本發(fā)明的技術(shù)方案涉及為了網(wǎng)絡(luò)管理的目的無線通信網(wǎng)絡(luò)技術(shù)，具體地說是一種室內(nèi)定位方法。

背景技術(shù)：

室內(nèi)定位是指在室內(nèi)環(huán)境中實現(xiàn)位置定位，主要采用無線通訊、基站定位、慣導定位等多種技術(shù)集成形成一套室內(nèi)位置定位體系，從而實現(xiàn)人員、物體等在室內(nèi)空間中的位置監(jiān)控。由于室內(nèi)環(huán)境復雜多變，且無法接收GPS(Global Positioning System全球定位系統(tǒng))信號，使得目前室內(nèi)定位有一定的困難。在室內(nèi)環(huán)境無法使用衛(wèi)星定位時，使用室內(nèi)定位技術(shù)作為衛(wèi)星定位的輔助定位，解決衛(wèi)星信號到達地面時較弱、不能穿透建筑物的問題，最終定位物體當前所處的位置。

從目前公開的文獻和技術(shù)手段來看，研發(fā)較多的室內(nèi)定位技術(shù)有：Wi-Fi技術(shù)，該技術(shù)是基于WLAN(Wireless Local Area Network無線局域網(wǎng))的室內(nèi)定位，需要事先布置好無線接入點AP(Access Point)，在無定位需求時會造成資源浪費；超寬帶技術(shù)，是基于UWB(Ultra Wide Band超寬帶技術(shù))的室內(nèi)定位，目前至少需要三個信號接收機，且接收機與發(fā)射機之間不能存在障礙物；慣導定位技術(shù)，是基于慣性傳感器(Inertial sensors)的室內(nèi)定位，由于慣性傳感器受微電子機械系統(tǒng)噪聲的影響，不可避免地影響定位精度。

CN103402256B公開了一種基于WiFi指紋的室內(nèi)定位方法；CN106304331A披露了一種WiFi指紋室內(nèi)定位方法；CN103582119B公告了WiFi室內(nèi)定位系統(tǒng)的指紋數(shù)據(jù)庫構(gòu)建方法。從目前公開的有關(guān)WiFi定位技術(shù)的文獻來看，基于WiFi指紋的定位技術(shù)全部采用MAC地址與信號強度RSSI值構(gòu)建指紋，該方法構(gòu)建的指紋庫復雜，且定位準確率易受室內(nèi)環(huán)境變化的影響。

CN106295512A公開了基于標識的多糾正線室內(nèi)視覺數(shù)據(jù)庫構(gòu)建方法以及室內(nèi)定位方法，此方法基于相機，通過檢索帶有特定標識的圖像來實現(xiàn)定位與導航，這在現(xiàn)實的室內(nèi)環(huán)境中難以實現(xiàn)，需要在室內(nèi)布置一系列帶有同一標識的圖像集，需改動室內(nèi)環(huán)境；CN106228538A公開了基于logo的雙目視覺室內(nèi)定位方法，定位過程需要雙臺相機來獲取圖像，利用攝像機對目標點進行定位，涉及到攝像機內(nèi)外參數(shù)的標定以及攝像機坐標系、圖像坐標系與世界坐標系三者之間的轉(zhuǎn)換，一般應(yīng)用于移動機器人的三維定位領(lǐng)域，向普通大眾推廣應(yīng)用較困難?？傊?，現(xiàn)有的單一的視覺定位方法技術(shù)不適用于室內(nèi)定位。

綜上所述，目前尚無經(jīng)濟且成熟的室內(nèi)定位技術(shù)。隨著互聯(lián)網(wǎng)、無線通信、計算機技術(shù)、測繪技術(shù)和設(shè)備制造等關(guān)鍵技術(shù)的飛速發(fā)展，室內(nèi)定位將向著不同室內(nèi)定位技術(shù)互補結(jié)合的方向發(fā)展。通過不同室內(nèi)定位技術(shù)互補結(jié)合的方式彌補某一項室內(nèi)定位方法的劣勢，如何將各種不同的室內(nèi)定位技術(shù)有機地結(jié)合起來將是該技術(shù)領(lǐng)域研究的熱點。

技術(shù)實現(xiàn)要素：

本發(fā)明所要解決的技術(shù)問題是：提供一種室內(nèi)定位方法，是采用基于WiFi指紋的定位與基于標志的視覺定位相結(jié)合的方法，實現(xiàn)高精度的室內(nèi)定位，該方法克服了現(xiàn)有WiFi指紋定位技術(shù)存在的精度低和現(xiàn)有的單一的視覺定位方法技術(shù)不適用于室內(nèi)定位的缺陷。

本發(fā)明解決該技術(shù)問題所采用的技術(shù)方案是：一種室內(nèi)定位方法，是采用基于WiFi指紋的定位與基于標志的視覺定位相結(jié)合的方法，首先利用WiFi位置指紋定位算法得到WiFi定位范圍及WiFi定位坐標，再根據(jù)被測試圖像的特征匹配與視覺定位得到視覺定位坐標，最后將WiFi位置指紋定位與視覺定位相結(jié)合，具體步驟如下：

第一步，生成WiFi指紋：

基于Java語言開發(fā)一項Android App，獲得WiFi信號的MAC地址，并生成txt文件保存在智能手機中，由此生成WiFi指紋；

第二步，構(gòu)建WiFi位置指紋數(shù)據(jù)庫：

選取室內(nèi)環(huán)境下的走廊區(qū)域為定位區(qū)域，在該走廊區(qū)域中，選取30～60個WiFi采樣點，每個采樣點的坐標已知，在每個采樣點利用已安裝的App檢測可以檢測到的WiFi信號，獲得其MAC地址序列并保存為WiFi位置指紋數(shù)據(jù)庫中的指紋，由保存的一系列的MAC地址序列組成WiFi位置指紋數(shù)據(jù)庫，每一個指紋對應(yīng)唯一的位置信息，在選定的定位區(qū)域中，設(shè)定60個WiFi采樣點，將每個采樣點采集到的MAC地址作為該采樣點的指紋，遍歷所有采樣點便可得到60個指紋，保存入WiFi位置指紋數(shù)據(jù)庫，由此完成構(gòu)建WiFi位置指紋數(shù)據(jù)庫；

第三步，WiFi指紋定位：

在定位階段，在上述第二步選取的定位區(qū)域內(nèi)設(shè)定待定位點x處的位置坐標為(x,y)，可接收到N_x個WiFi信號，利用第一步中的App檢測得到此定位點x的實測指紋利用指紋匹配算法將這個實測指紋xf與上述第二步中的WiFi位置指紋數(shù)據(jù)庫中的指紋lf進行匹配，得到匹配度最高的三個指紋，從而得到WiFi定位范圍(x₀～x₁,y₀～y₁)及WiFi定位坐標(x_w,y_w)，實現(xiàn)WiFi指紋定位；

第四步，生成訓練圖像集：

在上述第二步的定位區(qū)域內(nèi)，所有門牌的坐標是已知的，這些門牌都是標志采樣點，即待定位點，利用智能手機拍攝門牌，遍歷所有的標志采樣點，生成訓練圖像集，由于標志采樣點是WiFi采樣點中的一部分，因此標志采樣點的坐標已知，訓練圖像的坐標就是標志采樣點的坐標；

第五步，計算SURF全局特征描述符：

首先對上述第四步得到的訓練圖像進行預處理，包括歸一化處理和灰度化處理，然后計算SURF全局特征描述符，包括兩部分，第一部分是特征點定位，第二部分是特征描述符計算，將歸一化處理后的圖像的中心點作為特征點，將該整幅圖像作為此特征點的單一鄰域，由此計算出的特征描述符作為該整幅圖片的SURF全局特征描述符；

第六步，計算ORB全局特征描述符：

(6.1)確定特征點的主方向：

同上述第五步將歸一化處理后的圖像的中心點作為特征點，該特征點的主方向利用圖像矩來計算，對于任意一個特征點，其圖像矩為其中I(x,y)是點(x,y)處的灰度值，該特征點的鄰域圖像的質(zhì)心鄰域圖像的質(zhì)心與特征點的夾角為θ＝arctan 2(m₀₁,m₁₀)，即為特征點的主方向；

(6.2)生成BRIEF特征描述子：

BRIEF特征描述子的生成過程如下：P表示一個經(jīng)平滑處理的圖像鄰域，在任意位置點x和y的二進制測試是這兩點強度測試的邏輯結(jié)果：其中，P(x)表示圖像P上一點x處的強度，經(jīng)過n次二進制測試，得到一個n維向量，即BRIEF特征描述子這里選取n＝256，得到的是256位的二進制字符串；

(6.3)計算出ORB全局特征描述符：

為了使BRIEF特征描述子具有旋轉(zhuǎn)不變性，根據(jù)上述(6.1)步確定的特征點的方向設(shè)置BRIEF特征描述子的方向，對于任意圖像像素點(x_i,y_i)的n位二進制測試集得到的特征集合，定義一個2×n矩陣由上述(6.1)步確定的特征點的主方向計算出仿射變換矩陣由此得到S_θ＝R_θS，S_θ即為具有旋轉(zhuǎn)不變性的BRIEF特征描述子，最后計算出具有旋轉(zhuǎn)不變性的ORB全局特征描述符：g_n(P,θ):＝f_n(P)|(x_i,y_i)∈S_θ，這里選取n＝256；

第七步，采集被測試圖像：

在上述第二步所述的定位區(qū)域內(nèi)，利用智能手機在待定位點拍攝與之最近的門牌，采集到被測試圖像；

第八步，被測試圖像的特征匹配與視覺定位：

被測試圖像的特征匹配方法是，①計算兩個SURF全局特征描述符之間的歐氏距離：兩個SURF全局特征描述符L¹，L²之間的歐氏距離其中i為64維特征向量的第i維；②計算兩個ORB全局特征描述符之間的漢明距離：兩個ORB全局特征描述符R¹，R²之間的漢明距離通過對兩個二進制字符串T¹，T²進行位異或運算得到，其中i為256位字符串的第i位；上述兩個特征描述符的距離越小，圖像匹配度越高；

視覺定位的方法是，首先分別采用上述第五步和第六步的方法計算上述第七步采集到的被測試圖像的SURF全局特征描述符與ORB全局特征描述符，然后利用上述被測試圖像的特征匹配方法分別計算該被測試圖像的SURF全局特征描述符與ORB全局特征描述符與上述第四步得到的訓練圖像的SURF全局特征描述符與ORB全局特征描述符之間的距離，再利用KNN算法在SURF匹配空間計算三個近鄰，即計算與該被測試圖像的SURF全局特征描述符的歐氏距離最小的三個上述第四步得到的訓練圖像，在ORB匹配空間計算二個近鄰，即計算與該被測試圖像的ORB全局特征描述符的漢明距離最小的二個上述第四步得到的訓練圖像，最后取三個近鄰與二個近鄰的交集，作為與該被測試圖像最相近的上述第四步訓練圖像集中的訓練圖像，稱為匹配圖像，此匹配圖像對應(yīng)的位置坐標即為視覺定位坐標(x_v,y_v)，由此完成視覺定位；

第九步，WiFi指紋定位與視覺定位相結(jié)合的定位：

在上述第三步得到WiFi定位范圍后，將坐標位于WiFi定位范圍內(nèi)的上述第四步生成訓練圖像集中的訓練圖像構(gòu)成匹配圖像集，當上述第八步的匹配圖像位于該匹配圖像集內(nèi)，則將上述第八步得到的視覺定位坐標(x_v,y_v)作為最終的室內(nèi)定位位置坐標，反之將上述第三步得到的WiFi定位坐標(x_w,y_w)作為最終的位置坐標，由此完成WiFi指紋定位與視覺定位相結(jié)合的定位。

上述一種室內(nèi)定位方法，所述第三步中的指紋匹配算法，是將實測指紋的MAC地址序列與上述WiFi位置指紋數(shù)據(jù)庫中所有指紋的MAC地址序列一一進行比較，當MAC地址相同，則匹配成功，匹配度其中，xf(MAC)是指實測指紋的地址序列，lf(MAC)是指上述WiFi位置指紋數(shù)據(jù)庫中第l個指紋的MAC地址序列，l＝(1,2,...,m)，Num[xf(MAC)＝lf(MAC)]表示MAC地址匹配成功的數(shù)目，最后將匹配度由高到低的三個指紋對應(yīng)的位置作為粗略定位范圍(x₀～x₁,y₀～y₁)，在此基礎(chǔ)上，得到WiFi定位坐標(x_w,y_w)，

上述一種室內(nèi)定位方法，所述第五步中的計算SURF全局特征描述符的方法是如下：

(1)計算特征點主方向：以特征點為中心，在半徑為6s的圓形鄰域內(nèi)，計算60度扇形內(nèi)所有點在x和y方向的Haar小波響應(yīng)的總和m_w，計算總和時要對這些響應(yīng)值進行高斯加權(quán)，d_x和d_y是Haar小波響應(yīng)在x和y方向的信息，60度扇形滑動窗以5度一步轉(zhuǎn)動，計算合成向量角度θ_w，再求出各方向扇形的合成向量模長最大值：向量模長最大值對應(yīng)的角度即為特征點主方向；

(2)計算SURF全局特征描述符：經(jīng)上述(1)步得到特征點主方向后，在特征點周圍取一個正方形框，框的邊長為20s，將該正方形劃分為4×4個子區(qū)域，對于每一個子區(qū)域，計算以5×5個固定間隔特征點的Haar小波響應(yīng)，每一個子區(qū)域的特征描述符v計算如下：v＝(Σd_x,Σd_y,∑|d_x|,Σ|d_y|)，所有的16個子區(qū)域的描述符合起來形成此特征點的SURF特征描述符，最終的SURF全局特征描述符是一個64維的向量：V＝{v₁,v₂,...,v₁₆}，其中v_i(i＝1,2,...,16)是第i個子區(qū)域的特征描述符；

上述s為尺度因子。

本發(fā)明的有益效果是：與現(xiàn)有技術(shù)相比，本發(fā)明的突出的實質(zhì)性特點如下：

(1)本發(fā)明一種室內(nèi)定位方法是利用WiFi指紋定位的原理與視覺定位的原理，采用基于WiFi指紋的定位與基于標志的視覺定位相結(jié)合的方法，首先利用WiFi位置指紋定位算法得到WiFi定位范圍及WiFi定位坐標，再根據(jù)被測試圖像的特征匹配與視覺定位得到視覺定位坐標，創(chuàng)造出一種基于WiFi指紋與視覺融合的高精度室內(nèi)定位方法。無論從原理上講還是在實際操作中來說，WiFi指紋定位和視覺定位難以在同一平臺下同時進行，WiFi指紋需利用智能手機進行采集，而指紋匹配算法需在C++環(huán)境下實現(xiàn)；視覺定位中訓練圖像和被測試圖像需利用手機進行拍攝，而SURF全局特征描述符與ORB全局特征描述符的計算以及特征匹配算法均需在C++環(huán)境下實現(xiàn)。本發(fā)明發(fā)明人經(jīng)過長期艱辛的研發(fā)工作，分別得到WiFi指紋定位的結(jié)果與視覺定位的結(jié)果并將其相結(jié)合，提出了一種將定位結(jié)果加以修正的方法。實驗結(jié)果表明，本發(fā)明提出的兩種定位技術(shù)相結(jié)合的定位方法準確率高，誤差較小。

(2)本發(fā)明方法中，WiFi指紋定位與視覺定位的互補之處在于：僅利用WiFi定位得到的結(jié)果誤差較大，正確率低，可利用視覺定位來修正；但當視覺定位出現(xiàn)偶然的較大誤差時，可將WiFi指紋定位的確切坐標來代替視覺定位坐標，從而減小定位誤差，實現(xiàn)高精度的室內(nèi)定位，本發(fā)明方法克服了現(xiàn)有WiFi指紋定位技術(shù)存在的精度低的缺陷。

與現(xiàn)有技術(shù)相比，本發(fā)明的顯著進步如下：

(1)本發(fā)明在構(gòu)建WiFi指紋時僅使用MAC地址，簡化了指紋數(shù)據(jù)庫，且只要無線接入點AP不被移除，指紋就不變，定位準確率與室內(nèi)環(huán)境的改變無關(guān)。

(2)本發(fā)明創(chuàng)新地將WiFi指紋定位與視覺定位相結(jié)合，揚長避短，可方便地實現(xiàn)高精度的室內(nèi)定位。

(3)本發(fā)明方法可以有效提高室內(nèi)定位的精度，傳統(tǒng)的基于WiFi指紋定位的室內(nèi)定位方法的精度一般在10m左右，本發(fā)明方法將WiFi指紋定位與視覺定位相結(jié)合，定位精度可達到6m，定位準確率可達到80％。

(4)本發(fā)明方法首先利用WiFi指紋定位得到粗略定位范圍及確切的位置坐標，之后重點在于利用視覺定位來修正WiFi指紋定位得到的確切位置坐標，因此在WiFi信號較少的環(huán)境下也可以使用。

(5)本發(fā)明方法不需要布署固定的WiFi接入點，操作簡單，成本小，不需要額外的裝置，不需要改動室內(nèi)環(huán)境。

(6)本發(fā)明方法利用室內(nèi)門牌做視覺定位，適用于室內(nèi)所有有門牌的場所，如會議室、室內(nèi)活動中心和辦公樓。

附圖說明

下面結(jié)合附圖和實施例對本發(fā)明進一步說明。

圖1為本發(fā)明方法的步驟流程示意框圖。

圖2為本發(fā)明方法開發(fā)的Android App的使用示意圖。

圖3為本發(fā)明方法的定位區(qū)域與采樣點分布示意圖。

圖中，1～60為定位區(qū)域內(nèi)的WiFi采樣點,三角箭頭所指的1，4，7，11，14，17，20，23，38，41，45，47，51，54，57，59為訓練圖像的標志采樣點,也即待定位點。

具體實施方式

圖1所示實施例表明，本發(fā)明方法的步驟流程是：生成WiFi指紋→構(gòu)建WiFi位置指紋數(shù)據(jù)庫→WiFi指紋定位→生成訓練圖像集→計算SURF全局特征描述符→計算ORB全局特征描述符→采集被測試圖像→被測試圖像的特征匹配與視覺定位→WiFi指紋定位與視覺定位相結(jié)合的定位。

圖2所示實施例表明，使用本發(fā)明方法開發(fā)的Android App，獲得WiFi信號的MAC地址(MAC ADDRESS)，并生成txt文件保存在智能手機中，由此生成WiFi指紋；圖中顯示了WiFi位置指紋數(shù)據(jù)庫中的一個WiFi采樣點處的指紋由一系列MAC地址構(gòu)成，此App在該采樣點處能接收到個17個WiFi信號，相應(yīng)地有17個MAC地址，按下智能手機中的“保存”按鈕即可將這個指紋保存為txt文件。

圖3所示實施例顯示了定位區(qū)域與采樣點的分布情況，定位區(qū)域選取了走廊的一段，其長為60m，寬為3m，該定位區(qū)域內(nèi)的WiFi采樣點呈網(wǎng)狀分布，共60個，每個采樣點間隔2m，標志采樣點共16個，即圖中的三角箭頭所指的1，4，7，11，14，17，20，23，38，41，45，47，51，54，57，59為訓練圖像的標志采樣點,也是待定位點。

實施例

第一步，生成WiFi指紋：

基于Java語言開發(fā)一項Android App，獲得WiFi信號的MAC地址，并生成txt文件保存在智能手機中，由此生成WiFi指紋；由圖2所示實施例可看出，用App在一個選定的采樣點處能接收到個17個WiFi信號，相應(yīng)地有17個MAC地址，按下智能手機中的“保存”按鈕即可將這個指紋保存為txt文件；

第二步，構(gòu)建WiFi位置指紋數(shù)據(jù)庫：

選取室內(nèi)環(huán)境下的走廊區(qū)域為定位區(qū)域，在該走廊區(qū)域中，選取60個WiFi采樣點，每個采樣點的坐標已知，在每個采樣點利用已安裝的App檢測可以檢測到的WiFi信號，獲得其MAC地址序列并保存為WiFi位置指紋數(shù)據(jù)庫中的指紋，由保存的一系列的MAC地址序列組成WiFi位置指紋數(shù)據(jù)庫，每一個指紋對應(yīng)唯一的位置信息，在選定的定位區(qū)域中，設(shè)定60個WiFi采樣點，將每個采樣點采集到的MAC地址作為該采樣點的指紋，遍歷所有采樣點便可得到60個指紋，保存入WiFi位置指紋數(shù)據(jù)庫，由此完成構(gòu)建WiFi位置指紋數(shù)據(jù)庫；如圖3所示實施例顯示，本實施例1定位區(qū)域選取了走廊的一段，其長為60m，寬為3m，該定位區(qū)域內(nèi)的WiFi采樣點呈網(wǎng)狀分布，共60個，每個采樣點間隔2m；

第三步，WiFi指紋定位：

在定位階段，在上述第二步選取的定位區(qū)域內(nèi)設(shè)定待定位點x處的位置坐標為(x,y)，可接收到N_x個WiFi信號，利用第一步中的App檢測得到此定位點x的實測指紋利用指紋匹配算法將這個實測指紋xf與上述第二步中的WiFi位置指紋數(shù)據(jù)庫中的指紋lf進行匹配，得到匹配度最高的三個指紋，從而得到WiFi定位范圍(x₀～x₁,y₀～y₁)及WiFi定位坐標(x_w,y_w)，實現(xiàn)WiFi指紋定位；

所述指紋匹配算法，是將實測指紋的MAC地址序列與上述WiFi位置指紋數(shù)據(jù)庫中所有指紋的MAC地址序列一一進行比較，當MAC地址相同，則匹配成功，匹配度其中，xf(MAC)是指實測指紋的地址序列，lf(MAC)是指上述WiFi位置指紋數(shù)據(jù)庫中第l個指紋的MAC地址序列，l＝(1,2,...,m)，Num[xf(MAC)＝lf(MAC)]表示MAC地址匹配成功的數(shù)目，最后將匹配度由高到低的三個指紋對應(yīng)的位置作為粗略定位范圍(x₀～x₁,y₀～y₁)，在此基礎(chǔ)上，得到WiFi定位坐標(x_w,y_w)，

第四步，生成訓練圖像集：

在上述第二步的定位區(qū)域內(nèi)，所有門牌的坐標是已知的，這些門牌都是標志采樣點，即待定位點，利用智能手機拍攝門牌，遍歷所有的標志采樣點，生成訓練圖像集，由于標志采樣點是WiFi采樣點中的一部分，因此標志采樣點的坐標已知，訓練圖像的坐標就是標志采樣點的坐標；如圖3所示實施例顯示，本實施例1的標志采樣點共16個，即圖中的三角箭頭所指的1，4，7，11，14，17，20，23，38，41，45，47，51，54，57，59為訓練圖像的標志采樣點,也是待定位點。

第五步，計算SURF全局特征描述符：

首先對上述第四步得到的訓練圖像進行預處理，包括歸一化處理和灰度化處理，然后計算SURF全局特征描述符，包括兩部分，第一部分是特征點定位，第二部分是特征描述符計算，將歸一化處理后的圖像的中心點作為特征點，將該整幅圖像作為此特征點的單一鄰域，由此計算出的特征描述符作為該整幅圖片的SURF全局特征描述符；

所述計算SURF全局特征描述符的方法是如下：

(1)計算特征點主方向：以特征點為中心，在半徑為6s的圓形鄰域內(nèi)，計算60度扇形內(nèi)所有點在x和y方向的Haar小波響應(yīng)的總和m_w，計算總和時要對這些響應(yīng)值進行高斯加權(quán)，d_x和d_y是Haar小波響應(yīng)在x和y方向的信息，60度扇形滑動窗以5度一步轉(zhuǎn)動，計算合成向量角度θ_w，再求出各方向扇形的合成向量模長最大值：向量模長最大值對應(yīng)的角度即為特征點主方向；

(2)計算SURF全局特征描述符：經(jīng)上述(1)步得到特征點主方向后，在特征點周圍取一個正方形框，框的邊長為20s，將該正方形劃分為4×4個子區(qū)域，對于每一個子區(qū)域，計算以5×5個固定間隔特征點的Haar小波響應(yīng)，每一個子區(qū)域的特征描述符v計算如下：v＝(∑d_x,∑d_y,∑|d_x|,∑|d_y|)，所有的16個子區(qū)域的描述符合起來形成此特征點的SURF特征描述符，最終的SURF全局特征描述符是一個64維的向量：V＝{v₁,v₂,...,v₁₆}，其中v_i(i＝1,2,...,16)是第i個子區(qū)域的特征描述符；

上述s為尺度因子；

第六步，計算ORB全局特征描述符：

(6.1)確定特征點的主方向：

同上述第五步將歸一化處理后的圖像的中心點作為特征點，該特征點的主方向利用圖像矩來計算，對于任意一個特征點，其圖像矩為其中I(x,y)是點(x,y)處的灰度值，該特征點的鄰域圖像的質(zhì)心鄰域圖像的質(zhì)心與特征點的夾角為θ＝arctan 2(m₀₁,m₁₀)，即為特征點的主方向；

(6.2)生成BRIEF特征描述子：

BRIEF特征描述子的生成過程如下：P表示一個經(jīng)平滑處理的圖像鄰域，在任意位置點x和y的二進制測試是這兩點強度測試的邏輯結(jié)果：其中，P(x)表示圖像P上一點x處的強度，經(jīng)過n次二進制測試，得到一個n維向量，即BRIEF特征描述子這里選取n＝256，得到的是256位的二進制字符串；

(6.3)計算出ORB全局特征描述符：

為了使BRIEF特征描述子具有旋轉(zhuǎn)不變性，根據(jù)上述(6.1)步確定的特征點的方向設(shè)置BRIEF特征描述子的方向，對于任意圖像像素點(x_i,y_i)的n位二進制測試集得到的特征集合，定義一個2×n矩陣由上述(6.1)步確定的特征點的主方向計算出仿射變換矩陣由此得到S_θ＝R_θS，S_θ即為具有旋轉(zhuǎn)不變性的BRIEF特征描述子，最后計算出具有旋轉(zhuǎn)不變性的ORB全局特征描述符：g_n(P,θ):＝f_n(P)|(x_i,y_i)∈S_θ，這里選取n＝256；

第七步，采集被測試圖像：

在上述第二步所述的定位區(qū)域內(nèi)，利用智能手機在待定位點拍攝與之最近的門牌，采集到被測試圖像；

第八步，被測試圖像的特征匹配與視覺定位：

被測試圖像的特征匹配方法是，①計算兩個SURF全局特征描述符之間的歐氏距離：兩個SURF全局特征描述符L¹，L²之間的歐氏距離其中i為64維特征向量的第i維；②計算兩個ORB全局特征描述符之間的漢明距離：兩個ORB全局特征描述符R¹，R²之間的漢明距離通過對兩個二進制字符串T¹，T²進行位異或運算得到，其中i為256位字符串的第i位；上述兩個特征描述符的距離越小，圖像匹配度越高；

視覺定位的方法是，首先分別采用上述第五步和第六步的方法計算上述第七步采集到的被測試圖像的SURF全局特征描述符與ORB全局特征描述符，然后利用上述被測試圖像的特征匹配方法分別計算該被測試圖像的SURF全局特征描述符與ORB全局特征描述符與上述第四步得到的訓練圖像的SURF全局特征描述符與ORB全局特征描述符之間的距離，再利用KNN算法在SURF匹配空間計算三個近鄰，即計算與該被測試圖像的SURF全局特征描述符的歐氏距離最小的三個上述第四步得到的訓練圖像，在ORB匹配空間計算二個近鄰，即計算與該被測試圖像的ORB全局特征描述符的漢明距離最小的二個上述第四步得到的訓練圖像，最后取三個近鄰與二個近鄰的交集，作為與該被測試圖像最相近的上述第四步訓練圖像集中的訓練圖像，稱為匹配圖像，此匹配圖像對應(yīng)的位置坐標即為視覺定位坐標(x_v,y_v)，由此完成視覺定位；

第九步，WiFi指紋定位與視覺定位相結(jié)合的定位：

在上述第三步得到WiFi定位范圍后，將坐標位于WiFi定位范圍內(nèi)的上述第四步生成訓練圖像集中的訓練圖像構(gòu)成匹配圖像集，當上述第八步的匹配圖像位于該匹配圖像集內(nèi)，則將上述第八步得到的視覺定位坐標(x_v,y_v)作為最終的室內(nèi)定位位置坐標，反之將上述第三步得到的WiFi定位坐標(x_w,y_w)作為最終的位置坐標，由此完成WiFi指紋定位與視覺定位相結(jié)合的定位。

本實施例以室內(nèi)步行街一樓為試驗場地，手機拍攝的所有圖片均為4160*3120(像素)，定位結(jié)果如表1所示。

表1.室內(nèi)步行街一樓的定位試驗結(jié)果

經(jīng)過待定位點真實坐標與本實施例的定位坐標對比，證明本發(fā)明一種室內(nèi)定位方法，所采用的基于WiFi指紋的定位與基于標志的視覺定位相結(jié)合的方法，實現(xiàn)了高精度的室內(nèi)定位。

實施例2

除“選取室內(nèi)環(huán)境下的走廊區(qū)域為定位區(qū)域，在該走廊區(qū)域中，選取30個WiFi采樣點；在選定的定位區(qū)域中，設(shè)定30個WiFi采樣點，將每個采樣點采集到的MAC地址作為該采樣點的指紋，遍歷所有采樣點便可得到30個指紋，保存入WiFi位置指紋數(shù)據(jù)庫，由此完成構(gòu)建WiFi位置指紋數(shù)據(jù)庫”之外，其他同實施例1。

實施例3

除“選取室內(nèi)環(huán)境下的走廊區(qū)域為定位區(qū)域，在該走廊區(qū)域中，選取45個WiFi采樣點；在選定的定位區(qū)域中，設(shè)定45個WiFi采樣點，將每個采樣點采集到的MAC地址作為該采樣點的指紋，遍歷所有采樣點便可得到45個指紋，保存入WiFi位置指紋數(shù)據(jù)庫，由此完成構(gòu)建WiFi位置指紋數(shù)據(jù)庫”之外，其他同實施例1。