WSNs下一种自适应多传感器协同目标跟踪策略*

对WSNs中机动目标跟踪问题提出一种自适应多传感器协同跟踪策略。该策略能根据目标的移动位置,动态地唤醒无线传感器网络中部分传感器节点形成分簇,并选择合适的簇首和采样间隔进行目标跟踪。簇内节点通过协作感知以及测量信息融合,提高了跟踪精度,同时自适应可变采样间隔节约了通信能量和计算资源,满足了跟踪系统的实时性要求。提出了传感器网络能量均衡分配的指标,提高了网络的可靠性。由于模型的非线性和目标运动的机动性,采用IMM滤波器进行目标状态估计。仿真结果表明,与NSSS和DGSS相比,跟踪精度明显提高;与DCSS相比     

WSNs下一种自适应多传感器协同目标跟踪策略*

对WSNs中机动目标跟踪问题提出一种自适应多传感器协同跟踪策略.该策略能根据目标的移动位置,动态地唤醒无线传感器网络中部分传感器节点形成分簇,并选择合适的簇首和采样间隔进行目标跟踪.簇内节点通过协作感知以及测量信息融合,提高了跟踪精度,同时自适应可变采样间隔节约了通信能量和计算资源,满足了跟踪系统的实时性要求.提出了传感器网络能量均衡分配的指标,提高了网络的可靠性.由于模型的非线性和目标运动的机动性,采用IMM滤波器进行目标状态估计.仿真结果表明,与NSSS和DGSS相比,跟踪精度明显提高;与DCSS相比,在保证一定跟踪精度的同时,节约了能量消耗.     

A multiple model multiple hypothesis filter for Markovian switching systems

In this paper, a new filtering method for hybrid Markovian switching systems is presented. The method is called the multiple model multiple hypothesis filter (M³H filter). For each hypothesis an (extended) Kalman filter is running. An hypothesis represents a specific model mode sequence history. The proposed method is highly adaptive and flexible. The main feature is that the number of hypotheses that are maintained varies with the ‘difficulty’ of the situation and that it is adaptive in its computational load. In a representative example it is shown that the M³H filter can outperform the widely used interacting multiple model (IMM) filter, both in terms of accuracy and computational load. The newly proposed filter is an excellent alternative for the widely used and celebrated IMM filter.     

面向目标跟踪的传感器网络睡眠调度协议

移动目标跟踪是无线传感器网络中的一项重要应用,将睡眠调度机制引入到目标跟踪算法中可以大大降低能耗。针对目标跟踪的实际需求,提出一种面向目标跟踪的传感器网络睡眠调度协议。根据目标跟踪不同阶段,分别设计了目标跟踪前和跟踪过程中传感器节点的睡眠调度机制;另外给出了目标丢失时,如何唤醒节点继续跟踪目标的调度策略。结果表明:该算法能够在保证跟踪质量的同时,降低跟踪能耗。     

一种基于无线传感器网络的分布式处理目标跟踪系统

系统使用超声波传感器和扩展卡尔曼滤波对无线传感器网络中的移动单目标进行定位跟踪.节点嵌入式应用程序采用TinyOS/nesC[1]编程实现,采用Labview进行应用层开发.为了优化网络的能耗以延长网络寿命,提出了两种在分布式传感器网络中局部节点自适应选择任务节点[2]的方法.实验结果验证了扩展卡尔曼算法的正确性,并比较了这两种任务节点选择调度方法的跟踪性能,得出了基于候选节点协方差矩阵最小迹的任务节点选择调度方式在目标丢失率和跟踪精度综合考虑的基础上性能更优.     

基于FOE和改进MCMC的视频运动目标跟踪方法

改进的马尔可夫链蒙特卡洛MCMC(Markov Chain Monte Carlo)粒子滤波跟踪算法可以实现稳定跟踪多目标的目的。但在运动场景下,常常出现跟丢或者误跟的情况。考虑到相机聚焦中心FOE(Focus Of Expansion)在估计摄像头运动方面有不可替代的作用,首先通过构建FOE与目标在视频中位置的一个简单估计模型,估计目标的位置,再通过FOE与MCMC的结合,改善了目标丢失和抖动的现象,达到更加准确估计目标的目的。实验表明该方法对摄像头前后平移运动有比较理想的效果。     

高空远距离多目标视觉跟踪模型优化仿真

在智能跟踪建模优化问题的研究中,高空远距离的视觉目标跟踪一直是智能跟踪领域的难点.因为跟踪目标的距离较远,可追踪特征在色彩、像素灰度等方面会发生较大幅度的衰退和丢失.传统的目标视觉跟踪方法在上述情况下,会迅速丧失跟踪能力,造成目标跟踪丢失.主要因为传统算法在视频目标跟踪算法中未考虑到特征丢失带来的先验的目标信息的问题.提出一种新的目标跟踪模型.模型在跟踪过程中,像素分布的产生直接采用先验概率.引入改进的灰预测GM1模型,通过灰预测改进的GM1的预测值来产生新的建议分布,使得后验概率分布更加逼近真实目标的后验概率密度,保证弱化跟踪的强关联性.实验结果表明,与标准的粒子滤波算法进行对比试验,所提出的算法在远程高空视觉目标跟踪中具有更好的性能.     

模型集和IMM自适应的目标跟踪算法

本文在仿真试验和理论分析基础上,首先给出了一种自适应IMM算法。再根据变结构IMM思想,把该算法与具体的运动模型相结合,提出了模型集和IMM算法都是自适应的机动目标跟踪方法。该方法在模式空间连续的情况下,模型集合逐步收敛到给定的范围内。文中给出了两种方法的具体实现步骤,并对文[6]中的AGIMM方法作了修正。仿真试验中把两种方法分别与传统的IMM算法和文[6]的方法进行了比较,结果表明在目标机动情况下,两种方法在性能上均有不同程度的提高,从而证明了本文所提算法的有效性。     

动态背景下基于粒子滤波的运动目标跟踪方法

在智能视频监控系统中,实现对动态背景下的运动目标准确跟踪是一个难点问题。使用一种基于粒子滤波的方法来对动态背景下的运动目标进行跟踪。该方法基于贝叶斯估计,利用粒子集来表示概率,通过递推的贝叶斯滤波来近似逼近最优化的估计结果。实验结果证明,该方法可准确跟踪动态背景下的运动目标,是一种有效的目标跟踪方法。