CN101505532B - 一种基于分布式处理的无线传感器网络目标跟踪方法 - Google Patents

Abstract

本发明公开了一种基于分布式处理的无线传感器网络目标跟踪方法，包括下列步骤：利用上一时刻目标状态估计信息和当前时刻任务节点观测数据，进行扩展卡尔曼滤波算法，获得当前时刻目标状态估计信息；根据当前时刻目标状态估计信息，计算得到下一时刻候选任务节点的先验估计误差协方差矩阵迹，比较并选举其中最小的迹对应的节点作为下一时刻任务节点；当下一时刻任务节点对应的先验估计误差协方差矩阵迹大于设置的阈值时，采用目标轨迹修正算法，重新获得当前时刻目标状态估计信息，实现目标定位跟踪。本发明所述方法可有效的减少节点间的通讯，节省节点能量资源和通讯资源，同时满足节点定位精确性，实时性和鲁棒性要求。

Description

一种基于分布式处理的无线传感器网络目标跟踪方法

技术领域

本发明涉及无线传感器网络(WSN)技术领域，具体来说是涉及一种基于分布式处理的无线传感器网络的目标跟踪算法。

背景技术

无线传感器网络(WSN：wireless sensor network)被认为是21世纪最重要的新兴技术之一，目标跟踪是WSN的一个重要应用领域，在无线传感器网络中，由于节点数量较大，单个节点资源受限，通信带宽较小，对于路由的优化，节点通信的安全性，节能等提出了更高的要求，无线传感器网络必须依赖协同信号与信息处理去动态的管理节点资源和有效处理基于任务需求和资源约束情形下的分布信息。集中式通信和信号处理所产生的巨大能量消耗很可能会导致中心节点瘫痪。因此，分布式跟踪是解决传感器网络中能量失衡问题的根本途径。

传统的分布式多传感器航迹关联算法主要有基于统计的方法(如加权法、独立序贯法、经典分配法、最近邻法(NN)、K-NN法等)和基于模糊数学的方法(模糊双门限航迹关联算法、基于模糊综合函数的航迹关联算法)。虽然上述方法具有比较高的精度，但由于存在计算和通信开销较大，难以满足移动目标跟踪的实时性及精度要求，在WSN中无法实现或效率不高。

目前基于分布式处理的无线传感器网络目标跟踪方法要么计算量较大，无法实现实时跟踪，要么观测数据量太大，干扰太大，跟踪精度不高。大大限制了无线传感器网络目标跟踪的应用范围。

发明内容

本发明的目的在于克服现有技术存在的上述问题，提供一种基于分布式处理的无线传感器网络目标跟踪方法。该方法是以跟踪精度和能耗为指标来实现分布式处理的无线传感器网络目标跟踪，能够获得较高的目标跟踪精度，降低了节点计算开销，同时满足移动目标定位实时性要求。为了实现上述目的，本方法包括下列步骤：

(1)利用上一时刻目标状态估计信息和当前时刻任务节点的观测数据，进行扩展卡尔曼滤波算法，获得当前时刻目标状态估计信息，所述目标状态估计信息包括移动目标的当前位置和运动速度，所述观测数据指当前时刻任务节点与目标之间的距离；

(2)根据当前时刻目标状态估计信息中的位置估计信息，计算得到下一时刻候选任务节点的先验估计误差协方差矩阵迹，比较并选举其中最小的迹对应的节点作为下一时刻任务节点；

(3)当步骤(2)所述下一时刻任务节点对应的先验估计误差协方差矩阵迹大于设置的阈值时，采用目标轨迹修正算法，重新获得当前时刻目标状态估计信息，实现目标定位跟踪。

所述步骤(2)中，当所述下一时刻任务节点不是当前时刻任务节点时，当前时刻任务节点将当前目标状态估计信息传递给下一时刻任务节点。

所述步骤(2)中，当前时刻任务节点除了将当前目标状态估计信息传递给下一时刻任务节点外，还将该信息传递给基站进行备份，当所述下一时刻任务节点由于故障而无法正常工作时，启动任务节点二次选举程序，即利用基站中备份的上一时刻任务节点的目标状态估计信息，寻找目标状态误差协方差矩阵迹次小的节点作为下一时刻任务节点。

所述步骤(1)中扩展卡尔曼滤波算法包括下列步骤：

(1.1)由上一时刻目标状态估计信息和上一时刻后验估计误差协方差矩阵，根据移动目标系统方程得到当前时刻目标状态估计信息和当前时刻先验估计误差协方差矩阵；

(1.2)由步骤(1.1)所述当前时刻目标状态估计信息中的位置信息，通过测量方程估计出任务节点的测量值，将该测量值和当前时刻任务节点的观测数据求差后作为观测变量的残差；

(1.3)由卡尔曼增益值、所述测量方程的雅可比矩阵和所述观测变量的残差，修正当前时刻目标的状态估计信息，并求得当前时刻后验估计误差协方差矩阵。

所述步骤(2)包括下列步骤：

(2.1)由当前时刻目标状态估计信息和当前时刻后验估计误差协方差矩阵，根据移动目标系统方程得到下一时刻目标的状态估计信息和下一时刻先验估计误差协方差值；

(2.2)由卡尔曼增益值和各个候选任务节点测量方程的雅可比矩阵，修正各个候选任务节点下一时刻先验估计误差协方差值，并求出各个候选任务节点修正后的下一时刻先验估计误差协方差矩阵迹；

(2.3)比较步骤(2.2)中各个候选任务节点修正后的下一时刻先验估计误差协方差矩阵迹，选举其中最小的迹对应的节点标记为下一任务节点。

所述步骤(2)中候选任务节点是从邻居节点中来选定的，包括如下步骤：

无线传感器网络中每个节点都有邻居节点，将当前任务节点与非任务节点之间的距离值与设定值进行比较，再将距离值处于设定值范围内的非任务节点界定为邻居节点；

根据当前时刻目标状态估计信息中的位置信息中坐标值与邻居节点坐标值计算出两个坐标之间的距离值，再将该距离值与设定值进行比较，距离处于该设定值范围内的邻居节点即为候选任务节点。

界定邻居节点的主要目的是为了明确任务节点选择的调度集，因为随着目标的移动，任务节点在不断的变化中，相应的候选任务节点集合也在相应的变化。邻居节点的建立能够减少使用扩展卡尔曼滤波(EKF)最小迹进行任务节点选择的时间并节省能量，提高目标跟踪的实时性和延长了系统的生命周期。

所述步骤(2)中选举误差协方差矩阵迹最小节点的原则包括下列步骤：

在扩展卡尔曼滤波算法中，理论上通过观察测量噪声协方差和目标下一时刻先验估计误差协方差变化趋势都能够判别预测值的可信度大小，随着测量噪声协方差趋于零，测量变量的权重越来越大，而的预测值的权重越来越小；另一方面，随着先验估计误差协方差趋于零，测量变量的权重越来越小，而测量变量的预测值的权重越来越大。但是由于观测噪声协方差与观测噪声模型相关，动态变化，实际应用中无法实现，因此一般通过采用目标下一时刻先验估计误差协方差(当前时刻后验估计误差协方差)来判断目标预测的跟踪精度，进行下一时刻任务节点的选择，同时为了降低计算和通讯的开销，进行降维处理，求出先验估计误差协方差矩阵迹，通过先验估计误差协方差矩阵迹间接地判断目标预测的跟踪精度。

所述步骤(3)中，当下一时刻任务节点对应的先验估计误差协方差矩阵迹大于设置的阈值时，则认为预测的目标位置偏离目标实际位置的误差超出系统允许范围，通过当前时刻各个候选任务节点执行扩展卡尔曼滤波算法预测目标的坐标值，再求这些坐标值的均值，作为目标的修正位置。

所述步骤(1)中，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进行轨迹起始算法，获得目标的状态估计信息，建立起对新目标的跟踪。

所述轨迹起始算法包括：

对任一节点及其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，采用三边定位算法计算该局部区域内目标的坐标值，作为新目标的起始位置。

所述步骤(3)之后重复步骤(1)～(3)，持续跟踪目标。

本发明的有益效果是：任一时刻只有一个节点作为任务节点，节省了能量，扩展卡尔曼滤波算法每次迭代运算仅需要上次运算的结果，内存开销并不大，适合资源受限的传感器节点运算；通过一个测量数据即可实现对目标位置的修正，有效减少了因测量噪声导致的测量误差，使得跟踪输出更为平滑，通过先验估计误差协方差矩阵迹代替先验估计误差协方差矩阵来间接地判断目标预测的跟踪精度，将向量参数转变为标量参数，降低参数维数的同时也降低了计算，存储和通讯的开销，引入目标轨迹修正算法，当目标将要偏离预定轨迹时，对跟踪状态进行及时修正，大大提高了目标跟踪的鲁棒性。

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为实施方式中单目标跟踪问题示意图，图中201为任务节点，202为非任务节点，203为移动目标，204为基站。

图3为邻居节点界定示意图。

图4为三边定位算法示意图。

图5为实施方式中移动目标在方形区域移动的真实轨迹示意图。

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，对本发明的一种基于分布式处理的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以解释本发明，并不用于限定本发明。

本发明的一种基于分布式处理的无线传感器网络目标跟踪算法，是为了克服传统跟踪方法算法复杂，信息传输量大，计算量较大，能耗大的不足，其在引入扩展卡尔曼滤波算法的同时，采用状态误差协方差矩阵迹最小的原则来选取任务节点，降低了处理器能耗，减少了数据传输和节点间的信息的交互，提高了跟踪精度。

本发明提供了一种基于分布式处理的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100，利用上一时刻目标状态估计信息和当前时刻任务节点的观测数据，进行扩展卡尔曼滤波算法，获得当前时刻目标状态估计信息，所述目标状态估计信息包括移动目标的当前位置和运动速度，所述观测数据指当前时刻任务节点与目标之间的距离；

步骤101，根据当前时刻目标状态估计信息中的位置估计信息，计算得到下一时刻候选任务节点的先验估计误差协方差矩阵迹，比较并选举其中最小的迹对应的节点作为下一时刻任务节点；

步骤102，当步骤101所述下一时刻任务节点对应的先验估计误差协方差矩阵迹大于设置的阈值时，采用目标轨迹修正算法，重新获得当前时刻目标状态估计信息，实现目标定位跟踪。

重复步骤100～102，持续跟踪目标。

所述步骤100中任务节点处于唤醒状态，非任务节点处于休眠状态，图2表示了单目标跟踪中，任务节点，非任务节点，移动目标和基站的相互关系，以及任务节点随着目标移动而不断的切换的过程。任务节点负责获取观测数据，运行扩展卡尔曼滤波算法，选举下一时刻任务节点，保存目标状态信息和保证相邻时刻不同任务节点之间关键信息的稳定传递。

下面详细说明本发明中扩展卡尔曼滤波算法过程，具体而言，包括下列步骤：

步骤1001，由上一时刻目标状态估计信息和上一时刻后验估计误差协方差矩阵，根据移动目标系统方程得到当前时刻目标状态估计信息和当前时刻先验估计误差协方差矩阵；

步骤1002，由步骤1001所述当前时刻目标状态估计信息中的位置信息，通过测量方程估计出任务节点的测量值，将该测量值和当前时刻任务节点的观测数据求差后作为观测变量的残差；

步骤1003，由卡尔曼增益值、所述测量方程的雅可比矩阵和所述观测变量的残差，修正当前时刻目标的状态估计信息，并求得当前时刻后验估计误差协方差矩阵。

下面详细说明本发明中利用协方差矩阵迹最小原则来选举任务节点的过程，具体而言包括下列过程：

步骤1011，由当前时刻目标状态估计信息和当前时刻后验估计误差协方差矩阵，根据移动目标系统方程得到下一时刻目标的状态估计信息和下一时刻先验估计误差协方差值；

步骤1012，由卡尔曼增益值和各个候选任务节点测量方程的雅可比矩阵，修正各个候选任务节点下一时刻先验估计误差协方差值，并求出各个候选任务节点修正后的下一时刻先验估计误差协方差矩阵迹；

步骤1013，比较步骤1012中各个候选任务节点修正后的下一时刻先验估计误差协方差矩阵迹，选举其中最小的迹对应的节点标记为下一任务节点。

所述步骤101中，当所述下一时刻任务节点不是当前时刻任务节点时，当前时刻任务节点将当前目标状态估计信息传递给下一时刻任务节点。

所述步骤101中，当前时刻任务节点除了将当前目标状态估计信息传递给下一时刻任务节点外，还将该信息传递给基站进行备份，当所述下一时刻任务节点由于故障而无法正常工作时，启动任务节点二次选举程序，即利用基站中备份的上一时刻任务节点的目标状态估计信息，寻找目标状态误差协方差矩阵迹次小的节点作为下一时刻任务节点。

所述步骤101中候选任务节点是从邻居节点中来选定的，包括如下步骤：

无线传感器网络中每个节点都有邻居节点，将当前任务节点与非任务节点之间的距离值与设定值进行比较，再将距离值处于设定值范围内的非任务节点界定为邻居节点；

根据当前时刻目标状态估计信息中的位置信息中坐标值与邻居节点坐标值计算出两个坐标之间的距离值，再将该距离值与设定值进行比较，距离处于该设定值范围内的邻居节点即为候选任务节点。

界定邻居节点的主要目的是为了明确任务节点选择的调度集，因为随着目标的移动，任务节点在不断的变化中，相应的候选任务节点集合也在相应的变化。邻居节点的建立能够减少使用扩展卡尔曼滤波(EKF)最小迹进行任务节点选择的时间并节省能量，提高目标跟踪的实时性和延长了系统的生命周期。

所述步骤102中，当下一时刻任务节点对应的先验估计误差协方差矩阵迹大于设置的阈值时，则认为预测的目标位置偏离目标实际位置的误差超出系统允许范围，通过当前时刻各个候选任务节点执行扩展卡尔曼滤波算法预测目标的坐标值，再求这些坐标值的均值，作为目标的修正位置。

所述步骤100中，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进行轨迹起始算法，获得目标的状态估计信息，建立起对新目标的跟踪。

所述轨迹起始算法包括：

对任一节点及其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，采用三边定位算法计算该局部区域内目标的坐标值，作为新目标的起始位置。

本发明中当感知到目标的节点数大于3时，则采用三边定位算法来对目标进行定位：

如图4所示，在一个二维系统，我们可以通过三个节点的坐标(x₁，y₁)，(x₂，y₂)，(x₃，y₃)以及这些节点到目标的距离d₁，d₂，d₃求得目标的坐标(x，y)：

(x₁-x)²+(y₁-y)²＝d₁ ²

(x₂-x)²+(y₂-y)²＝d₂ ²                     (1)

(x₃-x)²+(y₃-y)²＝d₃ ²

从中可以得到

$\left[\begin{array}{c}x\\ y\end{array}\right]={\left[\begin{array}{cc}2(x_1-x_3)& 2(y_1-y_3)\\ 2(x_2-x_3)& 2(y_2-y_3)\end{array}\right]}^{-1}\left[\begin{array}{c}{x}_1^2-x_3^2+y_1^2-y_3^2+d_3^2-d_1^2\\ x_2^2-x_3^2+y_2^2-y_3^2+d_3^2-d_2^2\end{array}\right]---\left(2\right)$

所述步骤101中选举误差协方差矩阵迹最小节点的原则包括下列步骤：

在扩展卡尔曼滤波算法中，理论上通过观察测量噪声协方差和目标下一时刻先验估计误差协方差变化趋势都能够判别预测值的可信度大小，随着测量噪声协方差趋于零，测量变量的权重越来越大，而的预测值的权重越来越小；另一方面，随着先验估计误差协方差趋于零，测量变量的权重越来越小，而测量变量的预测值的权重越来越大。但是由于观测噪声协方差与观测噪声模型相关，动态变化，实际应用中无法实现，因此一般通过采用目标下一时刻先验估计误差协方差(当前时刻后验估计误差协方差)来判断目标预测的跟踪精度，进行下一时刻任务节点的选择，同时为了降低计算和通讯的开销，进行降维处理，求出先验估计误差协方差矩阵迹，通过先验估计误差协方差矩阵迹间接地判断目标预测的跟踪精度。

下面以一实例详细说明本发明的基于分布式处理的无线传感器网络目标跟踪方法：假设目标在二维平面内运动，选取状态变量为X(k)＝(x(k)，x_v(k)，y(k)，y_v(k))^T，表示目标在第K采样周期发生在t_k时刻的状态，其中x(k)，y(k)分别为沿X和Y轴的位置坐标，x_v(k)，y_v(k)则为沿X和Y轴的速率值，假设目标的运动模型：如下：

X(k+1)＝F(Δt_k)X(k)+w(k，Δt_k)                        (3)

$F\left(\mathrm{\Δ}{t}_k\right)=\left[\begin{array}{cccc}1& \mathrm{\Δ}{t}_k& 0& 0\\ 0& 1& 0& 0\\ 0& 0& 1& \mathrm{\Δ}{t}_k\\ 0& 0& 0& 1\end{array}\right]$

Δt_k＝t_k+1-t_k代表第K个采样间隔时间，F(Δt_k)是转移矩阵，由Δt_k决定，w(k，Δt_k)是过程噪声，也是取决于Δt_k。假设任务节点i在t_k时刻被用来获取第K个测量值Z_i(k)，测量模型如下给出：

Z_i(k)＝h_i(X(k))+v_i(k)                         (4)

其中 $h_i\left(X\left(k\right)\right)=\sqrt{{(x(k+1|k)-x_i\left(k\right))}^2+{(y(k+1|k)-y_i\left(k\right))}^2},$ 是一个非线性的测量函数，(x_i(k)，y_i(k))是在第k采样周期内任务节点i的已知位置坐标。(x(k+1|k)，y(k+1|k))为目标的估计位置坐标。v_i(k)是任务节点i的测量噪声，w(k，Δt_k)和v_i(k)都是独立的，且都假设为均值0，符合高斯正态分布的白噪声，P(k|k)和v_i(k)的协方差矩阵分别为Q(Δt_k)和R_i(k)。

设人作为目标在240cm×240cm方形区域移动，采用超声波进行测距，这样目标本身无需装备传感器节点，被动红外传感器进行目标检测，唤醒休眠节点，考虑目标相对监测区域尺寸不能忽略，为了获得目标质心的坐标值，需要在测距时对得到的距离值进行一定的补偿，这里取10cm。目标起始位置如图5所示，即(41，38)坐标点。如图3所示，a_i-1j、a_i+1j、a_ij-1、a_ij+1是节点a_ij的邻居节点，按以下规则确定：

$N\left(a_{\mathrm{ij}}\right)\&Element;\left\{a_{k,l}\right|r<r_s<\sqrt{2}r,k\&NotEqual;i,l\&NotEqual;j\}---\left(5\right)$

所述扩展卡尔曼滤波算法的详细流程如下：

目标状态的初始化，假定目标在t_k时刻的初始状态X(k)的估计为

其对应的误差协方差矩阵为P(k|k)。假设传感器j在t_k+1时刻作为任务节点进行测距，则传感器j在t_k+1时刻的估计状态可以通过下式计算得到

$\hat{X}(k+1|k)=F\left(\mathrm{\&Delta;}{t}_k\right)\hat{X}\left(k\right|k)---\left(6\right)$

求状态估计误差协方差矩阵的一步预测：

P(k+1|k)＝F(Δt_k)P(k|k)F(Δt_K)^T+Q(Δt_K)              (7)

$Q\left(\mathrm{\&Delta;}{t}_K\right)=q\left[\begin{array}{cccc}\frac{1}{3}\mathrm{\&Delta;}{t}_k^3& \frac{1}{2}\mathrm{\&Delta;}{t}_k^2& 0& 0\\ \frac{1}{2}\mathrm{\&Delta;}{t}_k^2& \mathrm{\&Delta;t}& 0& 0\\ 0& 0& \frac{1}{3}\mathrm{\&Delta;}{t}_k^3& \frac{1}{2}\mathrm{\&Delta;}{t}_k^2\\ 0& 0& \frac{1}{2}\mathrm{\&Delta;}{t}_k^2& \mathrm{\&Delta;t}\end{array}\right]$

q是一个标量，决定了过程噪声的强度，这里取值50。

由观测方程可得测量的一步预测值

${\hat{Z}}_j(k+1|k)=h_j\left(\hat{X}(k+1|k)\right)---\left(8\right)$

残差为传感器节点j的超声波测量值和传感器节点j在t_k+1时刻的估计值

之差，由下式给出：

${\mathrm{\&gamma;}}_j(k+1)=Z_j(k+1)-{\hat{Z}}_j(k+1|k)---\left(9\right)$

测量误差协方差矩阵S_j(k+1)由下式给出

$S_j(k+1)=H_j(k+1)P(k+1|k)H_j^T(k+1)+R_j(k+1)---\left(10\right)$

其中H_j(k+1)为测量函数h_j在t_k+1时刻对应于估计状态

的雅可比矩阵

$H_j(k+1)=\left[\frac{-(x(k+1|k)-x_j)}{{[{(x(k+1|k)-x_j)}^2+{(y(k+1|k)-y_j)}^2]}^{\frac{3}{2}}}0\frac{-(y(k+1|k)-y_j)}{{[{(x(k+1|k)-x_j)}^2+{(y(k+1|k)-y_j)}^2]}^{\frac{3}{2}}}0\right]$

卡尔曼增益阵为

$K(k+1)=P(k+1|k)H_j{(k+1)}^T{S}_j^{-1}(k+1)---\left(11\right)$

状态及协方差矩阵的更新：

$\hat{X}(k+1|k+1)=\hat{X}(k+1|k)+K(k+1){\mathrm{\&gamma;}}_j(k+1)---\left(12\right)$

P(k+1|k+1)＝P(k+1|k)-K(k+1)S_j(k+1)K^T(k+1)                  (13)

进一步根据当前时刻目标状态估计信息中的位置估计信息，计算得到下一时刻候选任务节点的先验估计误差协方差矩阵迹，具体流程如下：

由于是求下一时刻候选任务节点的先验估计误差协方差矩阵，因此不需要测量数据，根据不同的候选任务节点坐标得到下一时刻估计状态

的对应的雅可比矩阵H_i(k+2)，执行扩展卡尔曼滤波算法中的(6)(7)(10)(11)(13)即可求得下一时刻候选任务节点的先验估计误差协方差矩阵P_i(k+2|k+2)而其对应的迹为

${\mathrm{\&Phi;}}_i(k+2)={\mathrm{\&sigma;}}_x^2+{\mathrm{\&sigma;}}_{x_v}^2+{\mathrm{\&sigma;}}_y^2+{\mathrm{\&sigma;}}_{y_v}^2=\left[\begin{array}{cccc}1& 1& 1& 1\end{array}\right]P_i(k+2|k+2){\left[\begin{array}{cccc}1& 1& 1& 1\end{array}\right]}^T---\left(14\right)$

选择其中最小一个值对应的节点作为下一时刻任务节点。

当下一时刻任务节点对应的状态先验估计误差协方差矩阵迹大于阈值时，启动目标轨迹修正算法，详细过程如下：

唤醒当前时刻任务节点的候选任务节点，并将上一时刻任务节点的目标传递给这些节点，在目标单位时间最大活动范围内，将单位时间平均分配给这些节点，分别对目标进行测距，获得观测数据，同时执行扩展卡尔曼滤波算法中的(6)(7)(8)(9)(10)(11)(12)获得各自的目标状态信息(包括位置信息和速度信息)，并传递给当前时刻任务节点，当前时刻任务节点利用这些目标状态信息中的位置信息和速度信息求均值，得到当前时刻目标的状态信息，实现对目标的修正。

当下一时刻任务节点由于电源不足或者其他原因而崩溃时启动备选任务节点启动程序，详细过程如下：

利用基站中备份的上一时刻任务节点信息，在其邻居节点的范围内，执行扩展卡尔曼滤波算法中的(6)(7)(10)(11)(13)即可求得下一时刻邻居节点的先验估计误差协方差矩阵P及其对应的迹为Φ_i，选择其中次小值对应的节点作为下一时刻任务节点。

当单个节点重复担当任务节点时，为了防止目标偏移轨迹误差累积，对单个节点连续担当任务节点的次数进行限制，设定次数阈值为3，若单个节点连续担当任务节点次数超过3次，则选择目标状态误差协方差矩阵迹第二小的候选任务节点作为下一时刻任务节点。

跟踪结果如图5所示，跟踪过程如图中的1、2、3、4等区域所示，图中黑色大圆代表移动目标，其周边的括号内数字代表此时移动目标的位置信息，即坐标值；黑色小圆代表任务节点，白色小圆代表非任务节点，其内部数字代表该节点ID，其周边的括号内数字代表节点的位置信息，即坐标值；黑色实心点连成的线代表移动目标的历史轨迹；以任务节点为圆心，任务节点到移动目标之间的距离为半径的圆代表此时任务节点正在测量其自身相对移动目标的距离值。

本发明采用分布式扩展卡尔曼滤波算法进行无线传感器网络的目标跟踪，每次运算只需要上一次运算的结果，采用状态误差协方差矩阵迹最小的原则来选取任务节点，并利用状态误差协方差矩阵迹来进行目标轨迹偏差的预判断，节省了内存开销，降低了处理器能耗，减少了数据传输和节点间的信息的交互，提高了跟踪精度。当任务节点崩溃时，利用目标备选任务节点启动程序对任务节点进行重新选举，提高了系统的鲁棒性

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 (4)

1.一种基于分布式处理的无线传感器网络目标跟踪方法，所述无线传感器网络中包括用于跟踪移动目标的任务节点和处于休眠状态的非任务节点，且跟踪过程中任一时刻只有一个任务节点，其特征在于，包括如下步骤：

(1)利用上一时刻目标状态估计信息和当前时刻任务节点的观测数据，进行扩展卡尔曼滤波算法，获得当前时刻目标状态估计信息，所述目标状态估计信息包括移动目标的当前位置和运动速度，所述观测数据指当前时刻任务节点与目标之间的距离；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进行轨迹起始算法，获得目标的状态估计信息，建立起对新目标的跟踪；所述轨迹起始算法包括：对任一节点及其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，采用三边定位算法计算该局部区域内目标的坐标值，作为新目标的起始位置；

(2)根据当前时刻目标状态估计信息中的位置估计信息，计算得到下一时刻候选任务节点的先验估计误差协方差矩阵迹，比较并选举其中最小的迹对应的节点作为下一时刻任务节点；当所述下一时刻任务节点不是当前时刻任务节点时，当前时刻任务节点将当前目标状态估计信息传递给下一时刻任务节点；当前时刻任务节点除了将当前目标状态估计信息传递给下一时刻任务节点外，还将该信息传递给基站进行备份，当所述下一时刻任务节点由于故障而无法正常工作时，启动任务节点二次选举程序，即利用基站中备份的上一时刻任务节点的目标状态估计信息，寻找目标状态误差协方差矩阵迹次小的节点作为下一时刻任务节点，具体包括：(2.1)由当前时刻目标状态估计信息和当前时刻后验估计误差协方差矩阵，根据移动目标系统方程得到下一时刻目标的状态估计信息和下一时刻先验估计误差协方差值；(2.2)由卡尔曼增益值和各个候选任务节点测量方程的雅可比矩阵，修正各个候选任务节点下一时刻先验估计误差协方差值，并求出各个候选任务节点修正后的下一时刻先验估计误差协方差矩阵迹；(2.3)比较步骤(2.2)中各个候选任务节点修正后的下一时刻先验估计误差协方差矩阵迹，选举其中最小的迹对应的节点标记为下一任务节点；

(3)当步骤(2)所述下一时刻任务节点对应的先验估计误差协方差矩阵迹大于设置的阈值时，采用目标轨迹修正算法，重新获得当前时刻目标状态估计信息，实现目标定位跟踪；当下一时刻任务节点对应的先验估计误差协方差矩阵迹大于设置的阈值时，则认为预测的目标位置偏离目标实际位置的误差超出系统允许范围，通过当前时刻各个候选任务节点执行扩展卡尔曼滤波算法预测目标的坐标值，再求这些坐标值的均值，作为目标的修正位置。

2.根据权利要求1所述的基于分布式处理的无线传感器网络目标跟踪方法，其特征在于，所述步骤(1)中扩展卡尔曼滤波算法包括下列步骤：

(1.1)由上一时刻目标状态估计信息和上一时刻后验估计误差协方差矩阵，根据移动目标系统方程得到当前时刻目标状态估计信息和当前时刻先验估计误差协方差矩阵；

(1.2)由步骤(1.1)所述当前时刻目标状态估计信息中的位置信息，通过测量方程估计出任务节点的测量值，将该测量值和当前时刻任务节点的观测数据求差后作为观测变量的残差；

(1.3)由卡尔曼增益值、所述测量方程的雅可比矩阵和所述观测变量的残差，修正当前时刻目标的状态估计信息，并求得当前时刻后验估计误差协方差矩阵。

3.根据权利要求1所述的基于分布式处理的无线传感器网络目标跟踪方法，其特征在于，所述步骤(2)中候选任务节点是从邻居节点中来选定的，包括如下步骤：

无线传感器网络中每个节点都有邻居节点，将当前任务节点与非任务节点之间的距离值与设定值进行比较，再将距离值处于设定值范围内的非任务节点界定为邻居节点；

根据当前时刻目标状态估计信息中的位置信息中坐标值与邻居节点坐标值计算出两个坐标之间的距离值，再将该距离值与设定值进行比较，距离处于该设定值范围内的邻居节点即为候选任务节点。

4.根据权利要求1～3任一项所述的基于分布式处理的无线传感器网络目标跟踪方法，其特征在于所述步骤(3)之后重复步骤(1)～(3)，持续跟踪目标。

Images