基于动态近邻反馈修正的室内定位算法

针对目前无线传感器网络（WSN）室内接收信号强度（RSSI）测距算法中RSSI易受到信道干扰和传播环境影响从而导致定位精度低的问题,提出一种动态近邻反馈修正的室内定位优化算法FC-DNN,以实现无线传感器室内节点精确定位。首先,通过对环境进行Voronoi图分割确定最小定位区域;然后计算每个区域的路径损耗模型参数得到节点间的精确距离;最后利用Spearman等级相关系数动态选择邻居锚节点,根据邻节点反馈修正进一步提高未知节点的定位精度。仿真结果表明,FC-DNN算法复杂度低、计算开销小、能耗较低,与典型的RSSI测距差分修正定位算法（DDLA）和受限三维空间传感器定位算法（CO-3D）相比,节点的平均定位误差降低了约15个百分点,能够很好地满足室内环境定位要求。     

Min-Max节点定位算法的分析与改进

无线传感器网络中RSSI测距是一项低成本的估算节点间相对距离的技术,而Min-Max算法是适合该技术并能满足网络低功耗要求的节点定位应用。首先在建立RSSI测距模型的基础上分析了Min-Max算法的性能,并针对该算法在室内环境中对靠近边缘区域未知节点的定位误差较大的问题,提出了一种有矩形边缘越界检测法,改进方法能通过检测重合矩形区域是否越界并做出相应的算法修正,仿真结果表明能有效提高定位边缘区域未知节点的定位精度。该改进算法在大规模多个节点的网络环境下,依然可以有效降低网络节点的平均定位误差。     

一种用于移动传感器网络的定位算法

无线传感器网络作为一种全新的信息获取和处理技术,可以在广泛的应用领域内实现复杂的大规模监测和追踪任务。在传感器网络中,定位问题已经是很多无线传感器网络应用的关键,以前的大多数定位算法只适用于静态网络。设计了一种适用于锚节点和普通节点都自由移动的移动传感器网络的定位算法,该算法结合Monte Carlo和RSSI方法,通过约束选取样点的样本空间,仿真结果显示同比提高了算法精度。     

基于MSPF的实时监控多目标跟踪算法研究

近年来,实时监控下多目标跟踪作为智能交通系统(Intelligent transportation system,ITS)的重要组成部分受到关注.传统多目标跟踪方法通常具有处理速度慢、容易对交叉行进车辆产生误匹配等问题.本文首先对基于贝叶斯规则的车辆视频复杂背景的建模及运动目标的检测进行研究,在此基础上提出一种基于Meanshift粒子滤波(Mean shift particle filter,MSPF)的多目标跟踪算法,首先对每一目标车辆在下一帧可能出现的范围进行预测,对单目标和多目标情况采用不同的检测策略,避免了全局搜索,提高了跟踪速度;通过构造基于最新观测信息的重要性密度函数,提高了MSPF算法在复杂背景情况下追踪部分遮挡及交叉车辆的准确性和鲁棒性.仿真实验结果验证了所提出算法的有效性.     

一种基于插值的室内指纹定位系统设计与实现

由于室内环境的复杂性,无线传感器网络WSN(Wireless Sensor Networks)室内定位的精度一直不够理想.本系统在测距定位算法和非测距定位算法的基础上,提出了基于信号强度RSSI(Received Signal Strength Indication)的指纹定位方法.该方法利用Cokriging插值算法建立定位区域的多维RSSI向量指纹,通过匹配目标节点的RSSI向量与指纹RSSI向量确定目标节点的位置范围,最后使用K-中心点聚类算法提取目标节点的实际位置.实际场景实验和仿真实验结果都表明此方法在复杂的室内环境中具有较高的定位精度.     

基于模糊控制的无线传感器网络室内定位算法

提出了一种通过无线传感器网络组网,利用基于模糊算法的改进接收信号强度指示(RSSI)测距技术来进行室内定位的系统设计方案。通过模糊状态分类建立环境气候和障碍物的模糊分布参数,对“距离-损耗”模型进行改进,算出其隶属函数,从而得到较准确的测距公式,计算出移动节点的位置信息。实验结果表明：提出的定位算法在对移动节点定位的实时性和准确性上能满足实际需要,具有应用价值。     

基于IR-UWB雷达的多视角融合动态目标追踪

近年来,对运动目标的定位和追踪被广泛地应用于室内导航、智能家居、安防监控和智慧医疗等场景.基于无线射频信号的非接触式定位追踪受到了研究人员的广泛关注,其中基于商用IR-UWB的技术能够以较低的成本和功耗实现目标定位和追踪的功能,具有较强的发展潜力.然而,现有工作大多存在以下问题:1)追踪场景受限,只针对理想情况下室外或者相对空旷的室内场景进行建模和处理; 2)目标的运动状态受限且建模过于理想; 3)虚假动态目标引起的追踪精度不足.为了解决这些问题,在理解多径场景下接收信号谱组成的基础上,提出一个基于IR-UWB的动态目标追踪方法.首先提取原始信号谱中动态成分,并利用基于高斯模糊的多径消除和距离提取算法,消除了多径干扰,仅保留与运动目标直接相关的一次反射信息,从而准确地获取了目标的距离变化曲线.随后,提出多视角融合算法,将不同视角上的设备距离信息进行融合,实现对自由活动目标的准确定位和追踪.此外,还搭建一个基于低成本商用IR-UWB雷达的实时动态目标追踪系统.真实室内家居场景中的实验结果表明,系统估计的人体中心的位置与真实运动轨迹的误差始终小于20 cm.在改变实验环境、实验者、活动速度...     

基于聚类分析优化的距离修正室内定位算法

基于接收信号强度RSSI的定位系统易受环境影响,提出一种基于聚类算法分析的高斯混合滤波的RSSI信号处理优化策略,通过优化接收信号强度及距离修正的四边质心定位算法对未知节点进行精确室内定位,使用蓝牙4.0信标节点进行实地实验。实验结果表明,该算法可以有效提高测距精度,改善系统的定位精度,比传统加权质心算法的定位精度提高了34.6%,且定位平均误差不超过0.5m,可满足室内定位精度要求。     

Dynamic localization based on spatial reasoning with RSSI in wireless sensor networks for transport logistics

In this paper we present a novel indoor localization approach in Wireless Sensor Networks (WSN) which is based on spatial reasoning by observing the relationship between RSSI (Received Signal Strength Indication) values from spatially distributed data sources. In this work a WSN is applied as the environmental supervision system in containers during the transport processes. The proposed positioning approach exploits the simple straightforward movement of the “palette-accompanying” sensor nodes, which are arbitrarily distributed in palettes during the loading process. The target sensor nodes are capable of reasoning their loading route and end position by collecting and comparing the RSSI readings from the distributed anchor nodes. Since no numeric distance determination with RSSI is required, the typical ranging error due to the instability of the signal strength is avoided and the calculation complexity is reduced. The test results show that the localization accuracy fulfils the requirements of the sample applications.     

针对多目标的分布式多边融合定位

针对基于接收信号强度指数(Received Signal Strength Indicator,RSSI)的多目标定位问题,结合点估计与椭圆估计算法,提出一种新的分布式多边融合定位(Distributed Multi-lateral Fusion Localization,DMFL)算法.首先,通过多边定位算法进行粗定位,估计目标的大致位置.其次,基于区间分析理论在线获取泰勒展式高阶余项的边界,并通过集员递归算法求解多目标定位问题.最后,通过实验和仿真验证该算法的定位性能.结果表明,在相同的节点布置条件下,与最新的RSSI定位算法相比,该算法的定位精度更高,最大误差小于0.3 m,并可提供保证包含目标真实位置的最优区域.     

融合YOLO检测的多目标跟踪算法

针对目前视频多目标跟踪过程中的遮挡问题,提出了一种融合YOLO v3的多目标检测和跟踪算法,选定基于检测跟踪的框架作为跟踪的整体框架,使用YOLO v3来实现对目标信息的检测工作,在选定某一检测类别的基础上,使用本文提出的跟踪算法,通过数据关联完成对此类别的多目标跟踪,并针对跟踪过程中的目标遮挡问题以及因目标遮挡而引起的轨迹跟踪异常的问题,提出了修正算法。测试视频中被遮挡的大部分目标都能准确地跟踪,但在背景移动时也会发生一部分目标身份互换的情况。所提出的算法在解决多目标跟踪中的遮挡问题时具有一定的准确性和实时性。     

一种用于室内人员定位的RSSI定位算法

采用基于比较接收信号强度（RSSI）的测距技术,利用中值策略从锚节点多组测量值中选取最合适的RSSI值用于定位计算。针对算法用于室内人员定位的具体需求,采用室内环境下的无线信号传播模型,提出目标节点空间补偿模型,解决了因目标节点与锚节点处于不同平面导致定位误差较大的问题。最后验证改进算法的定位性能有较大提高。     

基于RSSI的测距差分修正定位算法

为了抑制RSSI误差对无线传感器节点自身定位精度的影响,以三边定位算法为基础,定义了个体差异差分系数、距离差分系数和距离差分定位方程,把离目标节点最近的信标节点作为参考节点对基于RSSI的测距进行差分修正,并将差分法和质心法相结合提出了一种测距差分修正定位算法。该定位算法无需增加额外硬件开销,容易实现,定位误差可小于2.5m,适合于处理能力和能量有限的无线传感器网络节点。     

Markov Chain Monte Carlo Data Association for Multi-Target Tracking

This paper presents Markov chain Monte Carlo data association (MCMCDA) for solving data association problems arising in multi-target tracking in a cluttered environment. When the number of targets is fixed, the single-scan version of MCMCDA approximates joint probabilistic data association (JPDA). Although the exact computation of association probabilities in JPDA is NP-hard, we prove that the single-scan MCMCDA algorithm provides a fully polynomial randomized approximation scheme for JPDA. For general multi-target tracking problems, in which unknown numbers of targets appear and disappear at random times, we present a multi-scan MCMCDA algorithm that approximates the optimal Bayesian filter. We also present extensive simulation studies supporting theoretical results in this paper. Our simulation results also show that MCMCDA outperforms multiple hypothesis tracking (MHT) by a significant margin in terms of accuracy and efficiency under extreme conditions, such as a large number of targets in a dense environment, low detection probabilities, and high false alarm rates.      

基于RSSI的WSN二维对数搜索定位算法

定位技术是无线传感器网络(WSN)应用的关键技术之一。针对WSN中的定位问题,提出一种基于接收信号强度指示(RSSI)测距的二维对数分布式搜索定位算法。采用改进的RSSI测距模型测量节点之间的距离,利用质心定位算法结果作为搜索起点,设计一种基于最小加权距离误差和的目标函数,对于每个节点通过二维对数搜索的方法,搜索具有最小加权距离误差和的点作为定位位置。仿真实验比较了质心定位算法、不带权值的二维对数搜索定位算法、基于RSSI的二维对数搜索定位算法在不同条件下的定位性能,结果表明基于RSSI的二维对数搜索定位算法的定位精度远优于质心定位算法,相比不带权值的二维对数搜索定位算法约提高了0.02R。     

基于RSSI的自适应权重定位算法

在室内环境中,由于存在多径、反射的影响,采用传统的静态权重质心定位(SWCL)方法无法得到准确的定位精度.针对这一问题,提出了一种新的基于接收信号强度指示(RSSI)的动态自适应静态权重质心定位(RSSI—DA—SWCL)算法.对RSSI测距算法优化,消除不同发射功率和其它突发干扰对测距的影响;利用锚节点和未知节点距离等信息,让锚节点自适应地获得最优的权重系数,从而提高定位精度;将RSSI—DA—SWCL算法在ZigBee平台中实现,并通过Maltab仿真和实测实验对算法进行验证.结果表明:和传统的定位算法相比,提出算法具有更优的定位精度.     

基于多目标跟踪的交通异常事件检测

针对传统异常行为自动检测方法的准确率和稳定性无法满足多变视频检测需求的问题,将最新的目标检测网络YOLOv3与目标跟踪算法相结合,通过对基于SORT多目标跟踪框架的改进,对检测目标的级联匹配采用了融合运动与外观特征的指标,以适应实际高架桥梁道路监控的情况.然后利用改进的多目标跟踪算法,对城市高架道路监控视频中的目标进行跟踪,配合相应的轨迹判别规则实现对视频中出现的行人、停车和车辆变道的交通行为异常情况的自动判别,具有较高的判别精度,可以达到实际应用目的.     

视频序列中面向人的多目标跟踪算法

针对视频序列中人的跟踪问题,提出一种基于运动检测的多目标跟踪算法．跟踪系统由运动目标检测、关联矩阵建立、特殊情况判断及处理以及轨迹关联4部分构成．提出一种基于改进的c-均值聚类的自适应运动分割方法;不同情况下建立不同的关联矩阵,以准确判断实际场景状况;对遮挡问题作出处理,在两个目标遮挡不严重的情况下,分别采用均值漂移算法对其进行跟踪．实验结果表明,该算法具有较强的鲁棒性,能有效实现复杂场景下多目标跟踪．     

基于RSSI误差分析的无线传感器网络定位研究

提出了一种新的无线传感器网络定位算法,该定位算法主要用来有效处理无线传感器网络在实际应用地理环境中遇到的一些问题,使得算法更适应于实际应用环境。研究分析了在实际应用环境中,导致RSSI测距产生误差的两大因素,基于此提出了RSSI信号理论模型在线修正方法及使用三个网络节点来实现定位的方案,以减小RSSI误差对定位精度的影响。仿真实验结果表明,算法是有效可行的。     

YOLOv4-tiny-based robust RGB-D SLAM approach with point and surface feature fusion in complex indoor environments

Algorithm frameworks based on feature point matching are mature and widely used in simultaneous localization and mapping (SLAM). However, in the complex and changeable indoor environment, feature point matching-based SLAM currently has two major problems, namely, decreased accuracy of pose estimation due to the interference caused by dynamic objects to the SLAM system and tracking loss caused by the lack of feature points in weak texture scenes. To address these problems, herein, we present a robust and real-time RGB-D SLAM algorithm that is based on ORBSLAM3. For interference caused by indoor moving objects, we add the improved lightweight object detection network YOLOv4-tiny to detect dynamic regions, and the dynamic features in the dynamic area are then eliminated in the algorithm tracking stage. In the case of indoor weak texture scenes, while extracting point features the system extracts surface features at the same time. The framework fuses point and surface features to track camera pose. Experiments on the public TUM RGB-D data sets show that compared with the ORB-SLAM3 algorithm in highly dynamic scenes, the root mean square error (RMSE) of the absolute path error of the proposed algorithm improved by an average of 94.08%. Camera pose is tracked without loss over time. The algorithm takes an average of 34 ms to track each frame of the picture just with a CPU, which is suitably real-time and practical. The proposed algorithm is compared with other similar algorithms, and it exhibits excellent real-time performance and accuracy. We also used a Kinect camera to evaluate our algorithm in complex indoor environment, and also showed high robustness and real-time. To sum up, our algorithm can not only deal with the interference caused by dynamic objects to the system but also stably run in the open indoor weak texture scene.