CN101720056B - 基于多信道和支持向量回归的多个无设备物体追踪方法 - Google Patents

Abstract

本发明涉及一种利用无线网技术，基于多信道和支持向量回归预测算法的多个无设备物体的实时追踪方法。该发明的基本方法是把整个监控区域划分成不同的六边形区域，不同的区域内节点采用不同的信道以避免干扰。网络内的每个无线节点都基于同步。每个六边形包含了七个无线节点共有六个子三角形。中间的无线节点一直保持在一个信道上，周围的六个节点根据其方向的不同，被安排在不同的时序进行数据包发送，对于每个六边形需要六个时槽来追踪完所有的区域。在每个子三角型区域，利用各个无线节点的接收信号强度的变化值信息，采用支持向量回归预测算法来预测无设备物体的位置。

Description

基于多信道和支持向量回归的多个无设备物体追踪方法

技术领域

本发明涉及一种利用无线网络技术，利用多信道以及支持向量回归算法实现多个无设备物体的实时追踪的方法。本发明解决了传统无线网络中无法追踪无设备物体的难题，同时是一种低成本，高效率的无设备物体追踪技术。属于物体定位追踪及无线通信领域。 

背景技术

物体追踪技术一直是一大研究热点，并有很多实际的应用场景，例如车辆追踪，战场侦测，动物栖息行为监测和医院里的病人检测等等。GPS是一项精确性很高的追踪技术，但是它只能够用于户外，因为在户内卫星信号会被屏蔽。室内移动物体的定位则更加复杂。激光定位技术以其测距的精准而著称，但是其相关的设备非常昂贵，而且也更适合户外环境。目前国内外用于物体追踪的技术分为2大类，一类是基于射频技术，另一类是基于非射频技术。非射频技术主要包括有视频技术，红外技术，压力技术，超声波技术。视频技术利用多个摄像头采集图像信息，然后通过图像处理算法捕捉物体。这类技术通常比较昂贵，而且不能在黑暗环境使用。而红外技术因为其本身范围有限的特性需要非常仔细和密集的布置，才能对物体进行定位，而且如果部署得不够周密，仍然很容易会有漏洞的存在。压力技术是通过放置在地板上的加速和气压传感器来检测是否有人的脚印通过其检测范围，这项技术同样也是需要非常密集的节点布置才能在要求范围内有效的定位，而且成本比较高。超声波技术一般通过超声波的飞行时间法(Time-of-Flight)来获得位置信息，这项技术总是要 求被追踪物体携带一个发送或接受设备，例如Bat超声波系统需要被追踪物体携带一个Bat(发射器)定期发送超声波脉冲，或如MOCUS只能测试出通过固定区域的物体的数量。还有就是如Cricket定位系统一样，通过结合超声波和无线射频，利用两者接收信号的时间差来做距离的测量，这种方法同样还是需要被追踪物体携带相关信号接收器。 

由于在日常工作生活中各类无线设备已经普遍使用，射频技术因其成本低廉而著称。相关的定位技术有802.11，电子标签技术(RFID)和无线传感器网络(WSN)。无线传感器网络是一种由大量廉价的无线传感器所组成的网络，能够协同地实时监测、感知和采集网络覆盖区域中各种环境或监测对象的信息，并对其进行处理，处理后的信息通过无线方式发送，并以自组多跳的网络方式传送给观察者。而目前这些技术的现有物体追踪方法都需要被追踪物体携带无线收发器，然后通过接收端无线信号强度(RSS)的大小或加上一些辅助方法来得到物体的位置。这种条件显然在某些环境和应用中得不到满足，例如安全或防盗部门，一些恶意闯入或攻击者不会携带类似设备来协助追踪。 

经检索发现，目前无设备物体追踪的方法，如图像技术、红外技术、压力技术，超声波技术等，都有其自身的限制条件，它们存在成本过高，布置困难，或不能适用于黑暗场景等缺陷。所以他们很难大规模投入到实际应用中，这样极大的限制了物体追踪技术在实际中的应用前景。 

本发明填补了这个技术空白，将有效解决上述技术用于无设备物体追踪带来的各种问题。本发明采用无线信号(如802.11或者zigbee等)作为基本输入源进行物体追踪，在无线网络中利用被追踪物体对环境的干扰，特别是对无线信号的干扰来进行定位追踪。由于现在的无线信号是开放的，几乎免费的资源，我们的技术将在保留无线信号低成本优势的前提下，获得相当高的精度，从而 提供一个低成本，高效率，隐蔽的且非介入式的实时物体定位追踪技术。 

支持向量回归(Support Vector Regression)是一种机器学习算法，传统的方法是将其应用于时间序列上的预测，例如金融市场预测，高速公里交通状况预测等。目前尚无相关方法是用其在无设备物体的追踪上，我们利用被追踪物体对环境的干扰的信息，用该方法进行预测，可以达到利用资源少，精度高的效果。 

多信道(Multi-channel)的通信方式使得无线节点可以在不同信道上进行通信，传统意义上的应用主要针对增加网络通信的吞吐量。尚无相关方法应用在无设备物体的追踪上，该发明是首创应用多信道的方法在无设备物体的追踪上，不但可以增加追踪系统的可扩展性，而且不用牺牲系统其他性能，更加突出的是，采用多信道的通信方式可以避免相同信道下通信带来的干扰，因此可以巨大的提高系统的追踪精确性。 

发明内容

本发明要解决的技术问题是，传统基于无线网络的物体追踪方法全部都需要被追踪物体携带无线节点来协助追踪。如何在一个适应大规模无线网络下的，实现高实时性，扩展性能强，高精度的和低成本的多个无设备目标物体追踪技术是目前无设备物体追踪领域一个亟待解决的问题。 

为实现上述目的所采用的技术方案是： 

首先，我们部署一个以六边形为基本单元的网络结构，使得整个监控区域的无线节点被部署成许多六边形，每两个相邻六边形采用不同的信道通信，这样可以避免相邻六边形区域的信号干扰，因而可以提高追踪的精确性。这里网络内的每个无线节点都基于同步。每个六边形包含了七个无线节点共有六个子 三角形。中间的无线节点一直保持在一个信道上，周围的六个节点根据其方向的不同，被安排在不同的时序进行数据包发送。这样就像一个三角形的区域顺时针扫过整个六边形区域。对于每个六边形需要六个时槽来追踪完所有的区域。这样，在同一时刻，我们只需要考虑三角形的相应三个顶点(在同一信道上)之间的通信。每个无线节点发送数据包的时间间隔可以大量减少，信号干扰也会被极大的减少。因此，系统的延迟和追踪精确性将会得到极大的改善。针对每个三角形上无线节点的通讯结果，该发明采用支持向量回归(SupportVector Regression)的方法来预测物体的位置。该方法的目的是得到一个转换函数，可以将三角形三个顶点的接收信号强度的变化值转换成无设备目标物体的位置。所以该发明只需要最少三个无线节点的通信信息，就可以实现精确的多个无设备目标物体的追踪方法。 

本发明利用无线网络，对无设备物体进行追踪，能达到的有益效果如下： 

实时性能高。本发明可以实现0.26秒内同时追踪多个无设备物体的现有位置，需要的系统延迟非常短，可以满足绝大部分的实际应用的要求； 

可扩展性强。本发明可使得追踪系统无限制的扩展性，因为扩展部署不需要牺牲系统的其他性能，如系统延迟，追踪精度等，很容易应用到大型区域的追踪系统中。 

成本低廉。射频技术因其成本低廉而著称，传统的无设备追踪技术设备昂贵，或需要极其精密的布置。本发明布置简单，易于使用，并且可以适用于黑暗环境； 

追踪精度高。本发明可以实现多个无设备物体追踪精度达到约一米； 

附图说明

下面结合附图和实施例对本发明进一步说明。 

图1为追踪系统无线信道分配的拓扑结构示意图。 

图2为六边形节点布置单元中各节点的信道时序分配示意图。 

图3为支持向量回归算法预测物体位置的方法示意图。 

图4为支持向量回归算法输入向量定义示意图。 

图5为支持向量回归算法动态学习方法示意图。 

其中图1中所示，真个监控区域被划分为多个六边形区域，图中数字1-6为六边形区域的编号，黑色的小圆点，如A和B，表示无线通信节点，不同颜色的区域表明该区域内节点的通信方式采用不同的信道。 

其中图2中所示，每个六边形区域包括7个无线通信节点，如图中的黑色小圆点。1表示6边形中央的节点，LU代表左上角节点，RU代表右上角节点，RH代表右边节点，RD代表右下角节点，LD代表左下角节点，LH代表左边节点。每个节点旁的6个连在一起的小格表示时序分配图，中间有1的表明该时刻进行数据包发送，否则不做任何处理。 

其中图3中所示，左边的坐标图表示的是无设备物体信号强度变化的向量，x_i ¹，x_i ²，x_i ³表示的是三条无线链接的信号强度变化。f(x)代表支持向量回归预测方法。右边的坐标是无设备物体的对应的实际坐标位置，y_i ¹，y_i ²代表的是物体在地面上的x坐标和y坐标。 

其中图4中表示是三角形节点部署，节点之间的连线表示的是2个节点间的无线链接。黑色的实心矩形表示的是测量的物体位置，位置a(position a)是一个例子，x_a ¹，x_a ²，x_a ³表示的是三条无线链接的信号强度变化。 

其中图5中所示，节点之间的连线表示的是2个节点间的无线链接。黑色的实心矩形表示的是测量的物体位置，位置a是一个例子，x_a ¹，x_a ²，x_a ³表示的 是物体在位置a三条无线链接的信号强度变化。m1，m2和m3是三个参考点，分别位于三条无线链接上的中点处。X_m1 ¹，x_m1 ²和x_m1 ³表示的是物体在位置m1时三条无线链接的信号强度变化。X_m2 ¹，x_m2 ²和x_m2 ³表示的是物体在位置m2时三条无线链接的信号强度变化。X_m3 ¹，x_m3 ²和x_m3 ³表示的是物体在位置m3时三条无线链接的信号强度变化。 

具体实施方式

该发明的基本思想如图1所示，首先，我们部署一个以六边形为基本单元的网络结构，使得整个监控区域的无线节点被部署成许多六边形，每两个相邻六边形采用不同的信道通信，这样可以避免相邻六边形区域的信号干扰，因而可以提高追踪的精确性。另外，我们只需要考虑在相同信道内无线节点之间的通信，因此为避免传输冲突而设置的数据包发送时间间隔可以很短。 

每个六边形区域包含了七个无线节点共有六个子三角形。如图1所示，中间的无线节点一直保持在一个信道上，称之为中央节点(Center Node)。周围的六个无线节点被称为辅助节点(Assistant Node)。每个节点或者属于中央节点，或者属于辅助节点。当然，中央节点总是属于一个固定的六边形，而辅助节点可以属于多达三个相邻的六边形。例如，图1中，辅助节点A可以属于六边形6和7，而辅助节点B可以属于六边形5，6和1。 

每个六边形子区域都赋予一个专门的信道，使得该区域内的无线节点可以用分配的信道进行通信。这里网络内的每个无线节点都基于同步。周围的六个无线节点根据其方向的不同，被安排在不同的时序进行数据包发送。每个节点的时槽采用以下策略：对于每个六边形，在每个时槽，只有三个相邻的无线节点可以进行数据包传输。这三个相邻的节点就是六边形中不同的子三角形，我 们称这个三角形为“被选择的三角形”。每一个被选择的三角形只持续一个时槽的时间，然后则按逆时针顺序转换。这样就像一个三角形的区域顺时针扫过整个六边形区域。对于每个六边形需要六个时槽来完成追踪所有的区域。这里举一个例子，如图2所示，六边形1被分配了信道1，那么中央节点会一直留在信道1上进行数据包传输，然而其他六个辅助节点只在部分时槽上留在信道1，然后在其他时槽，辅助节点会转到其他信道上为其他六边形服务。因为三角形的选择策略是固定的，所以只要辅助节点知道其对应与中央节点的相对位置方向，它的时槽安排就可以固定下来。例如，图2中在中央节点左下方的辅助节点LD，会在时槽1和时槽6在信道1传送数据包。在中央节点右上方的辅助节点RU，会在时槽2和时槽3在信道1传送数据包。 

这样，在同一时刻，我们只需要考虑每个六边形区域内的一个三角形的相应三个顶点(在同一信道上)之间的通信。这里三角形是我们的基本追踪部署单位。每个无线节点发送数据包的时间间隔可以大量减少，信号干扰也会被极大的减少。因此，系统的延迟和追踪精确性将会得到极大的改善。针对每个三角形上无线节点的通讯结果，该发明采用支持向量回归(Support VectorRegression)的方法来预测物体的位置。该方法的目的是得到一个转换函数，可以将三角形三个顶点的接收信号强度的变化值转换成无设备目标物体的位置。所以该发明只需要最少三个无线节点的通信信息，就可以实现精确的多个无设备目标物体的追踪方法。 

如图3所示，每个不同位置物体都会影响到三角形三个顶点之间三个无线链接的接收信号强度，这些信号强度的变化(RSSI Dynamics)都被记录下来，假设我们有n个样本，每个样本中有n个物体位置和它们引起的信号强度变化值。那么预测函数的输入X是一个三维的数据空间，记录了三个无线链接 的接收信号强度变化， 

X∈R^d， $X=\left\{x_i^d\right\},$ $x_i^d=[x_1^d,x_2^d,...,x_n^d]$ 这里，d的值是3，代表无线链接的个数。n是样本的个数。目标输出Y是目标物体的位置， 

Y∈R^k， $Y=\left\{y_i^k\right\},$ $y_i^k=[y_1^k,y_2^k,...,y_n^k]$

这里，k的值是2，代表目标物体在地面的位置。 

所以，给出一批训练数据，{(X₁ ^k，Y₁ ^k)，…，(X_n ^d，Y_n ^k)}，我们的目标是得到f(x) 

f(x)＝w·Φ(x)+b  Φ：Rⁿ→F，w∈R^d  b∈R 

最大程度满足样本空间的定义并有一定的容忍性。 

这样，通过训练，得到目标转换函数f(x)后，当有新的信号强度变化收到时，我们就可以用该函数进行目标物体的位置预测。如果环境改变，该发明采用动态学习的方法，不需要重新采样所有的样本重新训练f(x)。该发明利用即使环境改变，物体位置和其影响的信号强度变化之间的关系是相似的。所以，我们只需要采样3个新环境下的参考点数据，其余的样本都可以通过插值法(Interpolation)得到。例如，如图4中所示，对于位置a的X输入向量是，x_a＝[x_a ¹，x_a ²，x_a ³]代表的是三条无线链接的信号强度变化。然后，我们引入三个参考位置点，如图5中m1，m2和m3，它们分别位于三条无线链接上的中点处。它们的输入向量是x_m1＝[x_m1 ¹，x_m1 ²，x_m1 ³]，x_m2＝[x_m2 ¹，x_m2 ²，x_m2 ³]，x_m3＝[x _m3 ¹，x_m3 ²，x_m3 ³]。每个向量中的3个分向量代表目标在参考位置引起三条无线链接的信号强度变化。我们首先计算每个点a到三个参考点的向量距离， 

$D_{a-i}=\sqrt{{(x_a^1-x_i^1)}^2+{(x_a^2-x_i^2)}^2+{(x_a^3-x_i^3)}^2},$

$i=m1,m2,m3$

然后当环境改变的时候，该发明只需要重新在这3个参考点收取三条无线 链接的信号强度变化，然后利用相同的向量距离D_a-m1，D_a-m2和D_a-m3重新计算每个物体位置点a’应有的向量。这样就可以插值出整个新环境下的在各个物体位置点的对于三条无线链接的信号强度变化，新的模型就可以很快被训练出来。 

在实际节点部署中，该发明的无线节点采用Crossbow公司生产的telosB无线收发节点，它们基于2.4GHz发送频段，可以提供83个不同的信道。缺省的发送功率是OdBm。每个子三角形都是一个正三角形，节点之间的距离选择为4m，这个距离可以通过用户不同的需求予以调整，一般来说，距离选择的比较小，追踪的精确性也就较高，但是部署的成本也相应提高，因为部署的节点会相应增多。但是节点之间距离的选择应该在2m到6m之间，因为过小的节点距离使得节点之间收到的信号强度过强，物体很难引起接收的信号强度发生过大的改变。过大的节点距离会使得节点之间收到的信号强度过弱，噪声的干扰也相应增大。在4m的节点距离部署下，系统平均追踪精确性已经可达1m左右。 

系统的追踪阶段可以分为预处理阶段和追踪阶段二个步骤， 

首先在预处理步骤，在没有被追踪物体的环境下，多信道分配首先被执行，根据4色图原则，系统至少需要4个不同的信道来满足此要求。在该发明中，无线节点telosB无线收发节点可以提供83个不同的信道，完全可以满足不同信道分配的要求。然后每个节点会对所有的同信道下的邻居建立一个静态表，来储存他们相应无线链接的接收信号强度，然后区分有无物体的阈值也被建立，它是在此静态表中信号强度变化的最大值。 

其中，多信道分配的过程分为三个主要子步骤， 

第一个子步骤为初始化步骤，在部署所有的无线节点之前，我们设定部署区域的坐标，这样每个部署节点的位置可以确定下来。所有的节点按照六边形来部署，每个六边形被分配一个单独的信道。每个无线节点会记住其位置信 息，如果它是一个中央节点，它会记住其发送数据包的信道和其相应辅助节点的信息。所有这次俄部分都是脱机完成的。 

第二个子步骤为身分验证步骤，在这个步骤，每个中央节点会通过广播方式发送其位置和身分信息到相应的邻居节点。一旦辅助节点从中央节点收到了有关信息，他们会计算它们到中央节点的相应位置方向，并根据这些信息，来分配自己哪些时槽与中央节点的信道相同。然后，辅助节点会会发送确认信息给中央节点。中央节点在收到所有的辅助节点的确认信息后，会发送“完成”指令给网关。 

第三个子步骤为同步步骤，当网关收到所有中央节点的“完成”指令后，它会发送一个同步命令。所有的节点开始执行同步操作，完成同步后，节点进入基于时槽状态，并按照步骤2设立好的时槽进行信道转换。 

然后在追踪步骤，如果某些无线连接的接收信号强度大于相应阈值，该信号强度变化被发送至网关(sink)，由中央服务器采用支持向量回归的方法进行目标物体位置的预测。 

经过大量试验证明，我们的算法可以达到在4m的节点距离部署下追踪无设备物体的平均精确性达1米左右，实时追踪的延迟时间平均不超过0.26秒。 

[0051] 

Claims (8)

1.一种基于无线网技术采用多信道和支持向量回归预测算法对多个无设备物体进行实时追踪的方法，其特征是：基于无线网络，通过对无线节点的多信道分配，和针对多个无设备物体引起的不同节点间的信号强度变化，利用每个信道中至少3个相邻无线节点的通信信息，并以这3个节点之间的3条无线链接的接收信号强度变化X作为预测函数f(x)的输入，预测函数的输出Y为目标物体的坐标，通过一批训练数据，得到预测函数f(x)，从而实现用支持向量回归算法进行无设备物体的位置预测。

2.根据权利要求1所述的采用多信道和支持向量回归预测算法对多个无设备物体进行实时追踪的方法，其特征是：基于无线网络技术，利用无线节点的通信能力。

3.根据权利要求1所述的采用多信道和支持向量回归预测算法对多个无设备物体进行实时追踪的方法，其特征是：利用多信道技术，消除不同信道节点之间的信号干扰，提高追踪精确性。

4.根据权利要求3所述的采用多信道和支持向量回归预测算法对多个无设备物体进行实时追踪的方法，其特征是：利用多信道技术，减少传送冲突，缩短无线节点的发包间隔时间，提高追踪实时性。

5.根据权利要求1所述的采用多信道和支持向量回归预测算法对多个无设备物体进行实时追踪的方法，其特征是：利用多个无设备物体引起的不同节点间的信号强度变化，用支持向量回归算法进行无设备物体的位置预测。

6.根据权利要求5所述的采用多信道和支持向量回归预测算法对多个无设备物体进行实时追踪的方法，其特征是：支持向量回归算法能够用少量无线节点之间的信息，来预测无设备物体的位置。

7.根据权利要求5所述的采用多信道和支持向量回归预测算法对多个无设备物 体进行实时追踪的方法，其特征是：采用支持向量回归算法，当环境变化时，不需要重新采样所有的数据建模，只需要通过3个已知参考点的位置信息、目标在参考点位置时引起的原三角形三个顶点之间的三条无线链接的接收信号强度变化信息，及目标位置到3个参考点的向量距离信息，就可以重新通过插值法在新环境下建模。

8.根据权利要求1所述的采用多信道和支持向量回归预测算法对多个无设备物体进行实时追踪的方法，其特征是：设置阈值(threshold)区分有没有无设备物体的存在。 

Images