[发明专利]Wi-Fi指纹地图重建方法、装置、终端设备及介质

权利要求书

1.一种Wi-Fi指纹地图重建方法，其特征在于，包括：

构建场景地图，并采集所述场景地图上采集点的Wi-Fi指纹数据，生成Wi-Fi指纹地图；

根据所述Wi-Fi指纹地图，获取任一AP接入点对应的信号强度值，并生成对应的信号强度分布图像；

对所述信号强度分布图像进行最近邻下采样操作，获得低分辨率图像；

根据所述低分辨率图像对预设的神经网络模型进行训练，得到超分辨率重建模型；

将所有AP接入点对应的低分辨率图像作为所述超分辨率重建模型的输入，根据所述超分辨率重建模型输出的超分辨率图像，整合成重建后的Wi-Fi指纹地图。

2.如权利要求1所述的Wi-Fi指纹地图重建方法，其特征在于，所述构建场景地图，并采集所述场景地图上采集点的Wi-Fi指纹数据，生成Wi-Fi指纹地图，包括：

使用移动机器人搭载激光雷达构建场景地图，并获取所述场景地图中标设的采集点对应的采集点坐标；

使用所述移动机器人搭载Wi-Fi信号采集设备，对所述采集点进行数据采集，得到所述采集点的Wi-Fi指纹数据，所述Wi-Fi指纹数据包括Wi-Fi信号强度、MAC地址、AP接入点及采集时间；

对不同AP接入点下所有采集点的Wi-Fi指纹数据进行汇总，生成Wi-Fi指纹地图。

3.如权利要求2所述的Wi-Fi指纹地图重建方法，其特征在于，所述根据所述低分辨率图像对预设的神经网络模型进行训练，得到超分辨率重建模型，包括：

将所述低分辨率图像按照预设的比例划分为图像训练样本、图像验证样本以及图像测试样本；

采用所述图像训练样本对预设的神经网络模型进行训练，得到超分辨率重建模型；

采用所述图像验证样本对所述超分辨率重建模型进行参数调优；

采用所述图像测试样本对调优后的超分辨率重建模型进行测试。

4.如权利要求3所述的Wi-Fi指纹地图重建方法，其特征在于，所述神经网络模型包括依次相连的输入模块、特征提取模块和输出模块；所述输入模块为输入卷积层；所述特征提取模块由16个残差块构成，每个残差块包含2个卷积层和1个ReLu激活层；所述输出模块包括相连的上采样层和输出卷积层。

5.如权利要求3所述的Wi-Fi指纹地图重建方法，其特征在于，所述采用所述图像测试样本对调优后的超分辨率重建模型进行测试，包括：

将所述图像测试样本输入到所述超分辨率重建模型，输出超分辨率测试图像，整合成重建后的测试Wi-Fi指纹地图；

选取测试采集点，并从所述重建后的测试Wi-Fi指纹地图中获取所述测试采集点对应的Wi-Fi指纹数据；

根据所述测试采集点对应的Wi-Fi指纹数据，计算所述测试采集点的坐标；

将计算得到的坐标与所述Wi-Fi指纹地图中所述测试采集点对应的采集点坐标进行比对。

6.如权利要求1所述的Wi-Fi指纹地图重建方法，其特征在于，所述方法还包括：

定期使用所述移动机器人对所述采集点进行数据采集，以更新Wi-Fi指纹地图；

按照时间序列将更新后的低分辨率图像样本输入到所述超分辨率重建模型进行训练。

7.如权利要求4所述的Wi-Fi指纹地图重建方法，其特征在于，所述神经网络模型通过如下损失函数进行训练，具体如下公式(1)：

其中，为超分辨率图像的平均绝对误差，WH为图像矩阵的长度和宽度，为信号强度分布图像相应的高分辨率图像，I^SR_x,y为超分辨率图像。