基于无线传感器网络接收信号强度的无源目标追踪方法

摘要

本发明涉及一种基于无线传感器网络接收信号强度的无源目标追踪方法，其技术特点是：包括以下步骤：无线传感器网络中的节点进行数据广播，所有节点接听并记录数据；节点计算接收信号强度值与静态网络数据的差值的绝对值，通过无源目标追踪模型进行目标位置似然度计算；用粒子滤波算法和参数估计算法并结合目标位置似然度，进行目标的实时追踪。本发明充分利用无线传感器网络所发出的射频信号具有一定的穿透性的特点，少量障碍物不会阻挡节点之间的相互通信，且无线信号的传播不受光照影响，可广泛应用于夜晚或是或是仓库、地下室等缺乏光照的室内场景。

说明书

技术领域

本发明属于无线传感器领域，尤其是一种基于无线传感器网络接收信号强度的无源目标追踪方法。

背景技术

随着无线网络的广泛应用，人们对目标定位与跟踪技术的需求也日益增大。除了需要在室外环境下对移动的人员、车辆进行实时的定位与跟踪，在复杂的室内环境中，尤其是高档住宅小区、展厅、仓库、超市、地下停车场中也常需要获得人员或物品的位置信息。由于受到室内环境的复杂性和不确定性等条件的限制，传统的定位跟踪系统，例如GPS定位系统和视频监控系统，均有自身的局限性。GPS定位系统在室内使用时会受到如下两点约束：一方面，GPS接收机必须要避免被从上方遮盖，保证与卫星通信畅通；另一方面，卫星信号的多径传播将会对时钟同步的过程产生影响。而视频采集设备只能采集视线内的图像信息，所以监控时摄像头与目标之间不能存在障碍物的遮挡；另一方面，视频采集设备的成像性能会受到光照的影响，例如在强光或者黑暗的环境下，获取图像的性能都会降低。因此传统的跟踪算法在室内环境下定位的实时性、精确性以及对环境的自适应性都无法得到保证。

无线传感器网络是当前备受关注的热点研究领域，是信息采集和感知的一场革命，能广泛应用于军事、环境监测和预报、智能家居、城市交通以及楼道和工厂的安全监控领域。其中，定位与跟踪是无线传感器网络的主要研究方向之一，主要是借助于无线传感器网络中通信所使用的射频信号进行目标感知，也被称为基于射频接收信号强度的定位方法，其根据已知节点发来的信号强度值，来判断目标所处的位置。然而现有的基于接收信号强度的无线传感器网络定位方法大多数为有源定位，即目标物体必须携带传感器节点，接收已知节点发来的数据。但是，该方法的不能用于无源目标（被动目标）跟踪，无源目标的特点是：目标不会主动与跟踪系统进行数据交互，甚至有可能被跟踪的目标本身并不希望被系统所跟踪到。因此，现有技术无法对无源目标进行有效跟踪。

发明内容

本发明的目的在于克服现有技术的不足，提供一种设计合理、简单有效的基于无线传感器网络接收信号强度的无源目标追踪方法。

本发明解决其技术问题是采取以下技术方案实现的：

一种基于无线传感器网络接收信号强度的无源目标追踪方法，包括以下步骤：

步骤1：无线传感器网络中的节点进行数据广播，所有节点接听并记录数据；

步骤2：节点计算接收信号强度值与静态网络数据的差值的绝对值，通过无源目标追踪模型进行目标位置似然度计算；

步骤3：用粒子滤波算法和参数估计算法并结合目标位置似然度，进行目标的实时追踪。

而且，所述节点接听并记录的数据包括接收信号强度、信号来源和接收者信息。

而且，所述的目标位置似然度计算方法为：首先，计算目标的可能位置与无线传感器网络中每条链路的相对位置关系，然后，计算在该相对位置的理论信号强度变化值与实际信号强度变化值的绝对值的差值，从而计算目标位置似然度。

而且，所述的步骤3包括以下处理过程：

⑴初始化：赋予参数θ₀到任意初始值，将计数器b设为0，从状态的先验概率分布p(x₀)抽样出状态粒子

⑵设置计数器k=1,2…，N,N为粒子数；

⑶执行状态更新：

$>x_{k+1}^{\left(n\right)}=f\left(x_k^{\left(n\right)}\right)+v_k·y_k^{\left(n\right)}=h\left(x_k^{\left(n\right)}\right)+s_k$>

f为系统模型，v_k为第k步的系统噪声，h为测量模型，s_k为第k步的测量噪声。

⑷粒子滤波，计算状态估计粒子和权重其中θ_b-1为第b-1步的参数值，为第b-1步的状态的后验概率公式,Z_k为第k步的实际观测值，归一化$>{\rho }_k^{\left(n\right)}=\frac{{\rho }_k^{\left(n\right)}}{\underset{n=1}{\overset{N}{\Sigma }}{\rho }_k^{\left(n\right)}};$>

再采样以获得新的均匀权重

从中采样出更新后权重为归一化$>{\rho }_k^{\left(m\right)}=\frac{{\rho }_k^{\left(m\right)}}{\underset{m=1}{\overset{N}{\Sigma }}{\rho }_k^{\left(m\right)}};$>

⑸执行线上期望最大化步骤（onl ine EM算法）：

$>{\hat{\Omega }}_b=(1-{\alpha }_b){\hat{\Omega }}_{b-1}+{\alpha }_b\underset{m=1}{\overset{N}{\Sigma }}{W}_b^{\left(m\right)}\Psi (X_b^{\left(m\right)},Z_b),$>式中：

Ψ为充分统计量，Ω为充分统计量的集合，充分统计量权重满足

$>W_b^{\left(m\right)}\propto \frac{p_{{\theta }_{b-1}}\left(x_b^{\left(m\right)}\right|Z_b)}{q_{{\theta }_{b-1}}\left(x_b^{\left(m\right)}\right|Z_b)},$>$>{\alpha }_b=\frac{1}{\sqrt{b}}$>和$>\underset{m=1}{\overset{N}{\Sigma }}{W}_b^{\left(m\right)}=1;$>

⑹设置变量count=k mod L,L为线上期望最大化步骤的周期长度;如果count=0，则执行最大化处理：计数器b加1；

⑺循环执行步骤2至⑹直至所有粒子均处理结束。

本发明的优点和积极效果是：

1、本发明充分利用无线传感器网络所发出的射频信号具有一定的穿透性的特点，对于少量障碍物不会阻挡节点之间的相互通信，且无线信号的传播不受光照影响。因此，使得无线传感器网络可以穿越墙壁、浓烟等物体的阻挡对人与物体进行定位与跟踪，并能应用于夜晚或是或是仓库、地下室等缺乏光照的室内场景。

2、本发明采用无线传感器网络，不需要被跟踪目标携带传感器进行配合，而且也不需要对检测区域的形状进行限制，能快速、有效地进行目标追踪。

3、本发明可以对环境进行自适应操作，即通过线上期望最大化(online EM)等参数估计方法，自动估计环境参数，在不同环境下取得高精度。

附图说明

图1是本发明的处理流程图；

图2是本发明的无线传感器网络分布示意图。

具体实施方式

以下结合附图对本发明做进一步详述。

一种基于无线传感器网络接收信号强度的无源目标追踪方法，如图1及图2所示，包括以下步骤：

步骤1：无线传感器网络中的节点进行数据广播，所有节点接听并记录数据。

本步骤节点收集的数据包括接收信号强度以及信号来源和接收者（即广播该信号的节点号及接收节点的编号）等信息。

步骤2：节点计算接收信号强度值与静态网络数据的差值的绝对值，通过无源目标追踪模型进行目标位置似然度计算。

在本步骤中，绝对值的使用可抵消室内多径影响。所述的目标位置似然度计算方法为：首先，计算目标的可能位置与无线传感器网络中每条链路的相对位置关系，然后，计算在该相对位置的理论信号强度变化值与实际信号强度变化值的绝对值的差值，从而计算目标位置似然度。

步骤3：用粒子滤波算法和参数估计算法并结合目标位置似然度，进行目标的线上（实时）追踪。

本步骤包括的具体处理过程为：

⑴初始化：赋予参数θ₀到任意初始值，将计数器b设为0，从状态的先验概率分布p(x₀)抽样出状态粒子

⑵设置计数器k=1,2…，N,N为粒子数；

⑶执行状态更新：

$>x_{k+1}^{\left(n\right)}=f\left(x_k^{\left(n\right)}\right)+v_k·y_k^{\left(n\right)}=h\left(x_k^{\left(n\right)}\right)+s_k$>

f为系统模型，v_k为第k步的系统噪声，h为测量模型，s_k为第k步的测量噪声。

⑷粒子滤波，计算状态估计粒子和权重其中θ_b-1为第b-1步的参数值，为第b-1步的状态的后验概率公式,Z_k为第k步的实际观测值，归一化$>{\rho }_k^{\left(n\right)}=\frac{{\rho }_k^{\left(n\right)}}{\underset{n=1}{\overset{N}{\Sigma }}{\rho }_k^{\left(n\right)}};$>

再采样以获得新的均匀权重

从中采样出更新后权重为归一化$>{\rho }_k^{\left(m\right)}=\frac{{\rho }_k^{\left(m\right)}}{\underset{m=1}{\overset{N}{\Sigma }}{\rho }_k^{\left(m\right)}};$>

⑸执行线上期望最大化步骤（onl ine EM算法）：

$>{\hat{\Omega }}_b=(1-{\alpha }_b){\hat{\Omega }}_{b-1}+{\alpha }_b\underset{m=1}{\overset{N}{\Sigma }}{W}_b^{\left(m\right)}\Psi (X_b^{\left(m\right)},Z_b),$>式中：

Ψ为充分统计量，Ω为充分统计量的集合，充分统计量权重满足

$>W_b^{\left(m\right)}\propto \frac{p_{{\theta }_{b-1}}\left(x_b^{\left(m\right)}\right|Z_b)}{q_{{\theta }_{b-1}}\left(x_b^{\left(m\right)}\right|Z_b)},$>$>{\alpha }_b=\frac{1}{\sqrt{b}}$>和$>\underset{m=1}{\overset{N}{\Sigma }}{W}_b^{\left(m\right)}=1;$>

⑹设置变量count=k mod L,L为线上期望最大化步骤的周期长度。如果count=0，则执行最大化处理：计数器b加1；

⑺循环执行步骤2至⑹直至所有粒子均处理结束。

需要强调的是，本发明所述的实施例是说明性的，而不是限定性的，因此本发明包括并不限于具体实施方式中所述的实施例，凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式，同样属于本发明保护的范围。