1.一种基于WiFi多反射路径图像的室内人员定位方法，其特征在于，该方法包括以下步骤：S1、利用多台三天线设备进行无线数据的收发；

S2、对接收的CSI数据进行预处理，消除由接收天线之间间距带来的相位误差；

S3、对预处理后CSI数据中的数据包运用分割算法，获得更多子数据包组；

S4、每个子数据包使用矩阵平滑算法对三天线设备进行模拟扩展为多天线设备，获取多反射信号路径信息；

S5、对多反射信号路径信息，利用二维MUSIC算法计算出目标位置发射出的所有反射路径和直达路径对应的角度信息和飞行时间信息，利用角度信息和飞行时间信息生成二维反射路径信息图像用作特征图像；

S6、将多个位置下的所有反射路径的图片导入网络分类模型进行训练，生成训练模型；

S7、使用生成的训练模型对新的位置信息生成的二维反射路径信息图像进行分类，进行人员的定位。

2.根据权利要求1所述的基于WiFi多反射路径图像的室内人员定位方法，其特征在于，在步骤S2中，对接收的CSI数据进行预处理包括：使用功率分配器连接发射端和接收器，分别计算接收设备第二天线、第三天线与第一天线之间的相位差，通过采集的数据进行相位的线性加减运算弥补消除相位差；

在步骤S3中，对预处理后CSI数据中的数据包运用分割算法，获得子数据包包括：在数据采集过程中，一个数据文件在发射时会设置接收数据的发射速率，数据包的总长度，数据的发送间隔；所述数据文件发射的数据包总数为1500个包；生成反射路径图像需要的数据为每100个包生成一张图像；将每次发射的数据文件数据包长度设置为1500个包，后续对每个数据文件进行分割为100个包一个文件，得到15个100数据包的数据文件。

3.根据权利要求1所述的基于WiFi多反射路径图像的室内人员定位方法，其特征在于，在步骤S4中，矩阵平滑算法对三天线设备进行模拟扩展为多天线设备包括：通过使用矩阵平滑算法将3×30的信道状态信息矩阵重组为30×32的数据矩阵，获取多反射信号路径信息。

4.根据权利要求3所述的基于WiFi多反射路径图像的室内人员定位方法，其特征在于，获取多反射信号路径信息包括：N个非相干远场窄带信号入射到由M根天线组成的阵列上，此时接收信号表达式为：；

式中， 为阵列的接收信号， 为发射信号， 为M维噪声数据， 为一个导向向量；

其中，第M根天线的CSI值表示为：

；

式中， 为阵列的接收信号，为空间阵列的 维导向向量矩阵；

为Intel 5300无线网卡为3根天线和30个子载波组成的CSI矩阵，表达式为：；

式中，不同根天线和不同子载波组成的CSI值通式为 ，表示第m个天线的第n个子载波的CSI值，CSI值为一个复数形式 ； 取值1 3；取值1 30；

~ ~

通过计算接收设备不同天线之间的初始相位差值，对每根天线的30个子载波进行初始相位的线性补偿，将接收机的第二天线、第三天线与第一天线进行校准，对接收机不同天线的相位校正；

对输入的CSI测量值进行结构重组获得平滑的CSI矩阵；重新组合生成的平滑CSI矩阵直接通过MUSIC算法得到所有反射传播路径的信息。

5.根据权利要求4所述的基于WiFi多反射路径图像的室内人员定位方法，其特征在于，通过MUSIC算法得到所有反射传播路径的信息包括：基于经典的MUSIC算法扩展为二维2D‑MUSIC算法，并结合不同信号的到达角和飞行时间，将不同位置不同反射路径的信息在图像中展现出来，将到达角和飞行时间结合MUSIC的谱图峰值结合，每个峰值代表了一个路径，每个峰值的横轴代表了到达角信息，纵轴代表了对应的飞行时间信息；

经典的MUSIC算法中谱估计公式为：

；

式中， 为通过MUSIC算法得到的谱值；

若X为平滑处理后的得到的数据矩阵，则 代表数据矩阵X的协方差矩阵为：；

分解为：

；

式中，E代表自相关矩阵，H为共轭矩阵， 为 的导向矩阵， 为正定的厄米特矩阵为的信号相关矩阵，A为空间阵列的 维导向矩阵，对 特征分解得到的M个特征值均为非负实数 ，有D个大的特征值和 个小的特征值，大特征值对应的特征向量组成的空间 为信号子空间，小特征值对应的特征向量组成的空间为噪声子空间。

6.根据权利要求1所述的基于WiFi多反射路径图像的室内人员定位方法，其特征在于，在步骤S5中，利用二维MUSIC算法计算出目标位置发射出的所有反射路径和直达路径对应的角度信息和飞行时间信息包括：将一维MUSIC算法提升到二维MUSIC算法，将 扩展为 ；

；

；

式中， 为携带角度信息和飞行时间信息的导向向量矩阵， 为不同路径的相位偏移矩阵， 为第p条路径的飞行时间， ， ， 为子载波频率间隔，m为第几根天线， 为第p个反射路径的角度信息， 为第p路径m维度的相位， ，p为第p个反射路径，为相位信息，d为天线间距，为信号的波长；

由二维MUSIC算法谱估计公式得到角度信息以及飞行时间信息，二维MUSIC算法谱估计公式为：；

式中，为得到的角度信息； 表示接收信号经过平滑处理后得到的矩阵的导向向量，其中包含了到达角信息和飞行时间信息， 为信号的噪声子空间， 表示平滑矩阵协方差矩阵的导向向量， 为 的共轭矩阵， 是通过MUSIC算法得到的谱值。

7.根据权利要求1所述的基于WiFi多反射路径图像的室内人员定位方法，其特征在于，在步骤S6中，将多个位置下的所有反射路径的图片导入网络分类模型进行训练包括：使用Alexnet轻量型神经网络和分类网络支持向量机SVM的方式进行测试；首先输入特征图像，划分数据集将数据分为7:3的比例，将70%的数据用于训练，并且将30%的数据用于测试，使用动量的随机梯度下降算法SGDM对Alexnet轻量型神经网络和分类网络进行优化，使用GPU加速模型训练，并进行预测标签与真实标签的对比；

训练时网络参数学习优化原则包括：梯度下降原则，初始学习率设置为0.0001设置单次打包图像数目为16，迭代次数为15，使用GPU加速模型的训练；

训练模型包含所有训练位置图像的特征信息，对新接收的测试照片提取特征与模型的数据进行对比预测位置。

8.根据权利要求1所述的基于WiFi多反射路径图像的室内人员定位方法，其特征在于，在步骤S7中，使用生成的训练模型对新的位置信息生成的二维反射路径信息图像进行分类包括：利用神经网络/机器学习模型，采集的多个位置的多反射路径图像进行特征提取训练并保存Alexnet轻量型神经网络和分类网络，将测试样本输入训练完成的Alexnet轻量型神经网络和分类网络，根据预测类别的比例，确定位置，使用多数投票原则，测试一次数据采集生成的15张图片，这15张图片被分类为占比最高的位置被预测为最终位置；错误识别坐标的平均误差被用来分析系统的性能；

错误识别坐标的平均误差的表达式为：

平均误差 ；

式中， 代表的是计算累计和， 是通过网络模型估计的位置， 是实际采集数据的位置，N为错误分类的数量，E,F分别设置的位置的横纵坐标的最大值。

9.一种基于WiFi多反射路径图像的室内人员定位系统，其特征在于，实施权利要求1‑8任意一项所述的基于WiFi多反射路径图像的室内人员定位方法，该系统包括：三天线设备，用于进行无线数据的收发；

相位误差消除模块，用于首先对接收的CSI数据进行预处理，消除由接收天线之间间距带来的相位误差；

子数据包获取模块，对数据包运用分割算法，获得更多的子数据包；

数据矩阵重组模块，用于对每个子数据包使用矩阵平滑算法，将3×30的信道状态信息矩阵重组为30×32的数据矩阵；

二维反射路径信息图像生成模块，用于对经过数据矩阵进行二维MUSIC算法的使用，计算出目标位置发射出的所有反射路径和直达路径对应的角度信息和飞行时间信息，结合二者生成二维反射路径信息图像用作特征图像；

模型的训练模块，用于将多个位置下的多反射路径图片导入网络分类模型进行训练，生成训练模型；

人员定位模块，用于通过使用生成的训练模型对新的位置信息生成的二维反射路径信息图像进行分类从而进行人员的定位。

10.根据权利要求9所述的基于WiFi多反射路径图像的室内人员定位系统，其特征在于，该系统搭载在配置Linux14.04系统并且安装了CSI Tool的计算机上，该计算机配置用于收发2.4G/5G CSI信号的设备。