信號空間匹配到地理空間中確切的某個地標(biāo)，并且根據(jù)最終的匹配結(jié)果，可以將屬于某個地標(biāo)的眾包指紋構(gòu)造出一定形式的地標(biāo)指紋，為下一步的定位打下基礎(chǔ)。附圖說明圖1是本發(fā)明基于眾包軌跡的室內(nèi)轉(zhuǎn)角地標(biāo)匹配及識別方法的流程圖；圖2是本發(fā)明實施例進行轉(zhuǎn)角地標(biāo)識別的流程示意圖；圖3是本發(fā)明實施例中的定位場景圖；圖4是本發(fā)明實施例中各種姿態(tài)下各傳感器的信號波形圖；圖5是本發(fā)明實施例中不同轉(zhuǎn)角識別算法在不同數(shù)據(jù)集下的性能示意圖；圖6是本發(fā)明實施例的聚類準(zhǔn)確度示意圖。具體實施方式為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點更加清楚明白，以下結(jié)合附圖及實施例，對本發(fā)明進行進一步詳細說明。應(yīng)當(dāng)理解，此處所描述的具體實施例僅僅用以解釋本發(fā)明，并不用于限定本發(fā)明。此外，下面所描述的本發(fā)明各個實施方式中所涉及到的技術(shù)特征只要彼此之間未構(gòu)成沖突就可以相互組合。本發(fā)明提供的基于眾包軌跡的室內(nèi)轉(zhuǎn)角地標(biāo)的匹配及識別方法，包括地標(biāo)識別與地標(biāo)匹配；地標(biāo)識別是指從眾包軌跡中提取出可能屬于某類地標(biāo)的軌跡窗口、并構(gòu)成窗口指紋；其思路為，從部分已標(biāo)注地標(biāo)類別與姿態(tài)組類別的軌跡窗口中提取對應(yīng)的特征，訓(xùn)練姿態(tài)組分類器與各姿態(tài)組對應(yīng)的轉(zhuǎn)角窗口分類器；地標(biāo)匹配是將所有識別為轉(zhuǎn)角地標(biāo)的窗口匹配到具體的某個地標(biāo)；其思路為，將RSS矩陣進行主成分分析，根據(jù)特征值通過多維尺度分析算法將RSS矩陣降維到不同維度中，在每一個維度下進行聚類并將聚類出的簇一對一匹配到室內(nèi)布局圖對應(yīng)的地標(biāo)中。本發(fā)明中，地標(biāo)識別的訓(xùn)練階段所采用的標(biāo)注數(shù)據(jù)與采集地點無關(guān)，只與用戶動作有關(guān)，所以訓(xùn)練數(shù)據(jù)可在任何地點使用，地標(biāo)的識別與匹配均利用眾包軌跡數(shù)據(jù)進行，可用實時采集的軌跡實現(xiàn)動態(tài)更新，具有可擴展性。以下結(jié)合附圖和具體實施例具體闡述；實施例提供的基于眾包軌跡的室內(nèi)轉(zhuǎn)角地標(biāo)的匹配及識別方法，其流程如圖1所示，包括以下步驟：(1)在給定目標(biāo)區(qū)域的室內(nèi)布局圖中標(biāo)記出所有的轉(zhuǎn)角，記錄每個轉(zhuǎn)角的二維坐標(biāo)信息(xk,yk),k＝1,2,3...,K；其中，k表示轉(zhuǎn)角的編號，xk、yk分別表示第k個轉(zhuǎn)角在室內(nèi)布局圖中的橫坐標(biāo)和縱坐標(biāo)。(2)在給定目標(biāo)區(qū)域中設(shè)置N個信號源，使得目標(biāo)區(qū)域中的任何位置都能使用戶終端接收到來自至少一個信號源的信號；用戶終端利用加速度計、陀螺儀、磁力計、方位計分別進行采集獲得線性加速度L、重力加速度G、陀螺儀測量序列R、磁力計測量序列C、方位計測量序列M；根據(jù)采集到的這些測量數(shù)據(jù)構(gòu)成傳感器測量序列S＝＜L,G,R,C,M＞；在本實施例中，信號源是無線接入點，用戶終端是可以接收信號源信號的、具有加速度計、陀螺儀、磁力計、方位計且能與服務(wù)器傳輸數(shù)據(jù)的設(shè)備；加速度計獲得的測量序列包括重力加速度分量及線性加速度分量；設(shè)置一定長度的時間窗口Wi＝＜si,ri＞；其中，si表示第i個時間窗口的傳感器測量序列，ri＝(ri1,...,rin,...,riN)表示用戶終端在第i個時間窗口接收到的N個信號源的指紋，其中，riN表示第i個時間窗口指紋從第n個信號源接收的信號強度；n＝1,2,...,N，i＝1,2,...,M；M為指時間窗口總數(shù)，M、K、N都是自然數(shù)。(3)對所有的時間窗口而言，其對應(yīng)的軌跡可能經(jīng)過了某個轉(zhuǎn)角或沒有經(jīng)過任何轉(zhuǎn)角；將經(jīng)過了轉(zhuǎn)角的時間窗口定義為正類，將未經(jīng)過任何轉(zhuǎn)角的時間窗口定義為負類；用戶終端采集到時間窗口Wi下的傳感器測量序列si及指紋ri后上傳到服務(wù)器，服務(wù)器將接收到的時間窗口保存在本地數(shù)據(jù)庫中；在本實施例中，進行軌跡測量時，分別在開始轉(zhuǎn)角、結(jié)束轉(zhuǎn)角時標(biāo)記上對應(yīng)的時間；對于軌跡內(nèi)的時間窗口，如果時間窗口超過50％的時間在標(biāo)記的轉(zhuǎn)角時間段中，則將該時間窗口標(biāo)注為正類，否則將該時間窗口標(biāo)注為負類；根據(jù)時間窗口的類別是否標(biāo)注，構(gòu)成類別已標(biāo)注窗口集Wl與類別未標(biāo)注窗口集Wu；其中，表示已標(biāo)注類別的窗口，表示未標(biāo)注類別的窗口，L表示已標(biāo)注窗口的數(shù)量，L＜＜M；對已標(biāo)注類別的窗口標(biāo)注其行進姿態(tài)信息，包括：發(fā)送信息、電話、擺動、置于口袋等；(4)在服務(wù)器端通過類別已標(biāo)注窗口集Wl訓(xùn)練一組分層次的分類器用于轉(zhuǎn)角地標(biāo)識別，包括姿態(tài)識別分類器與轉(zhuǎn)角識別分類器；對類別未標(biāo)注窗口集Wu的每一個窗口先進行姿態(tài)識別，再進行轉(zhuǎn)角識別判斷該窗口是否經(jīng)過了轉(zhuǎn)角；本實施例中，將人類行進姿態(tài)簡化為相對于身體固定方位A與相對于身體非固定方位B；在本實施例中選用多種分類器,包括決策樹、隨機森林、樸素貝葉斯、支持向量機(SVM)、K最近鄰、ALIMC和ActSeq；在一個含有多姿態(tài)的軌跡數(shù)據(jù)集中進行測試，轉(zhuǎn)角識別性能如下表1所示；表1識別性能列表識別算法精度召回率F1度量決策樹0.9450.9510.948樸素貝葉斯0.740.9310.825隨機森林0.9630.9030.932支持向量機0.8770.9440.91K最近鄰0.6190.5420.578ALIMC0.430.6180.507ActSeq0.4510.4510.451由表1可知，采用決策樹的識別性能較好，而采用ALIMC與ActSeq這兩種基于峰值檢測的識別方法在有多姿態(tài)影響的數(shù)據(jù)集上不能取得良好的識別性能；本步驟通過將所有姿態(tài)劃分成兩個姿態(tài)組，提取針對各姿態(tài)組的特征并采用一組分層次的分類器進行識別，可有效減少行人多姿態(tài)的影響，通過模式識別對偽轉(zhuǎn)角與實際的物理轉(zhuǎn)角進行的區(qū)分；其流程如圖2所示，包括如下子步驟：(4.1)對類別已標(biāo)注窗口集Wl中的任意窗口Wi進行特征提取，包括時域特征和頻域特征；時域特征包括均值、方差、極差、窗口初值與末值差的絕對值、最大值、最小值、均方根、平均絕對誤差、SMA、相關(guān)系數(shù)、自回歸模型系數(shù)，頻域特征包括FFT能量，由所提取到的特征構(gòu)成特征向量yi＝(yi1,...,yif,...,yiF),其中F為特征向量的維度，1≤f≤F。在本實施例中，所提取的特征及其維度如下表2表示，其中DIFF表示窗口初值與末值差的絕對值，L、G、R、C、M分別表示線性加速度、重力加速度、陀螺儀、磁力計、方位計的測量序列，a、b、c分別表示特征類別的數(shù)量、序列的數(shù)量以及每序列提取特征的數(shù)量；本實施例中，特征總維度為440維；表2特征及維度信息列表(4.2)將所有人類行進姿態(tài)劃分相對于身體固定方位A與相對于身體非固定方位B；姿態(tài)組A包括但不限于發(fā)送信息、電話、固定于腰帶等，姿態(tài)組B包括但不限于擺動，置于褲子口袋；姿態(tài)組A下，設(shè)備方位不隨人體直行而相對于人體上半身有明顯的變化，僅在轉(zhuǎn)彎處有明顯方位變化，而姿態(tài)組B相反；根據(jù)姿態(tài)組A、B之間的差異從特征向量yi中選擇特征；對S＝＜L,G,R,C,M＞選取方差、平均絕對誤差、與FFT能量；對序列L,G取均值；對序列L,G,R取均方值，從而得到特征向量并利用從類別已標(biāo)注窗口集Wl中的任意窗口Wi提取的訓(xùn)練出姿態(tài)組識別分類器P-Detector；在本實施例中，所選擇的針對姿態(tài)組A識別的特征及其維度如表3所示，由表3可知實施例中針對姿態(tài)組識別所選擇的特征總維度為65維；表3針對姿態(tài)組A識別的特征及其維度列表(4.3)對于A、B兩個姿態(tài)組，分別訓(xùn)練針對性的轉(zhuǎn)角識別分類器：對于A姿態(tài)組，從特征向量yi選擇對應(yīng)的特征訓(xùn)練轉(zhuǎn)角識別分類器A-Detector；具體提取的特征如下：對于方位計的航向角序列Cx與磁力計測量序列M，提取方差、平均絕對誤差以及窗口初值與末值差的絕對值；對于陀螺儀和加速計的測量序列，則利用下式提取轉(zhuǎn)向軸：axismax,i＝argmax(accx,i,accy,i,accz,i)；其中，(accx,i,accy,i,accz,i)為加速計三軸測量序列中第i個測量值；然后對陀螺儀測量序列R提取轉(zhuǎn)向軸上的角速度得到轉(zhuǎn)向軸角速度序列對于轉(zhuǎn)向軸角速度序列選擇極差、方差，平均絕對誤差、SMA、均方根、平均值、最大值、最小值作為姿態(tài)組A轉(zhuǎn)角識別的特征。對于姿態(tài)組B，提取特征向量yi(不進行特征選擇)訓(xùn)練轉(zhuǎn)角識別分類器B-Detector；在本實施例中，所選擇的針對姿態(tài)組B識別的特征及其維度如下表4所列，其中Cx表示方位角航向角序列，Rts表示轉(zhuǎn)向軸角速度序列，由表4可知針對姿態(tài)組A轉(zhuǎn)角識別所選擇的特征總維度為23維；表4針對姿態(tài)組B識別的特征及其維度(4.4)對于類別未標(biāo)注窗口集Wu的窗口Wiu，首先提取特征通過P-Detector識別出該窗口處于姿態(tài)組A還是姿態(tài)組B；如果為前者，則提取特征采用分類器A-Detector識別出該窗口是否屬于某個轉(zhuǎn)角，否則提取特征yi采用分類器B-Detector進行識別，得到未標(biāo)注窗口集的識別結(jié)果，表示為向量(5)根據(jù)步驟(4)的轉(zhuǎn)角識別結(jié)果提取標(biāo)注為正類的時間窗口與被識別為正類的時間窗口中的指紋構(gòu)成轉(zhuǎn)角指紋集其中，Mc是指提取轉(zhuǎn)角窗口的總數(shù)量；(6)利用多維尺度分析算法將矩陣Rc降維到多種維度，在每一個維度中分別進行聚類，得到K個簇，并在每一個維度下，分別根據(jù)K個轉(zhuǎn)角的物理特征與K個簇的指紋特征將各個指紋簇一對一地匹配到轉(zhuǎn)角地標(biāo)中，匯總所有維度下的匹配結(jié)果得到矩陣X；本步驟包括以下子步驟：(6.1)對步驟(5)得到的矩陣Rc的每一行采用多維尺度分析算法進行降維，設(shè)其起止維度為ds、de，分別得到矩陣的集合其中，為MC×d維的矩陣；在該步驟的降維中，不同維度之間的特征需要有差異，通過主成分分析(PCA)得到矩陣各特征向量其對應(yīng)的特征值為γs,選取γs最大的l個特征向量滿足如下條件：其中ηa、ηb為兩個閾值，以保證特征間的差異，在本實施例中，ηa＝0.3，ηb＝0.99，維度范圍d∈[3,130]。(6.2)對每一個經(jīng)過降維后的矩陣采用聚類算法進行聚類，將矩陣中所有的轉(zhuǎn)角指紋劃分到K個簇中，K也是轉(zhuǎn)角數(shù)量。(6.3)對于d維度下的聚類結(jié)果，根據(jù)K個轉(zhuǎn)角的物理特征與K個簇的指紋特征將各個指紋簇一對一地匹配到轉(zhuǎn)角地標(biāo)中，得到d維度下的匹配結(jié)果xd；具體地，在本實施例中，采用基于加權(quán)組平均距離的層次聚類方法(WPGMA)進行初始質(zhì)心選擇的K均值聚類方法進行聚類。本實施例中，步驟(6.3)中的匹配方法包括如下子步驟：(a)獲取轉(zhuǎn)角指紋簇與轉(zhuǎn)角地標(biāo)可能的匹配方案：在未剪枝的情況下，匹配方案共有K！種，用Sp＝{s1,…,sk,…,sK}表示第p種匹配方案，其中sk表示第k的轉(zhuǎn)角被匹配到第sk個指紋簇中；(b)計算轉(zhuǎn)角地標(biāo)的歸一化歐氏距離矩陣DS＝{dgh}K*K與匹配方案對應(yīng)的指紋簇的歸一化距離矩陣其中，dgh表示第g個轉(zhuǎn)角質(zhì)心與第h個轉(zhuǎn)角質(zhì)心的歸一化距離，其中p是指第p種匹配方案所對應(yīng)的矩陣，是指第p種匹配方案第g個指紋簇質(zhì)心到第h個指紋簇質(zhì)心的歸一化距離；(c)計算轉(zhuǎn)角地標(biāo)的歸一化歐氏距離矩陣DS與各個匹配方案轉(zhuǎn)角指紋簇的歸一化歐氏距離矩陣之間的相似度，并以相似度最大的匹配方案作為步驟(6.3)的匹配方法。其中，步驟(b)中歸一化歐式距離其中，表示指紋簇質(zhì)心在信號空間或地標(biāo)在物理空間的坐標(biāo)的向量；對于轉(zhuǎn)角地標(biāo)，坐標(biāo)為標(biāo)注值對墻壁進行預(yù)處理后的坐標(biāo)；在本實施例中，兩個轉(zhuǎn)角中心若經(jīng)過一面墻壁，則增加0.8m距離。(6.4)匯總所有維度下的匹配結(jié)果構(gòu)成矩陣其中，xid表示d維度下，第i個時間窗口的指紋所匹配的轉(zhuǎn)角標(biāo)號，D為即為聚類的總次數(shù)。(7)采用投票算法根據(jù)矩陣X得到最終的匹配結(jié)果其中，vi表示第i個窗口最終匹配的轉(zhuǎn)角標(biāo)號；本實施例中，投票方法具體為，令nik表示轉(zhuǎn)角指紋集中第i個指紋在第k個轉(zhuǎn)角的總票數(shù)，每一個維度下的匹配結(jié)果對應(yīng)一票；其中，nik表示轉(zhuǎn)角指紋集中第i個指紋在第k個轉(zhuǎn)角的總票數(shù)，每一個維度下的匹配結(jié)果對應(yīng)一票；分別為第i個指紋的票數(shù)向量中的最大票數(shù)、次大票數(shù)；δ、γ為閾值，在本實施例中，δ＝55，γ＝15。(8)根據(jù)步驟(7)得到的最終匹配結(jié)果以及轉(zhuǎn)角指紋集Rc計算轉(zhuǎn)角地標(biāo)的指紋Fk；在本實施例中，F(xiàn)k＝(fk1，fk2，...，fkn，...，fkN)為第k個轉(zhuǎn)角地表的指紋，其中fkn表示匹配到第k個轉(zhuǎn)角地標(biāo)的所有窗口指紋中來自第n個信號源的信號強度均值。圖3所示是實施例的場景平面圖；該場景有六個轉(zhuǎn)角地標(biāo)1～6，包括走廊轉(zhuǎn)角、門口形成的轉(zhuǎn)角及室內(nèi)障礙形成的轉(zhuǎn)角；圖中ab、cd、ef、gh為眾包軌跡的示例，其中軌跡ab、cd、ef經(jīng)過了轉(zhuǎn)角，軌跡gh未經(jīng)過轉(zhuǎn)角。圖4所示是在不同姿態(tài)下走過同一條軌跡(軌跡經(jīng)過轉(zhuǎn)角)時，各傳感器測量信號的波形圖；該圖表明轉(zhuǎn)角地標(biāo)識別所面臨的多姿態(tài)問題，由該圖可知，不同姿態(tài)下，各傳感器信號波形具有明顯的差異，手持及通話姿態(tài)下(姿態(tài)組A)經(jīng)過轉(zhuǎn)角時，陀螺儀會顯示出一定的峰值特征，但擺動或置于口袋時(姿態(tài)組B)，陀螺儀在每一步都會顯示出峰值特征從而掩蓋經(jīng)過轉(zhuǎn)角時的峰值特征，傳統(tǒng)的峰值檢測方法在姿態(tài)組B中不能取得良好的性能。表5是采用決策樹進行姿態(tài)組識別的結(jié)果，以混淆矩陣表示。其中，數(shù)據(jù)集1表示只受多姿態(tài)問題影響但不存在偽轉(zhuǎn)角干擾的數(shù)據(jù)集，數(shù)據(jù)集2表示存在多姿態(tài)和偽轉(zhuǎn)角干擾的數(shù)據(jù)集；由該表可知，姿態(tài)組識別對于數(shù)據(jù)集1與數(shù)據(jù)集2的準(zhǔn)確率分別為97.5％與96.9％，表明姿態(tài)組A與姿態(tài)組B各自具有區(qū)分明顯的特征。表5采用決策樹進行姿態(tài)組識別的結(jié)果表6所列是利用決策樹進行轉(zhuǎn)角地標(biāo)識別的結(jié)果，通過精度、召回率與F1度量聯(lián)合表示。表6利用決策樹進行轉(zhuǎn)角地標(biāo)識別的結(jié)果在表6所列的基于決策樹的3種方案中，經(jīng)過姿態(tài)組識別與特征選擇的轉(zhuǎn)角識別性能表現(xiàn)最佳；姿態(tài)組A因為陀螺儀較為明顯的峰值特征得以取得良好的識別性能，姿態(tài)組B相對難識別，但通過模式識別方法，其識別性能較好。圖5所示是本發(fā)明提供的轉(zhuǎn)角地標(biāo)識別方法與其他基于陀螺儀峰值檢測的識別方法的性能對比示意圖；由圖5(a)可知，對于數(shù)據(jù)集1，陀螺儀峰值檢測可在姿態(tài)組A下得到較好的識別性能，但是不能適用于姿態(tài)組B下，但采用本發(fā)明提供的轉(zhuǎn)角識別方法可在姿態(tài)組A與姿態(tài)組B均得到良好的識別性能；由圖5(b)可知，對于姿態(tài)組A，陀螺儀峰值檢測不適用于數(shù)據(jù)集2，但本發(fā)明的方法可以在數(shù)據(jù)集2下良好工作；圖5(c)為數(shù)據(jù)集2中，不同算法在姿態(tài)組A，B的識別性能，由該圖可以看出來，本發(fā)明提供的方法明顯優(yōu)于基于陀螺儀峰值檢測的方法。圖6所示意的是步驟(6)中不同聚類算法在不同維度下對RSS矩陣進行聚類的準(zhǔn)確率，本處準(zhǔn)確率為匹配結(jié)果可能的最大準(zhǔn)確率；由該圖可以看出隨機初始質(zhì)心的K均值聚類，其準(zhǔn)確率波動很大，不能取得性能穩(wěn)定的聚類結(jié)果；基于加權(quán)組平均距離的層次聚類方法WPGMA準(zhǔn)確率過低；而本發(fā)明所采用的基于WPGMA初始質(zhì)心選擇的K均值聚類，其聚類性能無論是穩(wěn)定性還是準(zhǔn)確率均優(yōu)于其他兩種方法。表7所列的是實施例中經(jīng)投票算法得到的最終的轉(zhuǎn)角地標(biāo)匹配結(jié)果，以混淆矩陣表示，F(xiàn)P表示轉(zhuǎn)角識別步驟錯誤識別的窗口，無效表示投票結(jié)果不滿足參數(shù)所設(shè)定的條件，由表7可知，其匹配準(zhǔn)確率約為76.2％與74.5％，大多數(shù)軌跡窗口被正確匹配。表7實施例的轉(zhuǎn)角地標(biāo)匹配結(jié)果表8所列的是轉(zhuǎn)角地標(biāo)靜態(tài)指紋與生成指紋的歐式距離；表8靜態(tài)指紋與生成的轉(zhuǎn)角地標(biāo)指紋的歐式距離參數(shù)γ＝0，δ＝0時，大部分生成指紋與對應(yīng)位置的靜態(tài)指紋最為接近，但是轉(zhuǎn)角5例外；參數(shù)γ＝15，δ＝55時，所有生成指紋均最接近對應(yīng)的靜態(tài)指紋；由表7與表8的數(shù)據(jù)分析可知，本發(fā)明所提供的轉(zhuǎn)角地標(biāo)匹配方法不僅可以實現(xiàn)信號空間中的時間窗口到地理上的轉(zhuǎn)角地標(biāo)的匹配，既從無位置標(biāo)定的數(shù)據(jù)到具體的某個地理位置，又可以保證準(zhǔn)確度，其準(zhǔn)確度體現(xiàn)包括但不限于：i)絕大多數(shù)轉(zhuǎn)角窗口都在位置未知的情況下匹配到了正確的轉(zhuǎn)角中；ii)所生成的指紋與通過現(xiàn)場勘測得到的參考指紋非常接近，驗證了該方法在解決基于眾包軌跡的室內(nèi)定位方案所面臨的位置標(biāo)定問題上所作出的貢獻。本領(lǐng)域的技術(shù)人員容易理解，以上所述僅為本發(fā)明的較佳實施例而已，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)所作的任何修改、等同替換和改進等，均應(yīng)包含在本發(fā)明的保護范圍之內(nèi)。當(dāng)前第1頁1 2 3