一種基于眾包軌跡的室內轉角地標的匹配及識別方法與流程

本發明屬于通信與無線網絡
技術領域：
，更具體地，涉及一種基于眾包軌跡的室內轉角地標的匹配及識別方法。
背景技術：
：隨著移動網絡的發展，基于位置信息服務的需求不斷增長；全球定位系統(GPS)在室外環境可以提供可靠的定位服務，但在復雜的室內環境中衛星信號的視距傳播導致其表現不佳。現有的室內定位技術RSS定位技術包括基于測距的定位與基于指紋的定位；前者通過RSS根據傳播模型計算目標到信號源的距離實現定位，該方法在復雜室內環境下性能不佳；后者通過在不同地理位置測到的RSS向量作為對應位置的指紋，收集大量指紋構成指紋數據庫，將實時采集到的指紋與數據庫中的指紋進行比較來實現定位，這種方案需要專業人員采集大量的指紋，并且室內無線電環境具有動態性以致于采集到的指紋過時，例如，開關門、人群走動、室內布局變化、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為解決現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備所經過的軌跡上的傳感器與Wi-Fi測量數據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注到某個位置上是個具有挑戰性的工作，一種方案為服務提供商通過某種激勵措施促使用戶將采集到的RSS指紋標注到具體的位置上，但該方案依然基于人工采集，并且面臨惡意標注或無意錯誤標注的問題。室內地標提供了一種物理空間和信號空間相對準確的映射，為眾包指紋的標注提供了一種可能。地標指的是某些具有特定結構或指紋特征的物理位置，如轉角、電梯、樓梯等。通過這種特定結構或指紋特征來識別出相應的物理位置即為地標檢測。近年來，有些研究學者提出了一些地標檢測以及通過地標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字羅盤的鄰近窗口角度差的方法，但這些方法面臨姿態多樣與偽轉角的問題；姿態多樣指的是行人持有終端設備的方式可能不同，不同姿態下傳感器測量數據有顯著的不同；偽轉角問題指的是行人經過轉角時傳感器信號體現出的特征與行人折返、切換姿態時的特征接近，峰值檢測等方案對于有多姿態與偽轉角干擾的數據集上性能不佳甚至會失去識別能力。技術實現要素：針對現有技術的以上缺陷或改進需求，本發明提供了一種基于眾包軌跡的室內轉角地標的匹配及識別方法，其目的在于利用室內地標信息進行眾包指紋標注，解決目前轉角地標識別方法中行人多姿態與偽轉角問題導致的識別性能不佳的問題。為實現上述目的，按照本發明的一個方面，提供了一種基于眾包軌跡的室內轉角地標的匹配方法，包括如下步驟：(1)在給定目標區域的室內布局圖中標記出所有的轉角，記錄各轉角的二維坐標信息；(2)在給定目標區域中設置N個信號源，使得用戶終端在目標區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據構成傳感器測量序列，并根據預設長度的時間窗口將傳感器測量序列分段；(3)采集給定區域內已標注與未標注的軌跡，根據各時間窗口所對應的軌跡是否經過轉角對時間窗口進行標注，并將各時間窗口通過服務器保存到本地數據庫；(4)在服務器端從已標注的時間窗口提取針對性的特征以訓練姿態組識別分類器與轉角識別分類器；利用已訓練的姿態組識別分類器與轉角識別分類器對未標注的時間窗口進行轉角地標識別；(5)根據轉角地標識別結果提取被標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)根據各維度下的聚類與匹配結果，將無效指紋過濾，將有效眾包指紋匹配到轉角地標。優選地，上述基于眾包軌跡的室內轉角地標匹配方法，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；根據采集到的這些測量數據構成傳感器測量序列S＝<L,G,R,C,M>；(2.2)按照預設的長度設置時間窗口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，M、K均為自然數。優選地，上述基于眾包軌跡的室內轉角地標的匹配方法，其步驟(3)包括如下子步驟：(3.1)根據各時間窗口所對應的軌跡是否經過轉角將時間窗口標注為正類或是負類；本發明中，將經過了轉角的時間窗口定義為正類，將未經過任何轉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并上傳到服務器，服務器將接收到的時間窗口保存在本地數據庫中；(3.3)根據時間窗口的類別是否標注，分別構成類別已標注窗口集Wl與類別未標注窗口集Wu；并對已標注類別的時間窗口標注其行進姿態信息，包括發送信息、電話、擺動和/或置于口袋；其中，表示已標注類別的窗口，表示未標注類別的窗口，L表示已標注窗口的數量，L＜＜M。優選地，上述基于眾包軌跡的室內轉角地標的匹配方法，其步驟(4)包括如下子步驟：(4.1)對類別已標注窗口集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)將人類行進姿態劃分為相對于身體固定方位的姿態組A與相對于身體非固定方位的姿態組B；根據姿態組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，構成特征向量并利用特征向量訓練出姿態組識別分類器P-Detector；(4.3)對相對于身體固定方位的姿態組A與相對于身體非固定方位的姿態組B，分別訓練針對性的轉角識別分類器：(I)對于所述姿態組A，從特征向量yi提取特征來訓練轉角識別分類器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)對于姿態組B，直接采用特征向量yi來訓練轉角識別分類器B-Detector；(4.4)對于類別未標注窗口集Wu的時間窗口Wi，提取特征通過姿態組識別分類器P-Detector識別出該時間窗口處于姿態組A還是姿態組B；如果為前者，則提取特征采用轉角識別分類器A-Detector識別出該窗口是否屬于某個轉角，否則提取特征yi采用轉角識別分類器B-Detector進行識別，得到未標注窗口集的識別結果，表示為向量優選地，上述基于眾包軌跡的室內轉角地標的匹配方法，其RSS矩陣如下：其中，Mc表示提取轉角窗口的總數量。優選地，上述基于眾包軌跡的室內轉角地標的匹配方法，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，將矩陣中所有的轉角指紋劃分到K個簇中；其中，K也是轉角數量；(6.3)對于d維度下的聚類結果，根據K個轉角的物理特征與K個簇的指紋特征將各個指紋簇一對一地匹配到轉角地標中，得到d維度下的匹配結果xd；(6.4)匯總所有維度下的匹配結果構成矩陣其中，xid表示d維度下，第i個時間窗口的指紋所匹配的轉角標號，D為維度總數。優選地，上述基于眾包軌跡的室內轉角地標的匹配方法，其步驟(6.1)的降維處理中，維度選擇的標準如下：通過主成分分析得到RSS矩陣各特征向量其對應的特征值為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的選擇依據為：保證相鄰維度之間的信息比率η具有差異。優選地，上述基于眾包軌跡的室內轉角地標的匹配方法，其步驟(6.3)中的匹配方法包括如下子步驟：(a)獲取轉角指紋簇與轉角地標可能的匹配方案：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的轉角被匹配到第sk個指紋簇中；(b)計算轉角地標的歸一化歐氏距離矩陣DS＝{dgh}K*K與匹配方案對應的指紋簇的歸一化距離矩陣其中，dgh表示第g個轉角質心與第h個轉角質心的歸一化距離，其中p是指第p種匹配方案所對應的矩陣，是指第p種匹配方案第g個指紋簇質心到第h個指紋簇質心的歸一化距離；(c)計算轉角地標的歸一化歐氏距離矩陣DS與各個匹配方案轉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。優選地，上述基于眾包軌跡的室內轉角地標的匹配方法，其步驟(b)中，歸一化歐式距離其中，表示指紋簇質心在信號空間或地標在物理空間的坐標的向量；對于轉角地標，坐標為標注值對墻壁進行預處理后的坐標。優選地，上述基于眾包軌跡的室內轉角地標的匹配方法，其步驟(7)具體為：采用投票算法根據步驟(6)所獲得的單維度下的匹配結果矩陣X得到最終的匹配結果其中，vi表示第i個窗口最終匹配的轉角標號；投票算法具體如下：其中，nik表示轉角指紋集中第i個指紋在第k個轉角的總票數，每一個維度下的匹配結果對應一票；分別為第i個指紋的票數向量中的最大票數、次大票數；δ、γ為閾值；其中閾值δ的意義在于：最大票數應該超過某個范圍，而閾值γ的意義在于兩個轉角的得票數不能過于接近，從而保證絕大多數維度下匹配結果的正確性；閾值δ優選取總票數的40％～60％，閾值γ優選為總票數的10％。按照本發明的另一方面，提供了一種基于眾包軌跡的室內轉角地標的識別方法，根據上述基于眾包軌跡的室內轉角地標的匹配方法的步驟(7)獲得的匹配結果以及RSS矩陣計算獲得轉角地標指紋Fk；Fk＝(fk1，fk2，...，fkn，...，fkN)為第k個轉角地表的指紋，其中fkn表示所有匹配到第k個轉角地標的所有窗口指紋中來自第n個信號源的信號強度均值。總體而言，通過本發明所構思的以上技術方案與現有技術相比，能夠取得下列有益效果：(1)減少軌跡數據采集工作量：本發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，節約了專業人員人工成本；(2)提高了對行人多姿態的魯棒性：由于采用了步驟(4)，將行人姿態分為各具特征的兩個姿態組，基于模式識別理論進行姿態組識別，并且根據姿態組識別結果進一步進行轉角的識別，從而能夠有效的區分出經過轉角的特征，從眾包軌跡中提取出經過地標的指紋；(3)提供一種地標匹配方案及其應用方式——地標指紋：由于采用了步驟(6)～(8)，實現了將未標注位置且空經過地標的指紋從RSS信號空間匹配到地理空間中確切的某個地標，并且根據最終的匹配結果，可以將屬于某個地標的眾包指紋構造出一定形式的地標指紋，為下一步的定位打下基礎。附圖說明圖1是本發明基于眾包軌跡的室內轉角地標匹配及識別方法的流程圖；圖2是本發明實施例進行轉角地標識別的流程示意圖；圖3是本發明實施例中的定位場景圖；圖4是本發明實施例中各種姿態下各傳感器的信號波形圖；圖5是本發明實施例中不同轉角識別算法在不同數據集下的性能示意圖；圖6是本發明實施例的聚類準確度示意圖。具體實施方式為了使本發明的目的、技術方案及優點更加清楚明白，以下結合附圖及實施例，對本發明進行進一步詳細說明。應當理解，此處所描述的具體實施例僅僅用以解釋本發明，并不用于限定本發明。此外，下面所描述的本發明各個實施方式中所涉及到的技術特征只要彼此之間未構成沖突就可以相互組合。本發明提供的基于眾包軌跡的室內轉角地標的匹配及識別方法，包括地標識別與地標匹配；地標識別是指從眾包軌跡中提取出可能屬于某類地標的軌跡窗口、并構成窗口指紋；其思路為，從部分已標注地標類別與姿態組類別的軌跡窗口中提取對應的特征，訓練姿態組分類器與各姿態組對應的轉角窗口分類器；地標匹配是將所有識別為轉角地標的窗口匹配到具體的某個地標；其思路為，將RSS矩陣進行主成分分析，根據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布局圖對應的地標中。本發明中，地標識別的訓練階段所采用的標注數據與采集地點無關，只與用戶動作有關，所以訓練數據可在任何地點使用，地標的識別與匹配均利用眾包軌跡數據進行，可用實時采集的軌跡實現動態更新，具有可擴展性。以下結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轉角地標的匹配及識別方法，其流程如圖1所示，包括以下步驟：(1)在給定目標區域的室內布局圖中標記出所有的轉角，記錄每個轉角的二維坐標信息(xk,yk),k＝1,2,3...,K；其中，k表示轉角的編號，xk、yk分別表示第k個轉角在室內布局圖中的橫坐標和縱坐標。(2)在給定目標區域中設置N個信號源，使得目標區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；根據采集到的這些測量數據構成傳感器測量序列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、方位計且能與服務器傳輸數據的設備；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，M、K、N都是自然數。(3)對所有的時間窗口而言，其對應的軌跡可能經過了某個轉角或沒有經過任何轉角；將經過了轉角的時間窗口定義為正類，將未經過任何轉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后上傳到服務器，服務器將接收到的時間窗口保存在本地數據庫中；在本實施例中，進行軌跡測量時，分別在開始轉角、結束轉角時標記上對應的時間；對于軌跡內的時間窗口，如果時間窗口超過50％的時間在標記的轉角時間段中，則將該時間窗口標注為正類，否則將該時間窗口標注為負類；根據時間窗口的類別是否標注，構成類別已標注窗口集Wl與類別未標注窗口集Wu；其中，表示已標注類別的窗口，表示未標注類別的窗口，L表示已標注窗口的數量，L＜＜M；對已標注類別的窗口標注其行進姿態信息，包括：發送信息、電話、擺動、置于口袋等；(4)在服務器端通過類別已標注窗口集Wl訓練一組分層次的分類器用于轉角地標識別，包括姿態識別分類器與轉角識別分類器；對類別未標注窗口集Wu的每一個窗口先進行姿態識別，再進行轉角識別判斷該窗口是否經過了轉角；本實施例中，將人類行進姿態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；在一個含有多姿態的軌跡數據集中進行測試，轉角識別性能如下表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影響的數據集上不能取得良好的識別性能；本步驟通過將所有姿態劃分成兩個姿態組，提取針對各姿態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的影響，通過模式識別對偽轉角與實際的物理轉角進行的區分；其流程如圖2所示，包括如下子步驟：(4.1)對類別已標注窗口集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、相關系數、自回歸模型系數，頻域特征包括FFT能量，由所提取到的特征構成特征向量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量、序列的數量以及每序列提取特征的數量；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；姿態組A包括但不限于發送信息、電話、固定于腰帶等，姿態組B包括但不限于擺動，置于褲子口袋；姿態組A下，設備方位不隨人體直行而相對于人體上半身有明顯的變化，僅在轉彎處有明顯方位變化，而姿態組B相反；根據姿態組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注窗口集Wl中的任意窗口Wi提取的訓練出姿態組識別分類器P-Detector；在本實施例中，所選擇的針對姿態組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組識別所選擇的特征總維度為65維；表3針對姿態組A識別的特征及其維度列表(4.3)對于A、B兩個姿態組，分別訓練針對性的轉角識別分類器：對于A姿態組，從特征向量yi選擇對應的特征訓練轉角識別分類器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提取轉向軸上的角速度得到轉向軸角速度序列對于轉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、最小值作為姿態組A轉角識別的特征。對于姿態組B，提取特征向量yi(不進行特征選擇)訓練轉角識別分類器B-Detector；在本實施例中，所選擇的針對姿態組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表示轉向軸角速度序列，由表4可知針對姿態組A轉角識別所選擇的特征總維度為23維；表4針對姿態組B識別的特征及其維度(4.4)對于類別未標注窗口集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組A還是姿態組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角，否則提取特征yi采用分類器B-Detector進行識別，得到未標注窗口集的識別結果，表示為向量(5)根據步驟(4)的轉角識別結果提取標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成轉角指紋集其中，Mc是指提取轉角窗口的總數量；(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K個轉角的物理特征與K個簇的指紋特征將各個指紋簇一對一地匹配到轉角地標中，匯總所有維度下的匹配結果得到矩陣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，將矩陣中所有的轉角指紋劃分到K個簇中，K也是轉角數量。(6.3)對于d維度下的聚類結果，根據K個轉角的物理特征與K個簇的指紋特征將各個指紋簇一對一地匹配到轉角地標中，得到d維度下的匹配結果xd；具體地，在本實施例中，采用基于加權組平均距離的層次聚類方法(WPGMA)進行初始質心選擇的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)獲取轉角指紋簇與轉角地標可能的匹配方案：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的轉角被匹配到第sk個指紋簇中；(b)計算轉角地標的歸一化歐氏距離矩陣DS＝{dgh}K*K與匹配方案對應的指紋簇的歸一化距離矩陣其中，dgh表示第g個轉角質心與第h個轉角質心的歸一化距離，其中p是指第p種匹配方案所對應的矩陣，是指第p種匹配方案第g個指紋簇質心到第h個指紋簇質心的歸一化距離；(c)計算轉角地標的歸一化歐氏距離矩陣DS與各個匹配方案轉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，表示指紋簇質心在信號空間或地標在物理空間的坐標的向量；對于轉角地標，坐標為標注值對墻壁進行預處理后的坐標；在本實施例中，兩個轉角中心若經過一面墻壁，則增加0.8m距離。(6.4)匯總所有維度下的匹配結果構成矩陣其中，xid表示d維度下，第i個時間窗口的指紋所匹配的轉角標號，D為即為聚類的總次數。(7)采用投票算法根據矩陣X得到最終的匹配結果其中，vi表示第i個窗口最終匹配的轉角標號；本實施例中，投票方法具體為，令nik表示轉角指紋集中第i個指紋在第k個轉角的總票數，每一個維度下的匹配結果對應一票；其中，nik表示轉角指紋集中第i個指紋在第k個轉角的總票數，每一個維度下的匹配結果對應一票；分別為第i個指紋的票數向量中的最大票數、次大票數；δ、γ為閾值，在本實施例中，δ＝55，γ＝15。(8)根據步驟(7)得到的最終匹配結果以及轉角指紋集Rc計算轉角地標的指紋Fk；在本實施例中，Fk＝(fk1，fk2，...，fkn，...，fkN)為第k個轉角地表的指紋，其中fkn表示匹配到第k個轉角地標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；該場景有六個轉角地標1～6，包括走廊轉角、門口形成的轉角及室內障礙形成的轉角；圖中ab、cd、ef、gh為眾包軌跡的示例，其中軌跡ab、cd、ef經過了轉角，軌跡gh未經過轉角。圖4所示是在不同姿態下走過同一條軌跡(軌跡經過轉角)時，各傳感器測量信號的波形圖；該圖表明轉角地標識別所面臨的多姿態問題，由該圖可知，不同姿態下，各傳感器信號波形具有明顯的差異，手持及通話姿態下(姿態組A)經過轉角時，陀螺儀會顯示出一定的峰值特征，但擺動或置于口袋時(姿態組B)，陀螺儀在每一步都會顯示出峰值特征從而掩蓋經過轉角時的峰值特征，傳統的峰值檢測方法在姿態組B中不能取得良好的性能。表5是采用決策樹進行姿態組識別的結果，以混淆矩陣表示。其中，數據集1表示只受多姿態問題影響但不存在偽轉角干擾的數據集，數據集2表示存在多姿態和偽轉角干擾的數據集；由該表可知，姿態組識別對于數據集1與數據集2的準確率分別為97.5％與96.9％，表明姿態組A與姿態組B各自具有區分明顯的特征。表5采用決策樹進行姿態組識別的結果表6所列是利用決策樹進行轉角地標識別的結果，通過精度、召回率與F1度量聯合表示。表6利用決策樹進行轉角地標識別的結果在表6所列的基于決策樹的3種方案中，經過姿態組識別與特征選擇的轉角識別性能表現最佳；姿態組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所示是本發明提供的轉角地標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，對于數據集1，陀螺儀峰值檢測可在姿態組A下得到較好的識別性能，但是不能適用于姿態組B下，但采用本發明提供的轉角識別方法可在姿態組A與姿態組B均得到良好的識別性能；由圖5(b)可知，對于姿態組A，陀螺儀峰值檢測不適用于數據集2，但本發明的方法可以在數據集2下良好工作；圖5(c)為數據集2中，不同算法在姿態組A，B的識別性能，由該圖可以看出來，本發明提供的方法明顯優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矩陣進行聚類的準確率，本處準確率為匹配結果可能的最大準確率；由該圖可以看出隨機初始質心的K均值聚類，其準確率波動很大，不能取得性能穩定的聚類結果；基于加權組平均距離的層次聚類方法WPGMA準確率過低；而本發明所采用的基于WPGMA初始質心選擇的K均值聚類，其聚類性能無論是穩定性還是準確率均優于其他兩種方法。表7所列的是實施例中經投票算法得到的最終的轉角地標匹配結果，以混淆矩陣表示，FP表示轉角識別步驟錯誤識別的窗口，無效表示投票結果不滿足參數所設定的條件，由表7可知，其匹配準確率約為76.2％與74.5％，大多數軌跡窗口被正確匹配。表7實施例的轉角地標匹配結果表8所列的是轉角地標靜態指紋與生成指紋的歐式距離；表8靜態指紋與生成的轉角地標指紋的歐式距離參數γ＝0，δ＝0時，大部分生成指紋與對應位置的靜態指紋最為接近，但是轉角5例外；參數γ＝15，δ＝55時，所有生成指紋均最接近對應的靜態指紋；由表7與表8的數據分析可知，本發明所提供的轉角地標匹配方法不僅可以實現信號空間中的時間窗口到地理上的轉角地標的匹配，既從無位置標定的數據到具體的某個地理位置，又可以保證準確度，其準確度體現包括但不限于：i)絕大多數轉角窗口都在位置未知的情況下匹配到了正確的轉角中；ii)所生成的指紋與通過現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定位方案所面臨的位置標定問題上所作出的貢獻。本領域的技術人員容易理解，以上所述僅為本發明的較佳實施例而已，并不用以限制本發明，凡在本發明的精神和原則之內所作的任何修改、等同替換和改進等，均應包含在本發明的保護范圍之內。當前第1頁1 2 3