室内定位方法、装置、电子设备及存储介质与流程

1.本发明涉及计算机技术领域，尤其涉及一种室内定位方法、装置、电子设备及存储介质。


背景技术：

2.在室内环境下，由于全球导航卫星系统(gnss)信号的衰减、遮挡等原因，无法获取用户的位置信息，或者获取的用户位置信息不够准确。因此，可以采用其他信号进行室内定位，例如wifi、蓝牙、磁场、可见光、声信号和图像等。目前，对于室内定位技术的研究根据使用的传感器类型可以分为两大类：基于无线设备的定位技术和基于视觉图像的定位技术。
3.基于无线设备的定位技术，例如wifi和蓝牙等，部署方式直接影响到定位结果。一方面，设备的维护开销过多，另一方面，信号的衰减以及多径效应导致定位信号不稳定，信号噪声较多，达不到目标精度。基于视觉图像的定位技术有更高的精度，但视觉定位精度对图像要求较高，往往会遇到更多挑战：(1)相机到场景的几何距离很短，即使视点的微小变化也会导致图像上大的变化，遮挡对于图像的影响较大；(2)室内环境中经常遇到有类似白墙之类的物体，纹理缺失导致图像特征不明显；(3)室内环境的高度相似性也会给视觉定位带来困难；(4)图像容易受场景光照复杂的变化的影响。
4.现有技术中，通常采用不同传感器的数据分别进行定位，选取分别定位的结果进行选择，定位效率低，定位精度差。


技术实现要素：

5.本发明提供一种室内定位方法、装置、电子设备及存储介质，用于解决现有技术中室内定位精度差的技术问题。
6.本发明提供一种室内定位方法，包括：
7.获取当前位置的wifi信号数据和室内图像数据；
8.将所述wifi信号数据和所述室内图像数据输入至室内定位模型，得到所述室内定位模型输出的所述当前位置的预测位置；
9.其中，所述室内定位模型用于分别提取所述wifi信号数据中的信号特征和所述室内图像数据中的图像特征，并将所述信号特征和所述图像特征融合后进行定位预测。
10.根据本发明提供的室内定位方法，所述室内定位模型包括信号特征提取层、图像特征提取层和融合预测层；
11.所述将所述wifi信号数据和所述室内图像数据输入至室内定位模型，得到所述室内定位模型输出的所述当前位置的预测位置，包括：
12.将所述wifi信号数据输入至所述信号特征提取层，得到所述信号特征提取层输出的信号特征；
13.将所述室内图像数据输入至所述图像特征提取层，得到所述图像特征提取层输出的图像特征；
14.将所述信号特征和所述图像特征输入至所述融合预测层，得到所述融合预测层输出的所述当前位置的预测位置。
15.根据本发明提供的室内定位方法，所述室内定位模型是基于如下步骤训练得到的：
16.确定样本集，所述样本集包括多个样本定位点序列，每一样本定位点序列包括多个样本定位点的实际位置、样本wifi信号数据和样本室内图像数据；
17.基于所述样本集对初始模型进行训练，得到所述室内定位模型；
18.其中，所述初始模型的信号特征提取层采用循环神经网络模型，图像特征提取层采用卷积神经网络模型，融合预测层采用全连接神经网络。
19.根据本发明提供的室内定位方法，所述确定样本集，包括：
20.基于各个样本定位点在室内的实际位置、样本wifi信号数据和样本室内图像数据，确定所述室内定位模型的候选训练集；
21.基于所述候选训练集中满足高斯分布的样本定位点，确定所述样本集。
22.根据本发明提供的室内定位方法，所述基于所述候选训练集中满足高斯分布的样本定位点，确定所述样本集，包括：
23.基于预设序列长度，以所述候选训练集中任一样本定位点为起点，从所述候选训练集中选择满足高斯分布的样本定位点作为一个样本定位点序列；
24.基于多个样本定位点序列，确定所述样本集。
25.根据本发明提供的室内定位方法，所述基于各个样本定位点在室内的实际位置、样本wifi信号数据和样本室内图像数据，确定所述室内定位模型的候选训练集，包括：
26.基于设定的采集顺序，确定各个样本定位点在室内的实际位置、样本wifi信号数据和样本室内图像数据；
27.基于各个样本定位点的采集序号，确定所述室内定位模型的候选训练集和数据测试集。
28.根据本发明提供的室内定位方法，所述室内定位模型的损失函数是基于如下步骤确定的：
29.基于样本集中样本定位点的实际位置和预测位置，确定均方根误差；
30.基于样本定位点以及样本定位点之间的最小间距，对所述样本集中的各个样本定位点进行分类，并基于各个类别的交叉熵损失确定分类误差；
31.基于所述均方根误差和所述分类误差，确定所述室内定位模型的损失函数。
32.本发明还提供一种室内定位装置，包括：
33.获取单元，用于获取当前位置的wifi信号数据和室内图像数据；
34.预测单元，用于将所述wifi信号数据和所述室内图像数据输入至室内定位模型，得到所述室内定位模型输出的所述当前位置的预测位置；
35.其中，所述室内定位模型用于分别提取所述wifi信号数据中的信号特征和所述室内图像数据中的图像特征，并将所述信号特征和所述图像特征融合后进行定位预测。
36.本发明还提供一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现所述室内定位方法的步骤。
37.本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述室内定位方法的步骤。
38.本发明提供的室内定位方法、装置、电子设备及存储介质，通过室内定位模型分别提取wifi信号数据中的信号特征和室内图像数据中的图像特征，并将信号特征和图像特征融合后进行定位预测，得到当前位置的预测位置，解决了单独采用wifi信号数据进行定位带来的信号衰减问题，也解决了单独采用室内图像数据进行定位带来的视距局限问题，实现了数据优势互补，同时，直接使用了wifi信号数据和室内图像数据进行融合定位，提高了室内定位的精度和效率。
附图说明
39.为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
40.图1为本发明提供的室内定位方法的流程示意图；
41.图2为本发明提供的信号特征提取层的结构示意图；
42.图3为本发明提供的融合预测层的结构示意图；
43.图4为本发明提供的室内样本定位点采集示意图；
44.图5为本发明提供的室内定位方法的应用示意图；
45.图6为本发明提供的室内定位装置的结构示意图；
46.图7为本发明提供的电子设备的结构示意图。
具体实施方式
47.为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例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作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。
48.图1为本发明提供的室内定位方法的流程示意图，如图1所示，该方法包括：
49.步骤110，获取当前位置的wifi信号数据和室内图像数据。
50.具体地，当前位置为室内待确定位置信息的位置。此处的室内可以为机场大厅、展览厅、仓库、超市、图书馆、地下停车场和矿井等场所。wifi信号数据为表征室内wifi信号的数据，例如可以为wifi信号强度值。室内图像数据为表征室内环境特征的数据，例如可以为室内某一位置拍摄得到的环境图片。
51.步骤120，将wifi信号数据和室内图像数据输入至室内定位模型，得到室内定位模型输出的当前位置的预测位置；其中，室内定位模型用于分别提取wifi信号数据中的信号特征和室内图像数据中的图像特征，并将信号特征和图像特征融合后进行定位预测。
52.具体地，预测位置是根据当前位置的wifi信号数据和室内图像数据对当前位置的地理信息做出的预测。此处的地理信息可以为绝对位置坐标，也可以为相对位置坐标。
53.可以预先训练得到室内定位模型，具体可以通过如下训练方式得到：首先，搜集大
量的样本定位点的实际位置、样本wifi信号数据和样本室内图像数据；其次，根据大量的样本定位点的实际位置、样本wifi信号数据和样本室内图像数据，对初始模型进行训练，使得初始模型能够学习到wifi信号数据、室内图像数据和定位点的实际位置之间的关联特性，提高初始模型根据wifi信号数据和室内图像数据对定位点位置的预测能力，得到室内定位模型。
54.其中，在学习wifi信号数据、室内图像数据和定位点的实际位置之间的关联特性时，室内定位模型分别提取wifi信号数据中的信号特征和室内图像数据中的图像特征，并将信号特征和图像特征进行融合，将融合后得到的融合特征用于定位预测。例如，可以从wifi信号数据中提取固定维度的信号特征，从室内图像数据中提取具有相同维度的图像特征，然后将信息特征和图像特征在维度上进行拼接，得到融合特征。
55.初始模型可以选择卷积神经网络(convolutional neural networks，cnn)、全卷积神经网络(fully convolutional networks，fcn)和循环神经网络(recurrent neural network，rnn)等，本发明实施例对于初始模型的选择不作具体限定。
56.本发明实施例提供的室内定位方法，通过室内定位模型分别提取wifi信号数据中的信号特征和室内图像数据中的图像特征，并将信号特征和图像特征融合后进行定位预测，得到当前位置的预测位置，解决了单独采用wifi信号数据进行定位带来的信号衰减问题，也解决了单独采用室内图像数据进行定位带来的视距局限问题，实现了数据优势互补，同时，直接使用了wifi信号数据和室内图像数据进行融合定位，提高了室内定位的精度和效率。
57.基于上述实施例，室内定位模型包括信号特征提取层、图像特征提取层和融合预测层；
58.将wifi信号数据和室内图像数据输入至室内定位模型，得到室内定位模型输出的当前位置的预测位置，包括：
59.将wifi信号数据输入至信号特征提取层，得到信号特征提取层输出的信号特征；
60.将室内图像数据输入至图像特征提取层，得到图像特征提取层输出的图像特征；
61.将信号特征和图像特征输入至融合预测层，得到融合预测层输出的当前位置的预测位置。
62.具体地，从模型结构上，室内定位模型可以包括信号特征提取层、图像特征提取层和融合预测层。信号特征提取层用于对wifi信号数据提取特征，图像特征提取层用于对室内图像数据提取特征，融合预测层用于对信号特征提取层和图像特征提取层提取的特征进行融合后，将融合得到的特征进行定位预测。
63.基于上述任一实施例，室内定位模型是基于如下步骤训练得到的：
64.确定样本集，样本集包括多个样本定位点序列，每一样本定位点序列包括多个样本定位点的实际位置、样本wifi信号数据和样本室内图像数据；
65.基于样本集对初始模型进行训练，得到室内定位模型；
66.其中，初始模型的信号特征提取层采用循环神经网络模型，图像特征提取层采用卷积神经网络模型，融合预测层采用全连接神经网络。
67.具体地，样本集包括多个样本定位点序列。每一样本定位点序列为多个样本定位点组成的轨迹点序列。样本定位点序列的长度，也就是样本定位点的数量可以设置为相同。
68.可以采用循环神经网络模型作为初始模型的信号特征提取层。循环神经网络模型的网络层数可以为样本定位点序列中样本定位点的数量。信号特征提取层输出的信号特征的维度可以根据样本wifi信号数据中的参数个数进行确定。若样本wifi信号数据中包含m个参数，则信号特征的维度可以为m。
69.例如，设置样本定位点序列的长度为t，将任一样本定位点序列中样本定位点的wifi信号数据，组成wifi信号强度向量rssi(接收信号强度指示)，输入到循环神经网络网络中。每一样本定位点的wifi信号强度向量rssi中包含s个wifi的信号强度，则rssi的维度为s。循环神经网络采用长短时记忆网络(lstm)架构，设置循环次数，即网络层数与t相同。根据wifi信号强度向量的维度，即rssi的维度确定隐含层参数维度。图2为本发明提供的信号特征提取层的结构示意图，如图2所示，每层网络对应序列t中的每个时间点，将对应隐含层的编码(embedding)作为对应时间序列节点的wifi信号强度向量新的特征编码(embedding)，也就是该样本定位点序列中各个样本定位点的信号特征。
70.可以采用卷积神经网络模型作为初始模型的图像特征提取层。例如，按照任一样本定位点序列中样本定位点的序号，将样本定位点的样本室内图像数据，共t张，依次输入卷积神经网络中，对应的顺序的输出作为每张样本室内图像数据的新的特征描述。卷积神经网络可以选取resnet结构进行设计，将resnet的最后一层网络的输出平均池化到与该样本定位点的信号特征相同的维度。
71.可以采用全连接神经网络作为初始模型的融合预测层。例如，在长度为t的样本定位点序列中，每个样本定位点的样本wifi信号数据和样本室内图像数据都生成了新的特征编码和描述，即信号特征和图像特征，两种特征在维度相同情况下可以直接进行首尾拼接，从而变成新的特征描述，即融合特征。图3为本发明提供的融合预测层的结构示意图，如图3所示，将融合特征输入到融合预测层进行训练，就可以得到室内定位模型。融合预测层可以采用一个单层全连接式网络结构。在训练中，学习率设置为0.0001，设置dropout比例为0.2。
72.基于上述任一实施例，确定样本集，包括：
73.基于各个样本定位点在室内的实际位置、样本wifi信号数据和样本室内图像数据，确定室内定位模型的候选训练集；
74.基于候选训练集中满足高斯分布的样本定位点，确定样本集。
75.具体地，可以在室内进行定位点的采样，得到多个样本定位点。每一样本定位点需要采集的数据包括实际位置、样本wifi信号数据和样本室内图像数据。
76.在采集得到多个样本定位点后，将其作为候选训练集。此时，为了提高室内定位模型的鲁棒性和泛化能力，可以从候选训练集中选择满足高斯分布的样本定位点，作为样本集。
77.基于上述任一实施例，基于候选训练集中满足高斯分布的样本定位点，确定样本集，包括：
78.基于预设序列长度，以候选训练集中任一样本定位点为起点，从候选训练集中选择满足高斯分布的样本定位点作为一个样本定位点序列；
79.基于多个样本定位点序列，确定样本集。
80.具体地，预设序列长度t可以根据需要进行设置，例如，可以设置t＝10。以候选训
练集中任一样本定位点为起点，从候选训练集中选择满足高斯分布的样本定位点作为一个样本定位点序列。
81.例如，样本定位点是在人行走过程中采集的，则可以根据人行走的行走速度，来确定选取的样本定位点之间的距离满足高斯分布。假设在人的行走过程中，以秒为单位进行样本定位点的选择。则一个样本定位点序列，其长度为t，可以认为该样本定位点序列中的t个样本定位点是行走过程中t秒内采集得到的，每一秒对应采集一个样本定位点。
82.正常人室内行走速度在0.4～2米每秒之间，可以获得上一时刻采集的样本定位点l
t
‑1的下一时刻采集的样本定位点的位置点l
t
之间的关系服从高斯分布，根据概率可以进行下一时刻的样本定位点的选取，用公式表示为：
[0083][0084]
d
max
＝v
max
×
δt
[0085]
其中，p(l
t
)为下一时刻的样本定位点的选择概率，x
t
表示t时刻的位置坐标向量，σ表示以所有其他点到该点距离为变量的标准差，δt是相邻时刻的时间差，这里设为1秒，d
max
表示在时间差内行人行走的最大距离，根据行人行走的平均速度的最大值v
max
求得，这里设其最大为2米每秒。
[0086]
在候选训练集中，将任一样本定位点为起点l
t
‑1，即t
‑
1时刻采集的样本定位点，以除该样本定位点之外的其他样本定位点为可能的t时刻采集的样本定位点，按照上述公式分别计算每一其他样本定位点的选择概率，将选择概率最大的定位点作为t时刻采集的样本定位点l
t
，按照上述选择方法，在候选训练集中选择出满足预设序列长度的数量的点作为一个样本定位点序列。
[0087]
更换其他点作为起点，按照上述方法，可以得到多个样本定位点序列。将这些样本定位点序列作为一个样本集。样本定位点序列的数量可以根据需要进行设置。
[0088]
基于上述任一实施例，基于各个样本定位点在室内的实际位置、样本wifi信号数据和样本室内图像数据，确定室内定位模型的候选训练集，包括：
[0089]
基于设定的采集顺序，确定各个样本定位点在室内的实际位置、样本wifi信号数据和样本室内图像数据；
[0090]
基于各个样本定位点的采集序号，确定室内定位模型的候选训练集和数据测试集。
[0091]
具体地，在室内可以按照一定的采集顺序，分别采集得到多个样本定位点，以及每一样本定位点在室内的实际位置、样本wifi信号数据和样本室内图像数据。可以根据各个样本定位点的采集序号的奇偶性，将多个样本定位点分为候选训练集和数据测试集。
[0092]
例如，图4为本发明提供的室内样本定位点采集示意图，如图4所示，在轨迹线上，按照设定的采集顺序进行wifi信号和图像的采集，具体方式为，沿着轨迹线行走，一点一停，每一个采样点都是一个样本定位点，用手机摄像头在每个样本定位点拍摄一张沿着轨迹线的正前方的照片，然后搜索该点的wifi信号，将搜索到的所有wifi信号地址和对应信号强度和该点的真实坐标存储到手机文件中，具体的wifi文件存储形式可以是文本文件：
[0093]
(x坐标，y坐标，mac地址1：强度值，mac地址2：强度值，......)
[0094]
图片即以jpg图片文件存储在手机中同一文件夹内。按照这样的规则和形式对所有样本定位点进行数据采集和存储操作，最后将存储的wifi文本文件和所有图像通过手机传输到电脑中进行处理。样本定位点之间间隔可以为1米。对于采集到的所有样本定位点，依次交替选择，得到候选训练集和数据测试集。例如，可以将采集序号为奇数的样本采样点划入候选训练集，可以将采集序号为偶数的样本采样点划入数据测试集。
[0095]
基于上述任一实施例，室内定位模型的损失函数是基于如下步骤确定的：
[0096]
基于样本集中样本定位点的实际位置和预测位置，确定均方根误差；
[0097]
基于样本定位点以及样本定位点之间的最小间距，对样本集中的各个样本定位点进行分类，并基于各个类别的交叉熵损失确定分类误差；
[0098]
基于均方根误差和分类误差，确定室内定位模型的损失函数。
[0099]
具体地，在对室内定位模型进行训练时，可以采用组合损失函数。组合损失函数l
new
包括均方根误差l
rmse
和分类误差l
classification
，用公式表示为：
[0100]
l
new
＝l
rmse
l
classification
[0101]
其中，l
rmse
可以为室内定位模型输出的样本定位点的预测位置与样本定位点的实际位置之间的均方根误差。
[0102]
分类误差l
classification
的确定方法包括：
[0103]
以每一样本定位点为基准，设置最小相邻节点间距(grid size)为半径的圆区域为类别标签，根据样本定位点之间的欧式距离判断是否是同一类，确定每个样本定位点的类别标签label，具体计算方式为：
[0104][0105][0106]
其中，n等于室内场景的面积和以grid size为半径的圆面积的比值取整，n等于所有样本定位点的数量，label
k
即为k点的类别标签，以此为标准求其交叉熵损失，即可得分类误差损失l
classification
。
[0107]
训练过程中记录每轮训练损失，训练损失收敛后，保存损失最小的模型作为室内定位模型。
[0108]
基于上述任一实施例，图5为本发明提供的室内定位方法的应用示意图，如图5所示，室内定位方法的应用可以分为离线(训练)和在线(预测)两个阶段。
[0109]
离线阶段，数据预处理结束后，按照设置t的长度依次从训练集中取wifi数据和图像数据，输入到循环神经网络结构和卷积神经网络结构中，分别提取高级特征描述。
[0110]
其中，wifi数据处理步骤为：
[0111]
(1)遍历采集到的所有wifi信号mac地址，记为地址全集，一共100个mac地址信号源；
[0112]
(2)按照全集中的wifi信号mac地址顺序，将每个定位点采集到的信号强度值进行重新排列和组合，组成统一维度的向量集合rssi，没有采集到的地址wifi信号强度用最小值
‑
100表示；
[0113]
(3)对所有rssi信号强度向量进行归一化。
[0114]
图像预处理的步骤为：
[0115]
(1)按照wifi采集点序列进行排列；
[0116]
(2)中心裁剪为224*224的尺寸规格。
[0117]
最后，在wifi和图像分别处理好后，沿着轨迹线，依次交替选择定位点作为训练集和测试集数据点，然后选取固定序列长度，按照序列长度生成连续的点轨迹。
[0118]
在线阶段，为算法的评估模块，将预处理好的测试集数据，wifi和图像，输入保存的神经网络模型(室内定位模型)中，输出对应位置坐标。通过计算网络输出的位置坐标和真实坐标的平均误差距离得到最终定位的平均精度误差error。具体的评估方程为：
[0119][0120]
其中，l
i
为i点的输出预测定位结果坐标，为i点的真实坐标，n为所有定位点的数量。
[0121]
表1表示的是本发明实施例中的室内定位方法在本发明实施例采集的数据集合中和在公开数据集ujiindoorloc中，与其他方法基于wifi信号的定位精度比较。本发明的损失函数具有较好的泛化作用，即在不同数据上和不同形式的损失函数都有较好的表现。
[0122]
表1本发明与其他方法在不同数据集上wifi定位精度(均方误差
±
标准差)对比(单位为米)
[0123]
mlpmlnnp
‑
mimo本发明本发明数据集1.20
±
0.831.79
±
1.600.73
±
0.750.69
±
0.49ujiindoorloc9.2
±
5.87.6
±
4.24.5
±
2.73.35
±
2.29
[0124]
表2是本发明实施例中的室内定位方法在实验采集数据中使用不同源数据和损失函数的实验定位精度比较，可以看出本发明实施例中的损失函数应用在wifi和图像融合方面，对于定位精度的提升明显。
[0125]
表2本发明方法在不同数据源和损失函数下定位精度比较
[0126]
使用源数据损失函数均方误差(单位米)wifil
rmse
0.71
±
0.74wifil
new
0.69
±
0.49图像l
rmse
3.92
±
2.29图像l
new
3.37
±
1.86wifi和图像l
rmse
0.69
±
0.45wifi和图像l
new
0.58
±
0.36
[0127]
本发明实施例提供的室内定位方法，基于深度学习技术，训练紧耦合神经网络模型，将wifi和图像数据进行融合。首先用循环神经网络提取wifi序列信号数据特征，同时用卷积神经网络提取图像特征，然后将两种特征描述进行拼接组合，作为后续神经网络层的输入，回归训练整体网络，输出图像和wifi代表的位置点坐标以定位。其中，在回归训练的同时，将定位点按区域划分为多个定位标签，引入分类损失函数，在回归的同时用分类损失
辅助生成最终结果。
[0128]
与现有技术相比，本发明实施例带来的有益效果是：(1)提出紧耦合的融合方式，直接使用wifi和图像的原始数据进行融合定位，计算步骤大大减少，效率增加；(2)充分利用wifi和图像的原始数据，定位精度更高，效果更好；(3)有效的规避wifi信号衰减和图像中遮挡和光照等影响过大的问题。
[0129]
基于上述任一实施例，图6为本发明提供的室内定位装置的结构示意图，如图6所示，该装置包括：
[0130]
获取单元610，用于获取当前位置的wifi信号数据和室内图像数据；
[0131]
预测单元620，用于将wifi信号数据和室内图像数据输入至室内定位模型，得到室内定位模型输出的当前位置的预测位置；
[0132]
其中，室内定位模型用于分别提取wifi信号数据中的信号特征和室内图像数据中的图像特征，并将信号特征和图像特征融合后进行定位预测。
[0133]
本发明实施例提供的室内定位装置，通过室内定位模型分别提取wifi信号数据中的信号特征和室内图像数据中的图像特征，并将信号特征和图像特征融合后进行定位预测，得到当前位置的预测位置，解决了单独采用wifi信号数据进行定位带来的信号衰减问题，也解决了单独采用室内图像数据进行定位带来的视距局限问题，实现了数据优势互补，同时，直接使用了wifi信号数据和室内图像数据进行融合定位，提高了室内定位的精度和效率。
[0134]
基于上述任一实施例，室内定位模型包括信号特征提取层、图像特征提取层和融合预测层；
[0135]
将wifi信号数据和室内图像数据输入至室内定位模型，得到室内定位模型输出的当前位置的预测位置，包括：
[0136]
将wifi信号数据输入至信号特征提取层，得到信号特征提取层输出的信号特征；
[0137]
将室内图像数据输入至图像特征提取层，得到图像特征提取层输出的图像特征；
[0138]
将信号特征和图像特征输入至融合预测层，得到融合预测层输出的当前位置的预测位置。
[0139]
基于上述任一实施例，该装置还包括训练单元，训练单元包括：
[0140]
样本集确定子单元，用于确定样本集，样本集包括多个样本定位点序列，每一样本定位点序列包括多个样本定位点的实际位置、样本wifi信号数据和样本室内图像数据；
[0141]
样本集训练子单元，用于基于样本集对初始模型进行训练，得到室内定位模型；
[0142]
其中，初始模型的信号特征提取层采用循环神经网络模型，图像特征提取层采用卷积神经网络模型，融合预测层采用全连接神经网络。
[0143]
基于上述任一实施例，样本集确定子单元包括：
[0144]
候选训练集确定模块，用于基于各个样本定位点在室内的实际位置、样本wifi信号数据和样本室内图像数据，确定室内定位模型的候选训练集；
[0145]
样本集确定模块，用于基于候选训练集中满足高斯分布的样本定位点，确定样本集。
[0146]
基于上述任一实施例，样本集确定模块用于：
[0147]
基于预设序列长度，以候选训练集中任一样本定位点为起点，从候选训练集中选
择满足高斯分布的样本定位点作为一个样本定位点序列；
[0148]
基于多个样本定位点序列，确定样本集。
[0149]
基于上述任一实施例，候选训练集确定模块用于：
[0150]
基于设定的采集顺序，确定各个样本定位点在室内的实际位置、样本wifi信号数据和样本室内图像数据；
[0151]
基于各个样本定位点的采集序号，确定室内定位模型的候选训练集和数据测试集。
[0152]
基于上述任一实施例，该装置还包括：
[0153]
损失函数确定单元，用于基于样本集中样本定位点的实际位置和预测位置，确定均方根误差；基于样本定位点以及样本定位点之间的最小间距，对样本集中的各个样本定位点进行分类，并基于各个类别的交叉熵损失确定分类误差；基于均方根误差和分类误差，确定室内定位模型的损失函数。
[0154]
基于上述任一实施例，图7为本发明提供的电子设备的结构示意图，如图7所示，该电子设备可以包括：处理器(processor)710、通信接口(communications interface)720、存储器(memory)730和通信总线(communications bus)740，其中，处理器710，通信接口720，存储器730通过通信总线740完成相互间的通信。处理器710可以调用存储器730中的逻辑命令，以执行如下方法：
[0155]
获取当前位置的wifi信号数据和室内图像数据；将wifi信号数据和室内图像数据输入至室内定位模型，得到室内定位模型输出的当前位置的预测位置；其中，室内定位模型用于分别提取wifi信号数据中的信号特征和室内图像数据中的图像特征，并将信号特征和图像特征融合后进行定位预测。
[0156]
此外，上述的存储器730中的逻辑命令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干命令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read
‑
only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0157]
本发明实施例提供的电子设备中的处理器可以调用存储器中的逻辑指令，实现上述方法，其具体的实施方式与前述方法实施方式一致，且可以达到相同的有益效果，此处不再赘述。
[0158]
本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的方法，例如包括：
[0159]
获取当前位置的wifi信号数据和室内图像数据；将wifi信号数据和室内图像数据输入至室内定位模型，得到室内定位模型输出的当前位置的预测位置；其中，室内定位模型用于分别提取wifi信号数据中的信号特征和室内图像数据中的图像特征，并将信号特征和图像特征融合后进行定位预测。
[0160]
本发明实施例提供的非暂态计算机可读存储介质上存储的计算机程序被执行时，
实现上述方法，其具体的实施方式与前述方法实施方式一致，且可以达到相同的有益效果，此处不再赘述。
[0161]
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
[0162]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干命令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
[0163]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。