无线传感器网络的目标跟踪算法

为了解决无线传感器网络跟踪非线性运动目标的分布式数据融合问题,使用了基于扩展信息滤波器(EIF)的分布式估计算法.对于活跃传感器的选择方法,采用了基于与目标位置接近程度的近邻选择算法和基于信息贡献的信息选择算法.仿真结果表明,与分布式扩展信息滤波器(DEIF)算法相比,近邻选择算法和信息选择算法得到了相似的响应曲线,且具有减少能量消耗和简化计算的优点.     

变拓扑非完全连通网络中的分布式机动目标跟踪算法研究

完全分布式的机动目标跟踪是传感器网络等应用中亟待解决的关键问题。本文针对变拓扑非完全连通网络,提出一种基于网络共识的多模型信息滤波器( Consensus based Multiple Model Information Filter, C-MMIF)。 C-MMIF基于标准IMM框架,保证了估计最优性;并通过构造目标运动模式概率和状态估计的信息滤波形式,使节点间运算相互独立。同时,每个独立节点仅需与其相邻节点通讯,利用平均网络共识分布式优化算法对自身信息状态进行更新,实现节点间对目标运动模式及状态的一致估计。最后在无人机与地面传感器网络协同对地机动目标跟踪场景下进行算法仿真验证,结果证明该方法可以在无融合处理中心且网络拓扑变化情况下,使各节点实现对机动目标的一致有效跟踪。     

分布式传感器网络中重复信息的消除及信息融合

网络化环境下多路径可能造成融合节点重复利用过去时刻的信息,导致过度数据融合和严重估计偏差,针对该问题,提出一种基于通信连接矩阵的传感器网络分布式信息融合算法,由每个时刻传感器网络的通信拓扑得到该时刻的连接矩阵,对连接矩阵进行计算可以找到并消除重复的先验信息,从而建立相应的分布式信息融合算法。仿真结果表明：该算法能够消除网络中重复信息对分布式信息融合性能造成的影响。     

一种高效的分布式多传感器多目标跟踪算法

现有的多传感器多目标跟踪算法大都基于马尔科夫-贝叶斯模型,需要诸如目标运动、杂波、传感器检测概率等先验信息,但是在恶劣的环境中,这些先验信息不准确并导致目标跟踪精度下降.为了解决该情况下的多目标跟踪问题,我们提出了一个高效的分布式多目标跟踪算法,该算法通过泛洪(Flooding)共识算法在分布式网络的传感器之间迭代的传...     

分布式传感器多目标跟踪改进算法

利用分布式传感器网络进行目标跟踪,能够有效增加传感器的覆盖范围,提高对运动目标的检测和跟踪能力,但如何充分利用相邻传感器之间的信息进行有效的融合,仍然是一个难点问题。本文在多伯努利滤波(Multi-Bernoulli,MB)框架下,提出了一种改进的分布式融合跟踪算法用于目标数未知且变化的多目标跟踪。提出算法包含三种精度提升策略,即特征级融合反馈、决策级融合输出及交互反馈;其中,决策级融合输出策略可以提取更加准确的估计状态,特征级融合反馈策略可以降低错误融合结果对后续滤波过程的不良影响,交互反馈策略可以避免单传感器因漏检而导致的滤波失败。实验结果表明,提出算法的跟踪精度明显要优于传统的基于广义协方差交集(Generalized Covariance Intersection,GCI)的分布式融合算法以及粒子多伯努利跟踪算法,具有较好的跟踪性能。     

基于REKF的异类传感器异步数据融合算法研究

提出了一种基于异类传感器(R和IR)的数据融合目标跟踪算法,两种传感器具有不同的测量维数,量测数据异步采样并以不同的速率传输到融合中心站点.通过时间匹配技术,完成两种异步数据的融合,然后实现滤波器的状态更新.同时文中讨论了一种REKF(旋转推广卡尔曼滤波:Rotation Extended Kalman Filter)算法,可以有效地解决量测非线性和降低计算量的问题.     

一种改进的分布式弱目标检测前跟踪算法

针对融合粒子权重的计算实现和传感器局部粒子间融合对应关系的确定问题,本文提出了一种改进的基于粒子滤波的分布式检测前跟踪(PF-DTBD)算法.算法重新推导了融合粒子权重的计算公式,得到一个近似计算式,保证计算结果正确的同时简化了计算;设计了一种基于Gibbs采样的参数估计算法解决了多传感器局部粒子间融合对应关系的确定;依据融合粒子权重与传感器局部粒子权重间的关系引入了结合序贯概率比检验和固定样本长度似然比检验的弱目标检测算法,明确实现了弱目标的检测.与单传感器处理的仿真试验对比,验证了本文算法的有效性,降低了弱目标检测时延,提高了状态估计精度.     

一种大规模传感器网络节点分布式定位算法

针对大规模无线传感器网络(WSN)中节点难以定位的问题,该文提出一种基于改进牛顿法的分布式定位算法。该算法包括网络划分和分布式算法。首先,根据节点位置和节点之间直接相连的距离信息,将无线传感器网络划分为若干个重叠的子区域,并将子区域的定位问题归结为无约束优化问题,每个子区域可以独立计算;然后,使用分布式算法估计子区域中的节点位置并进行局部融合。实验结果表明,与已有算法相比,该算法具有良好的扩展性,在大规模网络中定位精度更高,能满足大规模无线传感器网络中节点定位需求。     

一种基于分步式滤波的数据融合算法

本文提出了一种基于分步式滤波的多传感器动态系统数据融合算法.在由多传感器组成的分布式动态系统中,当对目标状态的所有观测值到来时,首先基于系统先前信息对该时刻目标状态进行预测估计,利用Kalman滤波器和各局部观测值依次对该时刻目标状态的估计值进行更新,从而得到该时刻目标状态基于全局信息的融合估计值.文中详细推证了融合算法的具体形式,并与传统的集中式数据融合算法在计算复杂度上进行了比较,计算机仿真表明该算法与传统的集中式算法对目标状态具有相同的估计精确度.     

雷达/红外复合导引头信息融合算法

毫米波雷达/ 红外成像复合制导已成为当前多模复合制导技术的研究热点。从毫米波雷达/ 红外成像复合导引头系统的特点及其工程应用出发,建立了一种基于联邦滤波(FF)的分布式雷达/ 红外复合导引头信息融合算法。首先,针对扩展卡尔曼滤波存在线性化误差以及雷达测量噪声非高斯的特点,采用粒子滤波算法(PF)设计雷达子滤波器;针对红外传感器不能测量目标距离的特点,采用伪线性卡尔曼滤波算法(PLKF)设计红外子滤波器。然后通过主滤波器进行信息融合,并对两个子滤波器进行信息分配和重置。仿真结果表明,该信息融合算法能够有效地提高雷达/红外复合导引头系统的目标跟踪精度及系统的稳定性。     

一种适用于分布式摄像机网络的SCIWCF算法

本文使用容积卡尔曼滤波器来处理分布式摄像机网络中的目标跟踪问题.平方根容积信息滤波（Square-Root Cubature Information Filter,SCIF）是容积卡尔曼滤波的一种扩展,其具有有效性和可靠性等方面优势,有利于对多源信息进行信息融合.然而当该算法应用于像摄像机网络这种大规模网络时,如果采用一般的集中式处理,中心节点可能会承受较大的计算压力.针对这个问题,本文首先将平方根容积信息滤波器进行了扩展,提出分布式平方根容积信息滤波器,使其能适应大规模网络.另外在摄像机网络中,由于摄像机装置在一个较大的区域内,由于摄像机观测区域有限,目标可能会出现在观察的盲区,这样就会存在某些摄像机的测量数据无效.针对这个问题,本文提出了平方根容积信息加权一致性滤波器（Square-Root Cubature Information Weighted Consensus Filter,SCIWCF）对状态信息和信息矩阵加权,减小这些无效信息在一致性算法的作用,从而提高整体的滤波性能.仿真实验结果表明,本文提出的算法能够在摄像机网络中对目标进行有效跟踪,在估计精度和滤波器稳定性等方面要优于传统的信息滤波.     

Augmented consensus filter for simultaneous localization and tracking with limited sense range

In this paper, we investigate how to exploit distributed average consensus fusion for conducting simultaneous localization and tracking (SLAT) by using wireless sensor networks. To this end, we commence by establishing a limited sense range (LSR) nonlinear system that characterizes the coupling of target state and sensor localization with respect to each sensor. We then employ an augmented extended Kalman filter to estimate the sensor and target states of our system. Furthermore, we adopt a consensus filtering scheme which fuses the information from neighboring sensors. We thus obtain a two-stage distributed filtering framework that not only obtains updated sensor locations trough augment filtering but also provides an accurate target state estimate in consensus filtering. Additionally, our framework is computationally efficient because it only requires neighboring sensor communications. The simulation results reveal that the proposed filtering framework is much more robust than traditional information fusion methods in limited ranging conditions.     

集中式BLUE滤波器在组网雷达中的应用

为解决组网雷达对目标跟踪中的量测非线性问题,提出基于最佳线性无偏估计器(BLUE)准则的融合滤波方法。建立以融合中心为原点的组网雷达对目标定位的量测方程,推导出极坐标系与球坐标系下跟踪目标的BLUE滤波模型。理论分析表明,集中式BLUE滤波架构在估计单个雷达量测转换误差统计特性的同时,还估计出雷达间量测转换误差的统计特性。因此,跟踪精度和置信度较分布式BLUE滤波方法有显著提高,计算量较其他算法也有明显优势。不同场景下的仿真分析证明:该方法在不同状态噪声水平下的表现优异,是一种很有竞争力的跟踪算法。     

基于强跟踪滤波器的多传感器非线性动态系统状态与参数联合估计

本文将强跟踪滤波理论与多传感器数据融合技术相结合,提出基于强跟踪滤波器的多传感器状态与参数联合估计新算法;对拥有相同采样率的分布式多传感器单模型非线性动态系统,应用强跟踪滤波器,得到目标状态基于全局信息融合估计结果,并利用计算机仿真结果对算法的有效性进行了验证;这些工作初步解决了Kalman滤波中由于模型的不确定性而造成估计误差值偏大情况下的状态融合估计问题,从而丰富和发展了多源信息融合理论.     

视场非完全重叠的分布式雷达多目标跟踪方法

在探测能力、波形设计及天线指向等因素制约下,分布式雷达视场并非完全重合,由此造成的观测信息差异给后续信息融合带来了巨大挑战。该文基于高斯混合实现的集势概率假设密度(CPHD)滤波器,提出了一种视场部分重叠下的分布式雷达多目标跟踪方法。首先,利用多目标密度乘积切分出概率假设密度(PHD)中表征共同观测信息的部分;之后,标准的分布式融合(算术平均或几何平均融合)方法作用于切分出的共同观测目标信息以提升跟踪性能,补偿融合则作用于雷达单独观测目标信息以扩展视场范围。该文方法无须视场先验信息,能够适应雷达视场未知时的分布式融合多目标跟踪场景。仿真实验验证了所提出方法在未知、时变雷达视场下跟踪多目标的性能,表明了该文方法比基于高斯混合的聚类方法性能更好。      

Moving‐Target Tracking Based on Particle Filter with TDOA/FDOA Measurements

In this letter, we propose a moving‐target tracking algorithm based on a particle filter that uses the time difference of arrival (TDOA)/frequency difference of arrival (FDOA) measurements acquired by distributed sensors. It is shown that the performance of the proposed algorithm, based on the particle filter, outperforms the one based on the extended Kalman filter. The use of both the TDOA and FDOA measurements is shown to be effective in the moving‐target tracking. It is proven that the particle filter deals with the nonlinear nature of the moving‐target tracking problem successfully.     

基于容积卡尔曼滤波的异质多传感器融合算法

针对机动目标跟踪系统建模中的非线性问题,提出一种基于容积卡尔曼滤波(CKF)的雷达与红外传感器融合算法。考虑到被估计系统对目标跟踪算法实时性与精度的要求,在容积滤波框架下构建了集中式量测融合(CMF)和分布式状态融合(DSF)两种结构形式。CMF结构采用最优加权方法,首先对雷达和红外两种异类传感器的方位角度量测信息进行融合,并将其与融合后的雷达径向距量测构建新的量测数据,进而通过CKF算法对机动目标进行跟踪。DSF结构则首先对雷达量测中径向距信息进行加权融合,并将融合结果作为红外传感器的虚拟径向距量测,以实现红外量测的扩维处理,进而对每组量测数据应用CKF进行分布式并行加权融合,获得目标运动状态的最终估计。仿真场景中,对两种融合方法的性能进行比较,理论分析与仿真实验验证了算法的可行性与有效性。     

基于格拉布斯准则和改进粒子滤波算法的水下传感网目标跟踪

水下无线传感网络(UWSN)执行目标跟踪时,因为各个传感器节点测量值对目标状态估计的贡献不一样以及节点能量有限,所以探索一种好的节点融合权重方法和节点规划机制能够获得更好的跟踪性能。针对上述问题,该文提出一种基于Grubbs准则和互信息熵加权融合的分布式粒子滤波(PF)目标跟踪算法(GMIEW)。首先利用Grubbs准则对传感器节点所获得的信息进行分析检验,去除干扰信息和错误信息。其次,在粒子滤波的重要性权值计算的过程中,引入动态加权因子,采用传感器节点的测量值与目标状态之间的互信息熵,来反映传感器节点提供的目标信息量,从而获得各个节点相应的加权因子。最后,采用3维场景下的簇-树型网络拓扑结构,跟踪监测区域内的目标。实验结果显示,该算法可有效提高水下传感器网络测量数据对目标跟踪预测的准确度,降低跟踪误差。     

A template consensus method for visual tracking

Visual tracking is a challenging problem in computer vision. Recently, correlation filter-based trackers have shown to provide excellent tracking performance. Inspired by a sample consensus approach proposed for foreground detection, which classifies a given pixel as foreground or background based on its similarity to recently observed samples, we present a template consensus tracker based on the kernelized correlation filter (KCF). Instead of keeping only one target appearance model in the KCF, we make a feature pool to keep several target appearance models in our method and predict the new target position by searching for the location of the maximal value of the response maps. Both quantitative and qualitative evaluations are performed on the CVPR2013 tracking benchmark dataset. The results show that our proposed method improves the original KCF tracker by 8.17% in the success plot and 8.11% in the precision plot.