1.基于扩展卡尔曼滤波和粒子滤波的室内融合定位方法，其特征在于，步骤如下：(1)利用WiFi的信号强度信息进行指纹法定位，它由离线阶段和在线阶段组成，具体的步骤如下：a)用户手持智能手机获取环境中的各个采样点上各个AP对应的WiFi信号强度、MAC地址和已知的位置坐标；

b)把所有采样点上采集到的上述信息合并在一起，构建出指纹数据库；

c)分别计算待定位点处测量得到的WiFi信号强度和采样点上WiFi信号强度之间的欧式距离，对所有采样点对应的欧式距离按顺序排序，并选择k个距离最近的采样点作为邻居；

d)把距离倒数的占比作为采样点坐标对应的权重，将这k个距离最近的采样点的坐标的加权和作为估计坐标；

(2)在已知当前位置的情况下，通过估计行人的步长和运动方向，推算下一步位置，行人航位推算由步态检测、步长估计以及方向检测三个部分组成，具体的步骤如下：a)用户手持智能手机终端实时采集MEMS惯性传感器数据，将原始加速度取平方和，通过卡尔曼滤波去除噪声干扰，使用加速度差分有限状态机实现计步检测；

b)把前一步步长作为后一步步长的先验估计值，把非线性步长估计模型的输出结果作为测量值，结合先验估计值和测量值进行卡尔曼滤波，把滤波得到的最优估计值作为步长估计结果；

c)当陀螺仪z轴的角速度大于0.5rad/s时，仅使用方向传感器测得的航向，当相邻时刻的方向传感器读数大于60°时，仅使用陀螺仪测得的航向；在其他情况下，使用这两种传感器数据加权融合得到的航向；

(3)利用扩展卡尔曼滤波算法将WiFi定位结果与行人航位推算定位结果进行融合，具体的步骤如下：a)根据加速度来做步态检测，判断行人是否行走一步；

b)当检测到行走一步时，就进行WiFi扫描和行人航位推算，初始位置由WiFi指纹法的定位结果确定，根据行人的状态信息通过非线性公式进行系统模型建模；

c)根据WiFi扫描到的信息进行指纹法定位，根据指纹法定位结果进行测量模型建模；

d)结合系统模型和测量模型进行测量更新和状态更新，将扩展卡尔曼滤波的最优估计值作为融合定位结果；

(4)结合粒子滤波和室内地图信息进行位置校正，具体的步骤如下：a)在定位区域的范围内，初始化每个粒子的状态和权重；

b)根据系统的状态转移过程预测粒子当前时刻的状态，设置预测规则为：粒子根据各自的速度和方向进行运动，当粒子超出边界时，就随机改变方向再次预测；

c)将基于扩展卡尔曼滤波的融合定位结果作为观测位置，设粒子的预测位置与观测位置之间的欧式距离服从高斯分布，根据其概率密度更新粒子的权重，并进行权重归一化；

d)当粒子数评价标准小于粒子总数的一半时，进行粒子重采样，在重采样过程中，重新生成权重较大的粒子、去除权重较小的粒子；

e)返回所有粒子的加权平均值作为最终的估计状态。

2.根据权利要求1所述的基于扩展卡尔曼滤波和粒子滤波的室内融合定位方法，其特征在于，步骤(1)中用于WiFi指纹法定位的公式如下：用于计算待定位点和采样点处WiFi信号强度之间的欧式距离：其中，rsst,j表示待定位点处第j个AP的信号强度，rsss,j表示采样点处第j个AP的信号强度，dt,s表示待定位点处、采样点处信号强度之间的欧式距离，n表示AP的个数；

用于计算采样点坐标对应的权重：

ws表示采样点对应的权重，dt,s表示待定位点处、采样点处信号强度之间的欧式距离，k表示采样点的总数；

计算待定位点的估计坐标：

其中，Pt表示待定位点的位置坐标，ws表示采样点对应的权重，Ps表示采样点的位置坐标，k表示采样点的总数。

3.根据权利要求1或2所述的基于扩展卡尔曼滤波和粒子滤波的室内融合定位方法，其特征在于，步骤(2)中MEMS惯性传感器提供的数据包括加速度数据、角速度数据和磁场强度数据；

用于行人航位推算的公式如下：

xn表示行人在第n步的横坐标，yn表示行人在第n步的纵坐标，dn表示行人在第n步的步长，θn表示行人在第n步的航向；

步长估计的具体步骤如下：

对状态做一步预测：

A表示状态转移矩阵， 表示第k-1步的步长估计值， 表示第k步的步长预测；

计算一步预测协方差矩阵：

Pk′＝APk-1AT+Qk

Pk-1表示第k-1步的估计协方差，Qk表示过程噪声的协方差；

计算卡尔曼增益：

Kk＝Pk′HT(HP′kHT+Rk)-1P′k表示第k步的协方差预测，H表示观测矩阵，Rk表示测量噪声的协方差；

根据Weinberg模型得到状态的观测值：amax表示一步内z轴上的最大加速度，amin表示一步内z轴上的最小加速度，K为单位转换的系数；

状态更新：

表示第k步的步长预测，Kk表示卡尔曼增益，zk表示Weinberg模型得到的步长，H表示观测矩阵；

协方差矩阵更新：

Pk＝(I-KkH)P′k

Kk表示卡尔曼增益，H表示观测矩阵，I表示一维单位阵，P′k表示第k步的协方差预测；

加权融合方向传感器和陀螺仪数据的航向估计公式如下：Orifuse,t＝p·Orio,t+(1-p)·Orig,tOrio,t表示t时刻方向传感器的航向，Orig,t表示t时刻陀螺仪的航向，p表示加权系数。

4.根据权利要求1或2所述的基于扩展卡尔曼滤波和粒子滤波的室内融合定位方法，其特征在于，步骤(3)中基于扩展卡尔曼滤波的融合定位步骤如下：根据系统模型获得状态的先验信息：

xk-1表示行人在第k-1步的横坐标,sk表示第k步的步长，θk-1表示第k-1步的航向，yk-1表示行人在第k-1步的纵坐标，Δθk表示第k步的航向变化；

计算观测向量的预测值：

Zk|k-1＝HkXk|k-1

Hk表示观测矩阵，Xk|k-1表示状态的预测；

求解状态方程的雅克比矩阵：

求解预测误差协方差：

表示状态转移矩阵，Pk-1表示第k-1步的估计协方差，Qk表示过程噪声的协方差；

计算卡尔曼增益：

Pk|k-1表示预测误差协方差，Hk表示观测矩阵；

将WiFi指纹法的定位结果作为状态向量的观测值；

状态更新：

Xk＝Xk|k-1+Kk(Zk-Zk|k-1)Xk|k-1表示状态的预测，Kk表示卡尔曼增益，Zk表示状态向量的观测值，Zk|k-1表示观测向量的预测；

协方差矩阵更新：

Pk＝(I-KkHk)Pk|k-1

Kk表示卡尔曼增益，Hk表示观测矩阵，I表示单位阵，Pk|k-1表示预测误差协方差。

5.根据权利要求3所述的基于扩展卡尔曼滤波和粒子滤波的室内融合定位方法，其特征在于，步骤(3)中基于扩展卡尔曼滤波的融合定位步骤如下：根据系统模型获得状态的先验信息：

xk-1表示行人在第k-1步的横坐标,sk表示第k步的步长，θk-1表示第k-1步的航向，yk-1表示行人在第k-1步的纵坐标，Δθk表示第k步的航向变化；

计算观测向量的预测值：

Zk|k-1＝HkXk|k-1

Hk表示观测矩阵，Xk|k-1表示状态的预测；

求解状态方程的雅克比矩阵：

求解预测误差协方差：

表示状态转移矩阵，Pk-1表示第k-1步的估计协方差，Qk表示过程噪声的协方差；

计算卡尔曼增益：

Pk|k-1表示预测误差协方差，Hk表示观测矩阵；

将WiFi指纹法的定位结果作为状态向量的观测值；

状态更新：

Xk＝Xk|k-1+Kk(Zk-Zk|k-1)Xk|k-1表示状态的预测，Kk表示卡尔曼增益，Zk表示状态向量的观测值，Zk|k-1表示观测向量的预测；

协方差矩阵更新：

Pk＝(I-KkHk)Pk|k-1

Kk表示卡尔曼增益，Hk表示观测矩阵，I表示单位阵，Pk|k-1表示预测误差协方差。

6.根据权利要求1、2或5所述的基于扩展卡尔曼滤波和粒子滤波的室内融合定位方法，其特征在于，步骤(4)中基于粒子滤波的位置校正步骤如下：根据系统的状态转移方程预测粒子当前时刻的状态：xi,k-1表示k-1时刻第i个粒子的横坐标，θi,k表示k时刻第i个粒子的方向，vi,k表示k时刻第i个粒子的速度，yi,k-1表示k-1时刻第i个粒子的纵坐标，θstd表示粒子方向的标准差；

计算预测位置与观测位置之间的欧式距离：xi,k表示k时刻第i个粒子的预测位置的横坐标，yi,k表示k时刻第i个粒子的预测位置的纵坐标，x′i,k表示k时刻第i个粒子的观测位置的横坐标，y′i,k表示k时刻第i个粒子的观测位置的纵坐标；

计算上述距离的概率密度：

dstd表示粒子速度的标准差，di,k表示k时刻第i个粒子预测位置与观测位置之间的欧式距离；

更新粒子的权重：

wi,k-1表示k-1时刻第i个粒子的初始权重；

权重归一化：

表示k时刻第i个粒子更新后的权重，M表示粒子总数；

粒子数评价标准的计算公式如下：

返回所有粒子的加权平均值作为最终的估计状态：Xi,k表示k时刻第i个粒子的状态，wi,k表示k时刻第i个粒子的归一化权重，M表示粒子总数。

7.根据权利要求3所述的基于扩展卡尔曼滤波和粒子滤波的室内融合定位方法，其特征在于，步骤(4)中基于粒子滤波的位置校正步骤如下：根据系统的状态转移方程预测粒子当前时刻的状态：xi,k-1表示k-1时刻第i个粒子的横坐标，θi,k表示k时刻第i个粒子的方向，vi,k表示k时刻第i个粒子的速度，yi,k-1表示k-1时刻第i个粒子的纵坐标，θstd表示粒子方向的标准差；

计算预测位置与观测位置之间的欧式距离：xi,k表示k时刻第i个粒子的预测位置的横坐标，yi,k表示k时刻第i个粒子的预测位置的纵坐标，x′i,k表示k时刻第i个粒子的观测位置的横坐标，y′i,k表示k时刻第i个粒子的观测位置的纵坐标；

计算上述距离的概率密度：

dstd表示粒子速度的标准差，di,k表示k时刻第i个粒子预测位置与观测位置之间的欧式距离；

更新粒子的权重：

wi,k-1表示k-1时刻第i个粒子的初始权重；

权重归一化：

表示k时刻第i个粒子更新后的权重，M表示粒子总数；

粒子数评价标准的计算公式如下：

返回所有粒子的加权平均值作为最终的估计状态：Xi,k表示k时刻第i个粒子的状态，wi,k表示k时刻第i个粒子的归一化权重，M表示粒子总数。

8.根据权利要求4所述的基于扩展卡尔曼滤波和粒子滤波的室内融合定位方法，其特征在于，步骤(4)中基于粒子滤波的位置校正步骤如下：根据系统的状态转移方程预测粒子当前时刻的状态：xi,k-1表示k-1时刻第i个粒子的横坐标，θi,k表示k时刻第i个粒子的方向，vi,k表示k时刻第i个粒子的速度，yi,k-1表示k-1时刻第i个粒子的纵坐标，θstd表示粒子方向的标准差；

计算预测位置与观测位置之间的欧式距离：xi,k表示k时刻第i个粒子的预测位置的横坐标，yi,k表示k时刻第i个粒子的预测位置的纵坐标，x′i,k表示k时刻第i个粒子的观测位置的横坐标，y′i,k表示k时刻第i个粒子的观测位置的纵坐标；

计算上述距离的概率密度：

dstd表示粒子速度的标准差，di,k表示k时刻第i个粒子预测位置与观测位置之间的欧式距离；

更新粒子的权重：

wi,k-1表示k-1时刻第i个粒子的初始权重；

权重归一化：

表示k时刻第i个粒子更新后的权重，M表示粒子总数；

粒子数评价标准的计算公式如下：

返回所有粒子的加权平均值作为最终的估计状态：Xi,k表示k时刻第i个粒子的状态，wi,k表示k时刻第i个粒子的归一化权重，M表示粒子总数。