基于改進自適應粒子濾波的無線傳感網船舶追蹤

梅驍峻， 吳華鋒， 陳彥臻， 蔣恩青

(上海海事大學商船學院， 上海 201306)

0 引 言

船舶追蹤是保障船舶安全航行的一個關鍵環節。最早的對進出港船舶的追蹤方法是：從船舶交通管理系統(vessel traffic service，VTS)獲得船舶監控視頻，手動標定視頻每一幀圖像中的監控船舶，得到船舶軌跡。然而，當本船與他船的船型相差不大且成像區域有重疊時，采用這種方法追蹤船舶較容易出現失誤[1]。為提高船舶追蹤效率和精度，一種采用閉路電視(closed-circuit television，CCTV)的船舶追蹤法被用于船舶監控。它綜合考慮了船舶的靜態信息和動態信息，使船舶追蹤精度有所提高[2]，但在惡劣天氣下船舶追蹤效果不理想。對于在公海航行的船舶的追蹤方法有雷達追蹤和衛星追蹤，然而由于受到海雜波的干擾，采用這些方法進行船舶追蹤的效果不理想[3]。因此，本文提出一種新的基于無線傳感網(wireless sensor network, WSN)的船舶追蹤方法。

WSN是一種自組織的網絡，包含有許多能感知到信息的傳感節點，利用通信功能使消息在網絡中傳遞。由于這些傳感節點成本低、功耗低，WSN被廣泛應用于許多領域，包括環境監測、目標追蹤等[4-6]。由于海上的環境復雜，且節點會隨海浪的運動而運動，海上節點的布置以及船舶追蹤受到了巨大的挑戰。LUO等[7]對海上WSN節點的布置問題做了詳細的闡述，并利用三層檢測系統對船舶進行檢測追蹤，但未考慮節點的計算量以及高噪聲海雜波的干擾等問題。

粒子濾波(particle filter, PF)通過一系列帶權重的粒子估計后驗概率分布，并以此為樣本對節點的狀態進行估計和計算，能夠很好地適應非線性以及非高斯的系統，故常被應用于高噪聲環境中的目標追蹤[8]。許多學者對PF物標追蹤做了研究：趙洪宇等[9]提出了自適應PF (adaptive PF, APF)算法，利用KL散度(Kullback-Leibler divergence, KLD)重采樣的方法對PF進行優化從而實現了自適應船舶追蹤；鐘雄慶等[10]提出基于衛星電子信息的PF目標追蹤方法，采用二階自回歸的狀態轉移模型確定候選量測的關聯區域，隨后利用衛星電子信息選取粒子權值并進行狀態更新及位置估計；李倩[11]提出基于PF的移動目標追蹤方法，利用積分圖算法、亮度補償等對PF的計算量進行了優化；崔威威等[12]利用PF在信噪比較低時對物標有良好追蹤效果的特性，提出改進的VTS目標檢測跟蹤算法，提升了追蹤精度。由上述研究可知，PF算法對高噪聲環境中的物標追蹤有較好的效果。然而，由于受到海浪遮蔽效應的干擾，將PF算法用于海洋WSN，追蹤船舶的效果并不好；同時，為防止粒子退化，對大量粒子進行重采樣會使節點計算量增大，節點壽命縮短。

為減少海洋WSN節點計算量，提高船舶追蹤精度，本文提出基于改進APF(impoved APF, I-APF)的WSN船舶追蹤方法：首先對APF進行改進，提出最優的邊界閾值；隨后根據船舶在海上航行中的運動特點建立狀態方程和觀測方程；最后通過仿真來驗證本文提出算法的性能。

1 PF算法

PF算法是基于序列重要性采樣的蒙特卡洛方法，其系統模型為

式中：f()表示狀態轉移函數；x(t-1)和x(t)分別表示上一時刻和此刻的狀態；u(t-1)表示均值為零、方差為Q的高斯狀態轉移噪聲；h()表示測量函數；v(t)表示均值為零、方差為R的高斯測量噪聲；z(t)表示在t時刻的觀測值。

PF算法的思想就是通過先驗概率分布來估計后驗概率分布：

(3)

其中

η=P(z(t)|z(1:(t-1)))=

(4)

式中：z(1:t)和z(1:(t-1))分別表示從1到t和到t-1時刻的觀測值。式(3)中的先驗信息可表示為

P(x(t)|z(1:(t-1)))=

(5)

然而，實際情況下后驗概率分布難以獲得，通?？衫靡粋€已知的且易于采樣的重要性概率密度Π(x(t)|z(1:t))來獲得樣本值(當樣本足夠大時Π(x(t)|z(1:t))≈P(x(t)|z(1:t)))，隨后通過規范化權值和重采樣對位置進行估計：

(6)

在得到后驗概率分布后，利用它對節點的位置進行估計：

(7)

為避免粒子的退化，重采樣在PF中必不可少。序列重要性重采樣(sequential importance resampling, SIR)方法是目前用得最多的一種重采樣方法，它通過保留權值大的粒子、剔除權值較小的粒子來解決粒子退化問題。在給定時刻L的情況下，傳統PF算法流程見圖1。

圖1 傳統PF算法流程

2 I-APF算法

由于傳統PF算法在每次迭代時都要對固定數量的粒子進行重要性采樣，存在計算量大、實時性差的問題，近年來許多學者利用KLD重采樣的方法來實現自適應選擇粒子，并提出APF算法。

用KLD表示兩個概率分布P1與P2之間的距離：

(8)

兩個概率分布之間的距離為非負數；當兩個概率分布一致時，距離為零。

當P1與P2之間的距離小于ε時，采樣粒子數量為

(9)

式中：ε表示提前設定的閾值；K表示不同的子空間；1-?表示APF中每次粒子迭代的概率。

通過χ2分布量化，保證P1與P2之間的逼近誤差最?。?/p>

P(χK-12≤χK-1,1-?2)≈1-?

(10)

為簡化計算，引入Wilson-Hilferty轉換[13]，式(9)可表示為

(11)

式中：Z1-?表示標準正態分布的1-?分位數的上界。

(12)

式中：Nmax表示最大粒子數量；C表示返回大于或等于指定表達式的最小整數。

APF算法往往是基于預設好的閾值ε來實現其自適應特性的，但在實際情況下預設好的閾值ε并非最優閾值。因此，本文就要找尋最優的邊界閾值εopt對APF算法進行改進。

在獲取最優的閾值εopt后，假設已知t-1時刻的粒子集合，則I-APF算法可描述為算法2：

由于微電子機械系統-慣性測量(MEMS-IMU)成本低、體積小，能夠監測到船舶經過某區域時所引起的海浪加速度的變化，并利用瞬時傅里葉變化對海浪信號進行處理，從而實現對船舶的探測[7,15]，故本文假設在節點預置MEMS-IMU，采用三層檢測系統[7]探測監測區域的船舶。預先向監測區域部署3種節點：普通節點、簇頭節點和匯聚節點。普通節點用于探測船舶經過監控區域時所引起的海浪加速度的變化，并將相應的數據發送給簇頭節點；為減少由風或動物或其他外界因素帶來的噪聲干擾，簇頭節點對收到的數據進行處理和融合，隨后將其發送給匯聚節點；匯聚節點對數據進行進一步處理后發送給用戶或衛星。當船舶經過監測區域時，普通節點感知到海浪加速度的變化，便開始自適應采樣粒子，并將相應數據發送給簇頭節點；簇頭節點利用其數據處理功能對數據進行時間、空間上的校正，降低外界因素的噪聲并發送給匯聚節點做進一步的數據處理。當船舶位置超出節點所能感知的范圍時，節點采樣停止。

3 仿真實驗

為驗證本文提出算法的有效性，用MATLAB R2014a進行仿真。仿真參數設置如下：定位追蹤區域為1 000 m×1 000 m；海浪遮蔽效應引起的測距噪聲誤差為7.98 dB；路徑損耗指數為2.4[16]。

節點的狀態方程可描述為

(13)

式中：x(t)和x(t-1)分別表示錨節點此刻和上一時刻的狀態；T表示錨節點的采樣周期；u(t-1)表示狀態轉移噪聲。

由于需要廣泛布置節點，為減少通信開銷，選取信號強度指示器(receive signal strength indicator, RSSI)的值作為節點間的測量模型[16]。

(14)

設定ε的取值范圍為(0，1)，Δε=0.05，最大粒子數Nmax=1 000。

將本文提出的I-APF算法與APF算法和PF算法在計算時間、均方根誤差、追蹤效果方面進行比較。

均方根誤差可表示為

(15)

圖2表明I-APF算法在采樣周期內的計算時間優于APF和PF算法；在迭代開始時由于粒子狀態不穩定，故3種算法計算時間突然增長。由于粒子初始化時間也包含在仿真時間中，故最初的迭代時間內無計算時間。表1為3種算法的平均計算時間。由表1可知，雖然3種算法的計算時間均較短，但I-APF算法明顯優于其他兩種算法。

圖2 3種算法在采樣周期內的計算時間表1 采樣周期內的平均計算時間

算法I-APFAPFPF時間/s0.0150.0320.072

圖3表明，采用I-APF算法時船舶追蹤的均方根誤差優于采用APF和PF算法時船舶追蹤的均方根誤差。均方根誤差隨著時間的推移而增大是因為累積誤差的增多。粒子首先要進行初始化，故3種算法在開始一段時間后才進行誤差計算。為驗證I-APF算法船舶追蹤的效果，采用三層檢測系統[7]探測監測區域的船舶，在仿真區域部署6個節點：節點2、節點3和節點5為普通節點；節點1和節點4為簇頭節點；節點6為匯聚節點。圖4表明本文提出的I-APF算法比APF算法在船舶追蹤方面效果好，但隨著船舶航行距離的增加，追蹤效果較初始時略有降低。這是因為船舶逐漸遠離傳感節點部署區域，能監測到船舶的傳感節點減少，從而導致船舶追蹤精度下降。

圖3 采用3種算法的船舶追蹤均方根誤差圖4 船舶的真實航跡及采用 I-APF算法、APF算法時得到的航跡

4 結 論

針對無線傳感網(WSN)節點對船舶追蹤精度不高、計算量大的問題，提出改進自適應粒子濾波的WSN船舶追蹤算法(I-APF算法)。該算法對傳統KL散度(KLD)算法進行改進，通過迭代找出最優的閾值εopt，隨后在重采樣階段實現自適應粒子采樣。相較于APF算法，I-APF算法在粒子采樣的數量上實現了自適應，可避免因采樣粒子過多而導致的計算時間長的問題，同時還能保證追蹤的精確度。該算法可用于海上軍事對抗時追蹤本船的航跡，從而判斷本船是否偏航，同時還能獲取他船的運動軌跡從而達到監測的目的。

參考文獻：

[1] 云霄, 肖剛. 基于Camshift的多特征自適應融合船舶跟蹤算法[J]. 光電工程, 2011, 38(5): 52-58. DOI: 10.3969/j.issn.1003-501X.2011.05.010.

[2] 趙航, 李棟, 袁劍華, 等. 一種VTS系統中CCTV對船舶跟蹤監控方法[J]. 雷達與對抗, 2016， 36(2): 12-14.

[3] DANIEL L, HRISTOV S, LYU Xiaoyong,etal. Design and validation of a passive radar concept for ship detection using communication satellite signals[J]. IEEE Transactions on Aerospace & Electronic Systems, 2017, 53(6): 3115-3134. DOI: 10.1109/TAES.2017.2728978.

[4] YANG Y, WANG C. Wireless rechargeable sensor networks[M/OL]. Heidelberg: Springer International Publishing, 2015[2018-04-02]. https://link.springer.com/content/pdf/10.1007/978-3-319-17656-7.pdf. DOI: 10.1007/978-3-319-17656-7_1.

[5] OBAIDAT M S, MISRA S. Principles of wireless sensor networks[M]. Cambridge: Cambridge University Press, 2014: 1-433.

[6] PRABHU S R B, GAJENDRAN E, BALAKUMAR N. Contemporary challenges in environmental monitoring application of wireless sensors[J]. International Journal of Universal Science and Engineering, 2016(2): 30-40.

[7] LUO Hanjiang, WU Kaishun, GUO Zhongwen,etal. Ship detection with wireless sensor networks[J]. IEEE Transactions on Parallel & Distributed Systems, 2011, 23(7): 1336-1343. DOI: 10.1109/TPDS.2011.274.

[8] GU Dongbing. Distributed particle filter for target tracking[C]//IEEE International Conference on Robotics and Automation. IEEE, 2007: 3856-3861.

[9] 趙洪宇, 王偉, 蔡愛華. 基于自適應粒子濾波算法的對海跟蹤研究[J]. 現代雷達, 2014, 36(3): 49-52.

[10] 鐘雄慶, 鄒煥新, 雷琳, 等. 粒子濾波的衛星電子信息艦船目標跟蹤算法[J]. 信號處理, 2015, 31(10): 1318-1323. DOI:10.3969/j.issn.1003-0530.2015.10.015.

[11] 李倩. 移動視頻目標跟蹤中的智能過濾算法研究[J]. 艦船科學技術, 2017，39(1A): 112-114.

[12] 崔威威, 黃孝鵬, 姚遠, 等. 基于粒子濾波改進的VTS微弱目標檢測前跟蹤算法[J]. 火力與指揮控制, 2016, 41(5): 141-144. DOI:10.3969/j.issn.1002-0640.2016.05.034.

[13] TERRELL G R. The Wilson-Hilferty transformation is locally saddlepoint[J]. Biometrika, 2003, 90(2): 445-453.

[14] LI T, SUN S, SATTAR T P. Adapting sample size in particle filters through KLD-resampling[J]. Electronics Letters, 2013, 49(12): 740-742. DOI: 10.1049/el.2013.0233.

[15] ARIFIN A S, FIRDAUS T S. Ship location detection using wireless sensor networks with cooperative nodes[C]//2017 9th International Conference on Ubiquitous and Future Networks(ICUFN). IEEE, 2017: 433-437.

[16] WU Huafeng, YANG Lei, LIU Ling,etal. Real-time localization algorithm for maritime search and rescue wireless sensor network[J]. International Journal of Distributed Sensor Networks, 2013, 9(3): 188-192. DOI: 10.1155/2013/791981.