CN101639535A - 模糊聚类粒子滤波的无线传感器网络多目标跟踪方法 - Google Patents

Abstract

一种模糊聚类粒子滤波的无线传感器网络多目标跟踪方法，它首先对传感器节点量测数据用基于跟踪门限算法进行粗关联，排除部分杂波，再通过在各个传感器节点的观测空间上分别建立各自的FCM算法进行精关联，对精关联数据进行线性最优融合，最后用粒子滤波预测各目标的状态。本发明可有效避免多目标航迹丢失和错误关联，实现多目标的精确跟踪。

Description

模糊聚类粒子滤波的无线传感器网络多目标跟踪方法

技术领域

本发明涉及一种无线传感器网络领域，具体说是一种模糊聚类粒子滤波的无线传感器网络多目标跟踪方法。

背景技术

基于无线传感器网络(WSN)的多目标跟踪是多目标跟踪的一个重要研究方向。WSN由于具有节点成本低、体积小、无线通信、网络随机部署、良好的自组织、鲁棒性和隐蔽性等突出优点，而在多目标跟踪领域中有广阔的应用前景。但WSN本身又具有节点的计算、能量、存贮、通讯等资源受限的特点，这使得传统多目标跟踪较成熟的研究成果不能直接应用在WSN系统中，基于WSN的多目标跟踪技术是21世纪的一项挑战性研究课题。

在WSN多目标跟踪技术中，数据融合作为其核心部分起着两方面作用：一是减少数据通讯量，降低能耗，延长网络寿命；二是通过融合得到被跟踪目标的正确航迹。数据融合问题可以描述为关联和估计这两个最优化问题，其中的数据关联就是将候选回波与已知目标轨迹相比较并确定正确的观测/轨迹配对。对于多目标跟踪，尤其是近相距和轨迹交叉的目标，在密集杂波干扰环境中，众多的回波与目标航迹之间具有极大的不确定性，要么多个回波位于同一跟踪门内，要么单个回波位于多个跟踪门的交集内，并且与目标预测状态最接近的回波并非必定是目标回波，因此很容易使多目标跟踪出现混淆、误跟、漏跟和振荡等现象，给多目标跟踪增添困难。

目前，在传统的目标跟踪算法中，较典型的算法有最近邻(NN)方法、概率数据关联(PDA)方法、联合概率数据关联(JPDA)方法和多假设多目标跟踪(MHT)算法等。其中，NN法在实际应用中常常发生误跟和丢失目标的现象；PDA、JPDA和MHT方法计算复杂，在一些情况下运算量甚至出现组合爆炸的现象，均不适合资源有限的WSN。

近年来，人们应用模式识别理论中的模糊和聚类理论进行数据关联的研究。有关文献提出了基于模糊均值聚类FCM(fuzzy C-means)算法，能比较有效地避免WSN多目标跟踪的误跟、振荡、漏跟和重复跟踪问题。但基于FCM的多目标跟踪算法的也存在如下问题：

对于WSN多目标跟踪，若将目标数看作FCM算法的聚类数，观测数据作为FCM聚类样本，目标状态预测值作为聚类中心，则WSN多目标跟踪问题可转化为FCM模糊聚类问题。因此，可以应用FCM算法进行WSN的多目标跟踪，方法是首先对多传感器节点的观测数据进行FCM聚类，然后根据回波与目标状态预测值的最近邻原则进行多目标航迹关联。但基于FCM的多目标跟踪算法的也存在如下问题：

对多传感器节点的所有观测数据一起进行聚类，在杂波密集时，有可能出现聚类正确，而关联错误的情况，以致出现了一个目标同一个传感器有两个量测的错误。

在密集多回波环境下，对近相距和轨迹交叉目标来说，离目标预测状态最近的回波并非必定是目标回波，并且有可能出现一个量测同属于多个目标的情况，因此该算法在这种情况下很容易出现错误关联而导致多目标跟踪混淆和目标丢失等现象。

发明内容

本发明的目的是提供一种能有效避免目标丢失和跟踪混淆，可大大降低多目标跟踪问题的复杂性和计算量的模糊聚类粒子滤波的无线传感器网络多目标跟踪方法。

本发明提供的模糊聚类粒子滤波的无线传感器网络多目标跟踪方法，它首先对传感器节点量测数据用基于跟踪门限算法进行粗关联，排除部分杂波，再通过在各个传感器节点的观测空间上分别建立各自的FCM算法进行精关联，对精关联数据进行线性最优融合，最后用粒子滤波预测各目标的状态。

该方法的具体步骤是：

a、门限粗关联：粗关联门限根据目标极限运动状态进行设定，关联门设为以预测估计位置为中心，最大运动速度×采样时间间隔为半径的园，量测在关联门限以外视为不可能量测或干扰而排除；

b、FCM精关联：把源于同一个传感器的量测按最大隶属度来分配给各个目标，保证任一目标只能有一个观测量来自同一个传感器；

c、数据融合：经过FCM精关联后，不同传感器的多个量测组成一个类同属于一个目标，对每个类内的数据进行线性最优融合。

d、粒子滤波预测跟踪：用融合后的数据进行粒子滤波预测，可得到基于融合航迹的目标状态预测值，从而实现目标的精确跟踪。

在步骤c中，线性最优融合后的状态及误差协方差分别为：

Z_f(k)＝f₁Z₁(k)+f₂Z₂(k)+…f_IZ_I(k)

$P\left(k\right)=f_1^2{P}_1\left(k\right)+f_2^2{P}_2\left(k\right)+\·\·\·\·f_I^2{P}_I\left(k\right)$

式中

$f_j=\frac{1/\mathrm{tr}\left(P_j\left(k\right)\right)}{\underset{i=1}{\overset{I}{\mathrm{\Σ}}}1/\mathrm{tr}\left(P_i\left(k\right)\right)}$

且 $\underset{i=1}{\overset{I}{\mathrm{\Σ}}}{f}_i=1$

其中：Z₁(k)，…，Z_I(k)表示同一目标中k时刻来自不同传感器的I个量测，它们对应的状态协方差为P₁(k)，…，P_I(k)，tr()是矩阵的迹。

在步骤d中，粒子滤波预测的步骤如下：

1)初始化：根据已知的初始位置，产生初始粒子集；

2)预测：对每个时刻，将前一时刻产生的粒子集代入状态方程，产生预测粒子集；

3)更新：对于每个预测粒子，利用融合后的量测，计算权重，并归一化权重；

4)重采样：用系统重采样算法进行重采样；

5)状态估计：取重采样后粒子的平均值作为目标状态估计值。

本发明与原FCM跟踪算法相比具有如下优点：

航迹关联正确率和目标跟踪精度有显著提高。

有效避免了多目标航迹丢失和错误关联，实现了多目标的精确跟踪。

综合了模糊聚类、线性最优融合、粒子滤波等多种现代信息处理方法，集数据关联、数据融合和目标跟踪于一体，可降低多目标跟踪问题的复杂性和计算量。

本发明适合资源受限的无线传感器网络应用。

附图说明

图1是基于FCM的多目标跟踪航迹的示意图；

图2是本发明的的多目标跟踪航迹的示意图。

具体实施方式

实施例：

本发明提供的模糊聚类粒子滤波的无线传感器网络多目标跟踪方法，它首先对传感器节点量测数据用基于跟踪门限算法进行粗关联，排除部分杂波，再通过在各个传感器节点的观测空间上分别建立各自的FCM算法进行精关联，对精关联数据进行线性最优融合，最后用PF滤波预测各目标的状态。

主要步骤：

门限粗关联：

在杂波环境下，各传感器量测可能来自目标也可能来自杂波。考虑目标的实际背景和极限运动状态，与目标预测状态相差较大的量测不可能来自目标，因此可以设置一个粗关联门限，排除部分不可能量测或干扰。粗关联门限根据目标极限运动状态进行设定，关联门设为以预测估计位置为中心，最大运动速度×采样时间间隔为半径的园，量测在关联门限以外视为不可能量测或干扰而排除。

FCM精关联：

为了正确确定每个量测的目标归属，本FCM聚类不是把全部传感器节点的所有量测一起进行聚类，把全部量测对应隶属度最大的归为一类，而是把源于同一个传感器的量测按最大隶属度来分配给各个目标，保证任一目标只能有一个观测量来自同一个传感器。该方法通过把多传感器观测数据聚类问题分解为多个单传感器聚类问题，分别对每个传感器候选量测进行聚类，有效解决了传统FCM算法的聚类正确而关联错误的问题。

数据融合：

经过FCM精关联后，不同传感器的多个量测组成一个类同属于一个目标，为了充分利用各个传感器量测的信息，得到更精确的目标跟踪轨迹，对每个类内的数据进行线性最优融合。设经过精关联，k时刻来自不同传感器的I个量测Z₁(k)，…，Z_I(k)表示同一目标，它们对应的状态协方差为P₁(k)，…，P_I(k)，则线性最优融合后的状态及误差协方差分别为：

Z_f(k)＝f₁Z₁(k)+f₂Z₂(k)+…f_IZ_I(k)

$P\left(k\right)=f_1^2{P}_1\left(k\right)+f_2^2{P}_2\left(k\right)+\·\·\·f_I^2{P}_I\left(k\right)$

式中

$f_J=\frac{1/\mathrm{tr}\left(P_j\left(k\right)\right)}{\underset{i=1}{\overset{I}{\mathrm{\Σ}}}1/\mathrm{tr}\left(P_i\left(k\right)\right)}$

且 $\underset{i=1}{\overset{I}{\mathrm{\Σ}}}{f}_i=1$

其中：tr()是矩阵的迹。从中可以看出，若tr(P_j(k))值越小，则第j个航迹估计精度越高，tr(P_j(k))的倒数1/tr(P_j(k))就越大，因而在融合过程中的作用就越大，反之亦然。

粒子滤波预测跟踪：

用融合后的数据Z_f(k)进行粒子滤波预测，步骤如下：①初始化：根据已知的初始位置，产生初始粒子集；②预测：对每个时刻，将前一时刻产生的粒子集代入状态方程，产生预测粒子集；③更新：对于每个预测粒子，利用融合后的量测，计算权重，并归一化权重；④重采样：用系统重采样算法进行重采样；⑤状态估计：取重采样后粒子的平均值作为目标状态估计值。

通过以上算法可得到基于融合航迹的目标状态预测值，从而实现目标的精确跟踪。

表1不同方法下目标位置估计的均方根差(m)

从图1可看到，用FCM算法进行目标跟踪时，3个目标在近相距和交叉运动时均发生不同程度的航迹丢失和跟踪混淆，尤其是目标2与3在近相距和交叉时发生航迹严重错误关联，使目标2在第2～8个采样时刻航迹丢失，目标3航迹严重错误关联。在3个目标20个采样时刻内5次交叉运动的跟踪中，航迹错误关联率平均达15％，而用FCM-PF算法进行目标跟踪时，由图2可以看到，3个目标在近相距和交叉运动时均无出现航迹丢失和跟踪混淆的现象，航迹关联正确率达100％。从表1两种不同方法下目标位置估计的均方根误差也可看到，FCM-FT是指本发明的算法，3个目标在FCM-PF算法的RMSE均比原FCM算法的要小，尤其是目标2，RMSE由4.4377m下降到1.3073m，FCM-PF算法体现了较好的跟踪性能。

Claims (4)

1、一种模糊聚类粒子滤波的无线传感器网络多目标跟踪方法，其特征是它首先对传感器节点量测数据用基于跟踪门限算法进行粗关联，排除部分杂波，再通过在各个传感器节点的观测空间上分别建立各自的FCM算法进行精关联，对精关联数据进行线性最优融合，最后用粒子滤波预测各目标的状态。

2、根据权利要求1所述的模糊聚类粒子滤波的无线传感器网络多目标跟踪方法，其特征是该方法的具体步骤是：

a、门限粗关联：粗关联门限根据目标极限运动状态进行设定，关联门设为以预测估计位置为中心，最大运动速度×采样时间间隔为半径的园，量测在关联门限以外视为不可能量测或干扰而排除；

b、FCM精关联：把源于同一个传感器的量测按最大隶属度来分配给各个目标，保证任一目标只能有一个观测量来自同一个传感器；

c、数据融合：经过FCM精关联后，不同传感器的多个量测组成一个类同属于一个目标，对每个类内的数据进行线性最优融合。

d、粒子滤波预测跟踪：用融合后的数据进行粒子滤波预测，可得到基于融合航迹的目标状态预测值，从而实现目标的精确跟踪。

3、根据权利要求2所述的模糊聚类粒子滤波的无线传感器网络多目标跟踪方法，其特征是在步骤c中，线性最优融合后的状态及误差协方差分别为：

Z_f(k)＝f₁Z₁(k)+f₂Z₂(k)+…f_IZ_I(k)

$P\left(k\right)=f_1^2{P}_1\left(k\right)+f_2^2{P}_2\left(k\right)+...f_I^2{P}_I\left(k\right)$

式中

$f_j=\frac{1/\mathrm{tr}\left(P_j\left(k\right)\right)}{\underset{i=1}{\overset{I}{\mathrm{\Σ}}}1/\mathrm{tr}\left(P_i\left(k\right)\right)}$

且 $\underset{i=1}{\overset{I}{\mathrm{\Σ}}}{f}_i=1$

其中：Z₁(k)，…，Z_I(k)表示同一目标中k时刻来自不同传感器的I个量测，它们对应的状态协方差为P₁(k)，…，P_I(k)，tr()是矩阵的迹。

4、根据权利要求2所述的模糊聚类粒子滤波的无线传感器网络多目标跟踪方法，其特征是在步骤d中，粒子滤波预测的步骤如下：

1)初始化：根据已知的初始位置，产生初始粒子集；

2)预测：对每个时刻，将前一时刻产生的粒子集代入状态方程，产生预测粒子集；

3)更新：对于每个预测粒子，利用融合后的量测，计算权重，并归一化权重；

4)重采样：用系统重采样算法进行重采样；

5)状态估计：取重采样后粒子的平均值作为目标状态估计值。

Images