CN101251593A - 一种无线传感器网络的目标跟踪方法 - Google Patents

Abstract

本发明公开了一种无线传感器网络的目标跟踪方法，包括下列步骤：步骤A，利用历史目标状态信息和当前时刻观测数据，进行重要性采样，获得粒子状态估计信息，计算得到轨迹存活指数和剩余测量值；步骤B，根据轨迹存活指数决定是否终止该轨迹，并更新轨迹集合；步骤C，使用重采样后的粒子，获得全部目标轨迹的当前状态估计，即移动目标的当前位置和运动速度，实现目标定位跟踪。其能够获得较高的节点定位精度，降低了计算开销，同时满足移动节点定位实时性要求。

Description

一种无线传感器网络的目标跟踪方法

技术领域

本发明涉及无线传感器网络(WSN)技术领域，特别是涉及一种无线传感器网络的目标跟踪方法。

背景技术

无线传感器网络(Wireless Sensor Networks，WSN)节点定位在物流管理、动物跟踪、安防及军事侦察等领域有着广泛的应用前景。

WSN的研究起源于20世纪70年代。最早应用于军事领域。进入21世纪后，随着无线通信技术，微芯片制造等技术的进步，WSN的研究在多种应用方面取得了重大进展。《MIT技术评论》将WSN列于十种改变未来世界新兴技术之首，美国《今日防务》杂志更认为WSN的应用和发展，将引起一场划时代的军事技术革命和未来战争的变革。

现有技术中，无线传感器网络的节点定位方法，如欧洲专利局公开了申请号为WO2007002286，名称为“Scalable Sensor Localization for Wireless SensorNetworks”发明专利申请。该定位方法采用基于规则的自适应方法进行无线传感器网络节点定位。该方法通过对求解的问题进行细分后，采用几何优化算法一半定规划松弛模型来进行求解。

中国专利局公开了申请号为200610087258.5，名称为“一种对传感器节点精确定位的方法”，其采用基于聚集度参量的分簇机制，构建定位的协作节点组，在确定协作节点组质心后，通过测量组内待定位节点相对于协作节点组质心的信号到达角，来确定各个传感器节点与协作节点组质心之间的坐标关系，从而实现传感器节点的定位。

其它的无线传感器网络的节点定位方法，还有质心方法、Amorphous、APS、最小二乘定位方法和多尺度分析定位方法等等。

但是，这些方法均未考虑移动节点的历史状态信息，且部分方法存在计算和通信开销较大之不足，难以满足移动节点定位的实时性及精度要求。

传统基于粒子滤波的移动目标跟踪方法，要么在重要性采样中没有考虑观测数据，致使精度不高，要么采用的重要性采样计算量较大，无法实时跟踪，导致计算量大，跟踪精度不高。

发明内容

本发明所要解决的问题在于提供一种无线传感器网络的目标跟踪方法，其克服现有技术中的不足，能够获得较高的节点定位精度，降低了计算开销，同时满足移动节点定位实时性要求。

为实现本发明目的而提供的一种无线传感器网络的目标跟踪方法，包括下列步骤：

步骤A，利用历史目标状态信息和当前时刻观测数据，进行重要性采样，获得粒子状态估计信息，计算得到轨迹存活指数和剩余测量值；

步骤B，根据轨迹存活指数决定是否终止该轨迹，并更新轨迹集合；

步骤C，使用重采样后的粒子，获得全部目标轨迹的当前状态估计，即移动目标的当前位置和运动速度，实现目标定位跟踪。

所述步骤A包括下列步骤：

在获得粒子状态估计信息之后，根据当前时刻观测数据，使用基于虚拟海明距离计算粒子权重，并进行归一化；再按粒子权重进行重采样，作为粒子状态位置估计，粒子状态的速度估计为修正前后状态位置坐标之差，然后才进行计算得到轨迹存活指数和剩余测量值的步骤。

所述步骤B和步骤C之间还包括下列步骤：

根据非当前轨迹产生的观测数据，即新的观测数据，进行轨迹起始算法，建立起对新目标的跟踪。

所述步骤C之后还包括下列步骤：

重复步骤A～C，持续跟踪目标定位。

所述步骤A进一步包括下列步骤：

如果当前没有移动目标历史状态信息时，利用当前时刻的观测数据信息进行轨迹起始算法，获得新的粒子估计信息，建立起对新目标的跟踪。

所述步骤A中，所述进行重要性采样，是通过均值平移算法实现的。

所述通过均值平移算法进行重要性采样，获得粒子状态估计信息，包括下列步骤：

步骤A1，由移动目标的历史状态信息，根据移动节点系统方程得到当前时刻的状态估计信息；

步骤A2，以该状态估计信息的位置信息作为位置初始值，以该估计状态单位时间内的最大位移量与传感器最大检测距离之和作为步长，使用均值平移算法沿当前时刻观测值分布密度和梯度方向，修正粒子状态估计中的位置信息；

步骤A3，从以修正后的位置信息为均值，以修正前状态的速度信息的一半为标准方差的正态分布中进行采样，作为粒子状态估计的位置信息，粒子状态的速度估计为修正前后状态位置坐标之差。

所述步骤A中，所述计算轨迹存活指数，包括下列步骤：

如果粒子一轨迹的预计观测向量与真实观测向量中位置相同且观测值为1的元素数目小于一阈值，则认为该粒子对该轨迹的预测无效，如果预测该轨迹无效的粒子数超过指定数目，则把该轨迹目标的轨迹存活指数减1，否则轨迹存活指数加1，当轨迹存活指数为0时，认为轨迹消失或失去跟踪。

所述步骤A中，所述计算剩余测量值，包括下列步骤：

重要性采样的粒子通过测量方程可以得到该粒子的预测全局观测向量，所有粒子的预测全局观测向量逻辑或运算，构成粒子集的预测观测向量，如果真实观测向量的某个为1的观测在粒子集的预测观测向量的相应位置为0，所有这样的观测构成剩余观测数据，在剩余观测向量中所有这样观测对应位置为1，其它为0。

所述轨迹起始算法，包括下列步骤：

对任一节点及二跳邻居节点构成的局部区域，如果感知到目标的节点数大于规定阈值，则认为该节点位置附近出现一新目标，计算该局部区域内所有感知到目标的节点坐标均值，作为新目标的起始位置；

所述新目标初始运动速度为在[0，标量速度最大值]区间的一随机数；

每个粒子添加该新目标状态信息，所有粒子中该目标的状态信息相同；

去除该观测节点及簇内其它观测节点观测值，如果还有剩余观测数据，对余下节点观测值继续运行轨迹起始算法，这样每个粒子将包含所有当前移动目标的粒子状态估计信息。

所述粒子权重的计算方法，包括下列步骤：

由粒子状态的位置信息，根据测量模型，得到感知到目标的节点集合，从而形成虚拟全局观测向量，得到虚拟全局观测向量和真实观测向量的海明距离，海明距离越大，相应粒子权重越小，海明距离越小，相应粒子权重越大。

本发明的有益效果是：本发明的无线传感器网络的目标定位跟踪方法，在粒子数目较少的情况下，就可获得较高的节点定位精度，降低了计算开销，不仅与传感器节点计算能力、存储容量和电池能量受限特点相适配，同时还能满足移动节点定位实时性要求。

附图说明

图1为本发明无线传感器网络的目标跟踪方法流程图；

图2为40×40方形区域传感器部署图；

图3为移动节点在图2的方形区域移动的真实轨迹示意图；

图4为利用本发明的目标跟踪方法进行跟踪的轨迹效果图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明的一种无线传感器网络的目标跟踪方法进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明的一种无线传感器网络的目标跟踪方法，是为了克服传统跟踪方法精度不高以及在重要性采样中引入观测而造成计算量较大的不足，其在引入观测对重要性采样的影响的同时，采用二进制观测数据，降低计算和通信开销，而且提供了较高的定位精度。

本发明提供了一种无线传感器网络的目标跟踪方法，如图1所示，包括以下步骤：

步骤S100，利用历史目标状态信息和当前时刻观测数据，采用均值平移(mean shift)算法进行重要性采样，获得粒子状态估计信息，并根据当前时刻观测数据，使用基于虚拟海明(HAMMING)距离计算粒子权重，并进行归一化；然后按粒子权重进行重采样，作为粒子状态位置估计，粒子状态的速度估计为修正前后状态位置坐标之差，计算得到轨迹存活指数和剩余测量值；

所述粒子状态估计信息，包括粒子状态的位置信息和速度信息。

步骤S200，根据轨迹存活指数决定是否终止该轨迹，并更新轨迹集合；

步骤S300，根据非当前轨迹产生的观测数据，即新的观测数据，重新进行轨迹起始算法，获得新的粒子估计信息，建立起对目标的跟踪；

步骤S400，使用重采样后的粒子，获得全部目标轨迹的当前状态估计，即移动目标的当前位置和运动速度，实现目标定位跟踪；

步骤S500，重复步骤S100～S400，持续跟踪目标。

下面详细说明本发明利用移动目标的历史状态信息和当前时刻的观测数据信息，采用均值平移(mean shift)算法进行重要性采样，获得粒子状态估计信息，并根据当前时刻观测数据，使用基于虚拟海明(HAMMING)距离计算粒子权重，并进行归一化；然后按粒子权重进行重采样，作为粒子状态位置估计，粒子状态的速度估计为修正前后状态位置坐标之差，计算得到轨迹存活指数和剩余测量值的过程：

所述步骤S100中，所述观测数据信息为一元素值为0或1的全局向量。其根据目标所在区域内所有观测节点是否感知到移动目标，在任一采样时刻得到一元素值为0或1的全局向量。

其中，全局向量中一下标元素值置1，表示对应节点感知到目标，0表示对应节点没有感知到目标，向量下标与节点之间就存在着固定的关联关系。

较佳地，如果当前没有移动目标历史状态信息时，利用当前时刻的观测数据信息进行轨迹起始算法，获得新的粒子估计信息，建立起对新目标的跟踪。

当目前移动目标轨迹数为0，即没有历史状态信息时，对当前时刻的观测数据信息的观测向量直接运行轨迹起始算法，并构建初始粒子集，建立起对新目标的跟踪。

较佳地，根据观测数据捕捉新的移动目标，并初步设定其起始状态，同时利用起始算法根据观测数据的聚集情况剔除部分节点由于测量噪声或者干扰产生的虚警。

当目前轨迹不为0时，则首先运行粒子滤波算法跟踪已有目标，得到轨迹存活指数和剩余测量值，之后根据每条轨迹的存活指数值决定是否终止该轨迹，接着对剩余测量值继续运行轨迹起始算法。

所述计算轨迹存活指数包括下列步骤：如果粒子一轨迹的预计观测向量与真实观测向量中位置相同且观测值为1的元素数目小于一阈值，则认为该粒子对该轨迹的预测无效，如果预测该轨迹无效的粒子数超过指定数目，则把该轨迹目标的轨迹存活指数减1，否则轨迹存活指数加1，当轨迹存活指数为0时，认为轨迹消失或失去跟踪。

轨迹存活指数的最大值可根据噪声强度对轨迹存活指数进行调整，较佳地，本发明取值为3。

轨迹存活指数表明了轨迹的跟踪情况，存活指数越大表明连续跟踪效果越好，但存活指数与跟踪精度无关，它仅表明成功跟踪上目标的时间长短。

所述轨迹存活指数表明了轨迹的跟踪情况，当失去跟踪时轨迹存活指数会相应降低，直至降为0，认为该轨迹消失。如果粒子对一目标的预计观测向量与真实观测向量中位置相同且观测值为1的元素数目小于一阈值，则认为该粒子对该轨迹的预测无效，如果预测该轨迹无效的粒子数超过指定数目，则把该轨迹目标的轨迹存活指数减1，否则轨迹存活指数加1，当轨迹存活指数为0时，认为轨迹消失或失去跟踪。轨迹存活指数的最大值定义可根据噪声强度进行调整。

所述计算剩余测量值包括下列步骤：重要性采样的粒子通过测量方程可以得到该粒子的预测全局观测向量，所有粒子的预测全局观测向量逻辑或运算，构成粒子集的预测观测向量，如果真实观测向量的某个为1的观测在粒子集的预测观测向量的相应位置为0，所有这样的观测构成剩余观测数据，在剩余观测向量中所有这样观测对应位置为1，其它为0。

下面详细描述所述轨迹起始算法：

对任一节点及二跳邻居节点构成的局部区域(即簇)，如果感知到目标的节点数大于规定阈值min_degree，则认为该节点位置附近出现一新目标，计算该局部区域内所有感知到目标的节点坐标均值，作为新目标的起始位置。

新目标初始运动速度为在[0，标量速度最大值]区间的一随机数。

每个粒子添加该新目标状态信息，所有粒子中该目标的状态信息相同。

去除该观测节点及簇内其它观测节点观测值(即对全局观测向量中相应观测节点的观测值进行置0操作)，如果还有剩余观测数据，对余下节点观测值继续运行轨迹起始算法，这样每个粒子将包含所有当前移动目标的粒子状态估计信息(包括位置和速度)。

较佳地，所述阈值min_degree为剔除部分节点由于测量噪声或者干扰产生的虚警值。

具体而言，所述步骤S100中，采用均值平移(mean shift)算法进行重要性采样来获得粒子状态估计信息，包括下列步骤：

步骤S110，由移动目标的历史状态信息，根据移动节点系统方程得到当前时刻的状态估计信息；

步骤S120，以该状态估计信息的位置信息作为位置初始值，以该估计状态单位时间内的最大位移量与传感器最大检测距离之和作为步长，使用均值平移(mean shift)算法沿当前时刻观测值分布密度和梯度方向，修正粒子状态估计中的位置信息。

粒子滤波一般使用序贯重要性采样(SIS)方法，理论上要求从后验密度函数中进行抽样，这在实际应用中难以实现，因而一般采用从先验密度函数中进行抽样。由于转换先验密度函数可由系统状态方程独立确定，且直接从中采样简单易行，权重计算也比较简单，因此一般用已知的、易于实现的先验密度函数这种替代分布来进行粒子的重要性采样，如传统粒子滤波算法就使用转换先验密度函数作为最优替代分布的近似形式。

不过由于转换先验密度函数并未包含观测值提供的信息，使得观测值在传统粒子滤波的状态估计过程中未起到应有的修正作用，致使部分粒子的权重在似然密度函数的作用下变得很小，导致序贯粒子滤波出现退化现象。

为有效利用观测信息，克服传统粒子滤波算法的不足，本发明实施例在进行粒子的重要性采样时，加入观测数据的影响，采用均值平移(mean shift)算法进行重要性采样。其在粒子数目较少情况下，就可获得较高的节点定位精度，降低了计算开销。

下面详细说明本发明的重要性采样过程：

由每个粒子上一时刻目标轨迹状态state，使用系统方程得到当前时刻的状态预测state2；

以该状态估计的位置信息作为均值平移(mean shift)算法的位置初始值，以该估计状态单位时间内的最大位移量与观测节点的最大检测距离之和作为均值平移(mean shift)算法带宽(采样间隔为单位时间)，运行均值平移(meanshift)算法，得到更新后粒子状态估计信息的位置信息position；

步骤S130，从以修正后的位置信息为均值，以修正前状态的速度信息的一半为标准方差的正态分布中进行采样，作为粒子状态估计的位置信息，粒子状态的速度估计为修正前后状态位置坐标之差。

从正态分布表达式N(x|position，σ²)中进行采样，作为新的粒子状态估计信息的位置信息state3。其中N(x|position，σ²)为正态分布表达式，表示x服从以position为均值，σ²为方差的正态分布，σ＝(1/2)state中的速度。

新的粒子状态估计信息的速度信息为新粒子状态估计信息state3中的位置信息与原粒子状态估计信息中的位置信息之差。

作为一种可实施方式，所述从正态分布中进行采样的计算公式为：U+p*randn()；其中U为均值，p为标准方差，randn为标准正态随机数产生器。

下面详细说明步骤S100中，使用基于虚拟海明(HAMMING)距离的粒子权重计算方法过程。

根据粒子维护的每条轨迹的当前位置，利用测量模型得到应感知到该目标的节点集，得到该粒子每个目标的预测观测向量，把该粒子所有轨迹的预测向量逻辑或运算，得到该粒子的全局预计观测向量，即虚拟全局观测向量。

虚拟全局观测向量与实际全局观测向量的虚拟海明距离等于它们对应元素异或操作后求和值。

基于虚拟海明距离的粒子权重为：当虚拟海明距离较大时，赋予较小权重，当虚拟海明距离较小时，则赋予较大权值，以反映预计观测向量与实际全局观测向量的匹配程度。

如果粒子中某条轨迹预测速度大于设定最大速度或其所处位置超出观测区域范围，则判该粒子无效，其权值为0。

较佳地，使用虚拟汉明距离获得粒子权重还需进行归一化，使得所有粒子的权重之和为1。

所述粒子权重的计算方法包括下列步骤：由粒子状态的位置信息，根据测量模型，得到感知到目标的节点集合，从而形成虚拟全局观测向量，得到虚拟全局观测向量和真实观测向量的海明距离，海明距离越大，相应粒子权重越小，海明距离越小，相应粒子权重越大。

本发明采用虚拟海明距离作为权重计算的依据，计算简单，而且避免了由基于信号强度测量所引起的误差。

下面以一实例详细说明本发明的无线传感器网络的目标跟踪方法：

设移动节点的状态变量为 $\mathrm{state}=[\hat{x},\hat{y},{\hat{x}}^{\′},{\hat{y}}^{\′}],$ ，其中

分别为移动节点的横向和纵向坐标估计，而

分别为移动节点的横向和纵向运动速度估计。所有传感器测量值构成一个观测向量，其定义为：如果某一节点感知到移动目标，则向量中对应下标元素值为1，否则为0。

移动节点系统方程如下：

state(t)＝F*state(t-1)+W(t)                  (1)

其中W(t)为白噪声，F＝[1010；0101；0010；0001]。

如图2所示，设节点在40×40方形区域移动(该区域随机部署1600个传感节点)，传感节点最大感知范围为1.5个单位长度，采样粒子数为50，实例跟踪时间为100个采样单位，局部网络内传感节点必须同时感知到移动目标的最小数目参数等于5，当超过这个数目时新的轨迹起始。

节点运动速度为单位时间内目标移动的距离，移动目标随机漫步运动，目标从[0，标量速度最大值]中随机选择标量速度，其中标量速度最大值等于传感器最大感知距离，节点运动方向从[0，360°]中随机选择。移动节点起始位置在观测区域中心，如图3所示，即(20，20)坐标点。

下面说明基于mean shift和虚拟海明距离加权的无线传感器网络移动目标定位方法的伪码，其步骤包括：

   /＊Mean Shift Particle Filter＊/

   FOR t＝1:T         /*T为仿真时间长度*/

IF target_num！＝0 /*目标个数不为零*/

  /*[sample，life，leftV]＝MSPF(sample，life，actualV...)*/

  FOR tar＝1:target_num

   FOR n＝1:SAMPLE_NUM

    state2＝F*state(t-1)+W(t)

   position＝meanShift(state2)

   state(t)～N(x|position，σ²)

   END

  END

  FOR i＝1:SAMPLE_NUM

    ω_i＝exp(-1*d_ham)/*计算权重*/

   IF粒子i为无效粒子

    剔除粒子i

   END

  END

  更新轨迹存活指数life

  权重归一化

  重采样

  FOR tar＝1:target_num

     IF life(tar)＜0

    去除轨迹tar  /*虚警，已经消失或失踪的轨迹*/

    target_num＝target_num-1；

   END

  END

 END

 轨迹起始算法

 根据粒子计算当前时刻目标的位置

   END

跟踪结果如图4所示，

本发明使用粒子滤波进行无线传感器网络的目标跟踪，考虑当前时刻观测数据的影响，采用均值平移(mean shift)算法构建粒子滤波的替代分布，结合基于虚拟海明距离的粒子权值计算机制，能够有效利用传感节点的观测信息，提高粒子状态估计的准确性，消除传统粒子滤波中的建议分布未有效利用观测信息而导致粒子匮乏和采样效率低等问题。

通过以上结合附图对本发明具体实施例的描述，本发明的其它方面及特征对本领域的技术人员而言是显而易见的。

以上对本发明的具体实施例进行了描述和说明，这些实施例应被认为其只是示例性的，并不用于对本发明进行限制，本发明应根据所附的权利要求进行解释。

Claims (11)

1. 一种无线传感器网络的目标跟踪方法，其特征在于，包括下列步骤：

步骤A，利用历史目标状态信息和当前时刻观测数据，进行重要性采样，获得粒子状态估计信息，计算得到轨迹存活指数和剩余测量值；

步骤B，根据轨迹存活指数决定是否终止该轨迹，并更新轨迹集合；

步骤C，使用重采样后的粒子，获得全部目标轨迹的当前状态估计，即移动目标的当前位置和运动速度，实现目标定位跟踪。

2. 根据权利要求1所述的无线传感器网络的目标跟踪方法，其特征在于，所述步骤A包括下列步骤：

在获得粒子状态估计信息之后，根据当前时刻观测数据，使用基于虚拟海明距离计算粒子权重，并进行归一化；再按粒子权重进行重采样，作为粒子状态位置估计，粒子状态的速度估计为修正前后状态位置坐标之差，然后才进行计算得到轨迹存活指数和剩余测量值的步骤。

3. 根据权利要求要求1所述的无线传感器网络的目标跟踪方法，其特征在于，所述步骤B和步骤C之间还包括下列步骤：

根据非当前轨迹产生的观测数据，即新的观测数据，进行轨迹起始算法，建立起对新目标的跟踪。

4. 根据权利要求1所述的无线传感器网络的目标跟踪方法，其特征在于，所述步骤C之后还包括下列步骤：

重复步骤A～C，持续跟踪目标。

5. 根据权利要求1所述的无线传感器网络的目标跟踪方法，其特征在于，所述步骤A进一步包括下列步骤：

如果当前没有移动目标历史状态信息时，利用当前时刻的观测数据信息进行轨迹起始算法，获得新的粒子估计信息，建立起对新目标的跟踪。

6. 根据权利要求1至5中任一项所述的无线传感器网络的目标跟踪方法，其特征在于，所述步骤A中，所述进行重要性采样，是通过均值平移算法实现的。

7. 根据权利要求6所述的无线传感器网络的目标跟踪方法，其特征在于，所述通过均值平移算法进行重要性采样，获得粒子状态估计信息，包括下列步骤：

步骤A1，由移动目标的历史状态信息，根据移动节点系统方程得到当前时刻的状态估计信息；

步骤A2，以该状态估计信息的位置信息作为位置初始值，以该估计状态单位时间内的最大位移量与传感器最大检测距离之和作为步长，使用均值平移算法沿当前时刻观测值分布密度和梯度方向，修正粒子状态估计中的位置信息；

步骤A3，从以修正后的位置信息为均值，以修正前状态的速度信息的一半为标准方差的正态分布中进行采样，作为粒子状态估计的位置信息，粒子状态的速度估计为修正前后状态位置坐标之差。

8. 根据权利要求6所述的无线传感器网络的目标跟踪方法，其特征在于，所述步骤A中，所述计算轨迹存活指数，包括下列步骤：

如果粒子一轨迹的预计观测向量与真实观测向量中位置相同且观测值为1的元素数目小于一阈值，则认为该粒子对该轨迹的预测无效，如果预测该轨迹无效的粒子数超过指定数目，则把该轨迹目标的轨迹存活指数减1，否则轨迹存活指数加1，当轨迹存活指数为0时，认为轨迹消失或失去跟踪。

9. 根据权利要求8所述的无线传感器网络的目标跟踪方法，其特征在于，所述步骤A中，所述计算剩余测量值，包括下列步骤：

重要性采样的粒子通过测量方程可以得到该粒子的预测全局观测向量，所有粒子的预测全局观测向量逻辑或运算，构成粒子集的预测观测向量，如果真实观测向量的某个为1的观测在粒子集的预测观测向量的相应位置为0，所有这样的观测构成剩余观测数据，在剩余观测向量中所有这样观测对应位置为1，其它为0。

10. 根据权利要求3或5所述的无线传感器网络的目标跟踪方法，其特征在于，所述轨迹起始算法，包括下列步骤：

对任一节点及二跳邻居节点构成的局部区域，如果感知到目标的节点数大于规定阈值，则认为该节点位置附近出现一新目标，计算该局部区域内所有感知到目标的节点坐标均值，作为新目标的起始位置；

所述新目标初始运动速度为在[0，标量速度最大值]区间的一随机数；

每个粒子添加该新目标状态信息，所有粒子中该目标的状态信息相同；

去除该观测节点及簇内其它观测节点观测值，如果还有剩余观测数据，对余下节点观测值继续运行轨迹起始算法，这样每个粒子将包含所有当前移动目标的粒子状态估计信息。

11. 根据权利要求2所述的无线传感器网络的目标跟踪方法，其特征在于，所述粒子权重的计算方法，包括下列步骤：

由粒子状态的位置信息，根据测量模型，得到感知到目标的节点集合，从而形成虚拟全局观测向量，得到虚拟全局观测向量和真实观测向量的海明距离，海明距离越大，相应粒子权重越小，海明距离越小，相应粒子权重越大。

Images