论文部分内容阅读
本文中，我们提出了两类前沿的基于无线传感网络的目标跟踪算法。第一种使用了射频传感网络;第二种将蚁群优化算法用于目标跟踪，具体如下. RF传感网络是可以实现人或其它目标定位跟踪的无线传感网络。由于人或物体运动会导致接收到的信号强度发生变化，由此特性可确定人或者其它目标的位置。本论文中，我们考虑了一种具有前沿的基于无线层析成像(RTI)的RF传感网络的多目标跟踪方法，该方法在传输场中产生的变化图像作为一个视频的帧。我们在RTI中利用RSS在每个链接上多频信道的RSS测量，结合它们的衰落水平加权平均形成断层图像以跟踪多个目标。目前，大多数的研究者将无线电频率传感网络的无源定位用于单目标的定位和跟踪。然而现实场景中通常需要多目标的定位和跟踪。另外，当存在目标轨迹相交或有人物的进入和离开受监测区域时，DFL系统应该能够实现定位、跟踪和正确估计目标的数量。在本论文中，我们考虑了所有这些问题。不同于以往文献中的单一目标的定位和跟踪，本文旨在促进日益增长的射频传感器网络无源定位，展现具有在低功耗收发器部署的室内环境下准确跟踪人或物进出的多目标跟踪能力。因此本文中提出了一种能够同时跟踪多个目标进出的低功率无线节点部署的视频传感器网络。本系统不需要被跟踪目标携带任何无线电或RFID标签参与定位任务。而是在多个链接多频率通道上收集RSS测量经处理形成RTI图像，也就是说，传播场的图像变化是由于人在该区域运动产生的。将机器视觉的方法用于RTI，我们检测与跟踪RTI图像中真实目标所对应的斑点。我们解决具有相交轨迹的问题。同时，我们采用轻量级的计算可以实现实时跟踪。此外，在实验中，目标的个数是变化的并不是预先知道的。实验在三个不同的室内模拟环境中进行实现，分别为一个开放的环境（没有障碍物），第二个为公寓内（具有内部的墙壁、家具和各种对象），第三个为环境杂乱的办公室。在实验中，多达4个具有相交轨迹的目标被跟踪。结果表明，在具有分离和相交轨迹的三个不同环境中，系统能够正确地估计监控区域中的目标数量并且能准确跟踪它们。在公寓环境中，具有轨迹相交的两个目标跟踪的均方根误差是0.27m;在办公室环境中，具有轨迹相交的四个目标跟踪的均方根误差是0.52m。 另外，我们研究了无线传感网络的三边形目标跟踪技术，并且显示了良好的跟踪效果。然而，系统的检测能力有限。对于速度高于5m/s移动目标不能实现正常跟踪，这是追踪移动目标的巨大缺点。由于信号强度随距离变化而变化，该算法有一个5％的跟踪误差率。此外，检测总是延时1秒钟的间隔。因此就检测不到在这时间间隔突然偏离的目标。这使得系统在实际应用显得很脆弱。实际上，传感器是部署在一个正方形，而不是按照六角网络形状中正常的三角形排列。这样会冗长而招致很多开销。该技术的另一个缺点是它假定工作区域里没有障碍物，这个假设是不现实的。所以，我们的目标是引入简单的、健壮的、能提高跟踪能力的技术。在此指导思想下，我们开发采用四个传感器代替了三个传感器的技术。利用四个传感器的技术完全不同于其他三个传感器。第四个传感器利用一个估计模型来跟踪被其它三个传感器无视间隙的目标，这种技术可以跟踪运动速度高达33m/s的目标。自然地，这种技术非常简单而且十分精确。通过增强检测网络的频率使跟踪效率得到改善。另外，本文的另一个创新点在于跟踪快速移动的目标。在这点上，考虑到多路径传播和传播误差所带来的噪声，提出了一个集成的ACO算法和一个更为一般性的TOA测量技术。利用最大-最小近似技术来估计目标的位置，然后通过半定规划技术的手段有效地解决目标跟踪。将三次函数用于移动传感器的运动导航，此外，研究了移动传感器与目标的同步定位以提高跟踪的精度，采用了一种加权跟踪算法以更有效地利用测量信息。 感知是现代计算机应用的一个重要方面。在关键系统中，为了监控人类所无法手动或有效监测的环境，感知是必要的。因此无线传感网络成为具有感知、加工、传输等能力的基本手段。但是传感器节点是受资源限制的。因此，减少节点的能量消耗是很重要的，当能源被优化利用时，网络的生命周期就得以延长。为此，我们提出一种新的方法来节省传感器节点的能量，并扩展其单目标跟踪方法到多目标跟踪技术。所以，提出了一种利用无线传感器组网实现增强型ACO的多目标跟踪技术。该方法是通过对当前目标位置的估计，采用th阶预测模型来预测目标的下一位置。为了估计传感器节点的优化位置，采用了蚁群优化技术以确保在有效跟踪过程中覆盖网络的整个工作区域。与此同时，纳入能源节约技术以确保网络的寿命，同时纳入多目标跟踪机制。实验结果表明这种技术是有效的，并使得网络寿命得以延长，同时也表明了基于ACO的无线传感器网络多目标跟踪技术是实用的、有前途的。 最后，我们提出一种改进的蚁群优化(ACO)技术来提高无线传感网络的网络寿命。该技术是支持向量机(SVM)与蚁群优化算法(ACO)的一种混合。采用支持向量机训练传感节点并将它们分成死、活两类节点，同时利用ACO算法覆盖所有目标并找到目标节点间的最短路径。