侯松林，楊 凡，鐘 勇

(1.中國科學院 成都計算機應(yīng)用研究所，成都 610041； 2.中國科學院大學，北京 100049)

0 引言

室內(nèi)定位對于室內(nèi)的商業(yè)活動、監(jiān)控、物流運輸?shù)染哂兄匾饬x。隨著基于位置的服務(wù)(Location-Based Service, LBS)的出現(xiàn)，室內(nèi)定位也更多地用于個人目的(例如：室內(nèi)導航、基于室內(nèi)位置的服務(wù)、超市導購等)，但相比發(fā)展成熟的以全球定位系統(tǒng)(Global Positioning System, GPS)為主的室外定位，室內(nèi)定位存在幾大問題：1)環(huán)境的封閉性、結(jié)構(gòu)復雜性使得室外定位精度無法符合實際應(yīng)用。2)借助額外硬件設(shè)備的室內(nèi)定位成本高昂，難以推廣使用。3)無線信號干擾嚴重，衰減較大，定位準確性低。手機室內(nèi)定位由于其使用門檻低、成本低且易于推廣，一直是個人室內(nèi)定位上的熱點，但出于手機硬件條件和計算平臺的限制較多，精準定位目前還依然是一個難題。 目前，學術(shù)界在手機室內(nèi)定位上已經(jīng)有不少的研究方案[1-2]。常見的研究方案通過Wi-Fi(Wireless-Fidelity)信號、藍牙、地磁、慣性傳感器、聲波、圖像分析等方式進行定位。也有不少研究通過進行傳感器融合的方式，將多個傳感器的輸出進行融合，以提升定位性能。這些方法各有利弊，按使用場景不同也各有限制(例如：Wi-Fi信號波動性較大，藍牙難以遠距離定位且額外需搭設(shè)發(fā)射裝置，慣性傳感器累積誤差較大等)。

為實現(xiàn)室內(nèi)較高精度的定位，本文提出了一種基于智能手機的室內(nèi)定位融合算法。該算法采用雙層過濾的方法，結(jié)合Wi-Fi定位和圖像分析，在減小計算量的同時降低錯誤定位概率。此外，針對傳統(tǒng)利用圖像分析進行定位時難以進行精準坐標定位的不足，本文提出了圖像定位的距離補償(Distance Compensation, DC)算法進行了優(yōu)化。該算法已在現(xiàn)實環(huán)境進行了測試和應(yīng)用，實驗表明，該算法可以有效地實現(xiàn)較高精度的手機室內(nèi)定位效果。

1 相關(guān)工作

在學術(shù)界和工業(yè)界，手機室內(nèi)定位[3]目前已經(jīng)有不少實現(xiàn)，可以從所運用的主要數(shù)據(jù)源的不同分為非融合定位和融合定位。非融合定位主要包含無線定位和圖像定位。相比而言，無線定位(例如 Wi-Fi、藍牙等)為非融合定位的最常見方法，輔助以慣性磁場等數(shù)據(jù)。而部分無線定位中常用的方法，例如通過無線射頻識別(Radio Frequency Identification Device, RFID)的定位方法，由于需要手機以外的額外硬件而在本文中不予討論。利用圖像信息為主要數(shù)據(jù)源的圖像定位是另一種非融合定位實現(xiàn)方案。與非融合定位相反，融合定位綜合考慮無線和圖像為數(shù)據(jù)源進行定位。下面將進行詳細介紹。

1.1 主流室內(nèi)定位方法

1.1.1 無線定位

利用手機的無線定位為主的定位方法主要集中在Wi-Fi、藍牙等常見的無線信號上，也有研究相對較少的地磁，基站信號等。目前，在手機室內(nèi)定位最常見的無線定位方案集中在Wi-Fi定位上。由于目前大多數(shù)智能手機均配備了Wi-Fi接收器模塊，Wi-Fi定位的可適用性廣，且容易實施。一些學者[4-5]通過將Wi-Fi數(shù)據(jù)，慣性傳感器(例如加速度傳感器、陀螺儀等)作為數(shù)據(jù)源進行定位。此外，近幾年由于藍牙技術(shù)的發(fā)展，低功耗藍牙標準的完善使得基于藍牙的室內(nèi)定位也得到進一步發(fā)展，其典型代表為Apple推出的iBeacon[6]和Google推出的Eddystone。其在室內(nèi)定位上，也有不少研究。此外，也有學者通過地磁、聲波等信息進行定位。

Wi-Fi、藍牙和其他的無線信號一樣，最常用的方式[7-8]是在線下場地的不同位置采集接收信號強度指示(Received Signal Strength Indicator, RSSI)，并通過匹配或者模型訓練的方式來進行在線的位置判斷。由于室內(nèi)環(huán)境干擾源較多，匹配效果隨環(huán)境的不同差異較大。其中Wi-Fi信號雖然覆蓋面廣，但由于受干擾嚴重，在接收到的接入點(Access Point, AP)數(shù)量較小時，點定位效果上不佳，但在區(qū)域定位上依然可行。而藍牙雖然抗干擾能力強于Wi-Fi，但由于其發(fā)射器功率的限制，信號探測距離較小，在大場地環(huán)境下需要鋪設(shè)較多設(shè)備，成本較高而難以大規(guī)模推廣使用。此外，三角定位也經(jīng)常作為一種理論上研究的方法，但出于Wi-Fi、藍牙等無線信號本身非線性衰減嚴重，其定位誤差相比利用RSSI進行指紋匹配較大。

1.1.2 圖像定位

以圖像為主的定位利用模式匹配的方式，將當前環(huán)境的圖像和預先準備的圖像進行直接或者間接的特征匹配[2,4,9]。例如，最直接的匹配方式是對實時拍攝的圖像抽取特征，并通過特征相似度來找出最相似的數(shù)據(jù)庫圖像，以該圖像標識的位置作為定位的位置。例如，一些研究者[10-11]利用一些明顯的地標作為標識，通過對地標進行圖像識別來達到定位。利用路標定位需要路標的易發(fā)現(xiàn)性和獨特性，更適合于室外開闊環(huán)境。而在室內(nèi)環(huán)境中，由于其空間的局限性，單獨使用地標進行定位可行性較低。

此外，不少研究也集中于使用圖像指紋的方式來進行匹配定位，其特征提取方法集中于采集圖像的尺度不變特征變換(Scale-Invariant Feature Transform, SIFT)，快速魯棒特征(Speed-Up Robust Feature, SURF)[12]等特征，并建立圖像指紋庫進行匹配。匹配度最高的圖像所對應(yīng)的位置會作為用戶的鄰近定位位置[13-14]。也有使用圖像語義[15]信息作為特征，利用語義特征進行匹配。由于圖像定位只需要圖像作為輸入，因此也可以用于室外定位。圖像定位要求地點之間有較為明顯的區(qū)分度，且和圖像的拍攝質(zhì)量有較大關(guān)系(例如：遮擋、光照等)。

圖像定位和圖像分析和匹配關(guān)系密切，且易于部署和實現(xiàn)。雖然圖像本身可以反映位置信息，但由于圖像屬于二維數(shù)據(jù)，難以反映其空間坐標位置，因此在點定位上較難實現(xiàn)。此外，圖像相比無線數(shù)據(jù)量更大，且特征提取和處理的計算量較大，因此在實際使用時，其網(wǎng)絡(luò)傳輸量、延遲性和耗電量均較高[9]，實時性較差。

本文提出的算法中，其圖像定位部分也使用了圖像指紋庫匹配的方式，但對其匹配過程進行了優(yōu)化，通過預先過濾的方式保證了其定位的精準性。

1.1.3 常見工作方式

對于無線定位和圖像定位，不同的算法結(jié)合其定位物理機制的不同有不同的定位效果。本文列舉了具有代表性的幾種實現(xiàn)，其特點和性能歸納如表1所示。

表1 幾種室內(nèi)定位算法比較

可以觀察得知，以圖像為主和以無線為主的定位方式各有優(yōu)缺點，單獨使用圖像和無線難以在成本較低的情況下實現(xiàn)高精度的定位。因此，通過結(jié)合圖像和無線各自的特點，采用融合的方式成為了彌補兩者各自缺陷的方法。

1.2 多模融合室內(nèi)定位方法

單純地依賴某一種手機傳感數(shù)據(jù)都難以精確有效地識別用戶室內(nèi)位置，如果能有效融合多種傳感數(shù)據(jù)信息則能夠充分利用各自的長處，從而可以達到更好的室內(nèi)定位效果。因此，本文主要對基于手機無線信號和實時圖像相融合的室內(nèi)定位方法展開研究。綜合考慮無線定位和圖像定位的優(yōu)缺點，目前越來越多的實現(xiàn)[14,18]開始使用數(shù)據(jù)融合的方式，同時利用無線信號和圖像定位各自的優(yōu)勢來達到整體定位上性能的提升。和非融合的方式不同，本文采用的無線和圖像融合定位方法會共同作用決定最終用戶的位置。其實現(xiàn)可以分為投票式或者過濾式，本文提出的算法屬于過濾式的融合定位方法。

2 算法框架

本文提出的混合算法通過無線和圖像雙層過濾的方式，在減少圖像匹配計算量的同時，減小場景相似時的匹配定位誤差。由于傳統(tǒng)利用關(guān)鍵點配對的圖像相似度匹配方法難以檢測到圖像全局上的差異，因此難以實現(xiàn)精準的點定位。本文提出了一種針對點定位的基于圖像關(guān)鍵點匹配的距離補償算法(Distance Compensation Algorithm)，用于改善這種情況，以實現(xiàn)在第二層過濾時圖像的點定位。

由于單獨的Wi-Fi定位在精準度上難以達到點定位的要求，其結(jié)果常在真實位置的一定范圍內(nèi)移動，因此利用Wi-Fi進行范圍定位比單獨利用Wi-Fi點定位可行性更高。而圖像雖然可以在算法上實現(xiàn)點定位，但對于有干擾(例如抖動、部分遮擋等)的場合而言，點定位精度會大大降低。因此，本算法通過Wi-Fi范圍定位和圖像點定位的方式進行過濾，可以一定程度上彌補兩者單獨的不足。

該算法的整體框架分為線下和線上兩個階段。線下階段負責定位前的準備工作，線上階段是用戶實施定位的環(huán)節(jié)。在線下階段，首先為了在定位上計算和實現(xiàn)的方便，需要建立在室內(nèi)空間的二維平面坐標。接下來，在二維坐標上進行網(wǎng)格化劃分，并在劃分的位置采集Wi-Fi和圖像數(shù)據(jù)，然后對數(shù)據(jù)進行特征提取。將提取獲得的特征和二維坐標的進行標識和對應(yīng)。在線上階段，首先通過用戶手機實時獲取的Wi-Fi指紋進行匹配以獲得粗略位置區(qū)間，然后通過實時捕獲的圖像進行距離補償和SURF點相似度匹配以得到其與各個預先采集的圖像的相似度，從而將最相似的圖像對應(yīng)的采樣點坐標作為用戶的定位坐標。算法的整體框架流程如圖1所示。

圖1 算法整體框架流程

3 線下階段

線下階段是用戶使用手機進行實際室內(nèi)定位的前置工作，主要包括室內(nèi)坐標構(gòu)建、網(wǎng)格點劃分和采樣、特征提取、生成匹配區(qū)間幾個環(huán)節(jié)。

3.1 室內(nèi)坐標構(gòu)建

利用室內(nèi)場景的平面圖作為室內(nèi)地圖，建立二維坐標系G。二維坐標系的零點位置可以通過人工指定，一般使用m為單位。為了與國際經(jīng)緯度標準轉(zhuǎn)換方便，以正東作為x坐標軸，以正北為y坐標軸，以將室內(nèi)平面的各個位置映射為坐標。

對于有多層樓層的室內(nèi)定位，需要對每一樓層的室內(nèi)地圖分別建立室內(nèi)坐標系，但出于室內(nèi)定位的上下連貫性，需保持不同樓層的坐標系原點對應(yīng)的經(jīng)緯度位置完全一致，且坐標軸一致。建立室內(nèi)坐標系后，按照室內(nèi)坐標和經(jīng)緯度之間的對應(yīng)關(guān)系，室內(nèi)坐標也可以方便地換算為經(jīng)緯度。

建立坐標系的目標是，讓室內(nèi)環(huán)境中的各個點均有其對應(yīng)的坐標表示。相比直接使用經(jīng)緯度而言，單獨建立的坐標系更加細粒度，更容易進行位置處理和誤差評估。圖2(a)是室內(nèi)場景的平面圖，圖2(b)展示了在室內(nèi)環(huán)境中建立的坐標，其原點設(shè)置在場景的左下方墻角位置。

圖2 室內(nèi)坐標和網(wǎng)格構(gòu)建

3.2 網(wǎng)格點劃分和采樣

對室內(nèi)場景進行網(wǎng)格化均勻劃分，并在劃分的多個位置收集Wi-Fi指紋數(shù)據(jù)和多個圖像數(shù)據(jù)，記錄其二維坐標位置。在進行Wi-Fi指紋采集時，出于部分強度較低的Wi-Fi AP存在明顯的波動情況，本文采用了分時多次采集的策略。對于圖像數(shù)據(jù)，將圖像壓縮為相同尺寸后，標識圖像采集的坐標位置和羅盤記錄的平均方位值。

網(wǎng)格點劃分以固定的長度為劃分距離，對室內(nèi)環(huán)境的可行走范圍進行數(shù)據(jù)收集。由于圖像數(shù)據(jù)和拍照的角度和位置直接相關(guān)，因此對于圖像而言，除了標識坐標信息，羅盤對應(yīng)的平均方位值也需要作為必要信息。本文以0.5 m為步長劃分取樣點，網(wǎng)格點劃分的情況反映在圖2(b)，其中劃分的網(wǎng)格長寬均為0.5 m。圖2(c)展示了室內(nèi)可達范圍的室內(nèi)采樣的點分布信息。

3.3 特征提取

將各個室內(nèi)特征點位置上采集的Wi-Fi通過k-means[5]的方式進行聚類，并記錄聚類中心點向量數(shù)據(jù)，和每個聚類包含的關(guān)鍵點坐標數(shù)據(jù)。對圖像提取SURF特征[12]，并將SURF特征和圖像的采集位置、采集角度存放在服務(wù)器數(shù)據(jù)庫中。

SURF特征是圖像的局部特征，其在于兩個關(guān)鍵步驟，即提取關(guān)鍵點和生成對關(guān)鍵點的描述。需要從圖像中提取的關(guān)鍵點可以描述為不會因為光照條件改變而消失的點，例如邊緣、物體的邊角等。和SIFT利用高斯差值(Difference of Gaussian, DoG)來近似高斯拉普拉斯變換(Laplacian of Gaussian, LoG)類似，SURF利用盒過濾器(Box Filter)對待處理的圖像進行濾波，并利用海賽矩陣來定位關(guān)鍵點的位置。H(v,w)表示了在二維圖像上的坐標為(x,y)的點v在尺度系數(shù)w時的海賽矩陣，可以表示為：

(1)

關(guān)鍵點的描述在于將生成特征向量用于唯一描述點的特征，不受旋轉(zhuǎn)、光照和放縮等影響。它的實現(xiàn)是通過在關(guān)鍵點周圍沿其經(jīng)過統(tǒng)計得來的主方向取4×4的矩形區(qū)域塊，從而生成進行四組方向變換后得到64維向量，以該向量描述關(guān)鍵點。關(guān)鍵點的特征向量可以用于進行點匹配，匹配的方法可以使用歐氏距離。

通過對Wi-Fi進行聚類，本質(zhì)上是尋找單獨利用Wi-Fi指紋信息容易劃分的室內(nèi)區(qū)域。在室內(nèi)區(qū)域面積較小且有明確劃分的情況下，大多數(shù)研究均傾向于直接使用建筑物理結(jié)構(gòu)上劃分來作為室內(nèi)區(qū)域，定位到某個房間，但相比而言，通過聚類自動劃分區(qū)域的方式可以同時適用于空間結(jié)構(gòu)緊湊(例如：小型辦公室樓、民居)和空間面積開闊(例如：室內(nèi)廣場、地下停車場)的情況。

由于圖像的拍攝角度、傾斜、光照等因素會對匹配結(jié)果帶來影響，而具有旋轉(zhuǎn)、明暗和放縮不變性的SURF特征來標識每張圖像可以有效避免這些干擾，因此將SURF特征作為圖像用于匹配的特征。

3.4 生成匹配區(qū)間

Wi-Fi指紋數(shù)據(jù)聚類后，可得到的每個簇C1,C2,…,Cn包含的Wi-Fi指紋集合U1,U2,…,Un和對應(yīng)的中心點O1,O2,…,On。由于Wi-Fi指紋的相似度和采集位置的遠近存在正相關(guān)關(guān)系，因此，每一個簇Ci包含的Wi-Fi指紋對應(yīng)的采集坐標組成在室內(nèi)坐標系里的一個匹配區(qū)間Zi。由于該區(qū)間由采集Wi-Fi的相似程度決定，因此除了可用于緊湊布局的室內(nèi)環(huán)境定位，也適用于室內(nèi)廣場等空曠的環(huán)境。

4 線上階段

線上階段是定位算法主流程，通過Wi-Fi雙層過濾的方式，配合圖像定位來進行室內(nèi)用戶的精準定位。Wi-Fi雙層過濾借鑒多層篩選、匹配的思想：第一步通過利用Wi-Fi指紋信息，對用戶的當前位置進行粗略估計，確定用戶的所在位置區(qū)間；第二步利用圖像定位，結(jié)合本文提出的圖像位置補償算法，來進行精準點定位。

4.1 位置區(qū)間匹配

位置區(qū)間是通過Wi-Fi聚類生成的區(qū)間，位置區(qū)間用于對用戶所在位置進行粗略估計。用戶用手機進行室內(nèi)定位時，首先會利用當前設(shè)備捕獲的Wi-Fi信息計算在室內(nèi)環(huán)境內(nèi)生成的各個匹配區(qū)間的相似度，并以相似度最高的區(qū)間作為用戶當前所在的區(qū)間。

用戶在環(huán)境中捕獲的Wi-Fi指紋向量FPu包含各個AP采集的實時信號強度值，通過Wi-Fi雙層過濾的方式，配合圖像定位來進行室內(nèi)用戶的精準定位。

r1,r2,…,rn為多個AP的強度數(shù)據(jù)，且對于任意一個AP強度，均滿足ri≤0。第i個匹配區(qū)間Zi包含本文利用平均余弦相似度的方法來計算FPu對于第i個匹配區(qū)間Zi的匹配程度，計算公式可表示為:

(2)

其中:FPu·APij表示用戶實時捕獲的Wi-Fi指紋向量和指紋集合Ui中第j個預先采集向量的點積?！現(xiàn)Pu‖2‖APij‖2表示兩者的向量模乘積。由于FPu和APij的余弦相似度的值滿足FPu·APij∈[-1,1]，因此Sim(FPu,Zi)的值也滿足Sim(FPu,Zi)∈[-1,1]。

通過對每一個匹配區(qū)間計算匹配相似度，可以通過比較得到目標位置區(qū)間，其計算式可以表達為:

(3)

4.2 圖像匹配

在確定用戶所在的當前位置區(qū)間x后，通過使用手機攝像頭捕獲用戶當前場景圖像，并利用圖像匹配，結(jié)合本文提出的圖像距離補償算法，與該位置區(qū)間內(nèi)采集的場景圖像特征一起確定當前用戶所在的坐標位置。

4.2.1 圖像關(guān)鍵點匹配

圖像關(guān)鍵點匹配是利用圖像特征點對圖像進行匹配的一種方法。它通過對需要匹配的圖像的關(guān)鍵點特征和預先采集的圖像關(guān)鍵點進行相似度評估，并以特征點之間的相似度進行綜合評估，找出最相似圖像。

當前用戶通過攝像頭采集的圖像T0通過與位置區(qū)間x中的圖像Ti,0

由于利用SURF匹配時，算法本身難以綜合考慮拍攝角度和遠近，因此容易產(chǎn)生局部特征相似，而整體差異較大的情況。對于圖像定位，整體程度的相似性對于判斷拍攝距離的遠近、角度等至關(guān)重要。因此，本文提出了一種綜合考慮關(guān)鍵點信息的距離補償算法，用于對SURF匹配進行修正，以適應(yīng)更加精準的圖像定位。

4.2.2 距離補償

采集的圖像T0與位置區(qū)間篩選的第s幅圖像Ts實現(xiàn)進行匹配后，得到(D1,E1),(D2,E2),…,(Dn,En)多組匹配點對。對于第s組匹配點對，其在圖像上的坐標位置可以表示為坐標對((Dsx,Dsy),(Esx,Esy)) ，本文利用距離系數(shù)DR(Distance Ratio)來估算相對于采集圖像，圖像Ts的拍攝距離和角度的差異。

(4)

其中1≤i≤n，且有：

(5)

DR(Ts|T0)距離補償系數(shù)描述了以圖像T0為參照情況下，圖像Ts的拍攝位置和角度的相似程度。該算法根據(jù)圖像物體和拍攝距離的位置關(guān)系，對匹配的相似點進行像素位置判斷，由此從二維上推斷三維上的遠近關(guān)系。由常識可知，對于固定在空間某一點的物體M，一固定焦距的相機離該物體的距離和該物體在相機中投影的大小呈現(xiàn)反相關(guān)關(guān)系；同時，該相機和物體M的距離與該物體上兩個端點在相機中的投影距離呈現(xiàn)反相關(guān)關(guān)系。因此，通過對同一個物體在不同位置的同焦距相機中投影中的二維點的距離差異，可以估計出三維空間中拍攝位置的遠近程度。圖3展示了不同遠近位置的圖像T1、T2、T3和當前圖像T0的距離系數(shù)。

圖3 不同位置的距離系數(shù)比較

4.2.3 SURF點相似度匹配

進行圖像關(guān)鍵點匹配后，將攝像頭當前采集圖像T0與Ts的距離系數(shù)按與1的遠離程度進行排序，即按照距離差異值(Distance Diversity)從小到大進行排序，并篩選出前N個對應(yīng)的圖像。在本文中，N取值為10。

DD(Ts|T0)=[DR(Ts|T0)-1]2

(6)

獲取了前N個距離差異值最小的圖像后，利用SURF特征的相似度來進一步對圖像進行篩選。利用OpenCV，可以獲取N幅圖像中，每一幅圖像的第i個匹配點Ei對和T0的第i個匹配點Di的相似度SURF(Di,Ei)。由此，可以通過式(6)來得出所有SURF點對的平均特征相似程度(Average Point Matching Similarity, APMS)。

(7)

APMS最高的圖像Tmax被作為目標確定的圖像，該圖像事先標注的位置坐標作為用戶室內(nèi)當前定位的坐標。

5 性能分析

為測試該定位算法的可行度，本文在對定位精度進行評估之前，從計算復雜度、實時性能以及圖像抖動幾個方面對提出的算法進行了單獨分析。

5.1 計算復雜度

本算法框架包含多個獨立的計算流程，因此分開對多個關(guān)鍵的算法步驟進行分析，各個階段的關(guān)鍵步驟的計算復雜度如表2所示。

表2 算法關(guān)鍵步驟計算復雜度

其中，n表示輸入的數(shù)據(jù)數(shù)量，表示圖像或者Wi-Fi的匹配個數(shù)。在Wi-Fi特征聚類中，k表示生成的匹配區(qū)間個數(shù)，t表示了迭代次數(shù)。O(SURF)表示了同等設(shè)置下利用SURF算法的時間復雜度。

5.2 實時性能

本文對該定位算法在線上階段的實時性能進行了測試和評估，情況如表3所示。

利用手機端進行定位測試時，整體定位的平均時延在2～3 s。對于日常使用而言，該時延相比GPS定位的實時性較差，但作為一般弱實時性應(yīng)用使用，其實時性尚可接受。

表3 算法關(guān)鍵步驟實時性能

5.3 圖像抖動性能評估

當進行圖像定位時，圖像的清晰程度對于線上階段的關(guān)鍵點匹配、距離補償和SURF點相似度匹配的性能均有直接關(guān)系。鏡頭的晃動和行走時造成顛簸對圖像定位的精度會直接造成損害。本文用在各種運動狀態(tài)下手機捕獲的圖像各50張，對這三個直接相關(guān)的算法步驟進行了性能衰減評估(以靜止時為標準，各個情況的結(jié)果保留值)。分析抖動帶來的精度影響結(jié)果如表4所示。

表4 抖動性能評估

通過實驗，可以反映出轉(zhuǎn)向帶來的抖動相比直行帶來的影響更大。由于視角變化快，轉(zhuǎn)向帶來的模糊效應(yīng)相比直行較高。此外距離補償算法相比而言不容易受到抖動干擾。而關(guān)鍵點匹配，SURF匹配和圖像質(zhì)量直接相關(guān)，因此在劇烈運動時其效果均衰減嚴重?？傮w而言，本算法在移動和轉(zhuǎn)向速度較慢時有更高的可行性。

6 實驗

本文選擇了寫字樓內(nèi)部一層進行坐標系建立，并在各個點進行了Wi-Fi指紋和多個角度的圖像取樣。在每一個取樣點上，均采集了300個Wi-Fi指紋(早、中、晚各采樣100個)，和50張不同角度的照片。在采樣和測試環(huán)境中，室內(nèi)光照充足，且無明顯遮擋問題。對于特征信息過少的照片(例如完整一堵空曠墻壁的照片)，本文進行了預先剔除。

通過對Wi-Fi聚類，利用elbow method[19]對聚類個數(shù)進行分析，可以獲得最佳的聚類個數(shù)。在本實驗中，聚類的最佳個數(shù)選定為7個。圖4展示了通過elbow method對和簇個數(shù)的方差差異情況。

在進行線上Wi-Fi定位后，獲取用戶所在的區(qū)域后，在該區(qū)域利用手機捕獲的圖像信息，進行室內(nèi)點定位。實驗中，本文使用了360 N4S、Mate 9以及S6手機作為實驗設(shè)備，利用距離補償(DC)和SURF點相似度進行了匹配測試。為了驗證距離補償和雙層過濾對于定位的有效性，本文額外驗證了在不使用DC和雙層過濾時的定位效果，分別是:1)僅通過SURF點特征相似度的定位;2)Wi-Fi位置區(qū)間匹配與SURF點特征相似度結(jié)合的定位。其定位匹配的正確率情況如圖5所示。

圖4 聚類簇數(shù)量分析

圖5 采樣點匹配正確率

對于沒有成功匹配的定位，通過計算預測定位點和真實定位點的距離差異，在使用SURF點特征相似匹配、Wi-Fi位置區(qū)間和SURF相似度以及Wi-Fi位置區(qū)間結(jié)合SURF相似度和距離補償?shù)那闆r下，其平均定位誤差如圖6所示。

圖6 平均定位誤差距離

通過對比定位效果，可以看出本文提出的結(jié)合Wi-Fi和圖像雙層過濾的算法相比單獨利用SURF點相似度匹配有更高精度，當使用距離補償進行SURF匹配之前的預處理后，其定位精度有了明顯提升?？梢钥闯?，本文提出的算法在77%～82%的情況下可以精準匹配，且整體上其定位誤差在0.61～0.81 m。

本文對平均定位誤差距離進行了進一步探究和比對。Extended Liang & Wang方法是對Liang等[14]和Wang等[13]的方法的拓展[20]。其定位效果比較如圖7所示，其中點標注的線和叉標注的線分別代表了本文方法和Extended Liang & Wang方法的定位精度變化情況。實驗證明，本文提出的定位方法顯著優(yōu)于Extended Liang & Wang方法。

7 結(jié)語

室內(nèi)定位對于室內(nèi)商業(yè)活動、監(jiān)控、物流等一直具有重要意義。在手機端，已經(jīng)有不少學者對于利用Wi-Fi定位進行了研究，但出于Wi-Fi本身的不穩(wěn)定性，Wi-Fi定位集中于對于室內(nèi)房間和區(qū)域定位，在更普遍的場合難以進行坐標定位。也有不少研究利用Wi-Fi和圖像進行點定位，但其圖像定位大多基于預先設(shè)定的圖像標簽，利用圖像在相機中的投影和其預先存儲的空間幾何關(guān)系來進行點定位，但由于其需要在多個地點放置明顯容易識別的圖像標簽，因此受到視角視野的限制，且容易對用戶造成視覺干擾。本文提出的混合算法采用雙層過濾的方式，利用Wi-Fi聚類確定用戶所在區(qū)域，并在該區(qū)域結(jié)合距離補償和SURF相似度來匹配得到用戶所在坐標，實現(xiàn)了在Wi-Fi的AP數(shù)量較小情況下的精準點定位。該定位算法對于工業(yè)生產(chǎn)有著可觀的實際應(yīng)用價值，但在幾個方面依然需要改進：1)出于實時性常作為評價定位性能的指標之一，利用SURF圖像匹配相比Wi-Fi定位耗時，增加了時間開銷；2)在用戶進行快速移動時，出于圖像抖動的情況，圖像匹配準確率較低。盡管如此，在對實時性要求不高且平穩(wěn)移動的場合，本文提出的算法有較高的實際意義。

圖7 本文方法與文獻[20]方法平均定位誤差累積分布函數(shù)對比