一種基于行為和航跡特征的室內定位方法研究

李寶林 馬東群 李 都 江 艷

(西華師范大學計算機學院 四川 南充 637000)

?

一種基于行為和航跡特征的室內定位方法研究

李寶林 馬東群 李 都 江 艷

(西華師范大學計算機學院 四川 南充 637000)

對基于Wi-Fi的指紋定位算法進行了深入研究和分析，并以LBS的應用為研究背景，解決指紋定位算法在離線階段和實時定位階段所存在的問題及提高室內定位的可靠性和有效性為研究目標。在對被定位目標在整個過程中所表現的行為特征研究的基礎上提出一種基于行人航跡和行為特征的定位算法。該算法在有少量AP的情況下，充分利用行人的行走、轉向以及軌跡連續性等特征來輔助定位，同時收集定位過程中行人產生的大量定位數據，形成歷史參考信息來實現定位。在保證系統定位精度的前提下，極大縮減了系統的定位成本并在一定程度上提升了系統的定位精度。實驗表明，在不同AP數量的情況下，該算法在定位精度上明顯優于WiFi-FP等算法。

行為和航跡特征 指紋定位算法 行為檢測 航跡檢測

0 引 言

早在20世紀70年代初，GPS的出現使定位技術的發展實現了質的飛躍，一時間定位技術在人們的日常生活、軍事、資源、交通、農牧業、環境、繪測等領域得到了前所未有的應用。1992年Roy等人就研發出了一種基于紅外線的室內定位系統The Active Badge[6]。因為該系統需要部署大量額外的硬件設備，缺乏良好的擴展性。所以僅局限用于對商場，學校等公共室內區域的定位。2000年微軟公司提出了Radio Detection and Ranging，該方法是基于信號強度指示特征的室內定位實驗系統[8]，系統由指紋建庫和位置解算兩個階段組成。在第一個階段首先通過事先部署在待定位區域內的信號采集終端對該區域內各個AP的RSSI值進行采集。然后將采集到的RSSI值與其對應的位置坐標作為一條指紋數據錄入指紋數據庫中。第二個階段為位置解算階段，該階段分為兩步：第一步是記錄被定位目標手持的移動智能終端所接收到的RSSI值；第二步是通過一定的位置解算算法將當前所采集的RSSI與指紋數據庫中的指紋進行匹配，從而估算出被定位目標的大概位置。2005年Google公司提出了Google map系統，系統通過手機基站、WiFi信號、GPS以及提前收集到的無線信號覆蓋盲點的位置信息進行定位。Google map系統主要對兩個方面的問題進行了重點研究：(1) 提出“眾包”思想鼓勵用戶按照特定格式上傳建筑物的平面圖到谷歌服務器以解決數據源的問題；(2) 發布Google Maps Floor Plan Marker鼓勵用戶按照相應的步驟生成室內地圖為提高室內導航的精度服務。北京航空航天大學提出了Weyes定位系統，該系統是基于WLAN的定位系統[6]，系統通過將接收信號強度指示的值進行采樣并利用差值模型對樣本進行處理形成差值，然后將此差值存入無線電地圖RM(Radio Map)中。實際操作中將接收到的信號與差值進行匹配達到對待定位區域中的待定位目標進行定位的目的。在該系統中差值模型的引入意在消除因不同設備在測量RSSI值的過程中而引入的測量誤差，以達到無論使用何種測量設備都不會影響RM建立的目的。

而基于WiFi的室內定位技術是諸多室內定位技術中的一種，它不僅解決了室內環境無法使用室外定位技術實現精準定位的問題，而且為實現室內精準定位提供了技術支持。此外，相較于諸如RFID、Zigbee、藍牙、紅外線等技術它無需部署專屬的定位網絡系統，建設成本相對較低，具有便捷價廉的優點。盡管該項技術在安裝方面、成本方面以及信號傳播方面具有明顯優勢，已成為當前室內定位系統中的首選技術[1]。但事實上，該技術依然存在很多不成熟的地方，很多關鍵技術急需解決。

本文以定位技術在國內、國外的研究現狀為著手點，對現有的定位技術作了詳細分析，并建立了基于Wi-Fi的室內定位算法模型。本文在模型的基礎上添加了一個軌跡搜集模塊，并采取基于行為特征的指紋定位算法來進行室內定位。使用結果表明，該算法在定位精度上和能耗上明顯優于類似相關算法。

1 相關工作

1.1 定位方法概述

當前，按與距離參數的相關性可將基于WLAN的定位方法分為與距離相關以及與距離無關的定位方法兩大類[7]。其中與距離參數相關的定位方法主要有基于TOA(信號到達的時間)、TDOA(不同信號到達的時間差)和AOA(到達角度的測距)或RSSI(接收的信號強度)的三角定位等技術；而與距離參數無關的定位主要涉及基于信號強度(SS)的定位，其中基于信號傳播模型和SS指紋定位是SS定位技術的兩個主流的核心技術。但依照定位原理又可將其劃分成基于幾何測量、近似感知以及場景分析的定位方法[1]。

基于幾何測量的定位又分為三邊測量、極大似然估計、三角測量等。其原理是以測量設備與待定位目標之間的位置距離或角度為基準來計算待定位目標的大概位置。三邊測量即以待定位目標到其他不在同一直線上的三個參考點的距離來推算自身的位置。極大似然法估算原理是隨機選取若干個參考點去進行估算。假如在隨機進行的實驗中參考點A出現的概率最大則認為A是參與估計最有利的位置，利用該方法可以避免因使用三邊測量而帶來的誤差。

基于近似感知的定位方法是通過參考點的位置信息來推算待定位目標的位置信息。該方法優點就是便于理解，但與場景分析法和幾何法相比其定位精度相對較差。此外，該方法要求必須事先部署好待定位區域內的傳感網絡因此系統的可擴展性較差，其過程是在待定位區域內系統先布置好天線，當被定位目標靠近已知天線位置上時，已知天線將可接收到待定位目標所攜帶的標簽信號發送出去從而計算出目標用戶的位置。

1.2 室內定位概述

一系列的室內外定位算法、系統相繼被提出，看似千差萬別但其底層定位原理卻基本相似，都包含信號采集、預估位置、性能優化等三個階段[1]。具體如圖1所示。雖其底層定位原理相似但在具體定位的過程中考慮到定位效果、應用場景的差異分別引入了不同的技術方案。將各個定位算法、系統以參考點的坐標系、系統架構、網絡類型、用戶的運動狀態、測量信號的媒介以及定位方法等劃分成了不同的類別。

圖1 定位算法或系統原理

GPS定位技術在室外定位方面發展較早技術也相對成熟，能夠對室外環境提供快速準確的定位。由于在室外定位的突出表現，后被移植到室內為室內環境提供定位服務。但是室內環境由于建筑墻體以及室內裝飾的阻隔使信號強度因受干擾而被削弱。因此只能依靠延長每個延遲碼的停留時間來提高信號的靈敏度。與室外環境不同的是，在室內環境中不能直接從廣播中獲取定位數據[1]。為解決這個技術難題，A-GPS應運而生。A-GPS定位原理如圖2所示。

圖2 A-GPS定位原理

另外還有基于藍牙的室內定位技術、基于紅外線的室內定位技術、基于超寬帶的室內定位技術、基于超聲波的室內定位技術、基于ZigBee的室內定位技術、基于射頻識別的室內定位技術以及基于無線局域網的室內定位技術[6]。這些技術都有各自的優勢和劣勢以及特定的應用場景。如表1所示，是對各種技術的定位原理、定位精度、算法效率、受干擾強度以及各自的優缺點的詳細比較。

表1 主要室內定位技術的比較

續表1

2 問題描述及模型建立

指紋定位算法是一種與距離無關的定位方法，它充分利用了WiFi信號在傳播過程中信號強度與距離的衰減特征。通過建立被定位區域內不同位置的坐標信息與各個AP信號強度的映射關系來實現定位。該種定位算法由如下兩個階段組成：離線數據指紋庫建立階段和實時指紋比對即定位階段，詳情見圖3。

圖3 位置指紋定位原理圖

離線數據指紋庫建立階段又名訓練階段，該階段的主要工作是采集數據并建立指紋數據庫。也就是說在建庫階段，系統需事先在待定位的區域內按一定的距離間隔部署好參考點。然后再依次采集各個參考點上的無線信號，再次將參考點上的信息按照RSSI值、位置坐標、MAC地址的順序封裝成一條完整的信息保存起來并進行編號。最后，將已編號的信號一一存入一個本地數據庫，并稱該數據庫為Position Fingerprint Database(位置指紋數據庫)或Radio Map(無線電地圖)。指紋實時比對階段就是在具體定位的過程中將被定位目標手持移動智能終端所接收到的RSSI值與Radio Map中的RSSI值進行匹配，將比對結果中相似度最高的指紋的物理坐標認定為該智能移動終端的位置坐標。

本文基于WiFi的室內定位算法優勢和不足，提出了以航跡特性和行人行為特征量為室內定位技術。該方法在不依賴額外硬件設備的前提下，很大程度上提高了定位算法的定位精度，具有一定的穩定性和擴展性。

2.1 問題描述

基于行人航跡特征的定位是指利用人在特定的活動場所的活動軌跡在一段時間內具有一定的延續性和不變性來輔助定位算法做出定位判斷的一種技術方法。充分利用了人的行為特征，對系統的定位精度進行優化。

如圖4所示，橫縱坐標表示定位目標所處平面位置，在某一時刻定位目標在p(xn-1,yn-1)處，朝著圖示的方向運動一定的時間后到達p(xn,yn)。然后改變方向，以一定的速度運動到p(xn+1,yn+1)，定位目標從p(xn-1,yn-1)到p(xn+1,yn+1)，可以看出是兩段連續的動作，即從p(xn-1,yn-1)到p(xn,yn)和p(xn,yn)到p(xn+1,yn+1)。

圖4 目標運動軌跡圖

所謂動作的連續性是指目標從初始位置到達目標位置，運動的軌跡是連續的，每一個時刻對應軌跡上的一個具體的位置點。在室內定位的場景中，人基本上是勻速步行，那么從初始位置到達目標位置這段距離可以看成是方向和速度不變的直線運動。那么從初始位置到目標位置的過程中，只要知道上一時刻的具體坐標，那么目標對象下一刻的位置是可以預測的。因為方向和速度是一定的，根據前一時刻確定的位置可以推算出目標位置現在的具體位置。

根據圖5可知，節點在場景中移動，定位目標節點從(xt1,yt1)位置運動到(xt2,yt2)位置。 根據文獻[1-5]中介紹的定位算法可得到各個參考AP位置的權值信息，在計算最終的定位位置坐標時，根據運動目標行為連續性特征，引入概率系數去修正最終定位目標的位置，公式如下：

(1)

其中pi是根據目標前一時刻的運動方向和速率等行為特征得出的概率值。該方法充分利用了人在運動過程中的行為特征，一定程度上減少系統受外界環境干擾產生誤差，在提高系統穩定性的同時，進一步提升了算法的定位精度。

圖5 定位階段權值修正

2.2 行人行為特征檢測

人體在行走過程中產生的軌跡有一定的連續性，同時人在行走過程中動作和步態也呈現一定的規律性。這些有規律的數據可以被集成在智能手機中的傳感器(如：加速度傳感器、電子羅盤、陀螺儀以及氣壓計等)所捕獲到，經過雙行程雙搜索算法、峰值值識別算法等處理之后能被用來實現人的實時定位。

行人的步行一般包含如下四種特征和規律：(1)整個行走過程中都由幾個基本動作周期性的重復。(2)一般正常成人步行的頻率在95～125次每分鐘，每一步的長度一般在50～80 cm，這兩個參數一般跟人的身高，行走習慣以及當時的環境有一定關系，因人而異。(3)一般情況下，一個人的步行特征在一段時間內不會存在很大變化，即步長和步子頻率維持在一個很小的變化范圍內。(4)人在行走時的規律特征可以被人所攜帶的智能設備檢查到，且加速度傳感器檢查到的數據也呈現周期性的波動。因此，可以借助手機上的加速度傳感器對步行時的加速度值進行采集，來估算行人的行走進程。因為當行走者腳跟離地時坐標軸上的加速度計的振幅最大，所以本系統通過加速度計的讀數來識別用戶的步幅。為此系統設計了一個峰值識別算法。只有考慮坐標軸上加速度讀數的大小(具體如式(2)所示)才能確保步幅檢測不受智能終端方位的影響。

(2)

在進行預處理時信號首先會通過一個平滑的過濾器。但是為了更好地提取低波段步幅組件的數據，通常會利用一個過濾器來過濾因手機隨機運動而產生的高頻加速度值。如式(3)是低頻組件上加速度大小的計算公式：

(3)

2.3 行人轉向檢測

行人在室外可以通過電子指南針來判斷是否該轉向，但是室內環境受鐵磁建筑物的影響較大無法像在室外那樣利用電子指南針判斷方向。并且在路程較短的情況下通過陀螺儀的讀數可以判斷被導航者的角度信息，而在長途旅行中加速度計可以用與判斷被導航者的狀態。因此，在室內環境中可以通過加速度計和陀螺儀的讀數來判斷是否應該轉向。

在進行轉向檢測時，通過一個旋轉矩陣并依據其相對Z軸垂直或水平的框架和本身的骨架描述了智能終端的方向。需要注意的是，由于缺乏值得信賴的指南針讀數使得智能終端的狀態局限于一個在相對Z軸垂直或水平的框架內的錐形面上而不能被唯一標識。但是即便無法獲知偏轉角度依然能夠檢測轉向，因為在三維空間內旋轉總是在發生的。此外，為了避免被鎖定的問題，需要警惕三個坐標軸的旋轉順序。當檢測到轉向不發生在Z軸并且X軸的重力加速度值大于Y軸的重力加速度值，此時就應該交換X軸和Y軸。只要掌握智能終端的狀態，就可以變換角速度并計算出通過集成的旋轉數量。

2.4 行人高度檢測

由于氣壓計能耗低且準確性較高，因此在對高度更改進行檢測時可以通過記錄氣壓計的讀數來檢測水平高度的改變。為了實現對水平高度更改的檢測，論文采用了一種雙行程雙搜索的算法。該算法通過在前四秒內取所有樣本氣壓的平均值來避免使用每一個氣壓值Pn。隨后算法又會倒過去,去尋找Pn與樣本在最后秒T0的不同的最大值。如果差距|Pm-Pn|大于閾值Ptr就可以推斷出存在水平高度的變化。此外還可以向前搜索確定水平高度變化的具體時間。其輸出值為R，若R的值為-1代表上樓，值為1代表下樓，值為0說明在同一水平面行走。但是當檢測到水平高度發生更改并且軌跡記錄者的步數很少時，系統默認該目標是乘坐電梯導致的高度改變。

3 實驗結果

被定位目標每進行一次移動軌跡搜集模塊都會被激活，隨即在被定位目標運動的過程中此模塊會通過磁強計、加速度計、陀螺儀和氣壓計等移動智能終端內嵌的傳感器記錄軌跡數據。當然在使用傳感器獲取數據時，并不只是簡單地從每個傳感器中依次提取數據，在必要的時候可以適當地將一些傳感器進行組合。比如，通過將氣壓計和加速度計傳感器組成一個組件然后提取組件的數據就可以檢測出被定位目標是否在上樓。然后再通過一定的預處理程序將采集的數據進行處理形成軌跡數據表。下文將對所采集數據的格式進行分析，詳情見表2。

表2 搜集軌跡數據格式

表2所羅列的是參考軌跡的數據記錄格式。從表2可看出，地磁數據由時間戳和三維空間內各個軸上的磁強計讀數組成，步數由時間戳和對應時間內所走步數Si組成，轉彎數據則由轉彎時間和轉彎角度組成，高度改變數據則由時間戳和高度改變值即上樓或下樓組成。

值得注意的是，用戶在使用本模塊搜集被定位目標軌跡數據的過程中可能會存在某些延遲。比如說，峰值檢測算法可能會導致步幅檢測延遲，也就是說當用戶已經轉彎了有可能才檢測到需要轉彎。此外，對高度是否發生改變的檢測其響應時間容易受用戶爬樓梯速度的影響。由于階梯和轉彎持續的時間很短，且水平高度更改檢測只在記錄被定位目標的行走軌跡的過程中起作用，因此這些延遲對定位性能的影響是無關緊要的。

為了提高定位精度，在具體定位的過程中一般會通過如下三步對被定位目標的位置進行估算：(1) 利用定位算法，將被定位目標所攜帶的移動智能終端采集到的WiFi信號強度與離線階段采集的指紋數據庫中的數據進行匹配，確定一個位置范圍；(2) 根據被定位目標的航跡特征預估被定位目標當前的位置坐標；(3) 結合上述兩個步驟以及軌跡搜集模塊采集的數據縮小定位范圍，確定被定位目標。

假設被定位目標在一個十字路口附近，通過將其攜帶的智能手機采集的WiFi信號強度值與指紋數據庫進行匹配，發現被定位目標可能分布在十字路口的四個方位上。那么此時單純地利用指紋數據庫的方法是很難準確定被定位目標的位置的。若此時結合軌跡搜集模塊采集的數據，即可通過轉向檢測確定當被定位目標走到該十字路口時是往哪個方向進行了轉彎。這樣就可以確定被定位目標的大致方位。然后再根據被定位目標的航跡特征計算出它的位置坐標，實現精準定位，詳情見圖6。

圖6 航跡行為算法定位示意圖

用戶在定位過程中手持的智能終端設備采集了用戶在室內行走過程中的步態、轉向以及高度信息。這些信息可以通過智能終端設備傳回到定位服務器，組成了從起點到目的地的一個動作序列，這些序列可以用來實現對目標對象的定位。定位服務器存儲的信息如下：

S(xi,yi),D(xj,yj),,…,,…,

(4)

式中S(xi,yi)和D(xj,yj)分別是被定位和導航區域的起始點和目的地的坐標位置，后面的序列表示用戶從起始點到目的地所經過的一系列行為動作的序列。這些行為信息收集到定位服務器后可以經過處理得到一個起始點集合到目的地集合的行為序列，當下一個被定位目標出現時，與定位服務器交互，同時收集自己的行為特征數據，可以快速而準確得出從當前起始點到目的地的導航提示。

圖7展示的是如何利用歷史的行為軌跡進行行人的導航。假如a花費t1秒到達位置B，并且在搜集痕跡時候出現了一個左轉彎。那么在導航階段，根據相似的地磁觀察，導航模塊會推斷b會在花費t1′時間后到達位置B并指示b該向左轉了。

論文根據某殘校實際試用環境作為測試環境，具體試用環境如圖8所示。在實驗場景范圍內部署5～15個AP，在離線階段均勻部署50個指紋采集點，采集的數據作為指紋數據庫的參考點。在每個參考點上采集30個有效的樣本值，在實驗場地范圍內隨機選取15個測試點，每個測試點采集5～20個實時的定位樣本數據。在實驗階段，為了模擬現實應用的真實性，定位時手持終端設備朝各個方向獲取信號進行定位，記錄這些大量的從服務器傳回來的定位的具體位置。最后計算每一次的定位誤差，并統計出這個在這個測試點的誤差累計概率分布，并將這些數據可視化，可得出相應的路徑圖，在不同定位技術在各個場景下的累計誤差概率分布情況。

該系統試用于某殘校管理系統中，本文將目前較為通用的基于WiFi的指紋定位算法(WiFi-FP算法)與本文提出的基于行人航跡和行為特征的定位算(behave-based算法)進行了比較。利用這兩種定位算法進行定位時，指紋數據建立階段以及測試定位階段所采集的數據樣本和采樣時段等條件保持一致，這樣能體現兩種定位算法在同等條件下的差異性。

圖9-圖11分別是在實驗環境所部署的AP數量分別是5、10、15時兩種定位技術在不同定位誤差的概率累計分布。從圖中可以看出在AP數量分布為5、10、15的情況下，本文提出的基于行人航跡和行為特征的定位技術要好于現有的基于WiFi的指紋定位算法，同時也表現出了良好的穩定性。當AP的數量為5時，基于WiFi的指紋定位算法的定位精度表現得相對較差，定位誤差在4 m以內的概率不到60%，而本文提出的定位技術的精度達到了80%以上。這主要是因為基于WiFi的指紋定位技術不管是在離線階段還是實時定位階段，很大程度上依賴于WiFi節點的信號和穩定性，而本文提出的基于行人行為特征的定位算法在部分依賴WiFi信號的同時，也利用了手機自帶傳感器收集行人的運動特征來定位。所以當WiFi數量較少時，依然能實現較高的定位精度。從性能曲線上可以看出本文提出的定位技術波動較少，較基于WiFi的指紋定位算法就有良好的穩定性。當AP=15時基于行人行為特征的定位技術的定位誤差在4 m以內的概率在90%以上，這一定位效果基本上能滿足在大型商場和醫院等室內的時間需求。

圖9 AP數量為5時的定位誤差概率累計分布圖

圖10 AP數量為10時的定位誤差概率累計分布圖

圖11 AP數量為15時的定位誤差概率累計分布圖

4 結 語

本文提出了一種基于行人航跡和行為特征的定位技術，然后從航跡特征和行人行為特征兩個方面分別對該技術的定位原理進行闡述。其中航跡特征主要是利用人在特定的活動場所的活動軌跡在一段時間內具有一定的延續性和不變性來輔助定位算法做出定位判斷的一種技術方法；而行為特征主要是通過步態檢測、轉向檢測、高度更改檢測對被定位目標的軌跡進行記錄來輔助定位算法進行定位。

試用結果表明，本文提出的基于行為和航跡特征的定位技術解決了指紋數據庫算法在特定情況下可能存在定位不精準的問題。系統將指紋樣本數據與行為特征數據相結合，一方面使系統的定位效率和精度得到了較大提升；另一方面提高了系統的穩定性的同時，減少了定位之前的指紋數據庫的準備工作。實驗表明，當AP=15時基于行人行為特征的定位技術的定位誤差在4 m以內的概率在90%以上。

本文在現有的基于WiFi的指紋定位算法的基礎上提出了一種基于行人行為和航跡特征的定位技術。相比現有的室內定位技術提高了定位精度和系統穩定性，減少了一定的硬件成本和部署實施成本，但定位技術在很多方面可以有改進的空間。比如定位技術在定位過程如何避免硬件差異帶來的系統誤差等問題。

[1] 王青.WIFI室內定位系統的設計與實現[D].北京交通大學,2014.

[2] 陳麗娜.WLAN位置指紋室內定位關鍵技術研究[D].華東師范大學,2014.

[3] 陳淼.基于信號強度的WLAN室內定位跟蹤系統研究[D].武漢大學,2012.

[4] 陳永光,李修和.基于信號強度的室內定位技術[J].電子學報,2004,32(9):1456-1458.

[5] 劉軍發,陳益強,趙中堂,等.基于WiFi的室內定位方法及系統[J].信息技術快報,2010,8(5).

[6] 杜海濤,全春來,周翔.基于無線傳感器和視頻融合的室內定位技術研究[J].計算機工程與設計,2011,32(1):347-350.

[7] Bahl P,Padmanabhan V N.RADAR:an in-building RF-based user location and tracking system[C]//INFOCOM 2000.Nineteenth Joint Conference of the IEEE Computer and Communications Societies. Proceedings.IEEE.IEEE Xplore,2000:775-784.

[8] 梁韻基,周興社,於志文,等.普適環境室內定位系統研究[J].計算機科學,2010(3):112-116.

[9] Jiayou Luo,Xingqun Zhan.Characterization of Smart Phone Received Signal Strength Indication for WLAN Indoor Positioning Accuracy Improvement[J].Journal of Networks,2014,9:739-746.

[10] Luoh L.ZigBee-based intelligent indoor positioning system soft computing[J].Soft Computing,2014,18(3):443-456.

[11] Liu H,Darabi H,Banerjee P,et al.Survey of wireless indoor positioning techniques and systems[J].Systems,Man,and Cybernetics,Part C:Applications and Reviews,IEEE Transactions on,2007,37(6):1067-1080.

[12] Niculescu D,Nath B.Ad hoc positioning system (APS) using AOA[C]//Joint Conference of the IEEE Computer and Communications.IEEE Societies.IEEE,2003,3:1734-1743.

ASTUDYONINDOORLOCATIONMETHODBASEDONBEHAVIORANDTRACKCHARACTERISTICS

Li Baolin Ma Dongqun Li Du Jiang Yan
(SchoolofComputer,ChinaWestNormalUniversity,Nanchong637000,Sichuan,China)

In this paper, we studied and analyzed the fingerprint localization algorithm based on Wi-Fi. And based on the application of LBS, we need to solve the problems of the fingerprinting localization algorithms in the offline stage and the real-time positioning stage and improve the reliability and effectiveness of the indoor positioning. Based on the study on the behavior characteristics of the target in the whole process, we propose a localization algorithm based on pedestrian track and behavior characteristics. In the case of a small amount of AP, the algorithm makes full use of pedestrian walking, turning and track continuity and other characteristics to assist in positioning. At the same time the algorithm collects a large number of positioning data generated by the pedestrian in the positioning process, and forms the historical reference information to realize the positioning. Under the premise of ensuring the positioning accuracy of the system, it greatly reduces the positioning cost of the system and to a certain extent, enhances the positioning accuracy of the system. Experiments show that the algorithm is superior to WiFi-FP algorithm in positioning accuracy in the case of different AP number.

Behavior and track characteristics Fingerprint location algorithm Behavior detection Track detection

2016-10-08。四川省科技廳支撐項目(2013SZ0056)；四川省科技廳支撐項目(2014SZ0104)。李寶林，副教授，主研領域：網絡應用技術。馬東群，碩士生。李都，碩士生。江艷，工程師。

TP311

A

10.3969/j.issn.1000-386x.2017.08.021