WiFi等无线信号指纹定位的出现,使得室内定位在覆盖率、定位精度、实时性等方面都有了较为明显的提升,并在行人导航领域得到了较为普遍的应用,也因此产生了大量的定位数据。通过将定位数据和身份相关联,可以更为有效地挖掘定位数据中的隐含信息,如个人喜好、常活动区域、性格特点等,在大型建筑物内的个性导航、商业广告的精准投放、市场的精准分析、针对性救援、犯罪分子跟踪等方面都有着广泛的应用场景。按照定位信息来源的不同,室内定位方式可以分为被动定位和主动定位。被动定位的定位范围广,可以获得较多的定位数据。但仅能获得移动设备的Mac地址这一单一的个人属性信息,身份关联程度较低。主动定位中基于图像的主动定位方式,利用公共场所监控摄像头拍摄的图像,可以得到行人的姓名、年龄、性别、身体状况等较为丰富的个人属性信息。但由于监控摄像头数量有限,存在较多无法采集到图像盲区,定位范围窄,定位数据少。为了能获得更为广泛且准确的身份信息,且令定位数据和身份信息关联准确关联,结合主动定位和被动定位的过程的优势,本文设计了基于图像与无线信号的半主动式定位的定位过程,具体过程如下:通过被动定位获得广泛的定位数据,通过主动定位获取丰富的身份信息,并最终通过定位轨迹匹配实现广泛的定位数据和丰富身份信息的相关联。本文主要完成了以下三个工作:1.使用人脸识别神经网络定位身份时,性能最优的损失函数ArcFace引入的加角余量仅对类间距离进行了约束,未对类内距离进行有效约束,从而导致人脸识别精度不高。针对这个问题,考虑到SphereFace引入的倍角余量能有效压缩类内空间,本文提出了损失函数MaaFace,将加角余量和倍角余量同时引入损失函数,从而提高身份定位的准确度。在34和50层的神经网络上对LFW、CFP-FP、AgeDB数据集进行测试,使用损失函数MaaFace时,误识别率分别平均降低了 10.9%和7.3%,在100层的网络上测试时,除了 LFW数据集识别率降低了 0.07%外,CFP-FP、AgeDB数据集误识别率分别降低了 5.9%和2.2%。实验证明,所提出的结合损失函数的性能要优于已有的损失函数,较为显著地提高了定位身份的准确度。2.使用人脸识别神经网络定位身份时,ArcFace还存在对训练数据集过拟合的问题,从而导致人脸识别精度不高。针对这个问题,本文提出了动态损失函数Dyn-arcFace,将静态加角余量发展为动态加角余量,降低对训练数据的过拟合,从而提高身份定位的准确度。在34、50、100层的神经网络上对LFW、CFP-FP、AgeDB数据集进行测试,与ArcFace相比,不同层数神经网络的误识别率分别平均降低了 1 5.2%、11.0%和4.6%,与第1点中提出的结合型损失函数效果相比,误识别率分别平均降低了 5.0%、10.6%和10.6%。实验结果证明,所提出的动态损失函数要优于已有的损失函数和第1点中提出的结合型损失函数,显著地提高了身份定位的准确度。3.针对半主动式定位中无线信号不稳定导致的无线定位精度差,行人和移动设备匹配关联准确度不高的问题,本文利用无线信号强度空间分布相关性,构建了修正无线信号强度的神经网络模型,对无线信号强度进行修正。仿真实验证明,经过本文提出的神经网络模型修正后,无线信号强度的平均误差降低了 35.92%。使用修正后的信号在BP、CNN、RBF、GRNN等神经网络进行指纹定位,定位误差平均降低15.54%,这也证明了修正信号的有效性。