无线传感器网络中基于粒子滤波的目标跟踪算法研究

近几十年来,随着传感器、无线通信、信息处理、计算机等相关技术的不断发展和创新,基于无线传感器网络的应用越来越广泛,对无线传感器网络中的目标跟踪算法进行研究也具有极大的现实意义。在研究滤波算法的基础上,针对粒子滤波算法中的粒子退化问题,考虑无迹粒子滤波中的重要性函数充分利用了当前观测值但是运行时间长的问题,提出一种在有效粒子数满足一定条件下进行无迹变换的方法,将先验分布和通过无迹卡尔曼方法得到的重要性函数相结合作为新的提议分布以减缓粒子的退化。对于粒子滤波中的样本贫化问题,提出一种改进的分类重采样方法,当粒子的多样性不足时,在大权值粒子上加一个以噪声方差控制的扰动并给予小权值粒子一定的被选概率,以此增加粒子的多样性,并以C++为仿真工具对所提方法进行了试验。结果表明,改进的粒子滤波算法在估计精度上优于标准粒子滤波和无迹粒子滤波,而且运行时间比无迹粒子滤波减小一半多。     

无线传感器网络节点调度技术研究

探讨了无线传感器网络的节点硬件体系结构和网络体系结构;论证了无线传感器网络节点调度的必要性和价值;从网络覆盖度及连通性等角度分析了若干较有代表性的节点调度算法.     

无线传感器网络中的目标跟踪算法

在综合分析大量文献和最新研究结果的基础上,探讨无线传感器网络目标定位和跟踪算法的性能评价标准和分类方法,着重研究近年来该领域具有代表性的算法和特点,给出了比较结果及相应分析,并指出进一步的研究方向。     

基于BQPSO的无线传感器网络节点调度算法

在多目标跟踪中,要求无线传感器网络在满足跟踪精度的前提下,最大限度地降低对传感器资源的使用。基于这一目的,适当选择节点避免共线度过高,并采用APIT实现精确定位,同时考虑跟踪簇总能耗设计节点调度目标函数,采用二进制量子粒子群优化算法解决传感器资源冲突问题。仿真结果表明:虽然基于BQPSO的节点调度算法比基于PSO的节点调度算法在能耗上增加了17.47%,但定位精度可以提高31.84%。算法在提高定位精度的同时最大限度地降低了对资源的使用,有效延长了无线传感器网络的工作寿命。     

一种基于无线传感器网络的分布式目标跟踪算法

将无线传感器网络与接收信号强度指示测距技术相结合,研究了移动目标的分布式跟踪算法。根据传感器节点与移动目标的相对位置,将节点动态组织成簇,簇头节点作为簇的数据处理中心,利用扩展卡尔曼滤波形成对移动目标位置的本地估计。随着目标的移动,本地估计在簇头节点间传递。仿真结果表明,基于无线传感器网络的分布式目标跟踪算法在精度、收敛性和实时性等方面达到很好的跟踪效果。     

基于无线传感器网络的环境温度监测系统设计

针对传统温度数据采集系统存在布线繁琐、网络维护困难等存在的问题,利用无线传感器网络具有功耗低、成本低、微型化的优点,设计了一种环境温度监测系统.传感器网络节点采用高性能低功耗的8位AVR系列单片机ATmegal28L和Chipcon公司的无线收发射频芯片CC2420,以及温度传感器DS18B20来设计.实验结果表明,该监测系统能够实现节点间通信以及数据的实时处理、显示和存储,可以用于环境温度监测.     

无线传感器网络在战场目标跟踪中的应用

介绍了无线传感器网络的基本概念和体系结构,探讨了无线传感器网络技术在战场目标跟踪定位方面的应用原理,实现了一个简易的目标跟踪系统,并对系统运行结果进行了分析。     

无线传感器网络研究概述

介绍无线传感器网路的体系结构、通信协议和传感器节点结构.无线传感器网络的技术、应用还不够成熟,但是它是一种全新的信息获取技术,具有广阔的应用前景.     

一种改进的无线传感器网络目标跟踪机制

针对无线传感器网络环境下运动目标跟踪问题,采用簇-树层次型的网络拓扑模型,提出了一种在该模型中改进的各传感器节点的工作机制.详细介绍了模型中节点的工作流程,并通过无线传感器网络中的能量模型方程与原节点工作机制中能量消耗进行比较,实现对网络中运动目标的跟踪.结果表明在不影响跟踪精度的条件下,改进的工作机制可以有效降低通信能量的开销.     

基于单片机的无线传感器网络节点硬件设计

传感器节点是无线传感器网络的基本组成元素。本文通过对传感器节点的特性分析,采用MSP430和nRF905为主要芯片设计了一种无线传感器网络节点。经测试可满足节点微型化、低功耗、实时处理能力强、高可靠性等要求。     

基于卡尔曼滤波器的机动目标跟踪仿真

将卡尔曼（Kalman）滤波器的变维滤波算法应用于雷达数据处理中,对机动目标进行跟踪,得出机动目标的滤波数据曲线,并对目标进行了拦截仿真。仿真结果表明该方法能估计出目标的运动特征并对运动目标拦截成功。     

基于能效的分布式轻量级WSN目标跟踪算法

针对不确定性复杂运动目标跟踪中的节点调度以及节能问题,提出了基于能效的无线传感器网络分布式多节点协作的目标跟踪算法.根据监控区域内目标的运动状态以及局部区域的节点密度,利用节点的剩余能量和调度情况,确定无线传感器网络在跟踪目标过程中的簇规模,使网络的局部能量消耗达到均衡.利用高斯Cost-Reference粒子滤波对目标进行跟踪,以减少对噪声建模的依赖性.仿真结果表明,该算法达到了跟踪精度的要求,解决了节点调度问题,并有效地均衡了网络能耗.     

一种分解式模糊聚类粒子滤波的WSN多目标跟踪方法

针对无线传感器网络环境下的多目标跟踪时近相距和轨迹交叉目标容易出现目标丢失和跟踪混淆的问题,提出一种分解式模糊聚类粒子滤波(DFCM—RPF)的多目标跟踪方法。把多传感器数据融合和多目标跟踪问题分解为单传感器数据融合和单目标跟踪问题,先对传感器节点量测用基于跟踪门限算法去除杂波,在各传感器节点的观测空间分别建立模糊聚类算法进行数据关联并最优融合,然后用正则化粒子滤波预测目标状态。仿真表明,DFCM—RPF算法与原FCM多目标跟踪方法相比,航迹关联正确率由85%提高到100%,目标预测位置的RMSE由4.437 7 m下降到1.307 3 m,DFCM—RPF算法体现了较好的跟踪性能,并集数据关联、数据融合和目标跟踪于一体,大大降低WSN多目标跟踪问题的复杂性和计算量。     

基于WSN的目标定位跟踪在C4ISRT中的应用

通过对无线传感器网络的体系结构、节点组成以及网络特点的深入分析,研究了无线传感器网络在军事方面的应用。重点研究了无线传感器网络在C4ISRT中的应用,特别是用于战场环境侦查与监控、目标定位、目标跟踪、毁伤效果评估等领域的应用。由于无线传感器网络在信息获取、传输和监测中具有独特的优势,必将成为未来C4ISRT系统中不可或缺的一部分。     

基于改进YOLOv3网络的卡尔曼社交距离检测与追踪

为了预防新冠肺炎的传播,在佩戴口罩的同时,保持一定的社交安全距离是必要的。为解决现有的目标检测算法在社交距离检测中无法同时满足检测的实时性、准确性以及在复杂场景中存在遮挡、小尺度目标等问题,提出基于YOLOv3的改进算法DPPY(Dilated Pyramid-Pooling with YOLOv3)。首先使用空洞卷积参与到YOLOv3的核心图像处理结构中,然后引入密集型连接网络进一步融合不同层之间的连接,并且在这基础上还模仿了空间金字塔结构处理输入数据的尺寸问题,最后将这些处理结果一起与待追踪物体与彼此间的前后位置进行更好的关联并选用卡尔曼滤波器这个工具来更好地处理。若行人彼此间靠的过于紧密,则标红发出警报,以便更好地提醒相关人员注意。结果表明：与传统的YOLOv3算法相比,DPPY算法检测速度更快,检测精度更高。检测速度达到了34帧/s,平均准确率(Average Precision, AP)提高了9.1 %,并且在大、中、小目标检测中平均准确率均值(mean Average Precision, mAP)分别提高了7.8 %、8.2 %、8.9 %。     

一种精确跟踪目标的非线性滤波算法

论文分析了当目标距离或雷达极角量测误差超过一定限度时,扩展卡尔曼滤波器跟踪精度迅速下降和原因,并在精确计算线性化误差及实际量测误差的基础上提出一种补偿线性化误差的跟踪滤波算法（PTLKF）。计算机仿真结果表明,论文提出的算法有效地减小了线性化误差的影响,滤波器跟踪精度得到较大提高。     

用自适应扩展卡尔曼滤波跟踪水下目标的算法研究

针对短基线声纳系统跟踪水下目标的问题,建立了状态方程和观测方程,提出了一种自适应扩展卡尔曼滤波的跟踪算法,该算法包含八个基本步骤。将声波传输时延转换为水下目标的距离,用卡尔曼滤波的方法对数据中的噪声进行滤波。对目标的匀速航行和机动航行进行了仿真实验,实验结果表明了该算法的正确性和有效性。最后将该算法用于水下目标的实测数据,收到了良好的效果。     

基于多源协同感知的目标追踪优化模型

面向物联网及多媒体传输等应用的中高速无线传感器网络,如何在有限的能量下提供较高的传输速率,以满足各种应用的需求成为亟待解决的关键问题.鉴于此本文提出了一种基于多源协同感知的目标追踪优化模型.该模型通过在追踪目标过程中对各节点的多源信息进行协同感知,针对能量阈值以及吞吐量进行多指标综合考虑,并采用优化算法进行多目标优化,实现了目标追踪过程中有效能耗下的高性能传输.经过与相关算法进行实验比对,本文提出的模型在多网络性能指标下均能够表现较好的效果,证明了模型的有效性.      

基于Kalman滤波和改进的MeanShift算法的目标跟踪

MeanShift算法因为简单性和稳定性在目标跟踪中得到广泛应用,但是当目标和背景的颜色模型比较接近时,传统的MeanShift算法由于缺少空间信息,且经典的相似性度量函数不易区别,导致跟踪失败。为了克服上述缺点,采用基于空间颜色特征和新的相似性度量的MeanShift算法,并提出一种融合Kalman滤波器和改进的MeanShift算法的目标跟踪方法。首先,利用改进的MeanShift算法计算出当前帧中目标的准确位置,然后使用Kalman滤波器去预测下一个初始搜索位置,用于下一帧中MeanShift迭代,最后实现对目标的跟踪。实验结果表明,该算法可以准确地跟踪目标,并且跟踪的准确率优于传统的MeanShift算法或者Kalman和传统Meanshift的融合算法。