CN102595309A - 一种基于无线传感器网络的穿墙跟踪方法 - Google Patents

Abstract

本发明涉及一种基于无线传感器网络的穿墙跟踪方法，其技术特点是：(1)根据每条链路上实时采集到的RSS值，使用背景学习方法更新每条链路上的RSS分布参数；(2)根据每条链路的RSS分布参数，利用前景检测方法检测当前收到的RSS值是否受到了运动物体的影响；(3)根据每条链路受影响的概率，使用基于粒子滤波的目标跟踪方法估计当前时刻目标的坐标位置。本发明设计合理，不但提高了穿墙跟踪的准确性，而且增加了系统对于环境的自适应性，通过在线学习的方式实时获取跟踪区域内的多径环境信息，在时变的多径环境中取得了0.13m的跟踪误差，从而使得系统能够快速适应于新的甚至是时变的环境。

Description

一种基于无线传感器网络的穿墙跟踪方法

技术领域

本发明涉及无线传感器网络的无源跟踪技术，尤其是一种基于无线传感器网络的穿墙跟踪方法。

背景技术

近年来，随着对定位与跟踪技术需求的日益增长，穿墙跟踪成为了一个极具吸引力的研究方向。穿墙跟踪技术在安全、监视、搜救以及军事反恐方面都拥有很广泛的应用前景，例如，在火灾或地震等灾难现场，穿墙跟踪系统可以帮助搜救人员准确定位生还者的位置。类似的情况还有，实时跟踪隐藏在墙背后的敌人可以大大增加军事行动的成功几率，同时减少人员伤亡。为了满足上述需求，一方面，所采用的跟踪系统必须要在目标未携带任何设备的前提下，准确估计目标的位置，另一方面，设备的快速布置对于系统来说，也是十分必要的，这是因为在紧急的情况下，不可能有充足的时间进行系统配置。

基于无线传感器网络的无源跟踪是一项十分有效的穿墙跟踪技术。其基本原理是将传感器节点布置在待监控区域的四周，当目标物体进入区域中时，物体将遮挡、反射或是散射附近链路上的无线电波，造成链路上接收信号强度(Received Signal Strength，RSS)值的波动，这种波动隐含了目标的位置信息，从而使得无源跟踪系统能够通过已知的节点位置和实时采集的RSS数据，估计出目标物体的运动速度与坐标。与基于雷达的穿墙成像系统相比，基于无线传感器网络的无源跟踪系统运用了低功耗、低成本的射频传感器节点并可以快速地布置在指定区域周围。

目前，虽然已经有若干无线传感器网络穿墙跟踪方法，但是，这些方法在应用到紧急情况的时候都会受到实际的限制。例如：基于指纹的算法需要人工训练的过程，这将造成在系统部署时花费大量的时间；基于方差的无线成像系统只能工作于有大量障碍物遮挡的区域，在障碍物较少的环境下无法适用；基于衰落级别的算法需要采集网络中没有人存在时的RSS值。总而言之，这些方法对目标区域内的多径环境存在着依赖性：当环境发生变化的时候，系统必须用环境中的相关数据进行训练，或者甚至是无法进行跟踪。因此，这些方法都无法应用于紧急情况中。

发明内容

本发明的目的在于克服现有技术的不足，提供一种设计合理、能够在环境发生变化时进行有效跟踪的基于无线传感器网络的穿墙跟踪方法。

本发明解决其技术问题是采取以下技术方案实现的：

一种基于无线传感器网络的穿墙跟踪方法，包括以下步骤：

(1)根据每条链路上实时采集到的RSS值，使用背景学习方法更新每条链路上的RSS分布参数；

(2)根据每条链路的RSS分布参数，利用前景检测方法检测当前收到的RSS值是否受到了运动物体的影响；

(3)根据每条链路受影响的概率，使用基于粒子滤波的目标跟踪方法估计当前时刻目标的坐标位置。

而且，所述的背景学习方法包括以下步骤：

(1)根据链路上实时采集到的RSS值，将RSS分布建模为混合高斯分布：

$P\left(s\right)=\underset{i=1}{\overset{K}{\mathrm{\Σ}}}{w}_i\·g(s;{\mathrm{\μ}}_i,{\mathrm{\σ}}_i)$

其中，s表示当前的RSS值，w_i，μ_i，σ_i，i＝1...K分别是每个高斯的权重、均值与方差，g(s；μ_i，σ_i)是高斯概率密度函数，其表达式为：

$g(s;\mathrm{\μ},\mathrm{\σ})=\frac{1}{\sqrt{2\mathrm{\π}}\mathrm{\σ}}\exp [-\frac{{(s-\mathrm{\μ})}^2}{{2\mathrm{\σ}}^2}]$

(2)使用在线最大期望方法实时更新每条链路上的模型参数θ(t)：

$\mathrm{\θ}\left(t\right)=(1-\mathrm{\η}\left(t\right))\·\mathrm{\θ}(t-1)+\mathrm{\η}\left(t\right)\·\▿(s\left(t\right);\mathrm{\θ}(t-1))$

其中，t-1时刻的模型参数θ(t-1)经过

更新后得到θ(t)，且更新的速率由学习速率η(t)的取值所决定。

而且，所述的前景检测方法包括以下步骤：

(1)建立单个高斯分布G_k属于前景的概率映射关系P(F|G_k)：

$P\left(F\right|G_k)=f(w_k/{\mathrm{\σ}}_k;a,b)=e^{-a{(w_k/{\mathrm{\σ}}_k)}^b}$

其中，w_k，σ_k分别为每个高斯分布的权重与方差，a，b为两个控制w_k/σ_k与P(F|G_k)之间映射关系的可调参数；

(2)建立当前RSS值属于前景的概率关系P(F|s)：

$P\left(F\right|s)=\underset{k=1}{\overset{K}{\mathrm{\Σ}}}P\left(F\right|G_k)g(s;{\mathrm{\μ}}_k,{\mathrm{\σ}}_k)$

其中，F代表前景高斯的集合；

(3)将概率关系P(F|s)进行时间平均，得到在已知当前RSS值前提下链路受到影响的条件概率P_l(A|s_t)：

$P_l\left(A\right|s_t)=\frac{1}{{2N}_s+1}\underset{n=-N_s}{\overset{N_s}{\mathrm{\Σ}}}P\left(F\right|s_{t+n})$

其中，A代表受影响链路的集合，2N_s+1表示计算平均时所取的时间长度。

而且，所述的基于粒子滤波的目标跟踪方法包括以下步骤：

(1)引入物体的运动特性、P_l(A|s_t)与目标位置的关系、以及所有节点的位置作为先验知识；

(2)将每条链路受影响的概率P_l(A|s_t)作为输入；

(3)根据贝叶斯估值方法估计出运动物体的坐标。

本发明的优点和积极效果是：

本发明设计合理，其使用背景学习方法来更新每条链路上的RSS分布并实时获取网络所处的环境信息，根据RSS分布以及当前的RSS值逐一计算每条链路受影响的概率，最终通过基于粒子滤波的跟踪方法对目标的坐标进行跟踪，该方法不但提高了穿墙跟踪的准确性，而且增加了系统对于环境的自适应性，通过在线学习的方式实时获取跟踪区域内的多径环境信息，从而使得系统能够快速适应于新的甚至是时变的环境。

附图说明

图1为无线传感器网络穿墙跟踪实验的节点位置布局示意图；

图2为本发明的处理流程示意图；

图3a为链路被严重遮挡情况下人体穿过链路的RSS时序图；

图3b为链路未被遮挡情况下人体穿过链路的RSS时序图；

图3c为链路被严重遮挡情况下人体穿过链路的RSS分布图；

图3d为链路未被遮挡情况下人体穿过链路的RSS分布图；

图4a为本发明所提出的背景学习方法运行结果；

图4b为本发明所提出的前景检测方法运行结果；

图5为人体位于坐标(2，0.9)时的受影响链路示意图；

图6为本发明穿墙跟踪实验结果的二维示意图；

图7为本发明穿墙跟踪实验结果的一维示意图；

图8a为本发明中参数φ的取值与跟踪精度的关系图；

图8b为本发明中参数σ的取值与跟踪精度的关系图。

具体实施方式

以下结合附图对本发明实施例做进一步详述：

一种基于无线传感器网络的穿墙跟踪方法，如图1所示，在所需进行穿墙跟踪的区域周围布置无线传感器网络节点，当无线传感器网络节点进行通信的时候，电磁波穿过了节点之间的空间区域。一旦运动物体出现在该空间区域中时，物体会吸收、反射或是散射这些电磁波，从而造成了链路上RSS数值的变化，这些RSS数据依次通过本发明中所提出的背景学习方法、前景检测方法、滤波跟踪方法，最终转化为物体的坐标信息。

在现有的RSS穿墙跟踪技术中，均无法自动适应网络所处多径环境的变化，即当这些系统布置于不同的环境中时，有些无法直接工作，有些需要人为的方式获取和环境有关的信息。而本发明使用RSS无源跟踪系统能够在线学习网络中的多径环境，具体表现在：一方面，系统在应用于新的多径环境中时，背景学习方法利用实时采集的RSS数据自动设置测量模型的参数，从而使模型符合当前的环境；另一方面，当环境发生变化时(如门窗的开关、桌椅的移动)，模型的参数通过在线学习方式快速收敛于新的取值。

一种基于无线传感器网络的穿墙跟踪方法，如图2所示，包括如下步骤：

步骤101，根据每条链路上实时采集到的RSS值，使用背景学习方法更新每条链路上的RSS分布参数。

为了说明在不同环境下链路受到运动物体影响时的RSS波动特性，我们进行如下实验：实验选择了两条相互独立的4米链路，其中链路1受到了两堵厚墙的阻挡，链路2则不受任何阻挡。一个实验者在10分钟的时间内反复地穿过了链路的直射径，大约5000组RSS数据被采集了下来。图3a和3b展示出了部分RSS数据，图3c和3d则分别展示了两条链路上总的RSS分布。可以看出，当链路受到严重阻挡的时候，实验者穿过链路将会造成RSS强烈的波动，相对地，当链路未受阻挡的时候，实验者穿过链路将会造成RSS明显地下降。需要注意的是，这两组实验分别代表了两种极端的情况：当链路既未受到严重阻挡又非直射的时候，RSS将会表现出波动和衰减两种特性之间的过渡状态。从图3c和图3d中可以看出，当链路未受运动物体的影响时，RSS取值限制在了3dBm的范围内，而当人体穿过链路时，链路则在30dBm的范围内上下波动，我们分别定义这两种状态为“背景”和“前景”。因此，可以将一条链路上的RSS建模为一个二状态的Markov过程，该过程在前景和背景过程之间不断转移。从图3c和3d中可以看出，在整个事件段上，RSS值表现为一个高方差分布和一个低方差分布的混合。

基于上述特性，本发明考虑到模型精确度和复杂度的平衡后，使用背景学习方法更新每条链路上的RSS分布参数，其具体步骤如下：

1、根据链路上实时采集到的RSS值，将RSS分布建模为两个高斯分布的混合：

$P\left(s\right)=\underset{i=1}{\overset{K}{\mathrm{\Σ}}}{w}_i\·g(s;{\mathrm{\μ}}_i,{\mathrm{\σ}}_i)$

其中，s表示当前的RSS值，w_i，μ_i，σ_i，i＝1...K分别是每个高斯的权重、均值与方差，其取值受到该链路所处多径环境的影响；g(s；μ_i，σ_i)是高斯概率密度函数，其表达式为：

$g(s;\mathrm{\μ},\mathrm{\σ})=\frac{1}{\sqrt{2\mathrm{\π}}\mathrm{\σ}}\exp [-\frac{{(s-\mathrm{\μ})}^2}{{2\mathrm{\σ}}^2}].$

2、使用在线最大期望(online Expectation-Maximisation)的方法实时更新每条链路上的模型参数θ(t)：

$\mathrm{\θ}\left(t\right)=(1-\mathrm{\η}\left(t\right))\·\mathrm{\θ}(t-1)+\mathrm{\η}\left(t\right)\·\▿(s\left(t\right);\mathrm{\θ}(t-1))$

其中，t-1时刻的模型参数θ(t-1)经过

更新后得到θ(t)，且更新的速率由学习速率η(t)的取值所决定。如果η(t)＝1/t，则参数在最初时刻会快速收敛于期望值，但当参数实际值发生变化的时候，算法则无法收敛。如果η(t)＝α，当前的参数估计值则反映了最近1/α长度窗口内的观测数据，并且收敛很慢。

在穿墙无源跟踪系统中，RSS的分布经常是时变的。由于周围的多径环境会随时间发生变化，例如桌椅的移动和门窗的开关，因此，需要一种兼顾快速收敛性和变化适应性的在线学习方法。在本发明引入了一个新的变量c_k，这一变量一方面代表了高斯分布G_k所对应的有效观测数，另一方面用于计算学习速率η(t)。具体的在线学习方法可以使用伪代码表示：

(1)设置变量：K，V₀，α，T_σ

(2)初始化： ${\∀}_{i=1...K},w_i=0,{\mathrm{\μ}}_i=\inf ,{\mathrm{\σ}}_i=V_0,c_i=0$

(3)While新的RSS测量值s_t到来do

与传统的用作视频背景消除的高斯混合学习方法相比，本发明所提出的方法有许多改进，其中最关键的在于更新高斯的选择策略上。在视频应用中，一个观测值仅用于更新最符合的一个高斯。然而，当目标分布函数包含两个个重叠的高斯分布时，这一策略将会导致其中一个高斯被不断地更新，而另一个被忽略。为了解决这一问题，本发明中，所有符合当前观测值的高斯分布以P(G_k|s)为比例进行更新：

$P\left(G_k\right|s)=\frac{P\left(G_k\right)P\left(s\right|G_k)}{\underset{i=1}{\overset{K}{\mathrm{\Σ}}}P\left(G_i\right)P\left(s\right|G_i)}=\frac{p_k}{\underset{i=1}{\overset{K}{\mathrm{\Σ}}}{p}_i}=q_k$

其中s是t时刻的RSS值。对于被严重遮挡的链路而言，这一“软判决”策略大大提升了背景学习方法的鲁棒性。图4a为该方法的实验运行结果，可见，在n＝156时刻背景发生变化，原先表示前景分布的高斯2很快收敛于了新的背景分布。

步骤102：根据每条链路的RSS分布参数，利用前景检测方法检测当前收到的RSS值是否受到了运动物体的影响。

随着高斯混合模型的参数不断被新来的RSS观测值更新，本步骤则需要检测当前的观测值是否来自于前景随机过程，即当前的链路是否受到了运动物体的影响。本步骤的具体处理过程如下：

1、建立单个高斯分布G_k属于前景的概率映射关系P(F|G_k)：

前景检测必须把前景过程的先验知识引入P(F|G_k)的计算过程中，这里，F表示前景分布的集合。对于一个高斯而言，权值w_k越小，方差σ_k越大，则越有可能为前景分布，因此，P(F|G_k)与w_k/σ_k成指数关系，即：

$P\left(F\right|G_k)=f(w_k/{\mathrm{\σ}}_k;a,b)=e^{-a{(w_k/{\mathrm{\σ}}_k)}^b}$

其中，w_k，σ_k分别为每个高斯分布的权重与方差，参数a，b为两个控制wk/σ_k与P(F|G_k)之间映射关系的可调参数，用于控制w_k/σ_k至P(F|G_k)的映射关系。

2、建立当前RSS值属于前景的概率关系P(F|s)：

$P\left(F\right|s)=\underset{k=1}{\overset{K}{\mathrm{\Σ}}}P\left(F\right|G_k)g(s;{\mathrm{\μ}}_k,{\mathrm{\σ}}_k)$

其中，F代表前景高斯的集合；

前景检测可以建模为基于P(F|s)的分类问题。受影响的链路可以由所有符合P(F|s)＞T_s的链路组成，T_s是预先定义的阈值。

3、因为对于大多数被遮挡的链路而言，高斯分量都会发生一定的重叠，所以P(G_k|s)的计算很可能在前景观测值落在背景分布中时不够准确。因此，根据P(F|s)检测前景会产生较多误判。为了消除这类误判，一个直接的方法就是对概率关系P(F|s)进行时间平均，得到在已知当前RSS值前提下链路受到影响的条件概率P_l(A|s_t)：

$P_l\left(A\right|s_t)=\frac{1}{{2N}_s+1}\underset{n=-N_s}{\overset{N_s}{\mathrm{\Σ}}}P\left(F\right|s_{t+n})$

其中，A代表受影响链路的集合，2N_s+1表示计算平均时所取的时间长度，s_t是t时刻的RSS观测值。

P_l(A|s_t)代表了给定观测值s_t后链路l受影响的概率，且受影响的链路由所有符合P_l(A|s)＞T_s的链路组成。实验表明，P_l(A|s_t)相比P(F|G_k)性能更加稳定。图4b中分别画出了两者的计算结果。图5画出了T_s＝0.8且人体位于坐标(2，0.9)时的受影响链路判决结果。

步骤103：根据每条链路受影响的概率，使用基于粒子滤波的目标跟踪方法估计当前时刻目标的坐标位置。

本步骤是在得到了当前时刻每条链路受运动物体影响的概率之后对单个运动物体的坐标进行跟踪，本步骤的具体处理过程如下：

首先，引入物体的运动特性、P_l(A|s_t)与目标位置的关系、以及所有节点的位置作为先验知识；然后，将每条链路受影响的概率P_l(A|s_t)作为输入；最后，根据贝叶斯估值方法估计出运动物体的坐标。

本基于粒子滤波的目标跟踪方法根据隐Markov模型，引入物体的运动特性：

x_n＝x_n-1+v_n

其中，x_n是目标在n时刻的坐标向量，v_n是零均值的高斯白噪声。本跟踪方法的目标是估计{x_n}_n≥1，目前，可由如下公式得到观测数据{y_n}_n≥1：

y_n＝[P_1:L(A|s_n)]^T＝[ψ_1:L(x_n)]^T+w_n

上式中，对于任何序列{z_n}_n≥1和任何i≤j，z_i:j＝(z_i，z_i+1，...，z_j)，测量噪声w_n是零均值高斯白噪声，L是链路的数量。对于链路l，观测模型ψ_l(x_n)可定义为：

${\mathrm{\ψ}}_l\left(x_n\right)={\mathrm{\φe}}^{-\left(\right||x_n-x_t||+||x_n-x_r||-||x_t-x_r|\left|\right)/\mathrm{\σ}}$

其中x_t、x_r分别为链路两个节点的位置，φ是链路被完全阻挡时P_l(A|s)的均值，σ控制衰落的速率。

基于以上这些设定，根据贝叶斯估值方法即可估计出运动物体的坐标。具体跟踪方法可以用如下伪代码表示，其中每一步都对i＝1，...，N执行N次，N为例子的数量，μ(x₁)是观测区域内的均匀分布函数。

(1)在n＝1时刻：

·例子采样 $X_1^i~\mathrm{\μ}\left(x_1\right)$

·计算权重

并设置 $W_1^i\∝w_1\left(X_1^i\right),\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{W}_1^i=1$

·重采样得到N个权重相等的粒子

·计算目标的状态 $X_1=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\stackrel{\‾}{X}}_1^i$

(2)在n≥2时刻：

·例子采样 $X_n^i~f\left(x_n\right|x_{n-1})$

·计算权重

并设置 $W_n^i\∝w_n\left(X_{n-1:n}^i\right),\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{W}_n^i=1$

·重采样

得到N个权重相等的粒子

·计算目标的状态 $X_n=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\stackrel{\‾}{X}}_n^i$

图6和图7分别为实验跟踪结果的二维和一维示意图，可以看出所估计的路径基本上与真实路径吻合。图8a和8b分别为参数φ、σ的取值与跟踪精度的示意图，从图中可以看出，选取最佳的φ、σ时，跟踪精度(RMSE)最低可以达到0.13m。

综上所述，本发明中采用了背景学习、前景检测、滤波跟踪的全新方法架构。这种方法架构通过在线学习的方式实时获取跟踪区域内的多径环境信息，带来的好处是使得系统能够快速适应于新的甚至是时变的环境。

需要强调的是，本发明所述的实施例是说明性的，而不是限定性的，因此本发明并不限于具体实施方式中所述的实施例，凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式，同样属于本发明保护的范围。

Claims (4)

1.一种基于无线传感器网络的穿墙跟踪方法，其特征在于：包括以下步骤：

(1)根据每条链路上实时采集到的RSS值，使用背景学习方法更新每条链路上的RSS分布参数；

(2)根据每条链路的RSS分布参数，利用前景检测方法检测当前收到的RSS值是否受到了运动物体的影响；

(3)根据每条链路受影响的概率，使用基于粒子滤波的目标跟踪方法估计当前时刻目标的坐标位置。

2.根据权利要求1所述的一种基于无线传感器网络的穿墙跟踪方法，其特征在于：所述的背景学习方法包括以下步骤：

(1)根据链路上实时采集到的RSS值，将RSS分布建模为混合高斯分布：

$P\left(s\right)=\underset{i=1}{\overset{K}{\mathrm{\Σ}}}{w}_i\·g(s;{\mathrm{\μ}}_i,{\mathrm{\σ}}_i)$

其中，s表示当前的RSS值，w_i，μ_i，σ_i，i＝1...K分别是每个高斯的权重、均值与方差，g(s；μ_i，σ_i)是高斯概率密度函数，其表达式为：

$g(s;\mathrm{\μ},\mathrm{\σ})=\frac{1}{\sqrt{2\mathrm{\π}}\mathrm{\σ}}\exp [-\frac{{(s-\mathrm{\μ})}^2}{{2\mathrm{\σ}}^2}]$

(2)使用在线最大期望方法实时更新每条链路上的模型参数θ(t)：

$\mathrm{\θ}\left(t\right)=(1-\mathrm{\η}\left(t\right))\·\mathrm{\θ}(t-1)+\mathrm{\η}\left(t\right)\·\▿(s\left(t\right);\mathrm{\θ}(t-1))$

其中，t-1时刻的模型参数θ(t-1)经过

更新后得到θ(t)，且更新的速率由学习速率η(t)的取值所决定。

3.根据权利要求1所述的一种基于无线传感器网络的穿墙跟踪方法，其特征在于：所述的前景检测方法包括以下步骤：

(1)建立单个高斯分布G_k属于前景的概率映射关系P(F|G_k)：

$P\left(F\right|G_k)=f(w_k/{\mathrm{\σ}}_k;a,b)=e^{-a{(w_k/{\mathrm{\σ}}_k)}^b}$

其中，w_k，σ_k分别为每个高斯分布的权重与方差，a，b为两个控制w_k/σ_k与P(F|G_k)之间映射关系的可调参数；

(2)建立当前RSS值属于前景的概率关系P(F|s)：

$P\left(F\right|s)=\underset{k=1}{\overset{K}{\mathrm{\Σ}}}P\left(F\right|G_k)g(s;{\mathrm{\μ}}_k,{\mathrm{\σ}}_k)$

其中，F代表前景高斯的集合；

(3)将概率关系P(F|s)进行时间平均，得到在已知当前RSS值前提下链路受到影响的条件概率P_l(A|s_t)：

$P_l\left(A\right|s_t)=\frac{1}{{2N}_s+1}\underset{n=-N_s}{\overset{N_s}{\mathrm{\Σ}}}P\left(F\right|s_{t+n})$

其中，A代表受影响链路的集合，2N_s+1表示计算平均时所取的时间长度。

4.根据权利要求1所述的一种基于无线传感器网络的穿墙跟踪方法，其特征在于：所述的基于粒子滤波的目标跟踪方法包括以下步骤：

(1)引入物体的运动特性、P_l(A|s_t)与目标位置的关系、以及所有节点的位置作为先验知识；

(2)将每条链路受影响的概率P_l(A|s_t)作为输入；

(3)根据贝叶斯估值方法估计出运动物体的坐标。

Images