基于無線傳感器網(wǎng)絡(luò)的目標(biāo)自動(dòng)跟蹤研究

簡(jiǎn)小女

(廣東南方職業(yè)學(xué)院,智能制造學(xué)院, 廣東,江門 529040)

0 引言

隨著人們生活水平的不斷提高，人們獲取外部信息的途徑越來越多。計(jì)算機(jī)視覺技術(shù)成為獲取和感知信息的重要技術(shù)，可以對(duì)外部目標(biāo)的狀態(tài)進(jìn)行識(shí)別、檢測(cè)和跟蹤，其中目標(biāo)跟蹤的應(yīng)用價(jià)值更高，在交通智能管理、人機(jī)交互、視頻監(jiān)控等領(lǐng)域得到廣泛的應(yīng)用，因此如何獲得理想的目標(biāo)跟蹤效果是計(jì)算機(jī)視覺研究領(lǐng)域一個(gè)重要的研究方向，對(duì)其研究具有重要的意義[1-3]。

近十多年來，目標(biāo)跟蹤問題激發(fā)了許多學(xué)者的研究熱情，他們投入了大量的時(shí)間和精力進(jìn)行探索，并取得了不錯(cuò)的研究成果，出現(xiàn)許多有效的目標(biāo)跟蹤算法[4-6]。目標(biāo)跟蹤算法的發(fā)展大致可以劃分為兩個(gè)方向：第一個(gè)方向?yàn)榛谙嚓P(guān)濾波的目標(biāo)跟蹤算法[7-9]，如基于最小誤差的目標(biāo)跟蹤算法，該算法采用特征進(jìn)行目標(biāo)跟蹤，因此目標(biāo)跟蹤的速度很快，但是目標(biāo)跟蹤誤差比較大；為了改善目標(biāo)跟蹤效果，出現(xiàn)了該相關(guān)濾波器的目標(biāo)跟蹤算法，但是其仍然是基于單一特征實(shí)現(xiàn)目標(biāo)跟蹤，對(duì)復(fù)雜場(chǎng)景中的目標(biāo)，魯棒性比較差；隨后出現(xiàn)了多特征融合的目標(biāo)跟蹤算法，如基于HOG特征和顏色特征的目標(biāo)跟蹤算法，可以更好地描述目標(biāo)移動(dòng)狀態(tài)，但是目標(biāo)跟蹤效率比較低,同時(shí)其無法適應(yīng)目標(biāo)大小發(fā)生變化場(chǎng)景[10-12]。第二個(gè)方向?yàn)榛谏疃葘W(xué)習(xí)理論的目標(biāo)跟蹤算法[13-14]，如基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)跟蹤算法，采用卷積神經(jīng)網(wǎng)絡(luò)提取目標(biāo)特征，但是當(dāng)訓(xùn)練樣本不足時(shí)，目標(biāo)跟蹤效果不理想，有學(xué)者提出孿生網(wǎng)絡(luò)的目標(biāo)跟蹤算法，可以對(duì)網(wǎng)絡(luò)進(jìn)行離線訓(xùn)練，目標(biāo)跟蹤效率很高，但是無法抑制背景的干擾，當(dāng)目標(biāo)移動(dòng)的速度發(fā)生突變時(shí)，易跟丟目標(biāo)[15]。

為了解決當(dāng)前目標(biāo)跟蹤算法存在的易跟丟目標(biāo)、跟蹤實(shí)時(shí)性差的難題，以提高目標(biāo)跟蹤準(zhǔn)確性和魯棒性，設(shè)計(jì)了無線傳感器網(wǎng)絡(luò)的目標(biāo)跟蹤自動(dòng)跟蹤算法。該方法采用無線傳感器網(wǎng)絡(luò)采集目標(biāo)跟蹤視頻，為目標(biāo)跟蹤打下良好的基礎(chǔ);然后采用卡爾曼濾波算法對(duì)目標(biāo)進(jìn)行自動(dòng)跟蹤;最后通過具體仿真測(cè)試實(shí)例驗(yàn)證了本文設(shè)計(jì)的目標(biāo)跟蹤算法的優(yōu)越性。

1 無線傳感器網(wǎng)絡(luò)的目標(biāo)自動(dòng)跟蹤算法

1.1 無線傳感器網(wǎng)絡(luò)采集信息

無線傳感器網(wǎng)絡(luò)由許多節(jié)點(diǎn)組成，通常情況下，應(yīng)該有一個(gè)中心節(jié)點(diǎn)，該節(jié)點(diǎn)對(duì)其他節(jié)點(diǎn)進(jìn)行控制和管理，他們的初始狀態(tài)是一樣的，如能量、采集信息的能力等。這些節(jié)點(diǎn)通過一定的通信方式組成了無線傳感器網(wǎng)絡(luò)，其結(jié)構(gòu)可以采用圖1進(jìn)行描述。通過節(jié)點(diǎn)可以對(duì)無線傳感器網(wǎng)絡(luò)監(jiān)測(cè)區(qū)別域的目標(biāo)信息進(jìn)行采集[16]。

圖1 無線傳感器網(wǎng)絡(luò)的基本結(jié)構(gòu)

1.2 目標(biāo)運(yùn)動(dòng)的數(shù)學(xué)

對(duì)于一個(gè)移動(dòng)目標(biāo)，其移動(dòng)速度vi為

vi=-vxsinθi+vxcosθi+Rω

(1)

式中，vx表示傳感節(jié)點(diǎn)，θi表示節(jié)點(diǎn)的最大采樣閾值，Rω表示數(shù)據(jù)約束特征集。在移動(dòng)空間中，選擇目標(biāo)姿態(tài)(x,y,θ)為當(dāng)前狀態(tài)變量，這樣可以得到目標(biāo)移動(dòng)的數(shù)學(xué)模型為

(2)

式中，ω表示傳輸信息，設(shè)傳感器采集移動(dòng)目標(biāo)狀態(tài)的周期為T，那么在k時(shí)刻，目標(biāo)狀態(tài)可以表示為x(k)=[x(k),y(k),θ(k)]T，目標(biāo)控制向量為u(k)=[v(k),ω(k)]T，這樣可以建立目標(biāo)坐標(biāo)X′O′Y′和相應(yīng)的世界坐標(biāo)XOY，目標(biāo)移動(dòng)模型可以采用圖2進(jìn)行描述。

圖2 目標(biāo)移動(dòng)模型

當(dāng)采樣周期T很小時(shí)，目標(biāo)移動(dòng)情況與理想模型很接近，這樣可以得到目標(biāo)在世界坐標(biāo)系中的狀態(tài)，具體描述如下:

(3)

式中，(x(k-1),y(k-1))表示目標(biāo)在第k-1時(shí)刻的位置，而(x(k),y(k))表示目標(biāo)在第k時(shí)刻的位置，θ(k)表示目標(biāo)的偏移角度,Δd(k)和Δθ(k)分別是目標(biāo)的位移和偏移角度增量。設(shè)

(4)

目標(biāo)狀態(tài)方程表示為

x(k)=f(x(k-1),u(k-1))+n(k-1)

(5)

式中，n(k)表示噪聲向量。

1.3 卡爾曼濾波算法

在實(shí)際應(yīng)用中，目標(biāo)的速度可能會(huì)發(fā)生變化，因此，目標(biāo)狀態(tài)通常可以看作是一種非零均值時(shí)間相關(guān)模型，即有：

(6)

設(shè)目標(biāo)的狀態(tài)瞬時(shí)相位和速度分別為η(k)和κ(k)，那么狀態(tài)變量為

X(k)={η(k),κ(k),φ(k)}

(7)

式中，η(k)表示調(diào)度決策集，κ(k)表示信息融合，φ(k)表示速度的變化率。

目標(biāo)狀態(tài)離散化后可以表示為

X(k+1)=φ(k)+U(k)

(8)

式中，U(k)和φ(k)分別表示輸入控制矩陣和狀態(tài)轉(zhuǎn)移矩陣。

得到目標(biāo)觀測(cè)方程ζ(k)為

(9)

式(9)應(yīng)該滿足約束條件為

(10)

式中，n(k)表示轉(zhuǎn)換節(jié)點(diǎn)的特征分量。目標(biāo)觀測(cè)值和實(shí)際值之差為di，目標(biāo)觀測(cè)值的實(shí)時(shí)估計(jì)方差σdn為

(11)

式中，L為觀測(cè)窗口長度。

通過卡爾曼濾波算法對(duì)目標(biāo)狀態(tài)進(jìn)行估計(jì)，從而可以得到目標(biāo)的移動(dòng)軌跡，實(shí)現(xiàn)目標(biāo)跟蹤研究。

綜合上述，基于無線傳感器網(wǎng)絡(luò)的目標(biāo)跟蹤流程如圖3所示。

圖3中調(diào)用了多個(gè)子程序模塊用來處理相應(yīng)的功能。初始化模塊來自初始化目標(biāo)參數(shù)，使系統(tǒng)的工作頻率保證在RF正常工作的32 MHz的晶振頻率；設(shè)計(jì)目標(biāo)移動(dòng)數(shù)學(xué)模型來查詢附近通信節(jié)點(diǎn)的信息[17]；通過獲得目標(biāo)狀態(tài)預(yù)測(cè)值來建立監(jiān)測(cè)區(qū)域內(nèi)節(jié)點(diǎn)間的數(shù)據(jù)鏈路；根據(jù)濾波估計(jì)值來接收并分析無線傳感器網(wǎng)絡(luò)節(jié)點(diǎn)發(fā)來的數(shù)據(jù)信息，處理后將數(shù)據(jù)信息發(fā)送出去得到輸出目標(biāo)跟蹤結(jié)果。

圖3 無線傳感器網(wǎng)絡(luò)的目標(biāo)跟蹤流程

2 仿真測(cè)試

2.1 測(cè)試對(duì)象以及環(huán)境

為了分析基于無線傳感器網(wǎng)絡(luò)目標(biāo)跟蹤效果，選擇文獻(xiàn)[15]的目標(biāo)跟蹤算法進(jìn)行對(duì)比測(cè)試，仿真實(shí)驗(yàn)的目標(biāo)場(chǎng)景分為兩類，一類是進(jìn)行室內(nèi)的目標(biāo)跟蹤實(shí)驗(yàn)，另一類是室外的目標(biāo)跟蹤實(shí)驗(yàn)。仿真測(cè)試的環(huán)境如表1所示。

表1 仿真測(cè)試的環(huán)境參數(shù)

2.2 室內(nèi)目標(biāo)跟蹤準(zhǔn)確性分析

對(duì)于室內(nèi)目標(biāo)，兩種算法的目標(biāo)跟蹤結(jié)果如圖4所示。由圖4分析可知，當(dāng)目標(biāo)沒有遮擋時(shí)，文獻(xiàn)[15]算法的跟蹤結(jié)果很理想，但一旦出現(xiàn)遮擋，跟蹤偏差大，有時(shí)難以準(zhǔn)確實(shí)現(xiàn)目標(biāo)跟蹤，而本文算法能夠?qū)δ繕?biāo)進(jìn)行高精度跟蹤，對(duì)遮擋情況具有較強(qiáng)的魯棒性。

(a)文獻(xiàn)[15]算法

2.3 室外目標(biāo)跟蹤準(zhǔn)確性分析

對(duì)于室外目標(biāo)，兩種算法的跟蹤結(jié)果如圖5所示。由圖5分析可知，室外環(huán)境的影響很多，目標(biāo)跟蹤效果沒有室內(nèi)目標(biāo)跟蹤效果好。文獻(xiàn)[15]算法的目標(biāo)跟蹤偏差比較大，導(dǎo)致跟丟了目標(biāo)，而本文算法的目標(biāo)跟蹤效果下降相對(duì)較小，跟蹤效果要優(yōu)于對(duì)比算法，具有更優(yōu)的魯棒性。

(a)文獻(xiàn)[15]算法

2.4 目標(biāo)跟蹤實(shí)時(shí)性分析

在實(shí)際應(yīng)用中，目標(biāo)跟蹤時(shí)間直接影響目標(biāo)跟蹤應(yīng)用范圍，為此對(duì)目標(biāo)跟蹤時(shí)間(ms)進(jìn)行仿真測(cè)試。將場(chǎng)景劃分區(qū)域：動(dòng)態(tài)區(qū)和靜態(tài)區(qū)。動(dòng)態(tài)區(qū)域指的是運(yùn)動(dòng)前景可能出現(xiàn)的區(qū)域，例如道路、樹木等。靜態(tài)區(qū)域指的是前景幾乎不會(huì)出現(xiàn)的部分，建筑物、草地之類所在的部分。動(dòng)態(tài)區(qū)域進(jìn)行實(shí)時(shí)檢測(cè)和更新，靜態(tài)區(qū)域執(zhí)行跳幀處理，結(jié)果如表2所示。由表2可知，對(duì)不同場(chǎng)景的目標(biāo)，本文算法的跟蹤時(shí)間均要少于文獻(xiàn)[15]算法的跟蹤時(shí)間，改善了目標(biāo)跟蹤的實(shí)時(shí)性。

表2 不同算法的目標(biāo)跟蹤時(shí)間對(duì)比

3 總結(jié)

為了解決目標(biāo)跟蹤研究過程中存在的一些難題，以獲得更好的目標(biāo)跟蹤結(jié)果，提出無線傳感器網(wǎng)絡(luò)的目標(biāo)跟蹤算法，首先通過無線傳感器網(wǎng)絡(luò)采集目標(biāo)狀態(tài)信息，實(shí)時(shí)獲取目標(biāo)狀態(tài)變化結(jié)果，有助于后續(xù)的目標(biāo)狀態(tài)跟蹤，采用卡爾曼濾波算法對(duì)目標(biāo)狀態(tài)進(jìn)行估計(jì)，檢測(cè)到目標(biāo)移動(dòng)軌跡，相對(duì)于其他目標(biāo)跟蹤算法，本文算法的跟蹤性能得到明顯地提升，具有十分廣泛的應(yīng)用前景。