CN113219405B - 一种室内动态多目标无源被动定位和数量估计的方法 - Google Patents

Abstract

本发明公开了一种室内动态多目标无源被动定位和数量估计的方法，首先在室内四周部署无线传感器节点，形成监测区域，构成无线传感器拓扑网络；接着对无线传感器拓扑网络建立权重模型，并对监测区域划分像素和对像素做空间协方差处理；然后利用权重模型和协方差模型得到投影矩阵，处理传感器节点接收的视距链路的接收信号强度(RSS)值，生成无线层析成像(RTI)图像，并利用高斯模型消除图像噪声；再找出图像中所有局部峰值，使用恒虚警方法过滤，得到候选目标点；最后利用密度聚类算法和动态阈值门限得到多目标的定位和数量估计。本发明可对所部署的无线传感器网络室内监测区域的多个目标进行动态定位和数量估计。

Description

一种室内动态多目标无源被动定位和数量估计的方法

技术领域

本发明属于多目标的室内定位领域，特别是一种室内动态多目标无源被动定位和数量估计的方法。

背景技术

随着科技与社会的进步，定位信息在人们的日常生活中越来越重要，在地图导航定位、智能家居、军事战争以及抗震救灾等领域都有着广泛的应用需求。有源定位技术都需要被定位的目标携带电子标签，并主动配合定位系统向锚节点周期性地发送定位信息，以便系统计算出被定位目标的位置。然而有源定位网络部署周期长，不适用快速部署、紧急救灾的应用场合。与传统有源定位系统相比，无源被动定位技术无需目标佩戴任何电子标签，只需要在监测区域的周围部署无线传感器节点，即可完成对该区域目标的定位和跟踪。并且，DFL定位技术具有低功耗、低成本、无需目标携带任何设备、不受光线和温度以及烟雾雨雪等因素的影响、自组织性强等优势，使其在目标定位领域具有巨大的应用和研究价值。其中，无线层析成像(RTI)方法，因计算量小成为无源被动定位研究的热点之一。

在实际应用中，这些无源被动定位系统(Device-free Localization,DFL)仍存在以下问题：(1)大多数的RTI定位集中在单目标的定位与跟踪，多目标RTI的定位技术还未成熟；(2)目前，多目标RTI的定位技术大多集中在静态的定位，动态的定位与跟踪技术涉及较少；(3)此外，现有的RTI的定位技术大多无法正确估计目标进入和离开监控区域的数量。

发明内容

本发明的目的在于提供一种室内动态多目标无源被动定位和数量估计的方法，对室内监测区内的多个目标进行定位和数量估计。

实现本发明目的的技术解决方案为：

1、一种室内动态多目标无源被动定位和数量估计的方法，包括以下步骤：

步骤1、部署无线传感器节点拓扑网络：在房间四周均匀部署多个无线传感器节点，再放置一个基站节点用以接收各个无线传感器节点的RSS值，形成通信网络；

步骤2、对所部署的无线传感器节点拓扑网络建立权重模型：建立与无线传感器节点拓扑网络对应的距离权重模型；

步骤3、多目标无线层析成像(RTI)图像的构建：基站节点接收到各个传感器节点的RSS值，利用解决病态反问题的方法，求解出图像像素的数值；对无线传感器节点网络监测区域划分像素，并使用空间协方差模型得到像素位置之间的相关性，利用距离权重模型和空间协方差模型得到投影矩阵，最后构建出多目标的RTI图像；

步骤4、消除图像噪声：利用高斯模型消除部分图像噪声；

步骤5、获取候选目标点：先从RTI图像中得到所有的局部峰值，即图像斑点中心；再利用恒虚警检测的方法去除虚假斑点，得到候选目标点；

步骤6、多目标定位：将所有的候选目标点按聚类算法聚类，形成多个簇，找出簇的中心，即为多目标的位置信息；

步骤7、多目标数量估计：使用动态阈值门限的方法，将某个时刻每个定位点的RTI图像像素值和该阈值门限比较，求得该时刻的每个定位点有多少个目标，将目标数量累加估计出监控区域内该时刻有多少个目标。

本发明与现有技术相比，其显著优点是：

(1)所选用的无线传感器节点是超宽带无线传感器(Ultra Wide Band,UWB)，这种节点通过利用单通道冲击响应(CIR)，使所测得的RSS值更加精确，并且可以有效的应对室内和目标自身的多径效应，提高定位精度；

(2)所部署的无线传感器节点网络，可以对监测区域内多个目标进行定位与数量估计。相比于单目标的定位，应用更加实际且广泛；

(3)所部署的无线传感器节点网络，对于处在监测区域内的多目标，无需目标携带任何电子标签即可实现对其定位，充分保证了隐密性；

(4)所部署的无线传感器节点网络，结构简单，相比于传统定位技术，传感器节点体积小，低功耗，低成本，可通过电池供电，使用方便，在定位时可实现快速部署。

附图说明

图1为本发明方法的流程图。

图2为无线传感器网络节点布置的平面图。

图3为多目标RTI的某一时刻图像。

图4为多目标RTI图像高斯滤波图。

图5为多目标RTI图像局部峰值图。

图6为多目标RTI图像恒虚警过滤检测图。

图7为多目标RTI图像密度聚类结果图。

图8为某个时刻每个定位点的RTI图像像素值。

图9为多目标定位结果图。

图10为多目标定位误差曲线图。

具体实施方式

下面结合附图及具体实施例对本发明做进一步的介绍。

实施例1

结合图1，本实施例的一种室内动态多目标无源被动定位和数量估计的方法，包括以下步骤：

步骤1、在房间四周部署无线传感器节点拓扑网络：

参照图2所示传感器节点部署示意图，在一个大约30平米的房间内，四周均匀部署无线传感器节点，形成矩形的拓扑网络；具体是在房间的一侧沿直线每隔1.2m放置一个无线传感器节点，共4个；相邻一侧沿直线每隔0.9m放置一个无线传感器节点，共4个；另外两侧对边对称放置，传感器节点高度约为1m，共16个传感器节点。

在拓扑网络外，距离第一个节点1m处放置一个基站节点，高度约为1.1m，用来接收监测区域内16个传感器节点间两两相互通信的链路RSS衰减数值，并上传至电脑。

所部署的无线传感器节点网络，构成了一个4.8m*3.6m的矩形监测区域，当目标进入该区域时，即可实现对它们的动态定位与目标数量估计。

步骤2、对所部署的无线传感器网络建立权重模型：

所部署的无线传感器节点网络中两两节点之间的距离是不完全一样的，链路距离会对节点接收的RSS值造成影响。当链路距离很长时，信号会发生反射、衍射，甚至被障碍物吸收。当只有几米距离的链路中有障碍物时，与几百米长度的链路相比，RSS值会发生更多的变化。过去的研究表明，链路阴影的方差不会随距离的变化而变化。根据这些研究，可以引入链路距离的平方根成反比的距离权重模型，来减少距离对定位造成的误差。

其中，w_ij是链路i的像素j的加权；d是两个传感器节点之间的距离，D_ij(1)和D_ij(2)是从任意像素的中心到两个传感器节点位置的距离；λ是椭圆宽度的可调参数。

步骤3、多目标无线层析成像(RTI)图像的构建：

首先求解空间协方差矩阵，指数协方差是将空间衰减建模为泊松过程的协方差的近似，这是一个在空间中随机放置物体的常见假设。应用该模型，可以得到先验协方差矩阵C_x：

其中，

是像素的方差，

是像素i到像素j的距离，δ_c是一个“空间常数”相关参数。指数空间协方差模型因其简单性和参数数量少而广泛应用。

接着将基站节点接收到的RSS值，利用解决病态反问题的方法，求解出图像像素的数值。将无线传感器网络监测区域进行像素划分，像素划分的越小，图像越精细，但是计算量就越大。因为图像相邻的像素是连续的，使用空间协方差模型得到像素位置之间的相关性，空间协方差模型结合椭圆距离权重模型得到投影矩阵。最后将投影矩阵与两两接收节点的RSS衰减差值向量相乘，得到RTI图像像素值，进而重构画出RTI图像。

无线层析成像使用病态反问题线性模型求解，形式如下：

y＝Wx+n

y是传感器节点接收的RSS值向量，W是权重模型参数矩阵，x是待求解的RTI图像像素向量，n是环境噪声向量；

则反问题像素估计向量的求解形式为：

其中，

是投影矩阵，w为距离权重模型，C_x为先验协方差矩阵，

是正则化参数。

使用以上方法画出的多目标无线层析成像(RTI)图像如图3所示，从图中可以明显的看出明暗斑点，像素值越高，衰减值越大，就表示该像素附近可能存在目标。

步骤4、利用高斯函数图像去噪：

由于RSS测量中存在噪声以及同时存在多个目标和障碍物，RTI图像往往是布满噪声的，即有与实际目标不对应的多个虚假斑点。因此，在RTI图像上应用二维高斯滤波器。这种操作使得图像的背景更加平滑，过滤掉小的杂散斑点，保留像素值较大的斑点。

其中，σ_G是高斯核的标准差，它表示图像被过滤了或者模糊多少，x和y为高斯卷积核的像素坐标。由于估计的RTI图像像素向量被存储为一组离散值，需要产生一个高斯核G(x,y)的离散近似，然后卷积。

其中，

表示像像素估计向量，*表示卷积算子，G(x,y)表示高斯卷积核函数。

滤波后的RTI图像的每个像素都是它邻域的加权平均值，中心像素加权大于外围像素。使用以上方法对多目标无线层析成像(RTI)图像滤波后结果如图4所示。

步骤5、获取候选目标点：

将得到的RTI图像像素估计矩阵做降维处理，分别对行组和列组求局部最大：

则得到RTI图像的局部最大点即为行组和列组的交集：

L＝X∩Y

其中，

是图像像素估计矩阵，i为

的行标，j为

的列标。

恒虚警检测技术(CFAR，Constant False-Alarm Rate)是雷达系统在保持虚警概率恒定条件下对接收机输出的信号与噪声作判别以确定目标信号是否存在的技术。恒虚警检测器由训练单元、保护单元、检测单元组成。首先由训练单元确定一个门限t，保护单元位于训练单元和检测单元之间，将门限t与检测目标RTI像素值相比，如果超过了此门限，则判为有目标，否则，判为无目标。

其中，P(L|B)是均值为μ_B，标准差为σ_B的混合高斯分布，B为训练单元。

训练单元B：

B＝{L_u,L_u+1,...,L_u+h-1}

t为时间戳，u为训练单元的起始时刻，k_t为t时刻下的局部最大点个数，h为训练单元的时间戳个数，N为训练单元中的所有局部最大点的个数，L是RTI图像的局部最大值，L_t为t时刻下的RTI图像的所有局部最大值矩阵，

为t时刻下的RTI图像的第l个局部最大值，设置合适的P_fa虚警虚警概率，得出判决门限T_c。

设置合适的P_fa虚警虚警概率，可得出判决门限T_c，本发明中的P_fa＝0.4。

多目标无线层析成像(RTI)图像局部峰值如图5所示，图中“o”标记代表RTI图像像素局部峰值点，使用恒虚警去除虚假斑点后的图像如图6所示，留下的点都是局部像素峰值较大的点。

步骤6、利用聚类算法获取目标点定位：

本实施例采用密度聚类算法，密度聚类算法从样本密度的角度来考察样本间的可连续性，并基于可连续性样本不断扩展得到聚类簇，达到聚类效果。DBSACN是一种基于“邻域”参数(ε,MinPts)来刻画样本分布紧密程度的聚类算法。DBSACN的簇为由密度可达关系导出的最大密度相连样本集合，算法先任意选取数据集中的一个核心对象作为“种子”，再由此出发确定相应的聚类簇。它先根据给定领域参数(ε,MinPts)找出所有核心对象，然后以任意核心对象为出发点，找出由其密度可达的样本生成聚类簇，直至遍历所有核心对象。

图6中的候选目标点经过该密度聚类后的结果如图7所示，其中聚类半径ε＝0.3m，半径中最小个数MinPts＝1，最后得到的“+”标记就是最终的多目标定位位置。

步骤7、利用动态阈值门限法估计目标的个数：

在监测区域内，目标的RSS衰减值一般大于环境噪声，且已验证多目标的RTI定位点像素值分布满足高斯混合分布；由于多目标相交重合的概率较小，即动态监测下每一时刻多目标引起的RSS衰减可看作是独立的个体；将多目标的定位点RTI图像像素值的平均加权作为单个目标的动态阈值。将某个时刻每个定位点的图像像素值和该阈值门限比较，求得该时刻的每个定位点有多少个目标，将目标数量累加估计出监控区域该时刻有多少个目标。动态阈值T_n可表示为：

α为权重，t为时间戳，k为某个时刻下的目标个数，v为某个时刻下的某个目标点RTI图像像素值，M为当前时刻下过去所有目标定位点的个数，b为补偿常数。

某个时刻每个定位点的RTI图像像素值如图8所示，使用动态阈值的方法可以得出定位点1存在两个目标，它是两个目标重合的结果，定位点2存在一个目标，则该时刻估计的目标个数为3个。

实验部署如图2所示，打开所有传感器节点，采集传感器节点两两之间的RSS衰减值，打开基站节点接收传感器节点采集的数据，并上传至电脑，使用MySQL数据库存储数据。得到的RSS值经过椭圆距离权重模型、空间协方差模型、多目标RTI图像重构、高斯函数去噪、图像局部峰值获取、恒虚警过滤处理、密度聚类和动态阈值处理，就得到了多目标RTI定位位置和目标数量估计。

无线传感器网络(WSN)的室内动态多目标无源被动定位和数量估计实验，在三个人进入该定位区域情况下，如图9所示，第一个人从坐标点(0.4，2.7)按匀速直线行走至坐标点(4.4，2.7)，第二个人从坐标点(1.2，1.9)按逆时针沿着图中矩形四条边匀速行走，第三个人从坐标点(1.2，0.4)按匀速直线行走至坐标点(1.2，3.2)。定位结果如图9所示，图中‘o’标记为单个目标定位点，‘*’标记为重合目标定位点，每个时刻下目标数量估计准确率为67.6％。定位误差曲线图如图10所示，第一个人的定位误差为0.17m，第二个人的定位误差为0.31m，第三个人的定位误差为0.27m，定位的平均误差为0.25m。实验结果表明，本发明方法具有良好的定位精度和目标数量估计效果。

实施例2

本实施例中与实施例1的区别在于：

步骤1、在房间四周部署无线传感器节点拓扑网络。无线传感器节点拓扑网络的形状不局限于矩形，还可以是方形、圆形、星形等其他形状；部署时也不局限于均匀等间距放置，还可以是等差模型等。

步骤2、对所部署的无线传感器网络建立权重模型。无线传感器网络建立权重模型的模型不局限于椭圆距离权重模型，还可以是直线距离权重模型等。

步骤6、利用聚类算法获取目标点定位。多目标RTI定位不局限于DBSACN密度聚类算法，还可以是OPTICS密度聚类算法、DENCLUE密度聚类算法，或者其他聚类个数未知，且聚类结果能表征多目标定位点的算法。

本发明并不局限于上述实施实例，在本发明公开的技术方案的基础上，本领域的技术人员根据所公开的技术内容，不需要创造性的劳动就可以对其中的一些技术特征进行简单修改、等同变化与修饰，均属于本发明技术方案的范围内。

Claims (6)

1.一种室内动态多目标无源被动定位和数量估计的方法，包括以下步骤：

步骤1、部署无线传感器节点拓扑网络：在房间四周均匀部署多个无线传感器节点，再放置一个基站节点用以接收各个无线传感器节点的RSS值，形成通信网络；

步骤2、对所部署的无线传感器节点拓扑网络建立权重模型：建立与无线传感器节点拓扑网络对应的距离权重模型；

步骤3、多目标无线层析成像(RTI)图像的构建：基站节点接收到各个传感器节点的RSS值，利用解决病态反问题的方法，求解出图像像素的数值；对无线传感器节点网络监测区域划分像素，并使用空间协方差模型得到像素位置之间的相关性，利用距离权重模型和空间协方差模型得到投影矩阵，最后构建出多目标的RTI图像；

步骤4、消除图像噪声：利用高斯模型消除部分图像噪声；

步骤5、获取候选目标点：先从RTI图像中得到所有的局部峰值，即图像斑点中心；再利用恒虚警检测的方法去除虚假斑点，得到候选目标点；

步骤6、多目标定位：将所有的候选目标点按聚类算法聚类，形成多个簇，找出簇的中心，即为多目标的位置信息；

步骤7、多目标数量估计：使用动态阈值门限的方法，将某个时刻每个定位点的RTI图像像素值和该阈值门限比较，求得该时刻的每个定位点有多少个目标，将目标数量累加估计出监控区域内该时刻有多少个目标。

2.根据权利要求1所述的室内动态多目标无源被动定位和数量估计的方法，步骤2中无线传感器节点拓扑网络权重模型的距离权重模型，具体为：

其中，w_ij是链路i的像素j的加权；d是两个传感器节点之间的距离，D_ij(1)和D_ij(2)是从任意像素的中心到两个传感器节点位置的距离；λ是椭圆宽度的可调参数。

3.根据权利要求1所述的室内动态多目标无源被动定位和数量估计的方法，步骤3中多目标无线层析成像(RTI)图像的构建，具体分为以下几个步骤：

步骤3.1、病态反问题求解图像像素值：

无线层析成像使用病态反问题线性模型求解，形式如下：

y＝Wx+n

y是传感器节点接收的RSS值向量，W是权重模型参数矩阵，x是待求解的RTI图像像素向量，n是环境噪声向量；

则反问题像素估计向量的求解形式为：

其中，

是投影矩阵，w为距离权重模型，C_x为先验协方差矩阵，

是正则化参数；

步骤3.2、投影矩阵Π中的先验协方差矩阵计算：

先验协方差矩阵C_x：

其中，

是像素的方差，

是像素i到像素j的距离，δ_c是一个“空间常数”相关参数。

4.根据权利要求1所述的室内动态多目标无源被动定位和数量估计的方法，步骤4中利用高斯函数图像去噪，具体为：

二维高斯滤波器：

其中，σ_G是高斯核的标准差，x和y为高斯卷积核的像素坐标；

其中，

表示像素估计向量，*表示卷积算子，G(x,y)表示高斯卷积核函数。

5.根据权利要求1所述的室内动态多目标无源被动定位和数量估计的方法，步骤5在RTI图像中获取候选目标点，具体可分为以下两个步骤：

步骤5.1、图像中得到所有局部峰值：

将得到的RTI图像像素估计矩阵做降维处理，分别对行组和列组求局部最大：

则得到RTI图像的局部最大点即为行组和列组的交集：

L＝X∩Y

其中，

是图像像素估计矩阵，i为

的行标，j为

的列标；

步骤5.2、恒虚警的方法去除虚假斑点：

将门限T_c与检测目标的RTI像素数值相比，如果超过了此门限，则判为有目标，否则，判为无目标；恒虚警的检测原理可由以下公式表示：

其中，P(L|B)是均值为μ_B、标准差为σ_B的混合高斯分布，B为训练单元；

t为时间戳，u为训练单元的起始时刻，k_t为t时刻下的局部最大点个数，h为训练单元的时间戳个数，N为训练单元中的所有局部最大点的个数，L是RTI图像的局部最大值，L_t为t时刻下的RTI图像的所有局部最大值矩阵，

为t时刻下的RTI图像的第l个局部最大值；

设置合适的P_fa虚警概率，可得出判决门限T_c。

6.根据权利要求1所述的室内动态多目标无源被动定位和数量估计的方法，步骤7在图像中利用动态阈值门限的方法估计多目标的数量，动态阈值T_n可表示为：

α为权重，t为时间戳，k为某个时刻下的目标个数，v为某个时刻下的某个目标点RTI图像像素值，M为当前时刻下过去所有目标定位点的个数，b为补偿常数。

Images