CN103885029A - 基于无线传感器网络的一种多目标无源追踪方法 - Google Patents

Abstract

本发明公开了基于无线传感器网络的一种多目标无源追踪方法，包括如下步骤：S01：无线传感器网络的传感器节点按编号顺序广播数据包；S02：完成每轮广播后数据上传控制中心，控制中心通过计算判断实时目标数量；S03：对所有目标通过加性模型计算全局动态理论信号强度矩阵，从而计算目标位置似然度；S04：通过马尔可夫链蒙特卡罗算法对所有目标进行实时追踪。可同时追踪无线传感器网络覆盖区域内的多个移动目标，进一步的，提高追踪精确度。

Description

基于无线传感器网络的一种多目标无源追踪方法

技术领域

本发明涉及基于无线传感器网络的一种多目标无源追踪方法。

背景技术

无线传感器网络是由部署在监测区域内大量的廉价微型传感器节点，通过无线通信方式形成的一个多跳自组织网络，无线传感器网络系统通常包括传感器节点、汇聚节点和管理节点等，是当前备受关注的热点研究领域，是信息采集和感知的一场革命，广泛应用于军事、环境监测和预报、智能家居、城市交通以及楼道和工厂的安全监控领域。其中，定位与追踪是无线传感器网络的主要研究方向之一，主要是借助于无线传感器网络中通信所使用的射频信号进行目标感知，也被称为基于射频接收信号强度的定位方法，即根据已知传感器节点发来的信号强度值，综合分析整个无线传感器网络传感器节点信号强度，来判断目标所处的位置。

随着无线网络的广泛应用，人们对目标定位与追踪技术的需求也日益增大。除了需要在室外环境下对移动的人员、车辆进行实时的定位与追踪，在复杂的室内环境中，尤其是高档住宅小区、展厅、仓库、超市、地下停车场等场景中，常常需要获得目标（人员或物品）的实时位置信息。

在现有的无源定位与追踪技术中，目标不会主动与追踪系统进行数据交互，追踪算法通过分析传感器节点返回的衰减信号程度对无线传感器网络覆盖区域内的移动目标进行定位、追踪。无源定位技术通过使用无线射频传感器网络，实现了穿墙追踪、无源追踪和环境参数自适应估计。但现有的无源定位技术只能实现覆盖区域内单个移动目标的定位和追踪，当区域内出现多个目标时，由于信号的互相干扰及高度相似性，现有技术尚无法对其进行同时追踪。

发明内容

针对上述问题，本发明提供基于无线传感器网络的一种多目标无源追踪方法，可同时追踪无线传感器网络覆盖区域内的多个移动目标，进一步的，提高追踪精确度。

为实现上述技术目的，达到上述技术效果，本发明通过以下技术方案实现：

基于无线传感器网络的一种多目标无源追踪方法，包括如下步骤：

S01：无线传感器网络的传感器节点按编号顺序广播数据包：所述数据包包括自身传感器节点的编号、自身传感器节点此刻接收到的信号强度，所有传感器节点接收数据包并同时记录自身射频接收模块的即时信号强度，当传感器节点接收到上一个传感器节点的数据包后，自动作为下一个广播的传感器节点；

S02：汇聚节点接收所有实时数据，并在完成一轮广播后，将数据上传控制中心，控制中心计算接收信号强度值与无干扰下的静态信号强度的差值的绝对值，计算出目标数量M；

S03：对M个目标通过加性模型计算全局动态理论信号强度矩阵，通过与汇聚节点收集到的动态信号强度矩阵进行似然度计算，计算目标位置似然度；

S04：通过马尔可夫链蒙特卡罗算法对M个目标进行实时追踪。

使用无线传感器网络能同时定位、追踪网络覆盖区域内的多个移动目标，追踪方法简单。

本发明的有益效果是：本发明实现了一种基于无线传感器网络实时信号衰减强度的无源多目标追踪技术，能够在检测区域内实时定位追踪多个入侵物体，入侵物体无需佩戴任何电子设备与追踪系统配合。可广泛应用于室内、室外的安全防范领域，实现对入侵目标的实时监测，也能够应用于灾害中的搜救领域，实现在火灾地震等灾害中幸存者的位置检测，还能够应用于军警演习等领域，实现在巷战中对敌方室内目标的精确打击等。

附图说明

图1是本发明基于无线传感器网络的一种多目标无源追踪方法的流程图；

图2是本发明一个场景的示意图；

图3是加性模型衰减对比图；

图4是马尔可夫链蒙特卡罗算法。

具体实施方式

下面结合附图和具体的实施例对本发明技术方案作进一步的详细描述，以使本领域的技术人员可以更好的理解本发明并能予以实施，但所举实施例不作为对本发明的限定。

如图1和图2所示，其中图1是本方法的流程图，图2是无线传感器网络中的一个室内、外场景示意图，包括N个传感器节点和一个汇聚节点（图中未示出），N个传感器节点按照数字1，2，3...N顺序编号。

基于无线传感器网络的一种多目标无源追踪方法，具体步骤如下：

S01：无线传感器网络的传感器节点按编号顺序广播数据包：所述数据包包括自身传感器节点的编号、自身传感器节点此刻接收到的信号强度。每个传感器节点广播时，其他所有传感器节点均能够接收到无线传感器网络范围内广播的数据包。

所有传感器节点接收数据包并同时记录自身射频接收模块的即时信号强度，当传感器节点接收到上一个传感器节点的数据包后，自动作为下一个广播的传感器节点，广播数据包。例如编号为2的传感器节点广播结束后，其余所有的传感器节点都接收数据包并同时记录自身射频接收模块的即时信号强度，且编号为3的传感器节点自动作为下一个广播的传感器节点进行广播。

S02：汇聚节点接收所有实时数据，并在完成一轮广播后，将数据上传控制中心，控制中心计算接收信号强度值与无干扰下的静态信号强度的差值的绝对值，计算出目标数量M。

优选在无线传感器网络部署时，收集目标区域无干扰下的静态信号强度矩阵表（即2维N*N矩阵表，横轴与纵轴均表示传感器节点，矩阵值为无线射频信号强度值），矩阵表可经过大量数据平均等降噪处理方法后存储为固定的静态信号强度矩阵。相对应的，在实际检测中，汇聚节点从无线传感器网络收集的无线射频信号强度可形成动态信号强度矩阵。

控制中心将动态信号强度矩阵与静态信号强度矩阵进行比较，通过矩阵计算和/或最小范数二次无偏估计等线性数学计算方法，计算出两个矩阵的误差矩阵（误差矩阵是差值矩阵（即动态信号强度矩阵与静态信号强度矩阵相减的差值矩阵）乘以特征矩阵后，再和差值矩阵的转置相乘获得），同时设置误差阀值，当误差矩阵中元素数值高于误差阀值时，则判断其为一个独立目标，否则为普通噪声。通过比较计算出目标数量M。需说明的是：为了便于区分，将误差矩阵的矩阵值称为元素，而动态信号强度矩阵与静态信号强度矩阵的矩阵值仍称为矩阵值。

S03：对M个目标通过加性模型计算全局动态理论信号强度矩阵，其中，全局动态理论信号强度矩阵即为M个目标所产生的动态理论信号强度矩阵叠加的和所产生的新的理论信号强度矩阵，代表了区域内所有入侵目标的信号强度综合值。通过使用全局动态理论信号强度矩阵与汇聚节点收集到的动态信号强度矩阵进行似然度计算，计算目标位置似然度。

其中加性模型即假设目标区域内每一个移动目标相对网络信号强度的衰减量是加性相加的，如图3所示，假设区域中有A,B两个入侵目标，经过大量实地数据监测分析发现：目标A单独处于网络中时对射频信号强度的衰减，加上目标B单独处于网络时对射频信号强度的衰减，等于目标A,B同时出现时对于网络射频信号强度的衰减和。

加性模型如公式（1）所示，其中M为入侵目标数量，k为时间序列，Z_k为与收集自汇聚节点的动态信号强度值相同格式的理论信号强度值，

为模型增益固定量，可根据区域环境进行提前设置，

为室内无线信号的理论方差值，同样可根据室内区域环境的不同进行提前设置，X_mk为第m个目标在时刻k的坐标位置，d₁(X_mk)，d₂(X_mk)分别为目标坐标位置与编号为1的传感器节点及编号为2的传感器节点之间的距离，D₁₂(X_mk)则为编号为1的传感器节点与编号为2的传感器节点之间的距离。

优选，MCMC算法在目标区域范围的坐标内通过均匀分布（Uniformdistribution）对每一个入侵目标随机按照时间序列产生N_p个虚拟预测的坐标位置,即总共有M*N_p个虚拟预测的坐标位置，同一时刻，均有一组总数为M的不同的虚拟预测的坐标位置。但是因为M的数量有可能是在改变的，也就是说目标可能离开，也可能加入，因此后续以M为主体去描述，而没有以N_p为主体进行描述。

每一个虚拟预测的坐标位置单独放入无线传感器网络中计算其与无线传感器网络中每条链路的相对位置关系，此时再通过加性模型将不同时刻所有M个入侵目标相对应虚拟预测位置（一共有M*N_p个）计算其相应的射频衰减信号理论值，得到M*N_p个每一个入侵目标虚拟预测位置的动态理论信号强度矩阵，并相加同一时刻的M个动态理论信号强度矩阵得到该时刻相对位置的全局动态理论信号强度矩阵。由于对于每一个入侵目标，均有N_p个虚拟预测位置，因此最后将计算得到N_p个全局动态理论信号强度矩阵。

可以在k时刻，将N_p个全局动态理论信号强度矩阵分别与汇聚节点收集到的动态信号强度矩阵进行似然度计算，计算公式为：

$q=f\left(x\right|\mathrm{\μ},\mathrm{\σ})=\frac{1}{\mathrm{\σ}\sqrt{2\mathrm{\π}}}\exp (-\frac{{(x-\mathrm{\μ})}^2}{2{\mathrm{\σ}}^2}),$

式中：q为似然度,μ为均值（即汇聚节点收集到的动态信号强度矩阵），σ为无线传感器网络部署区域的噪声方差比例参量，x为虚拟预测的坐标位置所产生的全局动态理论信号强度矩阵。

通过上式计算，从而得到结合实际信号强度变化值（即动态信号强度矩阵）产生的目标位置似然度。

S04：通过马尔可夫链蒙特卡罗算法对M个目标进行实时追踪。马尔可夫链蒙特卡罗算法（Markov Chain Monte Carlo---MCMC算法）是一种贝叶斯网络计算方法，广泛应用于统计学、经济学量学和计算科学领域，尤其适于处理高维和复杂概率分布问题，属现有技术，下文仅介绍其中一种方法。

如图4所示，马尔可夫链蒙特卡罗算法，首先初始化N_p个预测目标位置；

在时刻k，初始化目标位置的MCMC链（(X_k,X_k-1)）；随即，对每一个MCMC预测值m（从1至N_burn+N×N_p×N_thin,N_burn为基本预测量，N_thin为选择预测值，N为预测目标数，此时N即为本实施例的目标数量M）,通过似然度概率分布，可计算产生出随机的目标新位置值(Y_k,Y_k-1)及接收概率ρ₁，ρ₂,若概率高于1则接受其为新的目标位置值，否则(X_k,X_k-1)将保持上一轮k的值。最后经过T轮MCMC算法（T是正整数，可根据需要自行设定），将使得多个目标的位置集(X_k,X_k-1)数值逼近其实际位置，从而得到追踪检测结果。以此通过不断得到的新的动态信号强度矩阵及新随机产生的预测出的全局动态理论信号强度矩阵，进行目标的实时追踪，追踪精确度。

可广泛应用于室内、室外的安全防范领域，实现对入侵目标的实时监测，也能够应用于灾害中的搜救领域，实现在火灾地震等灾害中幸存者的位置检测，还能够应用于军警演习等领域，实现在巷战中对敌方室内目标的精确打击等。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或者等效流程变换，或者直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (4)

1.基于无线传感器网络的一种多目标无源追踪方法，其特征在于，包括如下步骤：

S01：无线传感器网络的传感器节点按编号顺序广播数据包：所述数据包包括自身传感器节点的编号、自身传感器节点此刻接收到的信号强度，所有传感器节点接收数据包并同时记录自身射频接收模块的即时信号强度，当传感器节点接收到上一个传感器节点的数据包后，自动作为下一个广播的传感器节点；

S02：汇聚节点接收所有实时数据，并在完成一轮广播后，将数据上传控制中心，控制中心计算接收信号强度值与无干扰下的静态信号强度的差值的绝对值，计算出目标数量M；

S03：对M个目标通过加性模型计算全局动态理论信号强度矩阵，通过与汇聚节点收集到的动态信号强度矩阵进行似然度计算，计算目标位置似然度；

S04：通过马尔可夫链蒙特卡罗算法对M个目标进行实时追踪。

2.根据权利要求1所述的基于无线传感器网络的一种多目标无源追踪方法，其特征在于，在步骤S02中，控制中心计算无线传感器网络收集的动态信号强度矩阵与无干扰下的静态信号强度矩阵的误差矩阵，同时设置误差阀值，当误差矩阵中元素数值高于误差阀值时，则判断为一个独立目标，否则为普通噪声。

3.根据权利要求1所述的基于无线传感器网络的一种多目标无源追踪方法，其特征在于，在步骤S03中，在目标区域范围的坐标内通过均匀分布对每一个目标随机产生N_p个虚拟预测的坐标位置,计算每一个虚拟预测的坐标位置与无线传感器网络中每条链路的相对位置，通过加性模型将不同时刻所有M个目标相对应虚拟预测的坐标位置计算相应的射频衰减信号理论值，得到每一个目标的动态理论信号强度矩阵，并相加同一时刻M个动态理论信号强度矩阵得到N_p个全局动态理论信号强度矩阵。

4.根据权利要求3所述的基于无线传感器网络的一种多目标无源追踪方法，在k时刻，将N_p个全局动态理论信号强度矩阵分别与汇聚节点收集到的动态信号强度矩阵进行似然度计算，计算公式为：

$q=f\left(x\right|\mathrm{\μ},\mathrm{\σ})=\frac{1}{\mathrm{\σ}\sqrt{2\mathrm{\π}}}\exp (-\frac{{(x-\mathrm{\μ})}^2}{2{\mathrm{\σ}}^2}),$

式中：q为似然度,μ为汇聚节点收集到的动态信号强度矩阵，σ为无线传感器网络部署区域的噪声方差比例参量，x为虚拟预测的坐标位置所产生的全局动态理论信号强度矩阵。

Images