无线传感器网络中基于粒子滤波的多目标跟踪

摘要

目标跟踪做为数据融合问题的一个典型应用，受到了学术界的广泛关注。它的主要目的是确定监测区域内目标的位置、个数、速度等。随着无线传感器网络的发展，基于无线传感器网络的目标跟踪问题成为了一个研究热点。目前已有的研究工作很多集中于对单个目标的监视和跟踪，一种典型的方法是将监测到同一目标信号的节点组织成一个簇，簇内节点的质心作为目标的估算位置，进而得到目标的运动轨迹，并预测目标的下一步运动。针对无线传感器网络中的多目标跟踪研究目前还不是很多，主要是传统的雷达等系统中的多目标跟踪算法的引入，没有考虑到无线传感器网络本身的特点。
　　 针对无线传感器网络中的多目标跟踪问题特点，本文使用粒子滤波理论解决该类问题。粒子滤波是一种从有噪声的观测数据序列估计运动状态的理论，于传统的卡尔曼滤波相比，粒子滤波适用的领域更广。卡尔曼滤波要求系统为线性，噪声符合高斯分布。但在无线传感器网络中，这些条件通常不能被满足，而粒子滤波则无此严格的限制。
　　 本文的主要研究工作包括：首先针对网络中目标特征提取影响的问题，根据目标辐射信号快速衰退的特点，提出了一种分布式的快速节点管理算法(QAM)。该算法在传感器节点上并行运行，尽可能将受不同目标影响的节点分到不同的簇中，受同目标影响节点分在同一簇中。簇头节点融合簇内其它节点信息，得到目标特征。其次，根据融合后的节点簇结构和目标特征，提出了一种自适应的基于粒子滤波的多目标跟踪算法(APF)。算法迭代的将目标先验信息与簇关联得到目标簇关联矩阵，根据此矩阵自适应的调整粒子采样分布，使得粒子分布与目标真实分布契合度更高，从而得到更精确的跟踪结果。最后，使用matlab平台仿真实现跟踪算法，针对各种参数条件下的跟踪性能进行了详细的分析，并提出了相应的提高跟踪精度建议。仿真结果表明，由于采用自适应的方法对目标进行采样，使得采样结果与目标真实分布契合更佳，跟踪过程中的粒子效率更高，只用少量粒子即可较好的描述系统的分布特性。另外，良好的数据融合策略也减少了算法的计算和通信量。

目录

文摘

英文文摘

声明

第1章绪论

1.1 无线传感器网络体系结构

1.2 无线传感器网络的特征

1.3 无线传感器网络中的数据融合

1.3.1 数据融合的层次

1.3.2 数据融合的方法

1.4 无线传感器网络中的目标跟踪

1.4.1 传感器定位技术

1.4.2 目标特征

1.4.3 目标跟踪

1.5 论文的内容及后续章节安排

第2章相关工作与技术

2.1 多目标跟踪问题描述

2.2 多目标跟踪问题的研究现状

2.2.1 DAM和EBAM算法

2.2.2 基于声音信号能量定位的目标跟踪算法(EBL)

2.2.3 基于分布式粒子滤波的目标跟踪算法(DPF)

2.3 粒子滤波

2.3.1 重要性采样(IS)

2.3.2 序贯重要性采样(SIS)

2.3.3 退化和重采样

2.4 常见粒子滤波算法

2.4.1 普通粒子滤波算法

2.4.2 序贯重要性重采样粒子滤波(SIR)

2.4.3辅助粒子滤波(Auxiliary Particle Filter)

2.5 小结

第3章自适应的粒子滤波多目标跟踪算法

3.1 系统模型

3.1.1 传感器网络模型

3.1.2 状态空间模型

3.1.3 目标运动模型

3.2 算法思想

3.2.1 特征提取

3.2.2 目标关联

3.2.3 目标跟踪

3.3 算法设计

3.3.1 特征提取算法设计

3.3.2 目标关联算法设计

3.3.3 目标跟踪算法设计

3.4 小结

第4章算法仿真及验证

4.1 仿真工具及仿真方法介绍

4.2 特征提取算法仿真

4.2.1 利用QAM、DAM算法计数比较

4.2.2 利用QAM、DAM算法定位比较

4.3 多目标跟踪算法仿真

4.3.1 节点密度对算法性能的影响

4.3.2 节点分布规则度对算法性能的影响

4.3.3 目标运动对算法性能的影响

4.3.4 粒子数目对算法性能的影响

4.3.5 观测噪声对算法性能的影响

4.3.6 重采样方法对算法性能的影响

4.4 小结

第5章总结与展望

5.1 工作总结

5.2 未来工作展望

参考文献

附录

致谢

在读期间发表的学术论文与取得的研究成果