1.基于粗精双步相关图像特征提取的室内WLAN定位方法，其特征在于，包括以下步骤：步骤一、在定位目标区域内随机采集Nseq条RSS序列，记为rssij＝(rssij1,rssij2,...,rssijk)(1≤j≤Mi)，其中，Mi为第i条RSS序列的序列长度，即第i条RSS序列包含的RSS矢量个数，k为AP数目，rssijp(1≤p≤k)为第i条RSS序列内第j个RSS矢量中来自第p个AP的信号强度值；

步骤二、在每条RSS序列中，利用时间戳顺序对不同RSS矢量进行升序排列，其中，将第i条RSS序列内第j个RSS矢量重构为一个新的k+1维矢量步骤三、在每条新的k+1维矢量中，对时间戳信息和RSS矢量信息进行加权，加权系数为wts和wrss，其中，wts+wrss＝1且0≤wts,wrss≤1，于是，得到 所对应的混合矢量步骤四、对每条RSS序列所对应的混合矢量进行谱聚类，得到每个混合矢量所属的聚类号及对应的聚类类心；

步骤五、利用中值滤波方法，修正每条混合矢量所属的聚类号及对应的聚类类心；

步骤六、根据每条RSS序列中相邻聚类之间的转移关系，以连通图的形式构建每条RSS序列所对应的类转移图；

步骤七、重复步骤二至步骤六，直到完成对所有RSS序列所对应类转移图的构建；

步骤八、将采集得到的所有RSS序列按序列标号连接成一条总序列步骤九、计算RSST中不同RSS矢量之间的欧式距离，得到距离矩阵Ddis；

步骤十、对于距离矩阵Ddis中第i行第j列的元素dij，设定门限dth，当dij≤dth时，令dij＝

1，反之，则令dij＝0，于是得到二值矩阵Dbin；

步骤十一、利用二值矩阵Dbin生成二值图像GRbin，二值图像GRbin中第i行第j列像素点的像素值Iij等于Dbin中第i行第j列的元素值Dbin(i,j)，其中，Iij＝1的像素点为白色，Iij＝0的像素点为黑色；

步骤十二、对二值图像GRbin进行中值滤波处理，得到图像GRfil；

步骤十三、对中值滤波处理后的二值图像GRfil进行腐蚀处理，得到图像GRero，腐蚀处理后的图像GRero中存在若干不规则白色块；

步骤十四、对于腐蚀处理后的二值图像GRero进行边缘检测处理，得到二值图像GRedg；

步骤十五、对边缘检测处理后的二值图像GRedg进行边缘信息提取，得到步骤十三中腐蚀处理后二值图像GRero中NWhiteBlock个不规则白色块的位置信息；

步骤十六、利用步骤八中得到的总序列RSST和步骤十五中得到的不规则白色块w(1≤w≤NWhiteBlock)的位置信息，提取具有较大相似度的两个RSS片段 和步骤十七、计算 与 中不同RSS矢量之间的得分值，构造得分矩阵Hw；具体包括以下步骤：

步骤十七(一)、为了满足如下条件：

其中，rssφ为 中第φ(1≤φ≤Msim_1)个RSS矢量， 为 中第个RSS矢量， 为rssφ与 的得分值，Msim_1＝xw_min-xw_max+1为的序列长度，Msim_2＝yw_min-yw_max+1为 的序列长度，(xw_min,xw_max)和(yw_min,yw_max)分别为不规则白色块w(1≤w≤NWhiteBlock)中所有像素点横纵坐标的最小值和最大值，NWhiteBlock为步骤十三中腐蚀处理后二值图像GRero中不规则白色块的个数；定义 中RSS矢量rssφ与 中RSS矢量 的得分值 为：其中，

Wη＝-(α-β)η

(η,μ)是以 为基准的像素点横纵坐标偏移量，且η和μ均为整数，令步骤十七(二)、构造得分矩阵Hw：

步骤十八、利用得分矩阵Hw进行相关性测序，得到 与 中相互关联的聚类，其中， 与 中相互关联的聚类定义为不规则白色块w所对应的相互关联聚类；

步骤十九、重复步骤十六至步骤十八，直到得到所有不规则白色块所对应的相互关联聚类；

步骤二十、对于步骤七中得到的类转移图，合并所有相互关联聚类，且将合并后的类转移图定义为信号逻辑图；

步骤二十一、以定位目标区域内各物理叉路口作为各子区域的边界，将定位目标区域划分为NArea个子区域，且对每个子区域进行标号，记子区域标号为1,…,NArea；

步骤二十二、根据各子区域的物理邻接关系，将定位目标区域表示为一幅由不同子区域节点相互连通的物理环境图；

步骤二十三、利用相应的映射准则，得到信号逻辑图与物理环境图的映射关系；

步骤二十四、利用步骤三中的加权系数wts和wrss，对在线阶段终端新采集的RSS矢量及其所对应的时间戳us进行加权，得到混合矢量其中， 为在线阶段终端新采集的

来自第p个AP的信号强度值；

步骤二十五、在信号逻辑图中计算得到与 具有最小欧式距离的类心所对应的逻辑节点；

步骤二十六、根据信号逻辑图与物理环境图的映射关系，得到终端所在的子区域。

2.根据权利要求1所述的基于粗精双步相关图像特征提取的室内WLAN定位方法，其特征在于，所述步骤十八包括以下步骤：步骤十八(一)、确定Hw中的最大值元素 其中， 为Hw中第φ行第 列的元素；

步骤十八(二)、将 在Hw中的位置 保存在位置矩阵Lw中，同时确定下一得分值 并令φ＝c且

步骤十八(三)、重复步骤十八(二)，直到下一得分值为0；

步骤十八(四)、统计Lw中所保存位置的总数NLw；

步骤十八(五)、令r＝NLw；

步骤十八(六)、比较Lw(r)与Lw(r-1)的位置，若Lw(r-1)(1)＝Lw(r)(1)+1且Lw(r-1)(2)＝Lw(r)(2)+1，则将Lw(r)与Lw(r-1)作为一组位置对，并以(Lw(r)(1),Lw(r-1)(1),Lw(r)(2),Lw(r-1)(2))的形式保存在相关矩阵Lw'中，其中，Lw(r)表示Lw中第r个位置，Lw(r)(1)表示第r个位置所对应的横坐标，Lw(r)(2)表示第r个位置所对应的纵坐标；

步骤十八(七)、令r＝r-1；

步骤十八(八)、重复步骤十八(六)和步骤十八(七)，直到r＝2；

步骤十八(九)、统计矩阵L′w中形如(Lw(r)(1),Lw(r-1)(1),Lw(r)(2),Lw(r-1)(2))的元素个数N′Lw；

步骤十八(十)、从第1个元素开始遍历L′w中的N′Lw个元素；

步骤十八(十一)、利用L′w中第S(S＝1,2,…,N′Lw)个元素(xS_1,xS_2,yS_1,yS_2)，在步骤十六所得到的两个RSS片段 和 中进一步提取更精确的相似RSS片段对和

其中， 和 分别为 中第xS_1和第xS_2个RSS矢量， 和 分别为中第yS_1和第yS_2个RSS矢量；

步骤十八(十二)、经过步骤四的谱聚类处理和步骤五的中值滤波处理后，RSST中每一个RSS矢量属于某个聚类，令RSST中RSS矢量rssj(1≤j≤MT)所对应聚类的类号和类心分别为和 其中， 表示rssj属于RSSi所对应的类转移图上类号为g的聚类， 为 所对应的类心，K为RSSi所对应的类转移图中的聚类个数，MT为RSST的序列长度，即RSST包含的RSS矢量个数，rssj(1≤j≤MT)为RSST中第j个RSS矢量，于是，得到类号集合步骤十八(十三)、计算得到 和 中相互关联的聚类所对应的类号集合：其中，num为类号集合 中不重复的元素个数，类号集合中所有元素所对应的聚类即为相互关联的聚类；

步骤十八(十四)、重复步骤十八(十一)至步骤十八(十三)，直到得到 和中所有相互关联的聚类，其中， 与 中相互关联的聚类即为不规则白色块w所对应的相互关联聚类。