基于傳感器網絡的多目標跟蹤和特征管理方法

摘要：針對傳感器網絡下多目標跟蹤時目標數量不斷變化這一復雜情況，文中對多目標的跟蹤和特征管理方法進行了研究。該方法由數據關聯、多目標跟蹤、特征管理，和信息融合所組成。其中未知數量多目標的跟蹤和數據關聯通過馬爾科夫蒙特卡羅數據關聯實現。通過信息融合來整合本地信息，獲取所有相鄰傳感器的本地一致性，最終實現特征管理。試驗證明，本方法能夠在分布式的傳感器網絡環境下對多目標進行準確有效地跟蹤和特征管理。
關鍵詞：傳感器網絡；多目標跟蹤；特征管理；數據關聯；信息融合

近來傳感器技術和無線通信技術的發展導致了一個新概念的誕生一傳感器網絡，即一個由本地傳感器節點所組成的具有感知、處理和通信能力的一種廣泛應用的網絡。為了更深入地挖掘傳感器網絡所具有的能力，筆者提出了一種可擴展分布式的多目標跟蹤和特征管理方法，該方法能夠通過一個傳感器網絡對多個目標實現跟蹤和特征管理。
傳統的多目標跟蹤方法，如MHT跟蹤器，不適用于傳感器網絡。而現有基于傳感器網絡的算法僅基于如下情況：所跟蹤目標的數量已知不變，并且它們的運動軌跡對于本地傳感器已知。而在本文中，筆者放寬了以上假設，形成對于分布式多目標的跟蹤和特征管理算法DMTIM。文中在實現數據關聯和多目標跟蹤運用了馬爾科夫鏈蒙特卡羅數據關聯MCMCDA的方法，實時對未知數量的多目標進行跟蹤。MCMCDA方法能夠獨立地對軌跡進行起始和終止，并能夠跟蹤未知數量的多目標。每個傳感器能夠運用MCMCDA有效地跟蹤一組未知數量的目標，并且能夠對目標的特征進行分布式地管理。
本文結構如下：分布式多目標的跟蹤與特征管理算法概述；多目標跟蹤問題及其概率模型；DMTIM關鍵算法敘述：馬爾科夫鏈蒙特卡羅數據關聯算法；DMTIM組成部分介紹，包括數據關聯、多目標跟蹤、特征管理和信息融合；DMTIM算法仿真試驗及評估。

1 分布式多目標跟蹤和特征管理
文中研究重點是傳感器網絡中多目標的跟蹤和特征管理方法。每個傳感器擁有自己的觀測區域，且擁有與其鄰近傳感器通信的能力。如圖1所示一個簡單的二傳感器的系統，大圓圈代表傳感器的觀測區域。每個傳感器能夠對多目標進行跟蹤并在觀測區域內管理目標特征。該問題的難點在于觀測區域內目標的數量會隨時間而變化，因此我們必須尋求一種可擴展的，在相鄰傳感器中具有本地一致性的方法。

隨機出現在R范圍內，直到在時間點時消失。對于每個時間點，目標保持其存在的概率為1-pz，消失的慨率為pz。對于每一個時間點，在R范圍內所出現目標的數量都具有一個位置分布，該位置分布包含參數λbV，其中λb表示單位時間單位范圍內的出現率，V表示觀測范圍R的大小。并特定每個新目標的初始位置都在R范圍內。
設為目標k的離散時間運動，其中nx是狀態變化的維度。并設為時刻t目標k的狀態。目標t的運動服從公式(1)：

其中屬于白噪聲過程，包含在了目標非直線運動模型。并運用一個探測概率pd來計算目標狀態的噪聲。目標不被發現并被視為跟蹤丟失的慨率為1-pd。本文設定了錯誤報警，其數量也遵循含有參數λfV的位置分布，其中λf是單位觀測范圍單位時間內的錯誤報警率。設n(t)為時間點t觀測點的數量，該數量包括了噪聲觀測和錯誤報警。設為時間點t的第j個觀測值，其中ny是每一個觀測向量的維度。每個被測物體都會在該采樣時間產生一個特定的觀測值，如公式(2)所示，其中為觀測值模型。

其中是白噪聲過程，u(t)足錯誤報警的隨機過程。目標是觀測目標類型或屬性信息，狀態變量可以擴展到包括目標類型的信息。因此多目標識別的問題即是從觀測值中計算出，其中k=1，…，K。
2．2 多目標跟蹤方法
設為時間t的所有值，Y={y(t)：1≤f≤T}為時間t=1到t=T的所有計算值。設Ω為所有Y的集合，且ω∈Ω，有如下參數：