專(zhuān)利名稱(chēng)：模糊聚類(lèi)粒子濾波的無(wú)線傳感器網(wǎng)絡(luò)多目標(biāo)跟蹤方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種無(wú)線傳感器網(wǎng)絡(luò)領(lǐng)域，具體說(shuō)是一種模糊聚類(lèi)粒子濾波的無(wú)線傳感 器網(wǎng)絡(luò)多目標(biāo)跟蹤方法。
背景技術(shù)：
基于無(wú)線傳感器網(wǎng)絡(luò)(WSN)的多目標(biāo)跟蹤是多目標(biāo)跟蹤的一個(gè)重要研究方向。WSN 由于具有節(jié)點(diǎn)成本低、體積小、無(wú)線通信、網(wǎng)絡(luò)隨機(jī)部署、良好的自組織、魯棒性和隱 蔽性等突出優(yōu)點(diǎn)，而在多目標(biāo)跟蹤領(lǐng)域中有廣闊的應(yīng)用前景。但WSN本身又具有節(jié)點(diǎn)的 計(jì)算、能量、存貯、通訊等資源受限的特點(diǎn)，這使得傳統(tǒng)多目標(biāo)跟蹤較成熟的研究成果 不能直接應(yīng)用在WSN系統(tǒng)中，基于WSN的多目標(biāo)跟蹤技術(shù)是21世紀(jì)的一項(xiàng)挑戰(zhàn)性研究 課題。
在WSN多目標(biāo)跟蹤技術(shù)中，數(shù)據(jù)融合作為其核心部分起著兩方面作用 一是減少數(shù) 據(jù)通訊量，降低能耗，延長(zhǎng)網(wǎng)絡(luò)壽命；二是通過(guò)融合得到被跟蹤目標(biāo)的正確航跡。數(shù)據(jù) 融合問(wèn)題可以描述為關(guān)聯(lián)和估計(jì)這兩個(gè)最優(yōu)化問(wèn)題，其中的數(shù)據(jù)關(guān)聯(lián)就是將候選回波與 已知目標(biāo)軌跡相比較并確定正確的觀測(cè)/軌跡配對(duì)。對(duì)于多目標(biāo)跟蹤，尤其是近相距和 軌跡交叉的目標(biāo)，在密集雜波干擾環(huán)境中，眾多的回波與目標(biāo)航跡之間具有極大的不確 定性，要么多個(gè)回波位于同一跟蹤門(mén)內(nèi)，要么單個(gè)回波位于多個(gè)跟蹤門(mén)的交集內(nèi)，并且 與目標(biāo)預(yù)測(cè)狀態(tài)最接近的回波并非必定是目標(biāo)回波，因此很容易使多目標(biāo)跟蹤出現(xiàn)混 淆、誤跟、漏跟和振蕩等現(xiàn)象，給多目標(biāo)跟蹤增添困難。
目前，在傳統(tǒng)的目標(biāo)跟蹤算法中，較典型的算法有最近鄰(NN)方法、概率數(shù)據(jù)關(guān)聯(lián) (PDA)方法、聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)(JPDA)方法和多假設(shè)多目標(biāo)跟蹤(MHT)算法等。其中，NN 法在實(shí)際應(yīng)用中常常發(fā)生誤跟和丟失目標(biāo)的現(xiàn)象；PM、 JPM和細(xì)T方法計(jì)算復(fù)雜，在 一些情況下運(yùn)算量甚至出現(xiàn)組合爆炸的現(xiàn)象，均不適合資源有限的WSN。
近年來(lái)，人們應(yīng)用模式識(shí)別理論中的模糊和聚類(lèi)理論進(jìn)行數(shù)據(jù)關(guān)聯(lián)的研究。有關(guān)文 獻(xiàn)提出了基于模糊均值聚類(lèi)FCM(fuzzy C-means)算法，能比較有效地避免WSN多目標(biāo)跟 蹤的誤跟、振蕩、漏跟和重復(fù)跟蹤問(wèn)題。但基于FCM的多目標(biāo)跟蹤算法的也存在如下問(wèn) 題
對(duì)于WSN多目標(biāo)跟蹤，若將目標(biāo)數(shù)看作FCM算法的聚類(lèi)數(shù)，觀測(cè)數(shù)據(jù)作為FCM聚類(lèi)樣本，目標(biāo)狀態(tài)預(yù)測(cè)值作為聚類(lèi)中心，則WSN多目標(biāo)跟蹤問(wèn)題可轉(zhuǎn)化為FCM模糊聚類(lèi)問(wèn)題。因此，可以應(yīng)用FCM算法進(jìn)行WSN的多目標(biāo)跟蹤，方法是首先對(duì)多傳感器節(jié)點(diǎn)的觀測(cè)數(shù)據(jù)進(jìn)行FCM聚類(lèi)，然后根據(jù)回波與目標(biāo)狀態(tài)預(yù)測(cè)值的最近鄰原則進(jìn)行多目標(biāo)航跡關(guān)聯(lián)。但基于FCM的多目標(biāo)跟蹤算法的也存在如下問(wèn)題
對(duì)多傳感器節(jié)點(diǎn)的所有觀測(cè)數(shù)據(jù)一起進(jìn)行聚類(lèi)，在雜波密集時(shí)，有可能出現(xiàn)聚類(lèi)正確，而關(guān)聯(lián)錯(cuò)誤的情況，以致出現(xiàn)了一個(gè)目標(biāo)同一個(gè)傳感器有兩個(gè)量測(cè)的錯(cuò)誤。
在密集多回波環(huán)境下，對(duì)近相距和軌跡交叉目標(biāo)來(lái)說(shuō)，離目標(biāo)預(yù)測(cè)狀態(tài)最近的回波并非必定是目標(biāo)回波，并且有可能出現(xiàn)一個(gè)量測(cè)同屬于多個(gè)目標(biāo)的情況，因此該算法在這種情況下很容易出現(xiàn)錯(cuò)誤關(guān)聯(lián)而導(dǎo)致多目標(biāo)跟蹤混淆和目標(biāo)丟失等現(xiàn)象。

發(fā)明內(nèi)容
本發(fā)明的目的是提供一種能有效避免目標(biāo)丟失和跟蹤混淆，可大大降低多目標(biāo)跟蹤問(wèn)題的復(fù)雜性和計(jì)算量的模糊聚類(lèi)粒子濾波的無(wú)線傳感器網(wǎng)絡(luò)多目標(biāo)跟蹤方法。
本發(fā)明提供的模糊聚類(lèi)粒子濾波的無(wú)線傳感器網(wǎng)絡(luò)多目標(biāo)跟蹤方法，它首先對(duì)傳感器節(jié)點(diǎn)量測(cè)數(shù)據(jù)用基于跟蹤門(mén)限算法進(jìn)行粗關(guān)聯(lián)，排除部分雜波，再通過(guò)在各個(gè)傳感器節(jié)點(diǎn)的觀測(cè)空間上分別建立各自的FCM算法進(jìn)行精關(guān)聯(lián)，對(duì)精關(guān)聯(lián)數(shù)據(jù)進(jìn)行線性最優(yōu)融合，最后用粒子濾波預(yù)測(cè)各目標(biāo)的狀態(tài)。
該方法的具體步驟是
a、 門(mén)限粗關(guān)聯(lián)粗關(guān)聯(lián)門(mén)限根據(jù)目標(biāo)極限運(yùn)動(dòng)狀態(tài)進(jìn)行設(shè)定，關(guān)聯(lián)門(mén)設(shè)為以預(yù)測(cè)估計(jì)位置為中心，最大運(yùn)動(dòng)速度X采樣時(shí)間間隔為半徑的園，量測(cè)在關(guān)聯(lián)門(mén)限以外視為
不可能量測(cè)或干擾而排除；
b、 FCM精關(guān)聯(lián)把源于同一個(gè)傳感器的量測(cè)按最大隸屬度來(lái)分配給各個(gè)目標(biāo)，保證
任一 目標(biāo)只能有一個(gè)觀測(cè)量來(lái)自同一個(gè)傳感器；
c、 數(shù)據(jù)融合經(jīng)過(guò)FCM精關(guān)聯(lián)后，不同傳感器的多個(gè)量測(cè)組成一個(gè)類(lèi)同屬于一個(gè)目標(biāo)，對(duì)每個(gè)類(lèi)內(nèi)的數(shù)據(jù)進(jìn)行線性最優(yōu)融合。
d、 粒子濾波預(yù)測(cè)跟蹤用融合后的數(shù)據(jù)進(jìn)行粒子濾波預(yù)測(cè)，可得到基于融合航跡
的目標(biāo)狀態(tài)預(yù)測(cè)值，從而實(shí)現(xiàn)目標(biāo)的精確跟蹤。
在步驟C中，線性最優(yōu)融合后的狀態(tài)及誤差協(xié)方差分別為<formula>formula see original document page 6</formula>
且
/=，
其中Z,(k),…，Z,(k)表示同一目標(biāo)中k時(shí)刻來(lái)自不同傳感器的I個(gè)量測(cè)，它們對(duì) 應(yīng)的狀態(tài)協(xié)方差為& (k)，…,P, (k), tr (^是矩陣的跡。
在步驟d中，粒子濾波預(yù)測(cè)的步驟如下
1) 初始化根據(jù)已知的初始位置，產(chǎn)生初始粒子集；
2) 預(yù)測(cè)對(duì)每個(gè)時(shí)刻，將前一時(shí)刻產(chǎn)生的粒子集代入狀態(tài)方程，產(chǎn)生預(yù)測(cè)粒子集;
3) 更新對(duì)于每個(gè)預(yù)測(cè)粒子，利用融合后的量測(cè)，計(jì)算權(quán)重，并歸一化權(quán)重；
4) 重采樣用系統(tǒng)重采樣算法進(jìn)行重采樣；
5) 狀態(tài)估計(jì)取重采樣后粒子的平均值作為目標(biāo)狀態(tài)估計(jì)值。
本發(fā)明與原FCM跟蹤算法相比具有如下優(yōu)點(diǎn) 航跡關(guān)聯(lián)正確率和目標(biāo)跟蹤精度有顯著提高。
有效避免了多目標(biāo)航跡丟失和錯(cuò)誤關(guān)聯(lián)，實(shí)現(xiàn)了多目標(biāo)的精確跟蹤。 綜合了模糊聚類(lèi)、線性最優(yōu)融合、粒子濾波等多種現(xiàn)代信息處理方法，集數(shù)據(jù)關(guān)聯(lián)、
數(shù)據(jù)融合和目標(biāo)跟蹤于一體，可降低多目標(biāo)跟蹤問(wèn)題的復(fù)雜性和計(jì)算量。 本發(fā)明適合資源受限的無(wú)線傳感器網(wǎng)絡(luò)應(yīng)用。


圖1是基于FCM的多目標(biāo)跟蹤航跡的示意圖； 圖2是本發(fā)明的的多目標(biāo)跟蹤航跡的示意圖。
具體實(shí)施例方式
實(shí)施例
本發(fā)明提供的模糊聚類(lèi)粒子濾波的無(wú)線傳感器網(wǎng)絡(luò)多目標(biāo)跟蹤方法，它首先對(duì)傳感 器節(jié)點(diǎn)量測(cè)數(shù)據(jù)用基于跟蹤門(mén)限算法進(jìn)行粗關(guān)聯(lián)，排除部分雜波，再通過(guò)在各個(gè)傳感器
節(jié)點(diǎn)的觀測(cè)空間上分別建立各自的FCM算法進(jìn)行精關(guān)聯(lián)，對(duì)精關(guān)聯(lián)數(shù)據(jù)進(jìn)行線性最優(yōu)融 合，最后用PF濾波預(yù)測(cè)各目標(biāo)的狀態(tài)。
主要步驟 門(mén)限粗關(guān)聯(lián)在雜波環(huán)境下，各傳感器量測(cè)可能來(lái)自目標(biāo)也可能來(lái)自雜波。考慮目標(biāo)的實(shí)際背景
和極限運(yùn)動(dòng)狀態(tài)，與目標(biāo)預(yù)測(cè)狀態(tài)相差較大的量測(cè)不可能來(lái)自目標(biāo)，因此可以設(shè)置一個(gè)
粗關(guān)聯(lián)門(mén)限，排除部分不可能量測(cè)或干擾。粗關(guān)聯(lián)門(mén)限根據(jù)目標(biāo)極限運(yùn)動(dòng)狀態(tài)進(jìn)行設(shè)定，
關(guān)聯(lián)門(mén)設(shè)為以預(yù)測(cè)估計(jì)位置為中心，最大運(yùn)動(dòng)速度X采樣時(shí)間間隔為半徑的園，量測(cè)在
關(guān)聯(lián)門(mén)限以外視為不可能量測(cè)或干擾而排除。FCM精關(guān)聯(lián)
為了正確確定每個(gè)量測(cè)的目標(biāo)歸屬，本FCM聚類(lèi)不是把全部傳感器節(jié)點(diǎn)的所有量測(cè)一起進(jìn)行聚類(lèi)，把全部量測(cè)對(duì)應(yīng)隸屬度最大的歸為一類(lèi)，而是把源于同一個(gè)傳感器的量測(cè)按最大隸屬度來(lái)分配給各個(gè)目標(biāo)，保證任一 目標(biāo)只能有一個(gè)觀測(cè)量來(lái)自同一個(gè)傳感器。該方法通過(guò)把多傳感器觀測(cè)數(shù)據(jù)聚類(lèi)問(wèn)題分解為多個(gè)單傳感器聚類(lèi)問(wèn)題，分別對(duì)每個(gè)傳感器候選量測(cè)進(jìn)行聚類(lèi)，有效解決了傳統(tǒng)FCM算法的聚類(lèi)正確而關(guān)聯(lián)錯(cuò)誤的問(wèn)題。
數(shù)據(jù)融合
經(jīng)過(guò)FCM精關(guān)聯(lián)后，不同傳感器的多個(gè)量測(cè)組成一個(gè)類(lèi)同屬于一個(gè)目標(biāo)，為了充分利用各個(gè)傳感器量測(cè)的信息，得到更精確的目標(biāo)跟蹤軌跡，對(duì)每個(gè)類(lèi)內(nèi)的數(shù)據(jù)進(jìn)行線性最優(yōu)融合。設(shè)經(jīng)過(guò)精關(guān)聯(lián)，k時(shí)刻來(lái)自不同傳感器的I個(gè)量測(cè)Z,(k),…，Z,(k)表示同一目標(biāo)，它們對(duì)應(yīng)的狀態(tài)協(xié)方差為P,(k),…，P,(k),則線性最優(yōu)融合后的狀態(tài)及誤差協(xié)方差分別為
z, (w = /;《("+/2z2 (w+…力z,("尸W = /;、 w+/22尸2")+…//s w式中
,_ 1〃K，
且
其中&0是矩陣的跡。從中可以看出，若tr(7^A"值越小，則第j'個(gè)航跡估計(jì)精度越高，^伊"々"的倒數(shù)7/tTYd"就越大，因而在融合過(guò)程中的作用就越大，反之亦然。
粒子濾波預(yù)測(cè)跟蹤
用融合后的數(shù)據(jù)Z/k)進(jìn)行粒子濾波預(yù)測(cè)，步驟如下①初始化根據(jù)已知的初始
位置，產(chǎn)生初始粒子集；②預(yù)測(cè)對(duì)每個(gè)時(shí)刻，將前一時(shí)刻產(chǎn)生的粒子集代入狀態(tài)方程，產(chǎn)生預(yù)測(cè)粒子集；③更新對(duì)于每個(gè)預(yù)測(cè)粒子，利用融合后的量測(cè)，計(jì)算權(quán)重，并歸一化權(quán)重；④重采樣用系統(tǒng)重采樣算法進(jìn)行重采樣；⑤狀態(tài)估計(jì)取重采樣后粒子的平均值作為目標(biāo)狀態(tài)估計(jì)值。
通過(guò)以上算法可得到基于融合航跡的目標(biāo)狀態(tài)預(yù)測(cè)值，從而實(shí)現(xiàn)目標(biāo)的精確跟蹤。 表l不同方法下目標(biāo)位置估計(jì)的均方根差(m)
方法目標(biāo)l目標(biāo)2目標(biāo)3
FCM2. 80944. 43771. 5960
FCM-FT1.71841. 30730. 8498
從圖1可看到，用FCM算法進(jìn)行目標(biāo)跟蹤時(shí)，3個(gè)目標(biāo)在近相距和交叉運(yùn)動(dòng)時(shí)均發(fā) 生不同程度的航跡丟失和跟蹤混淆，尤其是目標(biāo)2與3在近相距和交叉時(shí)發(fā)生航跡嚴(yán)重 錯(cuò)誤關(guān)聯(lián)，使目標(biāo)2在第2 8個(gè)采樣時(shí)刻航跡丟失，目標(biāo)3航跡嚴(yán)重錯(cuò)誤關(guān)聯(lián)。在3 個(gè)目標(biāo)20個(gè)采樣時(shí)刻內(nèi)5次交叉運(yùn)動(dòng)的跟蹤中，航跡錯(cuò)誤關(guān)聯(lián)率平均達(dá)15%，而用FCM-PF 算法進(jìn)行目標(biāo)跟蹤時(shí)，由圖2可以看到，3個(gè)目標(biāo)在近相距和交叉運(yùn)動(dòng)時(shí)均無(wú)出現(xiàn)航跡 丟失和跟蹤混淆的現(xiàn)象，航跡關(guān)聯(lián)正確率達(dá)100%。從表1兩種不同方法下目標(biāo)位置估計(jì) 的均方根誤差也可看到，F(xiàn)CM-FT是指本發(fā)明的算法，3個(gè)目標(biāo)在FCM-PF算法的RMSE 均比原FCM算法的要小，尤其是目標(biāo)2， RMSE由4. 4377歷下降到1. 3073歷，F(xiàn)CM-PF算法 體現(xiàn)了較好的跟蹤性能。
權(quán)利要求
1、一種模糊聚類(lèi)粒子濾波的無(wú)線傳感器網(wǎng)絡(luò)多目標(biāo)跟蹤方法，其特征是它首先對(duì)傳感器節(jié)點(diǎn)量測(cè)數(shù)據(jù)用基于跟蹤門(mén)限算法進(jìn)行粗關(guān)聯(lián)，排除部分雜波，再通過(guò)在各個(gè)傳感器節(jié)點(diǎn)的觀測(cè)空間上分別建立各自的FCM算法進(jìn)行精關(guān)聯(lián)，對(duì)精關(guān)聯(lián)數(shù)據(jù)進(jìn)行線性最優(yōu)融合，最后用粒子濾波預(yù)測(cè)各目標(biāo)的狀態(tài)。
2、 根據(jù)權(quán)利要求1所述的模糊聚類(lèi)粒子濾波的無(wú)線傳感器網(wǎng)絡(luò)多目標(biāo)跟蹤方法， 其特征是該方法的具體步驟是-a、 門(mén)限粗關(guān)聯(lián)粗關(guān)聯(lián)門(mén)限根據(jù)目標(biāo)極限運(yùn)動(dòng)狀態(tài)進(jìn)行設(shè)定，關(guān)聯(lián)門(mén)設(shè)為以預(yù)測(cè) 估計(jì)位置為中心，最大運(yùn)動(dòng)速度X采樣時(shí)間間隔為半徑的園，量測(cè)在關(guān)聯(lián)門(mén)限以外視為不可能量測(cè)或干擾而排除；b、 FCM精關(guān)聯(lián)把源于同一個(gè)傳感器的量測(cè)按最大隸屬度來(lái)分配給各個(gè)目標(biāo)，保證任一 目標(biāo)只能有一個(gè)觀測(cè)量來(lái)自同一個(gè)傳感器；c、 數(shù)據(jù)融合經(jīng)過(guò)FCM精關(guān)聯(lián)后，不同傳感器的多個(gè)量測(cè)組成一個(gè)類(lèi)同屬于一個(gè) 目標(biāo)，對(duì)每個(gè)類(lèi)內(nèi)的數(shù)據(jù)進(jìn)行線性最優(yōu)融合。d、 粒子濾波預(yù)測(cè)跟蹤用融合后的數(shù)據(jù)進(jìn)行粒子濾波預(yù)測(cè)，可得到基于融合航跡 的目標(biāo)狀態(tài)預(yù)測(cè)值，從而實(shí)現(xiàn)目標(biāo)的精確跟蹤。
3、 根據(jù)權(quán)利要求2所述的模糊聚類(lèi)粒子濾波的無(wú)線傳感器網(wǎng)絡(luò)多目標(biāo)跟蹤方法，其特征是在步驟C中，線性最優(yōu)融合后的狀態(tài)及誤差協(xié)方差分別為<formula>formula see original document page 2</formula>式中,二 1/,K， 且 t,=1其中Zjk)，…，Zjk)表示同一目標(biāo)中k時(shí)刻來(lái)自不同傳感器的I個(gè)量測(cè)，它們對(duì) 應(yīng)的狀態(tài)協(xié)方差為P,(k)，， P,(k), tr^是矩陣的跡。
4、 根據(jù)權(quán)利要求2所述的模糊聚類(lèi)粒子濾波的無(wú)線傳感器網(wǎng)絡(luò)多目標(biāo)跟蹤方法，其特征是在步驟d中，粒子濾波預(yù)測(cè)的步驟如下1)初始化根據(jù)已知的初始位置，產(chǎn)生初始粒子集；2) 預(yù)測(cè)對(duì)每個(gè)時(shí)刻，將前一時(shí)刻產(chǎn)生的粒子集代入狀態(tài)方程，產(chǎn)生預(yù)測(cè)粒子集;3) 更新對(duì)于每個(gè)預(yù)測(cè)粒子，利用融合后的量測(cè)，計(jì)算權(quán)重，并歸一化權(quán)重；4) 重采樣用系統(tǒng)重采樣算法進(jìn)行重采樣；5) 狀態(tài)估計(jì)取重采樣后粒子的平均值作為目標(biāo)狀態(tài)估計(jì)值。
全文摘要
一種模糊聚類(lèi)粒子濾波的無(wú)線傳感器網(wǎng)絡(luò)多目標(biāo)跟蹤方法，它首先對(duì)傳感器節(jié)點(diǎn)量測(cè)數(shù)據(jù)用基于跟蹤門(mén)限算法進(jìn)行粗關(guān)聯(lián)，排除部分雜波，再通過(guò)在各個(gè)傳感器節(jié)點(diǎn)的觀測(cè)空間上分別建立各自的FCM算法進(jìn)行精關(guān)聯(lián)，對(duì)精關(guān)聯(lián)數(shù)據(jù)進(jìn)行線性最優(yōu)融合，最后用粒子濾波預(yù)測(cè)各目標(biāo)的狀態(tài)。本發(fā)明可有效避免多目標(biāo)航跡丟失和錯(cuò)誤關(guān)聯(lián)，實(shí)現(xiàn)多目標(biāo)的精確跟蹤。
文檔編號(hào)G01S13/66GK101639535SQ20091004238
公開(kāi)日2010年2月3日 申請(qǐng)日期2009年8月28日 優(yōu)先權(quán)日2009年8月28日
發(fā)明者美 劉, 徐小玲, 陳政石 申請(qǐng)人:茂名學(xué)院