[发明专利]一种视频传感器网络中基于差分算法的多移动目标监测方法

摘要

一种视频传感器网络中基于差分算法的多移动目标监测方法，包括以下步骤：(1)在监测区域内随机部署多个视频传感器节点；(2)监测移动目标；(3)预测移动目标的下一刻位置；(4)可监测节点都创建维护一张覆盖旋转信息表；(5)基于差分优化算法的监测节点旋转决策；(6)可监测节点按照最终较优解来旋转。本发明能够通过预测移动目标下一时刻出现的位置，并据此利用差分算法选择可覆盖节点进行感知方向的旋转。该发明进行了每一时刻的全局优化，能够最大概率地覆盖目标可能出现的位置，提高了多移动目标的覆盖质量。

主权项

1.一种视频传感器网络中基于差分算法的多移动目标监测方法，其特征在于，所述的方法包括以下步骤：(1)在监测区域内随机部署多个视频传感器节点，给视频传感器节点进行编号S＝{Si|i＝1,2,…，n}，每个视频传感器节点由五元组表示Si＝，分别表示节点位置，感知半径，感知视角，感知方向角和旋转角速度；(2)监测移动目标，过程如下：(2.1)对新进入到监测区域的移动目标进行编号，并加入到移动目标集合T＝{Tj|j＝1,2,…,m}中；(2.2)判断某时刻目标T_j被视频传感器节点S_i监测覆盖到的方法是:且向量的方向位于[θ_i－α/2，θ_i+α/2]，其中表示监测节点S_i指向移动目标T_j的向量的模，即向量绝对距离；(3)预测移动目标的下一刻位置，过程如下：(3.1)根据移动目标在整个移动过程中保持速度V不变，方向随机变化，预测目标在t+1时刻可能移动到的位置是在以t时刻的位置为圆心，半径为VΔt的圆周上，即：Tjt+1＝{(Xjt+1，Yjt+1)|(Xjt+1‑Xjt)2+(Yjt+1‑Yjt)2＝(VΔt)2}，t＝0，1，2，…考虑到Tj在t时刻的移动方向Vjt，则t+1时刻Tj最有可能的移动方向是Vjt，最不可能的移动方向是‑Vjt，即反方向；(3.2)为目标T_j在t+1时刻移动方向偏离V_jt的角度引入概率密度函数目标下一时刻的移动方向是随机的，目标移动方向偏移角度是随机变量，用X表示，表示X的概率密度函数，Φ(x)表示X的分布函数，P(a≤X≤b)表示X在区间[a,b]的概率值；目标可以顺时针或者逆时针旋转移动方向，所以X∈[‑π，π]，且满足：而X在区间[a，b]的概率值为：即目标在t+1时刻的预测位置是落在以t时刻的位置为圆心，半径为VΔt的圆周上，且以概率Φ(b)‑Φ(a)偏移移动正方向角度[a,b]，或者说目标下一时刻落在偏离Vjt正方向[a,b]圆弧上的概率为Φ(b)‑Φ(a)；因此节点对目标正方向上的圆弧覆盖范围越大，节点对目标下一时刻的覆盖可能性越大；(3.3)根据多个移动目标的预测圆周位置是否进入监测节点的可覆盖区，确定可监测节点集合Z＝{Zi|i＝1，2…n}，以节点位置为圆心，感知半径为R的圆形区域，称为节点的可覆盖区；(4)可监测节点都创建维护一张覆盖旋转信息表，过程如下：(4.1)每个可监测节点都更新维护一张覆盖旋转信息表，覆盖旋转信息表的内容包括：“节点S_id”、“移动目标T_id”、“所需旋转角度A”、“是否激活”共四项；(4.2)可监测节点集合中的每个节点依据自身可覆盖区内出现的所有移动目标，对每个移动目标T_j计算出覆盖旋转角度，并构成旋转集合ΔA＝{ΔA_ij|i＝1，2…n，j＝1，2…m}，每个可监测节点根据自身的感知方向角θ_i，分别计算出覆盖到每个移动目标在t+1时刻移动方向无偏移的预测位置所需要旋转的角度ΔA，将信息添加到覆盖信息表中；根据节点位置P_i和目标下一时刻移动方向无偏移的预测位置p_v，计算向量的方向角θ_k，计算节点的感知方向角θ_i与θ_k的逆时针夹角angle，如果angle小于π，节点S_i需要旋转的角度ΔA＝‑angle+α/2，否则ΔA＝2π‑angle‑α/2；(4.3)每个可监测节点向服务器发送自身的覆盖旋转信息表；(5)基于差分优化算法的监测节点旋转决策，过程如下：(5.1)服务器根据所收到的各节点覆盖旋转信息表，初始化种群个体A＝{A₁，A₂，…，A_NP}，其中A_k＝(ΔA_k1，ΔA_k2，…，ΔA_kn)^T为种群的第k个个体，NP为种群大小，ΔA_ki代表监测节点S_i的旋转角度，边界条件其中分别表示ΔA_ki取值范围的上界和下界，与旋转角速度ω相关；(5.2)节点覆盖目标预测位置圆弧段所对应的概率值之和应最大化，设计适应度函数F:其中，节点以概率g(x)覆盖到目标Tj下一时刻预测位置pj，覆盖概率g(x)为：判断t时刻节点S_i覆盖到目标T_j的预测位置p_j的方法是且向量的方向位于[θ_i－α/2，θ_i+α/2]；(5.3)通过差分策略实现个体变异，随机选取种群中两个不同的个体，将其向量差缩放后与待变异个体进行向量合成，即vk(t+1)＝Ar1(t)+G·(Ar2(t)‑Ar3(t))j≠r1≠r2≠r3其中，G为缩放因子，Ak(t)表示第t代种群中第k个个体，进化过程中，为了保证解的有效性，需对中间体判断是否满足边界条件；(5.4)交叉操作：对第t代种群{Ak(t)}及其变异的中间体{vk(t+1)}进行个体间的交叉操作，产生试验个体uk(t+1)；其中，CR为交叉概率，irand为[1，2，…，n]的随机整数，确保了变异中间体vk(t+1)中至少有一个“基因”遗传给下一代；(5.5)对试验个体和原个体进行选择操作，采用贪婪算法选择适应度大的个体进入下一代种群：(5.6)从(5.3)循环以上步骤直至达到迭代次数；(6)可监测节点按照最终较优解来旋转，过程如下：(6.1)差分优化算法结束后，服务器获得算法解得的较优个体，个体的“基因位”对应相关节点旋转角度ΔAki；(6.2)服务器将较优个体解回传给每个可监测节点，节点找寻自己的“基因位”，并进行相应角度旋转；(6.3)等待一个时间步长后转到步骤(2)重新计算，直到监测结束。