论文部分内容阅读
基于无线传感器网络的目标跟踪目前已应用于建筑物监控观测、动态定位与跟踪、城市管理、抢险救灾、国防等各个领域,是国内外研究的热点。在基于状态估计实现目标跟踪的方法中,分布式估计方法通常依赖于传感器节点之间的点对点通信,具有稳定性高、容错能力强、计算代价小等优点。在传感器网络中,传感器节点可以获得关于目标状态的多个测量值,分布式估计的目的是利用网络中的所有测量值来获得关于目标状态的精确估计,而并不需要中心节点作为信息融合中心。论文对基于视频传感器网络的分布式目标跟踪技术进行了深入研究,并提出了提高跟踪精度的方法。本文提出了基于一致性算法的信息加权一致性滤波(Information-weighted Consensus Filter,ICF)算法,并将其扩展应用到非线性观测模型。论文的主要工作如下:首先,大量查阅与研究专业相关的国内外文献,简单阐述了基于无线传感器网络的目标跟踪的研究意义及研究现状。对几种视频传感器网络中的目标跟踪方法的优缺点进行了概括。其次,分析了现有的两种分布式目标跟踪方法。本文首先简要描述了平均一致性算法的基本原理。然后阐述了目前应用较广的两种基于视频传感器网络的分布式目标跟踪方法,即卡尔曼一致性滤波(Kalman Consensus Filter,KCF)方法和广义卡尔曼一致性滤波(Generalized Kalman Consensus Filter,GKCF)方法。重点分析了目标状态估计实现过程,并从理论和仿真两方面进行了对比分析。然后,针对视频传感器节点具有有限视场,传感器网络中存在无法获得关于目标测量信息的朴素节点这一问题,提出了信息加权一致性滤波算法。首先介绍了视频传感器网络的特性,然后基于集中式最大后验估计推导出目标的集中式状态估计的信息形式,接着基于一致性算法推导出目标状态估计方程的分布式实现,最后结合目标状态动态模型,提出信息加权一致性滤波方法。本文还从理论上对比分析了ICF算法相较其他算法的优势。仿真表明,相较传统的KCF算法和GKCF算法,ICF算法的跟踪精度更高且趋于集中式目标跟踪算法。最后,提出了基于非线性观测模型的扩展信息加权一致性滤波(Extended Information-weighted Consensus Filter,EICF)算法。首先描述了视频传感器网络的非线性观测模型,然后根据扩展卡尔曼滤波算法和一致性算法,得到目标状态估计和信息矩阵在非线性模型下的分布式形式,最后结合目标状态动态模型提出了EICF方法。仿真结果验证了该算法的有效性。