一种基于CSI图像分类模型的室内定位方法

技术领域

本发明属于室内定位技术领域，具体涉及一种基于CSI图像分类模型的室内定位方法。

背景技术

近年来，由于精确的室内定位服务需求的不断提升，室内定位技术受到了广泛的关注。然而，由于室内环境的复杂性，各种障碍物、信号干扰等因素的影响使得室内定位极具挑战性。依靠全球卫星导航系统，可以实现高精度的室外定位服务，但是由于卫星信号在复杂的室内环境中严重衰减，仍无法提供令人满意的定位精度，因此，有很多学者开展了基于室内定位方法的研究，如蓝牙、UWB、RFID、Wi-Fi等方法。

由于近年来智能终端和Wi-Fi网络的普及，Wi-Fi设备提供了大量的信号，广泛存在与室内环境中，如地下停车场、地铁、商场等，为室内定位提供了便捷的信号源，因此，基于Wi-Fi的室内定位技术得到了越来越多的研究。现有基于Wi-Fi的室内定位方法主要分为：基于到达角(AOA)、基于到达时间(TOA)、基于指纹等。

基于指纹的室内定位方法分为离线测量和在线估计两个阶段，在现有研究中提出：设计一个基于深度卷积神经网络的CSI图像分类模型，以将室内定位问题转换为不同位置的CSI图像分类问题；离线阶段中使用各天线间各载波的相位差估计到达角，并将所估计的到达角转换为CSI图像；结合贪婪算法以及训练好的CSI图像分类模型对离线阶段的CSI图像进行分类，以实现室内未知位置定位。该方法具有计算量小、定位速度快的优点，但是在将到达角转换为CSI图像的过程中，因各天线间各载波的相位差存在噪声干扰，使得所估计的到达角及所转换的CSI图像均存在较大的噪声干扰，大大影响了最终室内位置定位的精度。

发明内容

鉴于此，为解决上述背景技术中所提出的问题，本发明的目的在于提供一种基于CSI图像分类模型的室内定位方法。

为实现上述目的，本发明提供如下技术方案：

一种基于CSI图像分类模型的室内定位方法，包括离线测量和在线估计，所述离线测量包括如下步骤：

基于双通道多特征融合全卷积神经网络构建CSI图像分类模型，并训练所述CSI图像分类模型；

通过各天线间各子载波的相位差构建基于到达角的RGB三通道CSI图像，并对该CSI图像进行滤波降噪处理；

将处理后的CSI图像输入至训练好的CSI图像分类模型中，并利用所述CSI图像分类模型对所述CSI图像的分类处理来计算估计位置。

优选的，通过各天线间各子载波的相位差构建基于到达角的RGB三通道CSI图像包括：采集各天线间各子载波的测量相位差；预设相位偏移常数，并基于所述相位偏移常数计算得到各天线间各子载波的真实相位差；通过真实相位差计算到达角，并将到达角转换为RGB三通道的CSI图像。

优选的，所述相位差通过如下公式计算：

优选的，所述到达角通过如下公式计算：

优选的，每张所述RGB三通道CSI图像均包括三张灰度子图，且其中两张灰度子图包含各发射天线间的相位差信息，另外一张灰度子图包含各接收天线的振幅信息。

优选的，对所述CSI图像进行滤波降噪处理包括：通过全局平均滤波算法优化计算所述到达角；以及通过中值滤波算法优化计算图像像素值。

优选的，所述CSI图像分类模型包括输入层、第一卷积通道、第二卷积通道、连接层、输出层。

优选的，在所述第一卷积通道及第二卷积通道内提取所述CSI图像的特征图：

优选的，所述第一卷积通道与所述第二卷积通道提取的特征图在所述连接层实现特征融合：

优选的，由所述输出层计算并输出估计位置：

根据融合后的特征图分类处理所述CSI图像，并获得预测位置；

利用损失函数优化计算所述预测位置，得到估计位置；

其中，所述损失函数公式为：

本发明与现有技术相比，具有以下有益效果：

本发明基于CSI图像分类模型的室内定位方法，提出了利用不同天线间子载波相位差构建基于到达角的CSI图像，与现有CSI图像不同，本发明所构建的CSI图像采用RGB三通道图像格式，在融合各天线间相位差信息的同时，还融合了各天线的振幅信息，以此使得所构建的CSI图像具有丰富的特征信息，进而有利于实现关于特征提取的精准定位；

本发明基于CSI图像分类模型的室内定位方法，首次提出利用全局平均滤波算法和中值滤波算法对CSI图像进行综合滤波处理，具体先通过全局平均滤波算法优化处理到达角，然后通过中值滤波算法优化处理图像像素值，以此有效消除由相位差偏移和振幅带来的噪声干扰，从而提高特征提取能力及定位的精确度；

本发明基于CSI图像分类模型的室内定位方法，基于双通道多特征融合全卷积神经网络构建CSI图像分类模型，基于此在保证提取CSI图像颜色等特征信息的同时，还能充分提取相邻子载波间的特征信息，由此有效提高对CSI图像的分类精度，进而提升定位精度。

附图说明

图1-图2为本发明基于CSI图像分类模型的室内定位方法的流程图；

图3为本发明CSI图像分类模型的结构示意图；

图4为不同处理后的CSI图像的对比图；(a)未处理的CSI原图，(b)经过全局平均滤波算法处理的CSI图，(c)经过全局平均滤波算法和中值滤波算法处理的CSI图，(d)经过全局平均滤波算法和均值滤波处理的CSI图；

图5为仿真实验数据采集环境图；(a)实验A；(b)实验B；

图6为仿真实验定位误差结果对比图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明提供一种基于CSI图像分类模型的室内定位方法，且如图1所示，该方法主要包括如下步骤：

基于双通道多特征融合全卷积神经网络构建CSI图像分类模型，并训练所述CSI图像分类模型；

通过各天线间各子载波的相位差构建基于到达角的RGB三通道CSI图像，并对该CSI图像进行滤波处理；

将处理后的CSI图像输入至训练好的CSI图像分类模型中，并利用所述CSI图像分类模型对所述CSI图像的分类处理来计算估计位置。

参考图2所示，对本发明的基于CSI图像分类模型的室内定位方法进行如下详细描述：

S1.构建并训练CSI图像分类模型

1a.基于双通道多特征融合全卷积神经网络构建CSI图像分类模型，且该CSI图像分类模型结构如图3所示，包括：

输入层，用于输入CSI图像；

第一卷积通道和第二卷积通道，用于提取所述CSI图像的特征图；

连接层，用于融合所述第一卷积通道和第二卷积通道所提取的特征图；

输出层，用于计算并输出估计位置。

具体的，在图3所示结构中，第一卷积通道具有四层卷积层(卷积核尺寸分别为5x3、5x2、5x3、3x5)，第二卷积通道具有三层卷积层(卷积核尺寸分别为5x5、5x5、5x5)。

1b.训练所述CSI图像分类模型：

将已知真实位置的训练集的CSI图像通过输入层输入第一卷积通道和第二卷积通道；

在所述第一卷积通道及第二卷积通道内提取CSI图像(训练集)的特征图：

所述第一卷积通道与所述第二卷积通道提取的特征图在所述连接层实现特征融合：

在输出层中定义用于表达估计位置与真实位置之间的误差的损失函数

S2.通过各天线间各子载波的相位差构建基于到达角的RGB三通道CSI图像，并对该CSI图像进行滤波处理；

2a.构建CSI图像

采集各天线间各子载波的测量相位差，由于同一网卡的天线具有相同的下变频频率和系统时钟，则因包边检测、采样频率偏移、中心频率偏移引起的相位误差相同，在此前提下，通过预设相位偏移常数的方式去除相位误差，由此获得各天线间各子载波的真实相位差：

通过所述真实相位差计算到达角：

将所述到达角转换为RGB三通道的CSI图像(尺寸为90x90)：为了获取更多的信道状态信息，实验中的天线优选配置为三根发射天线、三根接收天线，由于室内信号的多径传播，多发射接收天线获得的信息比单根发射天线信息更丰富。每张所述RGB三通道CSI图像均包括三张灰度子图，在上述优选配置下，第一子图为子载波在接收天线1、2间的相位差(经发射天线1、2、3发射)，第二子图为子载波在接收天线2、3间的相位差(经发射天线1、2、3发射)，第三子图为子载波在接收天线1、2、3的振幅(经发射天线1发射)。由此可知，RGB三通道的CSI图像即包括了各发射天线间的相位差信息，又包括了各接收天线的振幅信息。

2b.对所述CSI图像进行滤波降噪处理

首先通过全局平均滤波算法优化计算所述到达角；然后通过中值滤波算法优化计算图像像素值。具体的，图4表示为不同处理后的CSI图像，由图可知，采用全局平均滤波算法和中值滤波算法进行综合处理能明显的提高CSI图像的图像质量。

S3.将处理后的CSI图像输入至训练好的CSI图像分类模型中，并利用CSI图像分类模型对CSI图像的分类处理来计算估计位置：

具体的，首先根据融合后的特征图分类处理所述CSI图像并获得预测位置；然后利用损失函数优化计算所述预测位置以得到估计位置

式中，L(x,y)

仿真实验——在两种不同的室内环境下验证本发明基于CSI图像分类模型的室内定位方法：

实验室A为障碍物较多、场景复杂的非视距环境，该环境中具有椅子，沙发，实验桌等，整个区域大小为5.3mx9.6m；

实验室B为障碍物少的视距环境，整个区域大小为6mx10m。

接入点和移动设备在0.7m的桌子和推车上，并保持高度不变。在数据采集过程中，有少数人员移动，且采集点位置如图5所示。在不同位置的间隔1-2m的AP点采集数据作为训练数据和测试数据的一部分(图中用圆形标记)，同时为了测试，在训练点旁还设置了一个测试点(图中用矩形标记)，每个AP点采集10000个连续的数据包，数据包间隔为0.01ms。

实验分为训练阶段和位置估计阶段，在训练阶段从已知位置采集数据并执行CSI图像分类模型训练，在位置估计阶段从未知位置采集数据并输出估计位置(以进行定位)。

为了与现已提出的算法性能对比，实验还与现有定位方法进行对比，本发明定位方法OUR，现有定位方法CIFI、ResLoc。如图6所示，实验室A的环境下，本发明定位方法的最终平均距离误差为1.18m，明显优于现有定位方法；实验室B的环境下，本发明定位方法的最终平均距离误差为1.4m，同样优于现有定位方法。另外，由于在可视距环境下，当没有障碍物阻挡时，各信号路径间的信号特征较为相似，各子载波信号特征分辨率不高，因此非视距环境的定位效果优于视距环境的定位效果。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。