CN112347208A - 一种基于分布式传感网络的多目标检测与跟踪方法 - Google Patents

Abstract

本发明公开了一种基于分布式传感网络的多目标检测与跟踪方法，主要包括以下步骤：建立资源调配策略和无线传感器网络获取初始信息；根据多个目标的状态将其分为模糊区和非模糊区；当多个目标被确定进入模糊区时，则应用双层粒子滤波方法处理；根据多目标初始位置调配传感器节点，各节点通过测距手段对目标的距离信息收集处理设置第一层粒子滤波；通过数据融合得到的目标空间的三维数据信息，设置第二层粒子滤波，进行精确目标定位；该方法改善了多目标检测的识别率和匹配率；在多目标的检测方面，利用资源调配策略和分布式的无线传感器网络，实现了多个目标在密集区域的检测跟踪，以及对目标丢失和重合的问题优化。

Description

一种基于分布式传感网络的多目标检测与跟踪方法

技术领域

本发明属于多目标跟踪技术领域，尤其是一种基于分布式传感网络的多目标检测与跟踪方法。

背景技术

无线传感器网络由一系列无线传感器所构成的分布式网络架构。其中，节点具备无线信息传输、收集、处理及一定计算能力。节点由于较低的能耗所以通讯距离普遍较短，通常设置在关键区域内通过自组织能力自动地建立网络。传感器网络一般用于一定范围的固定区域进行信息监测，传感器终端采集的信息多级传递过程中的一系列的处理，计算和整合后实现信息局域化甚至是广域化的共享。在多目标跟踪领域，现阶段的方法计算量和复杂度都相对较高，导致实时性差；尤其是面对多个目标的复杂运动行为和识别区分时，计算量更是几何增长，常规的数据融合处理方式无法保证一定的实时性和目标追踪精准性。

发明内容

本发明的目的是通过一种基于分布式传感网络的多目标检测与跟踪方法来解决监控区域内的多个目标的定位跟踪，除了改善精度和提高对弱目标的识别外，还可以解决多个目标量测失配，目标丢失的问题；同时，资源调配策略还可以提高区域内节点的工作效率，使算法工作得到优化。

本发明所采用的技术方案是：

一种基于分布式传感网络的多目标检测与跟踪方法，该方法包括如下步骤，

S1，为监控区域构建动态的环境数据集，完成节点位置以及环境障碍的检测，实时监测区域内目标和环境信息；

S2，部署传感器节点，设置三维实时监测系统，并根据算法和策略获取多目标运动轨迹；

S3，根据目标的初始位置，无线传感器网络调动距离目标较近的四个不共面的传感器节点，各节点通过测距手段对目标的距离信息收集处理并根据上一时刻的位置及状态信息，设置第一层粒子滤波；

S4，对多个目标进行相同的算法操作，根据时刻和目标建立一个区分归属链：

式中Obser_t代表收集目标m的测量值，其中m＝[1,...,M]，t＝[1,...,4]，将Obser建立的目标和相应量测之间的信息关系上传至融合处理层；融合处理层对传感器层四个普通节点传输的量测信息进行收集关联，然后用于对融合层粒子集对目标状态估计的校对；

D＝[obser₁,obser₂,obser₃,obser₄]

矩阵D中的每一行都代表着一个目标对应的量测信息；

我们将矩阵D标记为：D＝[D₁,...,D_m,...,D_M]^T，根据多个目标的量测信息分别估计坐标位置,用于校对目标状态和融合粒子权重；

S5，利用分布式的传感器网络和伺服跟踪系统，通过数据融合得到的目标空间的三维数据信息和历史数据，设置第二层粒子滤波；

S6，根据融合处理层粒子的初始权重，得出融合粒子集，通过似然比计算检验判断目标状态，并参考历史数据，量测信息和航迹得出目标的轨迹。

本发明技术方案的进一步改进在于：所述步骤S2中目标运动轨迹的状态以位移、速度、加速度为轴建立：

其中m＝(1,…,M)代表不同的目标身份标记，将目标行动细分成独立的类直线运动，由匀加速直线运动的规律得到一个坐标轴上的关系式：

(1)

(2)

(3)

利用以上三个公式结合其他两个坐标轴得到目标运动的迭代关系：

式中，w_k是系统噪声，其中w_k～N(0,Q_k)；

传感器层利用算法对测量信息进行归属关联，同时利用粒子滤波算法估计局部的条件概率密度函数，而融合处理层则分离多个目标的信息，进行独立的滤波过程，估计目标位置；

对于融合处理层来说

假设观测矩阵为D_k,t＝(d₁,d₂,d₃,d₄)^T量测模型为

式中，v_k是测量噪声,v_k～N(0,R_k)；

传感器层中的观测模型表示为：

式中，z_i,i＝(1,…,I)代表具体某个节点对多个目标的量测。

本发明技术方案的进一步改进在于：所述步骤5中数据融合处理过程如下：

假设时刻k，目标m，m＝1,…,M，节点t，t＝[1,...,4]获取了滤波粒子集

融合节点滤波，得到融合粒子状态

由于使用粒子滤波算法，所以我们依靠非线性融合规则，估计融合处理层粒子的初始权重

融合粒子的分布满足如式所示的条件概率密度

重要度采样函数：

则得初始权重计算式：

采用SIR粒子滤波，将

作为重要度采样函数，即

q(x_k|x_k-1,Z_1:4,k)＝p(x_k|x_k-1)

此时，知

可表示为

融合处理层粒子的初始权重递归计算公式如下：

根据传感器层四个传感器节点得到的PDF替代假设的密度函数得：

传感器节点t在时刻k和k-1的估计条件PDF可用加权Dirac函数描述，如下所示：

结合上式：

状态转移方程的概率模型：

其中Q为过程噪声。

由于采用了上述技术方案，本发明取得的技术效果有：

本发明建立重新定义设计的资源调配策略，有效地分配了通讯节点的职能，设置模糊区和独立的跟踪系统，使系统中每个节点的计算压力降低，提高了实时性使跟踪效率更高，能为后续算法提供更有利的数据支持。双层粒子滤波算法相比较传统算法可以提高定位精度和弱目标的识别率，当多个目标出现在同一密集区域时，可以很好地改善目标难以区分时产生的量测失配和目标丢失的问题；还可以有效地减少虚警，量测失配以及目标丢失等问题，并且由于算法的原因在一定程度上加强了弱目标的检测能力，对于现实中复杂区域内多个目标的定位跟踪提供了适应性更强的方法。

附图说明

图1是本发明资源调配策略方法的结构框图；

图2是本发明双层粒子滤波方法的处理框图；

图3是本发明多目标跟踪方法的工作流程图。

具体实施方式

本发明的目的是提出资源调配策略的方法实现区域通讯节点的分配和高效率的调度，应用双层粒子滤波方法来解决在监控区域内的多个目标的定位跟踪，除了优化精度和改善弱目标的识别外，还可以解决复杂区域内多个目标的量测失配，目标丢失等问题；该方法包括：置资源调配策略，建立位置决定层，融合处理层，传感器层；

其中位置决定层负责时间同步，多目标的轨迹预测，传感器定位，以及提供传感器的调配提供方案；

融合处理层处理来自传感器层的目标量测，各传感器节点估计局部的条件概率密度函数以及传感器层以历史航迹作为参考，运用融合层粒子滤波方法，位置决定层提供多个目标的状态信息；

传感器层则进行量测信息的获取和进行粒子滤波得出局部的条件概率密度函数。

一种基于分布式传感网络的多目标检测与跟踪方法具体包括以下步骤：

S1、在初始化阶段，首先是位置决定层为整个监控区域构建一个动态的环境数据集，完成节点位置，环境障碍的检测，排除误差环境的干扰；再通过选择设定融合处理层的的静态主节点，用于实时监测区域内目标和环境信息。

S2、在我们确定多个目标进入环境监测区域时，并根据算法和策略得到了多个目标的行为轨迹，则在恒速度与恒加速度模型下设置一个三维的实时监测系统，并部署S个传感器节点来完成，目标运动的状态向量我们以位移，速度，加速度为轴建立：

其中m＝(1,…,M)代表不同的目标身份标记，将目标的运动行为过程拆分到各个时刻，可以近似每个时刻做的是直线运动；由匀加速直线运动的规律在一个坐标轴上的运动有：

同样地，运用在其他两个坐标系上，因此根据上式得到目标运动的迭代关系：

式中，w_k是系统噪声，其中w_k～N(0,Q_k)。传感器层利用算法对测量信息进行归属关联，同时利用粒子滤波算法估计局部的条件概率密度函数，而融合处理层则分离多个目标的信息，进行独立的滤波过程，估计目标位置。

对于融合处理层来说

假设观测矩阵为D_k,t＝(d₁,d₂,d₃,d₄)^T量测模型为

式中，v_k是测量噪声,v_k～N(0,R_k)

传感器层中的观测模型表示为：

式中，z_i,i＝(1,…,I)代表具体某个节点对多个目标的量测。

S3、根据目标的初始位置，无线传感器网络调动距离目标较近的四个不共面的传感器节点，各节点通过测距手段对目标的距离信息收集处理并根据上一时刻的位置及状态信息，设置第一层粒子滤波。估计在时刻为k节点t下，目标m的状态

则算法任务就是在获取目标状态分布的概率密度函数

其中粒子滤波算法步骤为：

(1)、时刻k＝0,创建目标m状态的初始粒子

(2)、时刻k≥1，噪声为

并预测得到目标m在时刻k的粒子集

(3)、计算目标权重并归一化

(4)、计算有效粒子数量

如果其小于预设值N，对目标m的粒子集

通过重采样得出

则后验概率可以近似表示为：

(5)、估计目标状态

令k＝k+1，返回执行2

当目标位置不断移动时，不断与融合处理层和位置决定层通讯，根据融合处理层提供的目标轨迹判断是否调整传感器节点。

S4、对多个目标进行相同的算法操作，根据时刻和目标建立一个区分归属链

式中Obser_t代表收集目标m的测量值，其中m＝[1,...,M]，t＝[1,...,4]。将Obser建立的目标和相应量测之间的信息关系上传至融合处理层。融合处理层对传感器层四个普通节点传输的量测信息进行收集关联，然后用于对融合层粒子集对目标状态估计的校对。

D＝[obser₁,obser₂,obser₃,obser₄]

矩阵D中的每一行都代表着一个目标对应的量测信息。

我们将矩阵D标记为：

D＝[D₁,...,D_m,...,D_M]^T

根据多个目标的量测信息分别估计坐标位置用于获取目标状态和融合粒子权重。

S5、利用分布式的传感器网络和伺服跟踪系统，通过数据融合得到的目标空间的三维数据信息和历史数据，设置第二层粒子滤波。融合处理层主节点收集来自不断调整的传感器层经过第一层粒子滤波得到的各传感器节点估计局部的条件概率密度函数，进行融合处理。对于融合处理主要是得到获取目标状态信息的融合粒子集，融合处理过程如下：

假设时刻k，目标m，m＝1,…,M，节点t，t＝[1,...,4]获取了滤波粒子集

融合节点独立滤波，得到融合粒子状态

由于使用粒子滤波算法，所以我们依靠非线性融合规则，估计融合处理层粒子的初始权重

融合粒子的分布满足如式所示的条件概率密度：

重要度采样函数：

则得初始权重计算式：

采用SIR粒子滤波，将

作为重要度采样函数，即

q(x_k|x_k-1,Z_1:4,k)＝p(x_k|x_k-1)

此时，知

可表示为

融合处理层粒子的初始权重递归计算公式如下：

根据传感器层四个传感器节点得到的PDF替代假设的密度函数得：

传感器节点t在时刻k和k-1的估计条件PDF可用加权Dirac函数描述，如下所示：

结合上式：

状态转移方程的概率模型：

其中Q为过程噪声；

其中传感器双层粒子滤波算法步骤如下：

(1)、k＝0，获取参考节点以及融合节点的初始粒子集

和

(2)、k≥1，按照算法获取传感器局部粒子集

和

(3)、预测融合粒子状态

(4)、获取初始融合粒子权重

(5)、基于融合处理层粒子的初始权重

如果目标出现，进行6，否则转7；

(6)、融合粒子集进行重采样

估计目标状态k＝k+1返回2；

(7)、重采样融合粒子集得到

转到2。

S6、最后根据融合处理层粒子的初始权重，得出融合粒子集，通过似然比计算检验判断目标状态，并参考历史数据，量测信息和航迹得出目标的轨迹。

优选的，在以上方案基础上设置一个门限，当传感器层监测系统收集量测信息两个目标接近程度较高时，则传感器层独立检测目标状态，融合层独立估计目标状态，融合层会根据自身的历史数据，对目标进行独立状态估计；当两个目标进入安全范围时，系统才会重新进行双层滤波处理，并根据一段时间的状态和量测和门限前的轨迹进行匹配，保证轨迹预测的连续性。

Claims (3)

1.一种基于分布式传感网络的多目标检测与跟踪方法，其特征在于：该方法包括如下步骤，

S1，为监控区域构建动态的环境数据集，完成节点位置以及环境障碍的检测，实时监测区域内目标和环境信息；

S2，部署传感器节点，设置三维实时监测系统，并根据算法和策略获取多目标运动轨迹；

S3，根据目标的初始位置，无线传感器网络调动距离目标较近的四个不共面的传感器节点，各节点通过测距手段对目标的距离信息收集处理并根据上一时刻的位置及状态信息，设置第一层粒子滤波；

S4，对多个目标进行相同的算法操作，根据时刻和目标建立一个区分归属链：Obser_t＝[obser_t ¹,...,obser_t ²,...,obser_t ^M]，式中Obser_t代表收集目标m的测量值，其中m＝[1,...,M]，t＝[1,...,4]，将Obser建立的目标和相应量测之间的信息关系上传至融合处理层；融合处理层对传感器层四个普通节点传输的量测信息进行收集关联，然后用于对融合层粒子集对目标状态估计的校对；

D＝[obser₁,obser₂,obser₃,obser₄]

矩阵D中的每一行都代表着一个目标对应的量测信息；

我们将矩阵D标记为：D＝[D₁,...,D_m,...,D_M]^T，根据多个目标的量测信息分别估计坐标位置，用于校对目标状态和融合粒子权重；

S5，利用分布式的传感器网络和伺服跟踪系统，通过数据融合得到的目标空间的三维数据信息和历史数据，设置第二层粒子滤波；

S6，根据融合处理层粒子的初始权重，得出融合粒子集，通过似然比计算检验判断目标状态，并参考历史数据，量测信息和航迹得出目标的轨迹。

2.根据权利要求1所述的一种基于分布式传感网络的多目标检测与跟踪方法，其特征在于：所述步骤S2中目标运动轨迹的状态以位移、速度、加速度为轴建立：

其中m＝(1，...，M)代表不同的目标身份标记，将目标行动细分成独立的类直线运动，由匀加速直线运动的规律得到一个坐标轴上的关系式：

(1)

(2)

(3)

利用以上三个公式结合其他两个坐标轴得到目标运动的迭代关系：

式中，w_k是系统噪声，其中w_k～N(0，Q_k)；

传感器层利用算法对测量信息进行归属关联，同时利用粒子滤波算法估计局部的条件概率密度函数，而融合处理层则分离多个目标的信息，进行独立的滤波过程，估计目标位置；

对于融合处理层来说

假设观测矩阵为D_k，t＝(d₁，d₂，d₃，d₄)^T量测模型为

式中，v_k是测量噪声，v_k～N(0，R_k)；

传感器层中的观测模型表示为：

式中，z_i，i＝(1，...，I)代表具体某个节点对多个目标的量测。

3.根据权利要求1所述的一种基于分布式传感网络的多目标检测与跟踪方法，其特征在于：所述步骤5中数据融合处理过程如下：

假设时刻k，目标m，m＝1，...，M，节点t，t＝[1，...，4]获取了滤波粒子集

融合节点滤波，得到融合粒子状态

由于使用粒子滤波算法，所以我们依靠非线性融合规则，估计融合处理层粒子的初始权重

融合粒子的分布满足如式所示的条件概率密度

重要度采样函数：

则得初始权重计算式：

采用SIR粒子滤波，将

作为重要度采样函数，即

q(x_k|x_k-1，Z_1：4，k)＝p(x_k|x_k-1)

此时，知

可表示为

融合处理层粒子的初始权重递归计算公式如下：

根据传感器层四个传感器节点得到的PDF替代假设的密度函数得：

传感器节点t在时刻k和k-1的估计条件PDF可用加权Dirac函数描述，如下所示：

结合上式：

状态转移方程的概率模型：

Q为过程噪声。

Images