1.一种行人导航定位系统融合方法，其特征在于，所述行人导航定位系统融合方法应用于惯性传感器系统，所述惯性传感器系统包括惯性传感器和无线接收器；所述行人导航定位系统融合方法包括如下步骤：基于所述无线接收器获取若干个无线接入点发送的离线WiFi数据和在线信号强度数据；

根据每个所述无线接入点发送的所述离线WiFi数据进行处理，得到WiFi指纹数据库；

根据所述WiFi指纹数据库和所述在线信号强度数据，得到加权欧式距离；

通过加权欧式距离在所述WiFi指纹数据库中选取最小的前k个指纹表征采样点位置坐标，对行走位置进行定位，得到最优估计坐标数据；

基于所述惯性传感器获取加速度数据和角速度数据；

根据所述加速度数据、所述角速度数据和所述最优估计坐标数据，得到行人行走坐标数据；

利用扩展卡尔曼滤波融合方法对行走航向角数据、行走步长数据和所述最优估计坐标数据，得到行人当前最优定位坐标；

其中，所述根据所述加速度数据、所述角速度数据和所述最优估计坐标数据，得到行人行走坐标数据的步骤，包括：根据所述加速度数据，得到行走步长数据；

根据所述角速度数据，得到行走航向角数据；

根据所述行走步长数据、所述行走航向角数据和初始位置坐标，得到行人行走坐标数据；

所述根据所述加速度数据，得到行走步长数据的步骤，包括：对所述加速度数据进行低通滤波预处理，得到滤波加速度数据；

对所述滤波加速度数据进行处理，通过设置速度阈值确定所述滤波加速度数据的波峰波谷；

根据所述滤波加速度数据的波峰波谷，得到行人步频数据和行人峰值方差数据；

根据所述行人步频数据和所述行人峰值方差数据，得到行走步长数据；

所述根据所述角速度数据，得到行走航向角数据的步骤，包括：对所述角速度数据进行低通滤波预处理，得到滤波角速度数据；

根据所述滤波角速度数据，计算得到由四元数组成的四元数数据，所述四元数包括第一四元数、第二四元数、第三四元数和第四四元数；

通过姿态转换矩阵对所述四元数数据进行处理，得到原始航向角数据；

根据自适应HDE算法对原始航向角数据进行修正，得到行走航向角数据；

所述根据自适应HDE算法对原始航向角数据进行修正，得到行走航向角数据的步骤，包括：通过相邻3个复步的航向变化检测行人直线行走和转弯其中，Μ为行人行走路线的状态，Ms表示行人直线行走，Mw表示行人转弯，ψi‑1为前一步的航向角，ψi‑2为前两步的航向角，ψth为设定的一个航向角偏差阀值；

当所述行人直线行走时，通过自适应HDE反馈系统修正航向角，行走航向角数据中的一个修正航向角ψHED‑i＝ψYAW‑i+IiψHED‑i＝ψYAW‑i+Ii，ψYAW‑i为原始航向角数据中的一个未修正的原始航向角，Ii为直行修正航向角；所述直行修正航向角 其中，ic为修正系数；其中，偏移方向Εi由 得到；ψi‑1为前一步航向角；Δ由前一步航向角ψi‑1的偏移角度属于的主航向区间[0,Δ]得到的；所述主航向包括0°、45°、

90°、135°、180°、225°、270°、315°、360°；

当所述行人转弯行走时，行走航向角数据中的一个修正航向角ψHED‑i＝ψYAW‑i+I’i，ψYAW‑i为原始航向角数据中的一个未修正的原始航向角，I′i为转弯修正航向角；转弯修正航向角i’c为转弯修正量，Εi为所述偏移方向；其中， 其中，ic为修正系数；其中，原始航向角的差值方差 δψ为3个相邻复步航向角的差值和，δψ＝(ψi‑ψi‑1)+(ψi‑1‑ψi‑2)； 为3个相邻复步航向角的差值的均值，即所述根据所述行走步长数据、所述行走航向角数据和初始位置坐标，得到行人行走坐标数据的步骤，包括：

行人行走坐标数据的第一步坐标由 得到，其中，(x0，y0)为初始位置坐标，(x1，y1)为第一步位置坐标，l1为行走步长数据中的第一步的估计步长，ψ′1为第一步的修正航向角；

行人行走坐标数据的第二步坐标由 得到，其中，(x2，y2)为第二步位置坐标，l2为行走步长数据中的第二步的估计步长，ψ'2为第二步的修正航向角；

依次类推，行人行走坐标数据的第n时刻坐标由 得到，其中，1(xn，yn)为第n步位置坐标，ln为行走步长数据中的第n步的估计步长，ψ′n为第n步的修正航向角；

将第1步坐标、第2步坐标、……、第n步坐标进行整合，得到行人行走坐标数据。

2.根据权利要求1所述的行人导航定位系统融合方法，其特征在于，所述根据每个所述无线接入点发送的所述离线WiFi数据进行处理，得到WiFi指纹数据库的步骤，包括：对每个所述无线接入点发送的所述离线WiFi数据进行高斯滤波，过滤出现概率较低的WiFi数据，得到每个所述无线接入点对应的高斯滤波WiFi数据；

对每个所述无线接入点对应的滤波WiFi数据进行均值滤波，得到每个所述无线接入点对应的均值滤波WiFi数据；

将每个所述无线接入点的位置坐标和与所述无线接入点对应的均值滤波WiFi数据分别进行组合，得到WiFi指纹数据库；

所 述W i F i 指 纹 数 据 库中 的 一 个 无 线 接 入 点对 应 的 指 纹 数 据 集其中，(Xi,Yi)为第i个无线接入点所在位置坐标，MACin为第i个指纹采样点处接收到的第n个WiFi信号所对应的地址； 为在第i个指纹采样点处接收到的第n个WiFi信号所对应的信号强度；

其中，均值滤波WiFi数据中的一个数据n为高斯滤波后的第i个指纹采样

点第j组测量的数据总数目；RSSIijn为高斯滤波后的第i个指纹采样点第j组测量的数据第n个数据；

2

高斯滤波WiFi数据中的一个数据RSSI～N(μ,σ ) ，概率密度函数x为RSSI第j组的强度值，j＝1,2,3，.......，n；μ为RSSI第j组上的均值，σ为RSSI第j组的标准差；均值μ为： 标准差σ为：

3.根据权利要求2所述的行人导航定位系统融合方法，其特征在于，所述根据所述WiFi指纹数据库和所述在线信号强度数据，得到加权欧式距离的步骤，包括：加权欧式距离 Dj为当前位置与第j个参考点到待测点的指纹距离，N为参考点到待测点之间匹配到无线接入点的总数量，RSSIi为无线接收器测量的第i个所述无线接入点的在信号强度值数据，为离线阶段第j个参考点获得的第i个无线接入点信号强度值，di为每个无线接入点信号加权系数，

4.根据权利要求3所述的行人导航定位系统融合方法，其特征在于，所述通过加权欧式距离在所述WiFi指纹数据库中选取最小的前k个指纹表征采样点位置坐标，对行走位置进行定位，得到最优估计坐标数据的步骤，包括：最优估计坐标数据

其中(X,Y)为所在的位置坐标，(Xi,Yi)为WiFi指纹表征采样点第i个采样点坐标位置；

Dj为当前位置与第j个参考点到待测点的指纹距离。

5.根据权利要求1所述的行人导航定位系统融合方法，其特征在于，所述利用扩展卡尔曼滤波融合方法对行走航向角数据、行走步长数据和所述最优估计坐标数据，得到行人当前最优定位坐标的步骤，包括：行人当前最优定位坐标由 确定，其中， 为行人第k步状态的最优估计位置坐标；Kk为EKF增益向量，Xk为对第k步的状态预测向量；对第k步的状态预测向量由行人行走的系统状态模型 计算得到； 为对第k‑1步的状态最优估计， 为第k‑1步的状态最优估计对应的位置坐标，lk惯性传感器获得的第k步的步长、θk为惯性传感器获得的第k步的航向角，wk为过程T噪声向量；行人的初始状态向量X0＝[x0 y0ψ0]；

第k步观测向量由系统观测模型Zk＝H*X'k+vk计算得到；

其中，Zk为第k步观测向量，X′k为WIFI指纹匹配结果的坐标，vk为测量噪声误差，观测矩阵T T ‑1

其中，EKF增益向量Kk＝Pk*H*[H*Pk*H+Rk]其中，Rk为测量噪声的协方差矩阵；Pk为预测状态的协方差矩阵；

其中，预测状态的协方差矩阵

其中， 为最优估计的协方差矩阵，Qk为预测状态噪声的协方差矩阵；

更新后的最优估计的协方差矩阵

其中， 为更新状态最优估计协方差矩阵，I为单位矩阵；状态转矩阵