基于WSN的多目标跟踪节点任务分配及PHD滤波方法研究

摘要

由于无线传感器网络（WSN）的特点，基于WSN的多目标跟踪研究一直是目标跟踪领域研究的热点问题。本文针对基于WSN多目标跟踪的任务分配和跟踪算法进行了研究，主要的研究内容如下：
　　针对多目标跟踪在目标接近或相遇时节点任务分配竞争冲突的问题，提出了一种基于Q学习的多目标跟踪节点协同任务分配算法。算法在多目标相遇或相近时刻，打破了传统的N个目标必须构建N个簇的思想，优选选取能够同时探测到多个目标的节点组成单个簇，负责跟踪接近或相遇状态的多个目标，同时采用Q学习方法，得出最佳的合簇时机，利用兼顾能耗与精度的综合性能指标，确定簇首与簇成员，最后根据目标特征标签分离目标信息，实现多目标跟踪的协同任务分配。仿真结果表明，算法可以对多目标接近或相遇情形的节点任务分配进行优化，具有降低系统能耗延长网络生命周期的优点。
　　针对概率假设密度多目标跟踪算法中存在的杂波强度未知的问题，提出一种基于熵惩罚的EM未知杂波估计的PHD(Probability Hypothesis Density)多目标跟踪算法。首先采用有限混合模型对未知杂波密度建模，其次分别对混合权重及缺失参数施加熵惩罚因子，然后通过自适应动态系数调节，使得混合模型低权值分量加速消亡，减少了算法迭代次数，且算法对初始参数不敏感。仿真结果表明，该算法在杂波强度未知的环境下，具有精度高，跟踪稳定的优势，提高了PHD滤波器在多目标跟踪中的性能。
　　针对拓展目标跟踪研究中杂波强度未知的问题，提出拓展目标杂波PHD算法，算法利用有限混合模型实现对杂波概率假设密度的估计，采用Dirichlet分布得到混合权重的在线估计，仿真验证算法可以有效的执行杂波环境下的拓展目标跟踪。
　　搭建了基于WSN的目标跟踪平台，包括超声波六元阵列传感器网络与监控终端软件平台两部分。前者实现了传感器异步数据采集以及无线组网数据传输功能；后者既能根据采集数据计算目标运动轨迹，又能够进行不同参数下目标跟踪算法的性能研究。软件平台测试表明，该平台初步地达到了目标跟踪的目的。

目录

声明

缩略词

注释表

第一章 绪论

1.1研究背景与意义

1.2国内外相关研究现状

1.3主要研究工作与组织结构

第二章 基于Q学习的多目标跟踪节点协同任务分配算法

2.1引言

2.2问题描述

2.3基于Q学习的多目标节点协同任务分配算法

2.4算法仿真及结果分析

2.5本章小结

第三章 基于熵惩罚的EM未知杂波估计的PHD多目标跟踪算法

3.1引言

3.2 PHD滤波算法的理论基础

3.3基于熵惩罚EM算法的未知杂波估计

3.4 EPEM-PHD多目标跟踪算法

3.5仿真实验与分析

3.6本章小结

第四章 基于Dirichlet分布杂波估计的拓展目标PHD跟踪算法

4.1引言

4.2问题描述

4.3基于Dirichlet分布的拓展目标杂波估计算法

4.4仿真结果与分析

4.5本章小结

第五章 无线传感器网络多目标跟踪平台

5.1引言

5.2目标跟踪平台的结构与组成

5.3基于ZigBee的无线传感器网络的建立

5.4监控终端软件平台设计

5.5平台测试及结果分析

5.6本章小结

第六章 总结与展望

6.1全文工作总结

6.2研究展望

参考文献

致谢

在学期间的研究成果及发表的学术论文