CN103298156B - 基于无线传感器网络的无源多目标检测跟踪方法 - Google Patents
基于无线传感器网络的无源多目标检测跟踪方法 Download PDFInfo
- Publication number
- CN103298156B CN103298156B CN201310233976.9A CN201310233976A CN103298156B CN 103298156 B CN103298156 B CN 103298156B CN 201310233976 A CN201310233976 A CN 201310233976A CN 103298156 B CN103298156 B CN 103298156B
- Authority
- CN
- China
- Prior art keywords
- target
- particle
- tracking
- circle
- moment
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及一种基于无线传感器网络的无源多目标检测跟踪方法,其主要技术特点是:包括以下步骤:根据无线传感器网络中不同无线链路接收信号强度,采用扫描圈开窗检测方法构建无源多目标的滑动扫描圈模型,并采用HAC聚类算法进行聚类分析从而提取出检测结果;根据检测结果并采用PHD无源多目标粒子滤波跟踪算法,得到目标数目变化的多目标跟踪结果。本发明设计合理,其检测与跟踪算法具有较高的精度和鲁棒性,能在复杂的多径环境中检测与跟踪多个目标,同时目标检测与跟踪算法的计算复杂度适中,保证检测跟踪系统运行的实时性。
Description
技术领域
本发明属于无线传感器网络技术领域,尤其是一种基于无线传感器网络的无源多目标检测跟踪方法。
背景技术
无线传感器网络(WirelessSensorNetworks,WSN)是一种集成了传感器技术、微机电系统技术、无线通信技术和分布式信息处理技术的新型网络技术。其以每个无线传感器节点为最小单位,以自组织等方式组成无线传感器网络,并以此为依托对网络区域内的环境或监测对象的信息实时感知、采集和处理,并将处理后的信息传送到网络终端或服务器上进行进一步的处理和分析。包括物联网技术在内多项新兴技术都是以无线传感器网络作为依托平台,使其为上层应用提供可靠的底层技术支持。
关于目标的定位与跟踪是无线传感器网络的主要研究方向之一。最先被采用的基于接收信号强度的定位法为有源定位,即目标必须携带传感器节点,通过与已知位置的监控节点的通信,基于无线信号接收强度(ReceivedSignalStrength,RSS)值来计算与已知节点之间的距离。根据具体的定位机制,可以将现有的无线传感器网络定位方法分为两类:基于测距的方法和不基于测距的方法。基于测距的定位机制需要测量未知节点与锚节点之间的距离或者角度信息,然后使用三边测量法、三角测量法或最大似然估计法等方法计算未知节点的位置。而不基于测距的定位机制无需距离或角度信息,或者不用直接测量这些信息,仅根据网络的连通性等信息实现节点的定位。但这一方法的局限性在于,需要跟踪的目标不一定主动携带节点设备,而只是处于无线传感器网络中被动地接受跟踪。这类目标称之为无源目标。无源目标的特点是:目标不会主动与跟踪系统进行数据交互,甚至有可能被跟踪的目标本身并不希望被系统所跟踪到。例如在军事反恐之类的场合中,需要进行定位跟踪的对方目标不但没有携带传感器节点,还会通过各种手段让自身的位置不被发现,这时有源跟踪的方法就不再适用。为了解决无源目标的定位与跟踪问题,无源被动式定位(Device-freepassivelocalization)的概念被提出,其基本想法是:根据人体遮挡无线通信链路使其RSS数值产生的扰动,提取出人体的位置信息。
在无源目标的定位与跟踪问题中,传统的方法是采用基于经验模型的fingerprint(指纹)算法,即首先建立RSS取值与目标位置对应关系的数据库,再通过实际样值与数据库的对比从而确定位置。这种方法在数据库建立阶段需要多次测量每个位置的接收信号强度作为“场景指纹信息”,处理的数据量非常大,且受环境参数的影响较大,维护比较困难;并且,在多目标定位时,数据库的大小随着目标数量会呈指数增长。随后采用的方法为传感器网格阵列(GridSensorArray)法,它将传感器节点悬挂在目标移动区域的上方排成阵列,目标的存在会使传感器之间电波传播的反射情况发生改变,从而在RSS值体现出相应变化。这一方法是为数不多的为室内环境设计的方法,但其仅仅把目标对电波的影响统一假设为反射,并没有考虑室内环境的复杂的多径情况,使得其跟踪系统的鲁棒性不强。
而在最近的研究中,射频层析成像(RadioTomographicImaging,RTI)法在此领域发展迅速,该方法是将节点部署于监控区域周围来采集无线传感器网络中链路的RSS信息,然后利用测量模型(measurementmodel)描述RSS值与目标位置间的一般转换关系,最后通过卡尔曼滤波、粒子滤波等跟踪算法对目标位置进行连续估计。这类方法配置简单且跟踪精度较高,但仍存在一些未解决的问题,首先,现有的射频层析成像方法使用的测量模型仅仅适合单目标的跟踪,且由于成像的特点,在图中无法直接获得准确的目标坐标;其次,由于无源跟踪的系统结构较为独特,暂无比较成熟的技术来解决目标数可变的多目标定位与跟踪问题。
发明内容
本发明的目的在于克服现有技术的不足,提供一种精度较高、鲁棒性强且能够满足多目标实时跟踪要求的基于无线传感器网络的无源多目标检测跟踪方法。
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无源多目标检测跟踪方法,包括以下步骤:
步骤1:根据无线传感器网络中不同无线链路接收信号强度,采用扫描圈开窗检测方法构建无源多目标的滑动扫描圈模型,并采用HAC聚类算法进行聚类分析从而提取出检测结果;
步骤2:根据检测结果并采用PHD无源多目标粒子滤波跟踪算法,得到目标数目变化的多目标跟踪结果。
而且,所述构建滑动扫描圈模型的方法包括以下步骤:
⑴将监控区域中目标的模型近似为圆形扫描圈,使扫描圈能够检测到监控区域的所有位置;
⑵统计在每一时刻每个扫描圈中被穿过的链路衰减情况,得到扫描圈中总共有nl条被穿过链路、na条衰减链路;
⑶通过以下检测似然概率pc(i,j)判断扫描圈中是否有目标存在:
对于第i行,第j列的扫描圈,若检测似然概率pc(i,j)大于设定的阈值0.7,则判定为此扫描圈为阳性扫描圈,反之则为阴性扫描圈,其中阳性扫描圈聚集的地方便有可能是目标存在的地方。
而且,所述采用HAC聚类算法进行聚类分析的方法为:设定经过扫描圈中链路衰减似然比的阈值作为判断检测目标的条件,当两个两个阳性扫描圈有交点时,则认为其都从属于一个聚类当中,当一个聚类其中所属的阳性扫描圈少于两个时,则删出该聚类得到最终的聚类结果。
而且,所述的聚类结果包含目标数量以及目标位置的检测结果,该检测结果通过有限集合Zk来表示:
Zk={zk,1,zk,2,...,zk,N(k)}
其中,其中k为当前检测的时间,N(k)为检测目标数量。
而且,所述PHD无源多目标粒子滤波跟踪算法包括以下步骤:
(1)粒子的初始化以及预测处理;
(2)粒子权重的更新处理;
(3)目标估算数目的计算以及粒子的重采样处理。
而且,所述步骤(1)粒子初始化以及预测处理包括以下步骤:
(1)粒子初始化使用高斯AR-1采样函数和正态采样函数来分别处理上一时刻存活下来的旧粒子以及当前时刻的新生粒子;
(2)对于预测阶段,基于k-1时刻粒子状态以及k时刻预测估计的粒子状态和检测结果Zk,粒子预测权重计算过程按以下公式进行:
其中,βk|k-1(x,h)=ek|k-1(h)·fk|k-1(x|h),ek|k-1表示目标从k-1时刻到k时刻目标存活的概率,fk|k-1为高斯AR-1过程的转移概率密度,为k-1时刻的粒子权重,γk为一个新目标出生的强度函数,其服从泊松点过程,对于Mk-1个旧粒子而言,为其单个粒子的采样概率,其服从高斯AR-1分布,而对于Jk个新生粒子而言,为其单个粒子的采样概率,其服从正态分布。
而且,所述步骤(2)粒子权重的更新,基于k时刻预测估计的粒子状态和检测结果Zk,按以下公式进行:
其中,Pm为目标没被检测到的概率,ck(z)为杂波出现的概率密度函数,为每个粒子存在似然度,其表示某一检测目标z由粒子状态演变生成的概率,其服从高斯分布,为粒子预测权重,Wk(z)为权重更新因子,其定义如下:
而且,所述步骤(3)目标估算数目的计算以及粒子的重采样处理方法包括以下步骤:
(1)当前时刻所有粒子的权重更新完毕之后,将其求和并向上取整得到估算目标数值
(2)粒子通过分层重采样机制以粒子权重大小为优先条件将现有的Mk-1+Jk个粒子重采样获得Mk个粒子,其Mk的数值是通过原则计算取得,其中dc为每个目标固定分配的粒子数。
本发明的优点和积极效果是:
1、本发明将适应于目标数目变化的多目标检测方法和多目标跟踪方法结合在一起,具有较高的精度和鲁棒性,能在复杂的多径环境中检测与跟踪多个目标,实现了多目标检测与跟踪功能,可以适应于无线传感器网络监测区域内目标数随时间变化的情况,并能同时检测与跟踪多个目标。
2、本发明所使用的多目标检测方法和多目标跟踪方法具有较高的精度和稳定性,并能适应于复杂的室内多径环境中。
3、本发明提出的多目标检测方法和多目标跟踪方法的计算复杂度适中,保证检测跟踪运行的实时性。
附图说明
图1是在室内应用目标跟踪时无线传感器网络节点的部署示意图;
图2是本发明目标检测与目标跟踪方法的处理流程图;
图3是扫描圈模型的原理图;
图4是根据某一时刻检测结果绘制的分布图;
图5是某一实验中单独检测方法处理的结果误差分析对比示意图;
图6是某一实验中整个检测加跟踪方法处理的结果误差分析对比示意图。
具体实施方式
以下结合附图对本发明做进一步详述。
图1给出了通常情况下无线传感器网络在室内应用目标跟踪的节点部署方案示意图,传感器节点均布设置在墙壁内侧。图2给出了本目标检测与目标跟踪方法的整体流程图,其中,背景数据是指在监控区域中没有目标存在的情况下,所有传感器节点所采集的链路RSS值。以下结合图1及图2对本发明内容做详细说明:
一种基于无线传感器网络的无源多目标检测跟踪方法包括以下步骤:
步骤1:根据无线传感器网络中不同无线链路接收信号强度,采用扫描圈开窗检测方法构建无源多目标的滑动扫描圈模型,并采用HAC聚类算法进行聚类分析从而提取出检测结果;
在无线传感器网络中,每两个无线传感器节点通过无线电波进行自由通信,人(目标)在无线传感器网络监控区域运动时会遮挡部分无线链路,进而造成链路RSS值得衰减。在无源跟踪领域最常用的办法就是统计这些链路的RSS变化结果,基于这些RSS数据建立合适的数学观测模型,并从中提取出目标的位置信息。
对于本发明而言,为解决测量模型不能很好地应对目标数量可变的问题,我们提出了扫描圈开窗检测方法(ScanningCircleMethod)来解决上述问题,其具体方法阐述如下:
首先,监控区域中人(目标)的模型简单地近似为2D区域平面图中的半径为rc圆心坐标为cij的扫描圈(本发明中的rc=0.2m),其原理见图3,为了全面考虑到目标可能会出现的位置,本发明使用滑窗遍历的方法,使得扫描圈可以检测到监控区域的所有位置,滑动圆心距设置为λ=0.1m,这样有助于扫描圈遍历结束之后可以保证检测面积覆盖到整个监测区域。
然后,统计在每一时刻每个扫描圈中被穿过的链路衰减情况,在本发明中我们认为链路RSS值衰减4dB就判别为衰减链路,统计结果得到扫描圈中总共有nl条被穿过链路、na条衰减链路。为了判决扫描圈中是否有人(目标)存在,本发明定义pc(i,j)为检测似然概率,其表达式为
对于第i行,第j列的扫描圈,若其pc(i,j)>0.7,则判定为此扫描圈为阳性扫描圈,反之则为阴性扫描圈。待到整个滑窗遍历检测过程结束后,可在检测图中绘制出所有阳性扫描圈的分布情况(图4为某一时刻检测结果绘制图),阳性扫描圈聚集的地方便有可能是目标存在的地方。
最后,根据上述滑动扫描圈模型,设定经过扫描圈中链路衰减似然比的阈值作为判断检测目标的条件,统计所有判断结果后进行HAC聚类分析得到检测结果。本步骤实际上是采用HAC聚类算法,将所有得到的阳性扫描圈进行聚类分析并提取出检测最终结果。HAC聚类算法的聚类原则为:当两个阳性扫描圈的圆心的几何距离小于2rc时(在本发明中为0.4m)即两个阳性扫描圈有交点时,则认为其都从属于一个聚类当中,当一个聚类其中所属的阳性扫描圈少于两个时,最终结果将删去该聚类。聚类之后得到包含目标数量以及目标位置的检测结果,本发明使用有限集合Zk来描述检测结果,定义如下:
Zk={zk,1,zk,2,...,zk,N(k)}
其中,其中k为当前检测的时间,检测目标数量用N(k)来表示,对于在第k时刻第n个目标,其检测位置坐标zk,n=(xk,n,yk,n)。对于检测结果而言,由于测量环境的多径效应以及系统噪声的存在,其结果在某一时刻可能会存在判断错误的的目标,我们称之为杂波。因此单凭检测方法是无法得到较为可靠的结果的,因此整个系统加入一个可靠的跟踪滤波算法是有必要的。
步骤2:根据步骤1的检测结果并采用PHD无源多目标粒子滤波跟踪算法,得到目标数目变化的多目标跟踪结果。
在无源单目标跟踪情形中,每一时刻目标的状态和检测结果应属于同等维度的两个不同的向量,且维度数固定。而在多目标跟踪情形中,在每一时刻,多目标状态和多目标检测结果则被描述为由若干个独立目标状态向量和检测结果向量组成的不同的两个集合。
在k时刻,多目标状态和多目标检测结果被分别表示为两个有限子集(FiniteSubsets)Xk和Zk。
Xk={xk,1,xk,2,...,xk,L(k)}∈F(Es)
其中,L(k)代表k时刻多目标的目标数,Xk由L(k)个目标状态向量组成,F(Es)为在空间Es中所有有限子集的集合。
Zk={zk,1,zk,2,...,zk,N(k)}∈F(Eo)
同理可知Zk,其由N(k)个目标检测结果向量组成,F(Eo)为在空间Eo中所有有限子集的集合。
而对于我们实际的无源目标跟踪问题来说,由于随着时间变化而引起的目标消失和新目标出现等因素,多目标状态Xk中的目标个数具有一定的不确定性和随机性,同时多目标检测结果集合Zk里的目标个数是根据检测结果聚类后所得,因而同样具有不确定性和随机性。故本发明将其转化成随机有限集合模型问题,并对其进行研究。
由于随机有限集合的特殊性,我们需要找到一个适合于此类问题的算法框架来应对多目标跟踪情形中的目标新生或退出的情况。本发明采用基于PHD算法的多目标跟踪方法,其通过序贯性蒙特卡洛(SequentialMonteCarlo,SMC)又称粒子滤波算法来实现,此方法的优点在于它将PHD滤波理论中的复杂积分过程转化为大量数目的粒子估计求和的问题。其具体实现过程如下:
第一步,粒子的初始化以及预测处理;
首先,在迭代过程中k时刻,规定预测估计粒子集合i为粒子的序号,我们将粒子分为两部份分别进行采样,对于k-1时刻保留下来的Mk-1个粒子,其粒子传播通过采样函数来进行跟踪预测;而对于k时刻新生的Jk个粒子,其粒子传播则通过采样函数来进行跟踪预测。假设目标的运动模型为高斯AR-1过程,因此qk使用一个均值为0,xy方向上的标准差都为0.2的高斯AR-1采样函数。而对于新生粒子而言,其用于估算可能出现的新生目标的状态,则pk为一个的正态采样函数,其为目标出现的平均状态,
采样结束后,计算计算每个粒子的预测权重,其计算式如下:
其中βk|k-1(x,h)=ek|k-1(h)·fk|k-1(x|h),ek|k-1表示目标从k-1时刻到k时刻目标存活的概率,其设置为0.95,fk|k-1为前面提到的高斯AR-1过程的转移概率密度。对于γk,其为一个新目标出生的强度函数,本发明将其设置为平均每次观测生成0.2个目标的泊松点过程。
第二步,粒子权重的更新处理;
当预测过程结束后,每个粒子根据目标存在似然度gk(z|x)进行权重更新,其表示某一检测目标z由状态x演变生成的概率,在本发明中,将其设置为高斯概率密度函数N(z,V),以检测输入结果z为均值, 方差。具体每一个粒子权重更新过程如下:
其中Pm为目标没被检测到的概率,在本发明中其恒定为0.05;ck(z)为杂波出现的概率密度函数,其在本发明中设置为均匀密度函数;Wk(z)为权重更新因子,其定义如下:
第三步,目标估算数目的计算以及粒子的重采样处理
当k时刻所有粒子的权重更新完毕之后,将其求和并向上取整得到估算目标数值随后通过分层重采样机制以粒子权重大小为优先条件将现有的Mk-1+Jk个粒子重采样获得Mk个粒子,其Mk的数值是通过原则计算取得,其中dc=1000为每个目标固定分配的粒子数。需要注意的是粒子重采样之后,所有Mk个粒子的新权重要均匀化处理。最后,通过K-means方法聚类剩下的粒子,最终得到多目标状态估计
图5给出了某一实验中检测结果的误差分析,其包含目标数量估计分析和OSPA距离误差分析,可以看出在其结果中经常会有杂波出现。图6给出了在同一实验中检测之后加入跟踪算法的误差分析,对比图5可以发现,检测过程中出现的杂波被很好的滤除,OSPA距离误差也得到了有效的改善。统计最终结果可以得到OSPA平均跟踪距离误差为0.167m。
需要强调的是,上述具体实施方式以较佳实施例对本发明进行了说明,但这只是为了便于理解而举的一个形象化的实例,不应被视为是对本发明范围的限制。同样,根据本发明的技术方案及其较佳实施例的描述,可以做出各种可能的等同改变或替换,而所有这些改变或替换都应属于本发明权利要求的保护范围。
Claims (2)
1.一种基于无线传感器网络的无源多目标检测跟踪方法,其特征在于:包括以下步骤:
步骤1:根据无线传感器网络中不同无线链路接收信号强度,采用扫描圈开窗检测方法构建无源多目标的滑动扫描圈模型,并采用HAC聚类算法进行聚类分析从而提取出检测结果;
步骤2:根据检测结果并采用PHD无源多目标粒子滤波跟踪算法,得到目标数目变化的多目标跟踪结果;
所述构建滑动扫描圈模型的方法包括以下步骤:
⑴将监控区域中目标的模型近似为圆形扫描圈,使扫描圈能够检测到监控区域的所有位置;
⑵统计在每一时刻每个扫描圈中被穿过的链路衰减情况,得到扫描圈中总共有nl条被穿过链路、na条衰减链路;
⑶通过以下检测似然概率pc(i,j)判断扫描圈中是否有目标存在:
对于第i行,第j列的扫描圈,若检测似然概率pc(i,j)大于设定的阈值0.7,则判定为此扫描圈为阳性扫描圈,反之则为阴性扫描圈,其中阳性扫描圈聚集的地方便有可能是目标存在的地方;
所述PHD无源多目标粒子滤波跟踪算法包括以下步骤:
(1)粒子的初始化以及预测处理;
(2)粒子权重的更新处理;
(3)目标估算数目的计算以及粒子的重采样处理;
所述步骤(1)粒子初始化以及预测处理包括以下步骤:
(1)粒子初始化使用高斯AR-1采样函数和正态采样函数来分别处理上一时刻存活下来的旧粒子以及当前时刻的新生粒子;
(2)对于预测阶段,基于k-1时刻粒子状态以及k时刻预测估计的粒子状态和检测结果Zk,粒子预测权重计算过程按以下公式进行:
其中,βk|k-1(x,h)=ek|k-1(h)·fk|k-1(x|h),ek|k-1表示目标从k-1时刻到k时刻目标存活的概率,fk|k-1为高斯AR-1过程的转移概率密度,为k-1时刻的粒子权重,γk为一个新目标出生的强度函数,其服从泊松点过程,对于Mk-1个旧粒子而言,为其单个粒子的采样概率,其服从高斯AR-1分布,而对于Jk个新生粒子而言,为其单个粒子的采样概率,其服从正态分布;
所述步骤(2)粒子权重的更新,基于k时刻预测估计的粒子状态和检测结果Zk,按以下公式进行:
其中,Pm为目标没被检测到的概率,ck(z)为杂波出现的概率密度函数,为每个粒子存在似然度,其表示某一检测目标z由粒子状态演变生成的概率,其服从高斯分布,为粒子预测权重,Wk(z)为权重更新因子,其定义如下:
所述步骤(3)目标估算数目的计算以及粒子的重采样处理方法包括以下步骤:
(1)当前时刻所有粒子的权重更新完毕之后,将其求和并向上取整得到估算目标数值
(2)粒子通过分层重采样机制以粒子权重大小为优先条件将现有的Mk-1+Jk个粒子重采样获得Mk个粒子,其Mk的数值是通过原则计算取得,其中dc为每个目标固定分配的粒子数。
2.根据权利要求1所述的基于无线传感器网络的无源多目标检测跟踪方法,其特征在于:所述采用HAC聚类算法进行聚类分析的方法为:设定经过扫描圈中链路衰减似然比的阈值作为判断检测目标的条件,当两个两个阳性扫描圈有交点时,则认为其都从属于一个聚类当中,当一个聚类其中所属的阳性扫描圈少于两个时,则删除该聚类得到最终的聚类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310233976.9A CN103298156B (zh) | 2013-06-13 | 2013-06-13 | 基于无线传感器网络的无源多目标检测跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310233976.9A CN103298156B (zh) | 2013-06-13 | 2013-06-13 | 基于无线传感器网络的无源多目标检测跟踪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103298156A CN103298156A (zh) | 2013-09-11 |
CN103298156B true CN103298156B (zh) | 2016-01-20 |
Family
ID=49098273
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310233976.9A Expired - Fee Related CN103298156B (zh) | 2013-06-13 | 2013-06-13 | 基于无线传感器网络的无源多目标检测跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103298156B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103678949B (zh) * | 2014-01-09 | 2016-06-01 | 江南大学 | 基于密度分析和谱聚类的多扩展目标跟踪量测集划分方法 |
CN104156619A (zh) * | 2014-08-23 | 2014-11-19 | 电子科技大学 | 协同探测中传感器分配方法 |
CN104268567A (zh) * | 2014-09-18 | 2015-01-07 | 中国民航大学 | 一种观测数据聚类划分的扩展目标跟踪方法 |
CN104501812A (zh) * | 2014-12-05 | 2015-04-08 | 江南大学 | 基于自适应新生目标强度的滤波算法 |
CN105182291B (zh) * | 2015-08-26 | 2017-08-25 | 西安电子科技大学 | 自适应目标新生强度的phd平滑器的多目标跟踪方法 |
CN105629198B (zh) * | 2015-12-28 | 2018-04-17 | 西安电子科技大学 | 基于密度的快速搜索聚类算法的室内多目标追踪方法 |
EP3405931B1 (en) * | 2016-01-20 | 2020-04-22 | Koninklijke Philips N.V. | Occupancy sensing system and sensing method |
CN106875426B (zh) * | 2017-02-21 | 2020-01-21 | 中国科学院自动化研究所 | 基于相关粒子滤波的视觉跟踪方法及装置 |
CN107064865B (zh) * | 2017-04-07 | 2020-06-23 | 杭州电子科技大学 | 基于深度聚类的极坐标动态规划无源协同定位方法 |
CN107277773B (zh) * | 2017-07-10 | 2020-04-17 | 广东工业大学 | 联合多种情景模式的自适应定位方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5798942A (en) * | 1994-04-05 | 1998-08-25 | Trw Inc. | N-best feasible hypotheses multitarget tracking system for space-based early warning systems |
CN1453595A (zh) * | 2002-04-02 | 2003-11-05 | 塔莱斯荷兰公司 | 特别用于在仰角中带有多波束的监视雷达的多目标检测方法 |
CN102156992A (zh) * | 2011-04-14 | 2011-08-17 | 中国人民解放军海军航空工程学院 | 两站多目标无源定位与跟踪的智能仿生方法 |
CN102997911A (zh) * | 2012-12-13 | 2013-03-27 | 中国航空无线电电子研究所 | 一种被动传感器组网探测多目标方法 |
-
2013
- 2013-06-13 CN CN201310233976.9A patent/CN103298156B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5798942A (en) * | 1994-04-05 | 1998-08-25 | Trw Inc. | N-best feasible hypotheses multitarget tracking system for space-based early warning systems |
CN1453595A (zh) * | 2002-04-02 | 2003-11-05 | 塔莱斯荷兰公司 | 特别用于在仰角中带有多波束的监视雷达的多目标检测方法 |
CN102156992A (zh) * | 2011-04-14 | 2011-08-17 | 中国人民解放军海军航空工程学院 | 两站多目标无源定位与跟踪的智能仿生方法 |
CN102997911A (zh) * | 2012-12-13 | 2013-03-27 | 中国航空无线电电子研究所 | 一种被动传感器组网探测多目标方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103298156A (zh) | 2013-09-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103298156B (zh) | 基于无线传感器网络的无源多目标检测跟踪方法 | |
Li et al. | Deep reinforcement learning (DRL): Another perspective for unsupervised wireless localization | |
CN103176164B (zh) | 基于无线传感器网络的多目标无源跟踪方法 | |
Seco et al. | Improving RFID-based indoor positioning accuracy using Gaussian processes | |
Wang et al. | Robust device-free wireless localization based on differential RSS measurements | |
Zhang et al. | A comprehensive study of bluetooth fingerprinting-based algorithms for localization | |
Shareef et al. | Localization using neural networks in wireless sensor networks | |
CN110244715B (zh) | 一种基于超宽带技术的多移动机器人高精度协同跟踪方法 | |
Hsieh et al. | Towards the implementation of recurrent neural network schemes for WiFi fingerprint-based indoor positioning | |
WO2017121168A1 (zh) | 簇式磁场定位的方法、装置和系统 | |
EP3034998A1 (en) | Target positioning method and system | |
CN103281779B (zh) | 基于背景学习的射频层析成像方法 | |
CN106842165A (zh) | 一种基于不同距离角度分辨率雷达集中式异步融合方法 | |
CN105093198A (zh) | 一种分布式外辐射源雷达组网探测的航迹融合方法 | |
CN103152745A (zh) | 一种强自适应性移动节点定位的方法 | |
CN105022055A (zh) | 一种imu室内定位方法 | |
Pei et al. | Using motion-awareness for the 3D indoor personal navigation on a Smartphone | |
He et al. | WiFi iLocate: WiFi based indoor localization for smartphone | |
Zheng et al. | An adaptive framework coping with dynamic target speed for device-free passive localization | |
Guo et al. | Adaptive sensor placement and boundary estimation for monitoring mass objects | |
Zhang et al. | Device-free indoor localization based on sparse coding with nonconvex regularization and adaptive relaxation localization criteria | |
Mantoro et al. | Extreme learning machine for user location prediction in mobile environment | |
CN102595309A (zh) | 一种基于无线传感器网络的穿墙跟踪方法 | |
Yang et al. | A device-free localization and size prediction system for road vehicle surveillance via UWB networks | |
Ren et al. | FSTNet: Learning spatial–temporal correlations from fingerprints for indoor positioning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160120 Termination date: 20160613 |
|
CF01 | Termination of patent right due to non-payment of annual fee |