[发明专利]一种基于概率图模型的目标预测跟踪方法

说明书

技术领域

本发明涉及无线传感器网络领域，具体说是一种基于概率图模型的目标预测跟踪方法。

背景技术

无线传感器网络(wireless sensor network，WSN)是由大量随机分布的低成本、低功耗的微型无线传感器节点通过自组织的方式形成的一种分布式网络，它能实时感知、采集和监测网络覆盖区域中被监测对象的信息，在军事和民用领域都具有广阔的应用前景。目标跟踪是无线传感器网络(wireless sensor network，WSN)的一项重要应用。WSN具有传感器节点微型化、价格低，采用无线通讯方式、部署随机、自组织性、鲁棒性和隐蔽性等优点，非常适用于机动目标的定位和跟踪。但是，WSN本身又具有节点能量有限、软硬件资源有限、传感器数量众多等显著特点，并且目标实际运动是一个包含大量不确定因素的随机过程，跟踪系统如何有效利用系统资源，在诸多不确定因素情况下提高目标跟踪的准确度，是当前WSN目标跟踪的研究热点和挑战性的课题。

目前，WSN目标跟踪预测算法主要有卡尔曼滤波和粒子滤波。卡尔曼滤波(KF)在系统的动态模型是线性且噪声是高斯的条件下是最优解。对于非线性模型，扩展卡尔曼滤波(EKF)是次优的解决方案，EKF对模型进行线性化，同时要求期望的概率密度函数满足高斯分布。但是，实际系统中目标运动是一个包含大量不确定因素的非线性非高斯随机过程，EKF算法难以满足实际应用要求，而近年来出现的粒子滤波(ParticleFiltering，PF)方法是一种基于贝叶斯原理的非参数表示的蒙特卡罗模拟方法，PF以其灵活适应非线性动态模型和多模态观测模型，能很好解决非线性非高斯滤波问题而受到广泛的关注。另一方面，对于量化处理分布式系统的不确定信息，概率图模型方法表现出强大的生命力，目前在计算机视觉跟踪关节物体如人手及人体和交通车辆跟踪视频图像序列等已有成功的应用。

发明内容

本发明的目的是提供一种可灵活适应非线性动态模型、多模态观测模型且预测误差小的基于概率图模型的目标预测跟踪方法。

本发明提供的一种基于概率图模型的目标预测跟踪方法，它是通过概率图模型建模方法建立目标跟踪模型，再通过粒子滤波预测算法进行目标位置估计，推断目标各个时刻可能出现的位置，从而实现目标跟踪。

建立目标跟踪模型的过程为：

1)一个无方向图模型表示为：G＝(V，E)，其中V表示顶点集，E表示边线集，每个顶点s∈V表示一个随机变量x_s，s∈V，把无方向图表示的变量认为是离散的，这些变量x的分布表示为：

p(x)＝κ∏_s∈VΨ_s(x_s)∏_(s，t)∈EΨ_st(x_s，x_t)；

式中κ为标准化常数；Ψ_s(x_s)为顶点兼容函数；Ψ_st(x_s，x_t)为边线兼容函数；假设可得到独立噪声的观测量y＝{y_x|s∈V}，那么后验分布p(x)表达式转化为相应的条件概率p(x|y)，其表达式变为：

p(x|y)＝κ∏_x∈VΨ_x(x_s，y_s)∏_(s，t)∈EΨ_st(x_s，x_t)；

2)设在平面区域随机部署N个传感器节点，传感器节点的监测半径为R₀，在观测区域中目标随机出现，传感器节点u对在其观测区域内的目标t进行监测，若传感器节点u监测到目标k，设u监测到目标k的概率为P_o(x_k，x_u)，监测概率P_o(x_k，x_u)与传感器节点u到目标k的距离服从指数规律，并与传感器节点的监测半径R₀有关：