技術(shù)特征：

1.一種基于多特征的室內(nèi)融合定位方法，其特征包括以下部分：

Wi-Fi指紋概率計算，分成離線訓(xùn)練階段和在線定位階段，離線訓(xùn)練階段收集指紋數(shù)據(jù)并建立指紋數(shù)據(jù)庫；在線定位階段實時獲取Wi-Fi接收信號強度信息，使用余弦相似度匹配算法計算指紋點的概率；

慣性導(dǎo)航計算，分成步數(shù)計算、步長計算、行走方向估計三個階段：

步數(shù)計算，首先加速度傳感器和陀螺儀收集加速度和角速度數(shù)據(jù)，然后計算一定區(qū)間內(nèi)的加速度標(biāo)準(zhǔn)差，根據(jù)加速度標(biāo)準(zhǔn)差及角速度大小判斷用戶是否行走，若行走，則進行窗口波峰檢測、動態(tài)時間規(guī)整、加速度導(dǎo)數(shù)分析和波峰復(fù)活策略，得到該區(qū)間內(nèi)行走步數(shù)；

步長估計，根據(jù)前一階段得到的步數(shù)和行走區(qū)間長度，計算得到行走步頻，根據(jù)步頻與步長關(guān)系模型，得到行走步長；

行走方向估計，通過水平加速度傳感器和線性加速度傳感器數(shù)據(jù)計算得到水平加速度，進行水平加速度的時頻域分析及基于重力方向的調(diào)整，再結(jié)合磁場方向得到用戶的地理行走方向；

粒子濾波融合，利用以上得到的指紋點概率、步數(shù)、步長和行走方向，結(jié)合地圖的路徑信息和墻壁信息，進行粒子濾波，得到用戶位置。

2.如權(quán)利要求1所述的基于多特征的室內(nèi)融合定位方法，其特征在于所述Wi-Fi指紋概率計算步驟為：

離線訓(xùn)練階段：在進行定位之前進行指紋數(shù)據(jù)的收集，具體做法是在定位場所內(nèi)每隔一定距離設(shè)定一個指紋點，在每一個指紋點位置收集15到30組Wi-Fi接收信號強度信息，接著，將收集到的RSSI信息進行訓(xùn)練，給每一個位置生成指紋，指紋的結(jié)構(gòu)為一條由不同AP區(qū)分維度的RSSI向量{AP₁:RSSI₁,AP₂:RSSI₂,AP₃:RSSI₃...}，向量的RSSI值是統(tǒng)計的平均值；

在線定位階段：用戶使用手機掃描附近AP的信號，得到RSSI向量{AP₁:RSSI₁,API₂:RSSI₂,AP₃:RSSI₃...}，將此向量與指紋數(shù)據(jù)庫中的指紋進行相似度匹配，得到每一個指紋點的概率，指紋相似度匹配算法使用如以下公式所示的余弦相似度匹配算法：

$cos\mathrm{\θ}=\frac{A\·B}{\left|A\right|\left|B\right|}=\frac{\underset{j=1}{\overset{m}{\Σ}}({\mathrm{rssi}}_a^j\·{\mathrm{rssi}}_b^j)}{\sqrt{\underset{j=1}{\overset{m}{\Σ}}{\left({\mathrm{rssi}}_a^j\right)}^2\·\underset{j=1}{\overset{m}{\Σ}}{\left({\mathrm{rssi}}_b^j\right)}^2}}$

$p=\frac{1+cos\mathrm{\θ}}{2}.$

3.如權(quán)利要求1所述的基于多特征的室內(nèi)融合定位方法，其特征在于所述步數(shù)計算步驟為：

首先加速度傳感器收集加速度數(shù)據(jù)，計算一定區(qū)間內(nèi)的加速度數(shù)據(jù)標(biāo)準(zhǔn)差，標(biāo)準(zhǔn)差大于某一閾值，則說明用戶正在行走，否則說明用戶靜止，另外，從陀螺儀獲取角速度數(shù)據(jù)，當(dāng)角速度大于某一閾值時，用戶也將會被判定為靜止，若用戶靜止，該階段停止，并且輸出為0；

若用戶正在行走，則首先對加速度數(shù)據(jù)進行中心移動平均處理得到平滑的加速度波形，再使用窗口波峰檢測得到波峰位置，檢測波峰時兩個波峰的距離不小于窗口大?。?/p>

然后，對第i個波與第i-2個波進行動態(tài)時間規(guī)整得到波形相似度距離，相似度距離小于設(shè)定的某一閾值時，第i個波峰記為動態(tài)時間規(guī)整有效波峰；

接著，對加速度數(shù)據(jù)在時域上求導(dǎo)，對第i個波峰時間點與第i-1個波峰時間點之間的加速度導(dǎo)數(shù)檢測最小值，再檢測最小值是否單調(diào)遞增至該區(qū)間內(nèi)較大的導(dǎo)數(shù)值或者是由較大導(dǎo)數(shù)值單調(diào)遞減至該最小值，若是，則第i個峰值被認(rèn)為是導(dǎo)數(shù)分析有效峰；

若波峰同時是動態(tài)時間規(guī)整有效峰和導(dǎo)數(shù)分析有效峰，則該波峰被認(rèn)為是有效步；

最后，將相距短時間內(nèi)的有效步之間的非有效步波峰也判為有效步，以糾正誤差，最終步數(shù)為有效步波峰數(shù)目n。

4.如權(quán)利要求1所述的基于多特征的室內(nèi)融合定位方法，其特征在于所述步長估計步驟為：

經(jīng)過步數(shù)計算階段得到的步數(shù)和時間區(qū)間，可以計算出步頻；

根據(jù)步頻與步長的關(guān)系模型,計算得到步長l。

5.如權(quán)利要求1所述的基于多特征的室內(nèi)融合定位方法，其特征在于所述行走方向估計步驟為：

通過加速度傳感器和線性加速度傳感器數(shù)據(jù)計算得到水平加速度數(shù)據(jù)，分別對水平加速度的x,y,z分量進行傅立葉變換得到頻域分布圖，x,y,z頻域圖在步頻位置附近的最大值，記為m_x、m_y、m_z,則基于手機坐標(biāo)系的行走方向為(±m(xù)_x,±m(xù)_y,±m(xù)_z)；

接著，分別計算各分量的時域變化趨勢，結(jié)果如果大于等于0，該分量取正值，否則取負(fù)值；

然后，基于重力方向?qū)η斑M方向分量符號作調(diào)整，計算單位重力方向在x和y軸上的分量是否大于某一閾值，若大于某一閾值，則前進方向在x或y軸上的分量的符號取與重力對應(yīng)分量相反的符號；

最后結(jié)合磁場傳感器得到磁場在手機坐標(biāo)系上的方向，計算地理坐標(biāo)系的行走方向夾角θ。

6.如權(quán)利要求1所述的基于多特征的室內(nèi)融合定位方法，其特征在于所述粒子濾波融合步驟為：

1)初始時刻，根據(jù)Wi-Fi指紋定位選取概率最高的k個指紋點，在這些指紋點處生成m個粒子，指紋點概率越高在該指紋點處生成的粒子越多，粒子的權(quán)重為1/m，由于初始時刻沒有行走過程，直接跳到步驟5計算位置；

2)在非初始時刻，使用慣性導(dǎo)航算法得到步長l，方向角度，步數(shù)n，使用這些數(shù)據(jù)，通過以下方法生成新粒子位置:

a)計算粒子的前進距離為:

L＝n(l+G(0,1)·r)

其中，G(0,1)是平均值為0標(biāo)準(zhǔn)差為1的高斯分布函數(shù)，r是步長誤差強度；

b)計算粒子的前進方向為：

α＝θ+G(0,1)·λ

其中，G(0,1)是平均值為0標(biāo)準(zhǔn)差為1的高斯分布函數(shù)，是方向誤差強度；

c)計算新的粒子位置為：

x_new＝x_old+Lcosα

y_new＝y(tǒng)_old+Lsinα

其中，x_old和y_old是舊粒子的x,y坐標(biāo)，x_new和y_new是新粒子的x,y坐標(biāo)；

3)通過WiFi指紋定位算法計算得到每一個指紋點的概率，在概率最高的k個指紋點中，找到離粒子位置最近的兩個指紋點，進行以下操作確定粒子權(quán)重：

a)若粒子離最近指紋點的距離大于某一閾值d，則粒子的權(quán)重為0；

b)若粒子的更新路線撞墻，則粒子的權(quán)重為0；

c)否則，通過以下公式計算粒子的權(quán)重

$w_{new}=max(0,(\frac{d_2}{d_1+d_2}{p}_1+\frac{d_1}{d_1+d_2}{p}_2\left)\right(1-0.1d_1\left)w_{old}\right)$

其中，d₁和d₂分別是離最近指紋點和第二近指紋點的距離，p₁和p₂分別是這兩個指紋點對應(yīng)的指紋概率，w_old為舊粒子權(quán)重；

4)根據(jù)粒子的權(quán)重和位置進行粒子重采樣，重新生成m個粒子，采樣規(guī)則為：對于每一個舊粒子，其權(quán)重越高，在該粒子位置生成的新粒子越多，每一個新粒子的權(quán)重為1/m；

5)計算m個新粒子的聚類中心作為當(dāng)前定位結(jié)果；

6)重復(fù)2，3，4，5步驟。