CN105717505A - 利用传感网进行多目标跟踪的数据关联方法 - Google Patents

Abstract

本发明提供了一种利用传感网进行多目标跟踪的数据关联方法，包括将传感器节点分簇；节点采集目标的量测信息；计算目标的状态离散时间方程；计算目标的状态预测结果；计算目标k在节点i中的后验概率；采用贝叶斯框架进行目标跟踪；计算目标的后验概率分布；重复以上步骤完成目标的跟踪。本发明为了能够对多目标进行准确的跟踪，提出了一种新的方法来解决无线传感器网络多目标跟踪中的数据关联问题，该方法基于贝叶斯框架，不仅使用目标位置状态信息，同时也使用速度状态信息。与其他一些建模的方法相比，本发明所提出的方法是计算量小、精度高，特别是在实现交叉机动目标跟踪方面，可以在低开销的情况下准确的对多目标进行跟踪。

Description

利用传感网进行多目标跟踪的数据关联方法

技术领域

本发明属于测控领域，具体涉及一种利用传感网进行多目标跟踪的数据关联方法。

背景技术

在无线传感器网络中，跟踪目标的能力在许多应用中至关重要。但由于在能量、感知能力、通信、存储和计算能力上的局限性，它们对无线传感器网络应用中实现传统目标跟踪解决方案带来了挑战。由于任何数据的收集、处理和传播信息的操作导致资源消耗的增加，无线传感器网络目标跟踪算法应该能有效地利用资源，也要减小计算复杂度。

目前，单目标跟踪得到了很好的研究，但多目标跟踪(MTT)问题仍然有一些需要解决的关键问题。其中数据关联是MTT最困难的问题。如图1所示为简单情况下两个目标的跟踪，其中包括三个阶段。第一阶段，目标之间的距离大，所述目标可以是分别单独跟踪。第二阶段，目标彼此接近，这最终会导致测量失真。该失真测量可能导致测量与目标之间的混淆，这时可以利用数据关联来处理这种失真。第三阶段，目标之间的距离变大，单目标跟踪模型是再度适用。发生在第二阶段的错误会导致混乱或丢失的目标，然后在第3阶段重新初始化或者重新识别是必要的。

现在有一些关于无线传感器网络MTT的研究，比如在IDSQ的框架中提出了一种无线传感器网络MTT的算法。图形模式用于计算出目标状态和传感器测量之间的关联。目标属性信息用来处理失真目标的测量。该算法通过传感器节点之间的协作实现了分布式计算和本地化处理。然而，引入额外属性信息增加了对硬件复杂性的要求，也增加了成本、计算、通信和能量开销。

发明内容

本发明的目的在于提供一种***开销较小、数据关联准确，从而能够对多目标进行准确跟踪的利用传感网进行多目标跟踪的数据关联方法。

本发明提供的这种利用传感网进行多目标跟踪的数据关联方法，包括如下步骤：

S1.将监测区域内的传感器节点进行分簇；

S2.当目标进入监测区域时，通过传感器节点采集目标的量测信息；

S3.计算目标的状态离散时间方程；

S4.根据步骤S3得到的计算结果，采用下式计算目标的状态预测结果：

其中为目标k在t-1时刻的状态分布；

且量测分布的预测计算如下：

其中，是似然函数；

S5.根据步骤S4的计算结果，计算目标k在节点i中的后验概率：

S6.根据步骤S5进行数据关联，并采用贝叶斯框架进行目标跟踪；

S7.采用如下算式计算目标的后验概率分布：

其中，α是一个归一化因子，其目的是将的值转换到0～1之间；k＝1,...,N是目标k在t时刻的增强向量，其中x_k(t)是位置向量，是速度向量，为目标k在t时刻的状态估计值的期望；

S8.重复步骤S2～S7，完成目标的跟踪。

步骤S1所述的分簇，为将节点按距离进行分簇。

步骤S1所述的传感器为接收强度传感器。

步骤S2所述的采集目标的量测信息，为采用下式计算节点i在t时刻接收到的信号强度：

其中，zⁱ(t)是节点i在t时刻接收到的信号强度；v_i(t)是背景噪声，N为目标的数量，a_k(t)是目标k在t时刻的信号强度，x_k(t)是目标k在t时刻的位置向量，ξ_i是传感器节点i的位置向量。

步骤S3所述的状态离散时间方程，为采用下式计算状态离散时间方程：

y_k(t)＝A·y_k(t-1)+ω_k

其中，是状态转移矩阵，ω_k是均值为0的高斯噪声序列；在同一个采样期间，速度的变化可以表示为并将它作为q的值的选择标准，其中Q是协方差矩阵

步骤S6所述的采用贝叶斯框架进行目标跟踪，为采用下式计算目标位置的估计值：

其中p(x_k｜z_1:k)表示根据量测z_1:k＝{z₁,z₂,…z_k}估算x_k的概率密度函数；量测z_k＝h_k(x_k,w_k)为状态模型x_k＝f_k(x_k-1,v_k-1)的测量值。

本发明为了能够对多目标进行准确的跟踪，提出了一种新的方法来解决无线传感器网络多目标跟踪中的数据关联问题，该方法基于贝叶斯框架，不仅使用目标位置状态信息，同时也使用速度状态信息。与其他一些建模的方法相比，本发明所提出的方法计算量小、精度高，特别是在实现交叉机动目标跟踪方面，可以在低开销的情况下准确地对多目标进行跟踪。

附图说明

图1为背景技术的实例示意图。

图2为本发明的方法流程图。

图3为本发明的具体实施例示意图。

具体实施方式

如图2所示为本发明的方法流程图，本发明提供的这种利用传感网进行多目标跟踪的数据关联方法，包括如下步骤：

S1.以接收强度传感器为例，将传感网内的传感器节点按距离进行分簇；

S2.当目标进入传感网的监测区域时，通过传感器节点采集目标的量测信息：节点i在t时刻接收到的信号强度为：

其中，v_i(t)是背景噪声，N为目标的数量，a_k(t)是目标k在t时刻的信号强度，x_k(t)是目标k在t时刻的位置向量，ξ_i是传感器节点i的位置向量。

S3.计算目标的状态离散时间方程：

y_k(t)＝A·y_k(t-1)+ω_k

其中，是状态转移矩阵，ω_k是均值为0的高斯噪声序列；在同一个采样期间，速度的变化可以表示为并将它作为q的值的选择标准，其中Q是协方差矩阵

S4.根据步骤S3得到的计算结果，采用下式计算目标的状态预测结果：

其中为目标k在t-1时刻的状态分布；

且量测分布的预测计算如下：

其中，是似然函数；

S5.根据步骤S4的计算结果，计算目标k在节点i中的后验概率：

S6.根据步骤S5进行数据关联，并采用下式计算目标位置的估计值：

其中p(x_k｜z_1:k)表示根据量测z_1:k＝{z₁,z₂,…z_k}估算x_k的概率密度函数；量测z_k＝h_k(x_k,w_k)为状态模型x_k＝f_k(x_k-1,v_k-1)的测量值；

S7.采用如下算式计算目标的后验概率分布：

其中，α是一个归一化因子，其目的是将的值转换到0～1之间；k＝1,...,N是目标k在t时刻的增强向量，其中x_k(t)是位置向量，是速度向量，为目标k在t时刻的状态估计值的期望；

S8.重复步骤S2～S7，完成目标的跟踪。

以下结合一个具体实施例以及图2对本发明的方法进行进一步说明：

如图2所示，在公路上部署了大量的廉价传感器节点。我们把这些节点按距离分簇，每簇里有一些传感器节点，簇头由传感器节点(目标跟踪节点)轮流当选，也可以采用动态簇头选择算法选取。初始状态每个簇都有少量的传感器节点(目标检测节点)处于活动状态，其他传感器节点(目标跟踪节点)全部处于睡眠状态；当检测到目标出现时，目标检测节点就会唤醒簇内的其他传感器节点进行目标跟踪，而此时目标检测节点则进入睡眠状态。传感器节点在对多目标进行跟踪时，会采集到关于目标的量测信息，并将该量测信息发送到簇头进行数据关联，并进行贝叶斯估计以进行目标跟踪。与此同时，还要综合考虑目标的位置状态信息与速度状态信息以计算目标的后验概率分布，将会被用来在下一个估计中进行数据关联。

根据图2可知，目标A在节点1、2和3的有效探测范围内，目标B在节点2、3和4的有效探测范围内，目标C在节点6的有效探测范围内。这6个节点的量测信息如图所示，其中x表示目标状态，z表示节点的量测信息。根据此图，传感器2和3同时受目标A和B的影响；因此单个传感器的量测有可能会受到多个目标的影响。另一方面，单个目标可以同时被多个传感器节点感知到，比如目标A同时别节点1、2和3感知到，目标A在t时刻的状态与相关联，因此可以通过多个传感器量测的信息融合来得到准确的目标信息。

下面对多目标跟踪数据关联方法进行详细说明，流程如图3所示，具体步骤如下：

S1.初始化：选择节点的合适的部署位置，成员节点部署在道路的两旁；假设已经检测到相应的目标了，且目标的个数为K，并已采用多目标跟踪算法。

S2.目标跟踪：利用廉价传感器进行信息采集，当多个目标相互靠近时，进行数据关联计算，以准确的进行多目标跟踪。

此步骤具体包括以下步骤：

1)通过簇成员节点采集量测信息，并将该状态信息发送给簇头，簇头选择是采用一定的机制，让每个成员节点轮流当选，以实现能量均衡。

假设k是信号源的数量，节点i在t时刻接收到的信号强度为下式(1)：

zⁱ(t)＝sⁱ(t)+υ_i(t)

其中，v_i(t)是背景噪声，通常被设置为均值为0、方差为的高斯噪声，s_i(t)为来自信号源(监测目标)k的信号强度，计算如下式(2)：

其中，a_k(t)是信号源k在t时刻的信号强度，x_k(t)是信号源k在t时刻的位置向量，ξ_i是传感器节点的位置向量。

根据公式(1)和(2)，节点i在t时刻的量测zⁱ(t)可以计算如下式(3)：

2)簇头收到步骤1)计算出来的量测信息后，进行数据关联计算。

假设t_s是一个采样间隔，状态的离散时间方程可以表示如下式(6)：

y_k(t)＝A·y_k(t-1)+ω_k

其中，是状态转移矩阵，ω_k是均值为0的高斯噪声序列。在同一个采样期间，速度的变化可以表示为并将它作为q的值的选择标准，其中Q是协方差矩阵

我们知道信号源k在t-1时刻的状态分布为根据公式(6)可以得到状态转移模型，那么状态预测可以计算如下式(7)：

那么，量测分布的预测可以计算如下式(8)：

其中，是似然函数。

根据公式(7)，节点i的量测包括N个目标，那么目标k在节点i中的后验概率可以计算如下：

3)计算一个贝叶斯估计进行目标跟踪。目标跟踪可以被建模为一个动态状态估计问题，而基于贝叶斯方法的框架可以很好的解决动态状态估计问题。假设状态模型为x_k＝f_k(x_k-1,v_k-1)，其中x_k是目标状态，v_k是过程噪声。与此同时，测量模型为z_k＝h_k(x_k,w_k)，其中w_k是测量噪声。那么贝叶斯方法可以根据量测z_1:k＝{z₁,z₂,…z_k}估计x_k的概率密度函数(PDF)：p(x_k｜z_1:k)。在传感网多目标跟踪应用中，目标的运动模型通常是不确定和不稳定的，而且计算资源受限。所以通常选择布朗模型作为目标的运动模型。实际上，在无线传感器网络的MTT应用中，目标移动的变化比传感节点的采样率小得多(比如MICAz的采样率可以超过100赫兹以上)，因此等速(CV)模型可以应用在采样间隔里。

假设在时刻k-1，给定概率密度函数(PDF)p(x_k-1｜z_1:k-1)。那么目标状态的PDF为p(x_k｜z_1:k-1)＝∫p(x_k｜x_k-1)p(x_k-1｜z_1:k-1)dx_k-1。在k时刻，当得到量测z_k时，根据贝叶斯方法可以计算出目标位置的估计值，计算方法如下式(9)：

4)计算目标的后验概率分布，将会被用来在下一个估计中进行数据关联。

假设有m个传感器参与到目标k在t时刻的状态估计，所有传感器的量测相互独立，目标k的后验概率分布可以计算如下：

其中，α是一个归一化因子，k＝1,...,N是目标k在t时刻的增强向量，其中x_k(t)是位置向量，是速度向量。那么，得到目标k在t时刻的状态估计值后，可以通过计算期望得到。

S2.判断是否继续跟踪，如果是，则进入步骤S1，否则结束。

Claims (6)

1.一种利用传感网进行多目标跟踪的数据关联方法，包括如下步骤：

S1.将传感网内的传感器进行分簇；

S2.当目标进入传感网的监测区域时，通过传感器节点采集目标的量测信息；

S3.计算目标的状态离散时间方程；

S4.根据步骤S3得到的计算结果，采用下式计算目标的状态预测结果：

$\hat{p}\left(y_k\right(t\left)\right)={\∫}_{\mathrm{\ψ}(t-1)}p\left(y_k\right(t\left)\right|y_k\left(t-1\right))\·\tilde{p}\left(y_k\right(t-1\left)\right){\mathrm{dy}}_k(t-1)$

其中为目标k在t-1时刻的状态分布；

且量测分布的预测计算如下：

$\hat{p}\left(z_k^i\right(t\left)\right)={\∫}_{\mathrm{\ψ}\left(t\right)}p\left(z_k^i\right(t\left)\right|y_k\left(t\right))\·\hat{p}\left(y_k\right(t\left)\right){\mathrm{dy}}_k\left(t\right)$

其中，是似然函数；

S5.根据步骤S4的计算结果，计算目标k在节点i中的后验概率：

$\tilde{p}\left(z_k^i\right(t\left)\right)={\∫}_{R^{N-1}}p\left(z^i\right|z_1^i,...,z_N^i)\[\underset{k=1}{\overset{N}{\Π}}\hat{p}\left(z_k^i\right(t\left)\right)\]{\mathrm{dz}}_1^i...{\mathrm{dz}}_{k-1}^i{\mathrm{dz}}_{k+1}^i...{\mathrm{dz}}_N^i$

S6.根据步骤S5进行数据关联，并采用贝叶斯框架进行目标跟踪；

S7.采用如下算式计算目标的后验概率分布：

$\tilde{p}\left(y_k\right(t\left)\right)=\mathrm{\α}\·\hat{p}\left(y_k\right(t\left)\right)\·\∫\[\underset{i=1}{\overset{m}{\Π}}\tilde{p}\left(z_k^i\right(t\left)\right)\·p\left(z_k^i\right(t\left)\right|y_k\left(t\right))\]{\mathrm{dz}}_k^1...{\mathrm{dz}}_k^m$

其中，α是一个归一化因子，其目的是将的值转换到0～1之间；是目标k在t时刻的增强向量，其中x_k(t)是位置向量，是速度向量，为目标k在t时刻的状态估计值的期望；

S8.重复步骤S2～S7，完成目标的跟踪。

2.根据权利要求1所述的利用传感网进行多目标跟踪的数据关联方法，其特征在于步骤S1所述的分簇，为将节点按距离进行分簇。

3.根据权利要求1所述的利用传感网进行多目标跟踪的数据关联方法，其特征在于步骤S1所述的传感器为接收强度传感器。

4.根据权利要求1～3之一所述的利用传感网进行多目标跟踪的数据关联方法，其特征在于步骤S2所述的采集目标的量测信息，为采用下式计算节点i在t时刻接收到的信号强度：

$z^i\left(t\right)=\underset{k=1}{\overset{N}{\Σ}}\frac{a_k\left(t\right)}{\left|\right|x_k\left(t\right)-{\mathrm{\ξ}}_i\left|\right|}+{\mathrm{\υ}}_i$

其中，zⁱ(t)是节点i在t时刻接收到的信号强度；v_i(t)是背景噪声，N为目标的数量，a_k(t)是目标k在t时刻的信号强度，x_k(t)是目标k在t时刻的位置向量，ξ_i是传感器节点i的位置向量。

5.根据权利要求1～3之一所述的利用传感网进行多目标跟踪的数据关联方法，其特征在于步骤所述的状态离散时间方程，为采用下式计算状态离散时间方程：

y_k(t)＝A·y_k(t-1)+ω_k

其中， $A=\left[\begin{array}{cc}1& t_s\\ 0& 1\end{array}\right]$ 是状态转移矩阵，ω_k是均值为0的高斯噪声序列；在同一个采样期间，速度的变化可以表示为 $\sqrt{{\left(Q\right)}_{22}}=\sqrt{{\mathrm{qt}}_s},$ 并将它作为q的值的选择标准，其中Q是协方差矩阵 $Q=\left[\begin{array}{cc}{t_s}^3/3& {t_s}^2/2\\ {t_s}^2/2& t_s\end{array}\right]q.$

6.根据权利要求1～3之一所述的利用传感网进行多目标跟踪的数据关联方法，其特征在于步骤S6所述的采用贝叶斯估计进行目标跟踪，为采用下式计算目标位置的估计值：

$p\left(x_k\right|z_{1:k})=\frac{p\left(z_k\right|x_k)p\left(x_k\right|z_{1:k-1})}{p\left(z_k\right|z_{1:k-1})}$

其中p(x_k|z_1:k)表示根据量测z_1:k＝{z₁,z₂,…z_k}估算x_k的概率密度函数；量测z_k＝h_k(x_k,w_k)为状态模型x_k＝f_k(x_k-1,v_k-1)的测量值。