无线传感器网络中目标跟踪的马尔可夫模型与预测方法

第23卷第5期2010年5月

传感技术学报

CH I N ESE JOURNAL OF SE NS ORS AND ACT UAT ORS

Vol .23　No .5

May 2010

项目来源:广东省自然科学基金项目资助(9151052101000013);茂名市重点科技计划项目资助(20091010)收稿日期:2009-11-25 修改日期:2009-12-11

M RF M odel and the Tracks Forecasti n g M ethod of Target Tracki n g i n W SN

3

L IU M ei

1,23

,HUAN G D aoping

1

1.College of A uto m ation Science and Engineering,South

China U niversity of Technology,Guangzhou 510640,China;2.D epart m ent of A uto m ation,M ao m ing U niversity,M ao m ing Guangdong 525000,China

Abstract:I n vie w of the actual targetmoti on is a non 2linear non 2Gaussian random p r ocess which containsmany un 2certain fact ors,a distributed target tracking method based on Markov Random Field (MRF )model and particle fil 2ter is p r oposed .First,the target tracking p r ocess is seen as a Markov Random p r ocess and the target state functi on is built based on Bayes rules .Then the target state is esti m ated by particle filter method and distributed target tracking is achieved .Experi m ental results show that the r oot mean square err or (RMSE )based on MRF 2PF method is reduced by 52.6%and 49.2%res pectively compared with that of Kal m an filter (KF )and extended Kal m an filter (EKF )when noise is Poiss on white noise .Si m ilarly,the RMSE based on MRF 2PF is reduced by 54.5%～77.2%and 23.5%～54.2%res pectively when noise is Gaussian and its σ2

changes fr om 0.3t o 3.MRF 2PF method shows better anti 2noise ability and tracking perf or mance compare with KF and EKF .

Key words:wireless sens or net w orks (W S N );target tracking;Markov random field (MRF );particle filter (PF )EEACC:0240J;6140B;6140M ;6210C

无线传感器网络中目标跟踪的马尔可夫模型与预测方法

3

刘　美

1,23

,黄道平

1

1.华南理工大学自动化科学与工程学院,广州510640;

2.茂名学院计算机与电子信息学院,广东茂名525000

摘　要:针对目标运动是一个包含许多不确定因素的非线性非高斯随机过程,提出基于马尔可夫随机场模型与粒子滤波的

W S N 分布式目标跟踪方法(MRF 2PF )。把目标跟踪过程看作是一个马尔可夫过程,基于贝叶斯规则,建立目标状态分布函数,

用粒子滤波估计目标状态,实现目标跟踪。实验结果:对于泊松白噪声,MRF 2PF 方法的跟踪均方根误差R M SE 相比卡尔曼滤

波(KF )和扩展卡尔曼滤波(EKF )方法分别降低52.6%、49.2%;对于方差σ2由0.3→3的高斯噪声,G M 2PF 方法的R MSE 相

比KF 、EKF 分别降低54.5%～77.2%和23.5%～54.2%。这表明MRF 2PF 方法在非线性非高斯噪声或高斯噪声变化较大时具有较好的抗噪能力及跟踪性能。

关键词:无线传感器网络;目标跟踪;马尔可夫随机场模型;粒子滤波中图分类号:TP391 文献标识码:A 文章编号:1004-1699(2010)05-0708-05 目标的定位、跟踪和运动轨迹的精确描述,是无线传感器网络(W ireless Sens or Net w ork,W S N )应用

研究的热点之一[1]

。由于目标运动是一个包含许多不确定因素的非线性非高斯过程,W S N 又存在通信带宽、节点能量等资源受限的问题,如何有效利用资源,在诸多不确定因素情况下提高定位跟踪的准

确度,是W S N 目标定位跟踪系统的研究难题[2-3]

。

目前,针对非线性目标运动,W S N 目标跟踪预测算法主要有扩展卡尔曼滤波EKF (Extended Kal m an

Filter )、无迹卡尔曼滤波UKF (Unscented Kal m an Fil 2ter )和粒子滤波PF (Particle Filter )。其中EKF 算法

适用于弱非线性模型,对于强非线性模型,虽然UKF 比EKF 的效果好,但UKF 和EKF 都是在基于模型线

性化和高斯噪声情况[4-5]

。对于非线性非高斯模型,PF 算法因为能灵活适应非线性动态模型和多模态观

测模型,被认为是目前最有前景的方法[6]

。另外,针对目标运动的不确定信息,概率图模型PG M (Pr oba 2bilistic Graphical Models )方法表现出强大的生命