Group Target Tracking in WSN Based on Convex Hulls Merging

When a mass of individual targets move closely, it is unpractical or unnecessary to localize and track every specific target in wireless sensor networks (WSN). However, they can be tracked as a whole by view of group target. In order to decrease the amount of energy spent on active sensing and communications, a flexible boundary detecting model for group target tracking in WSN is proposed, in which, the number of sensors involved in target tracking is adjustable. Unlike traditional one or multiple individual targets, the group target usually occupies a large area. To obtain global estimated position of group target, a divide-merge algorithm using convex hull is designed. In this algorithm, group target’s boundary is divided into several small pieces, and each one is enclosed by a convex hull which is constructed by a cluster of boundary sensors. Then, the information of these small convex hulls is sent back to a sink. Finally, big convex hull merged from these small ones is considered as the group target’s contour. According to our metric of precision evaluation, the simulation experiments confirm the efficiency and accuracy of this algorithm.

A target group tracking algorithm for wireless sensor networks using azimuthal angle of arrival information

In this paper, we explore the technology of tracking a group of targets with correlated motions in a wireless sensor network. Since a group of targets moves collectively and is restricted within a limited region, it is not worth consuming scarce resources of sensors in computing the trajectory of each single target. Hence, in this paper, the problem is modeled as tracking a geographical continuous region covered by all targets. A tracking algorithm is proposed to estimate the region covered by the target group in each sampling period. Based on the locations of sensors and the azimuthal angle of arrival （AOA） information, the estimated region covering all the group members is obtained. Algorithm analysis provides the fundamental limits to the accuracy of localizing a target group. Simulation results show that the proposed algorithm is superior to the existing hull algorithm due to the reduction in estimation error, which is between 10% and 40% of the hull algorithm, with a similar density of sensors. And when the density of sensors increases, the localization accuracy of the proposed algorithm improves dramatically.

A target group tracking algorithm based on a hybrid sensor network

Traditional tracking algorithms based on static sensors have several problems. First, the targets only occur in a part of the interested area; however, a large number of static sensors are distributed in the area to guarantee entire coverage, which leads to wastage of sensor resources. Second, many static sensors have to remain in active mode to track the targets, which causes an increase of energy consumption. To solve these problems, a target group tracking algorithm based on a hybrid sensor network is proposed in this paper, which includes static sensors and mobile sensors. First, an estimation algorithm is proposed to estimate the objective region by static sensors, which work in low-power sensing mode. Second, a movement algorithm based on sliding windows is proposed for mobile sensors to obtain the destinations. Simulation results show that this algorithm can reduce the number of mobile sensors participating in the tracking task and prolong the network lifetime.

基于联合GLMB滤波器的可分辨群目标跟踪

针对联合广义标签多伯努利(joint generalized labeled multi-Bernoulli, J-GLMB)滤波算法中群目标之间距离较近、容易关联错误的问题,结合超图匹配(hypergraph matching, HGM)提出一种基于HGM-J-GLMB滤波器的可分辨群目标跟踪算法。首先,采用J-GLMB滤波器估计群内各目标的状态、数目及轨迹信息,并利用HGM结果提升量测与预测状态之间的关联性能。其次,通过图理论计算邻接矩阵,获取群结构信息和子群数目。随后,利用群结构信息估计协作噪声,进而校正目标的预测状态。最后,通过平滑算法改善滤波效果,并设置轨迹长度阈值,使其在平滑状态达到消除短轨迹的目的。仿真实验表明,所提算法在线性系统下能有效提升群目标跟踪性能。

基于YOLO v5+DeepSORT算法的羊群游走同步群体决策行为研究

随着畜牧养殖智能化监控技术的产业化应用,进一步提升畜禽养殖的分类施策精细化管理,成为现代畜牧业精细高效养殖管理的新需求。采用固定机位、多角度视频采集技术,实时记录羊群牧食过程中的游走行为;针对羊群游走视频中易出现遮挡的复杂情况,设计了基于YOLO v5模型的羊群多目标检测模型,羊群游走过程中的多目标实时跟踪识别率可达90.63%;采用羊群游走多目标轨迹跟踪DeepSORT算法,通过提取羊目标的深度表观特征,计算出羊群游走轨迹和变化节拍规律。结果表明,羊的游走过程通常为慢走、快走和疾走3种方式,单只羊的游走过程通常是不固定的随机组合。在中大规模羊群中,由于亲缘关系结构的复杂性,羊群往往分化为多个小群体,这使得从整体上观察和分析羊群行为变得异常困难。为此,聚焦于小规模羊群进行研究,通过羊群散列、聚集和同步3个游走过程分析,初步验证了羊群游走节拍周期上的同步现象。

适用于点群共存场景的TPMBM跟踪算法

针对传统群目标跟踪算法在点群共存场景下跟踪精度低的问题,提出了可以同时对点目标和群目标进行跟踪的轨迹泊松多伯努利混合(trajectory Poisson multi-Bernoulli mixture,TPMBM)滤波算法。该算法对目标的状态空间进行扩展,在标准点目标和群目标模型的基础上引入关于目标类别的概率信息,通过TPMBM滤波器的预测和更新过程实现对目标类别的判断和对目标运动状态的估计。仿真结果表明,与现有算法相比,所提算法在点目标和群目标共存时漏检误差明显降低,具有更优的跟踪性能。

基于MeanShift与Group Search Optimizer的视频目标跟踪方法

针对传统的Meanshift方法在目标快速运动的情况下,目标跟踪易丢失问题,提出了一种将Meanshift与Group Search Optimizer融合的视频目标跟踪方法。该方法可以对运动目标位置进行全局搜索,根据Meanshift算法的跟踪结果判断是否要进行Group Search Optimizer算法优化,并且在目标跟踪丢失时可以快速重新找回原目标进行跟踪,提高了目标跟踪的鲁棒性。实验结果表明该方法可以有效提高对快速运动目标跟踪的准确性,具有较好的鲁棒性。

仿生物学无人机集群目标的雷达跟踪与辨识

仿生物学无人机集群的兴起给雷达目标跟踪和识别带来新挑战,不同集群飞行模式对雷达数据处理及集群目标辨识会产生不同影响。为分析集群对雷达跟踪识别的影响机理,本文对仿雁群、仿狼群、仿蜂群三种无人机集群飞行过程进行建模,分别模拟无人机集群的大范围输运、抵近围捕攻击和稳健信息通信;其次探讨了不同集群方式对雷达航迹起始、数据关联及跟踪滤波关键算法的影响机理;最后结合三种仿生物学运动特点,基于聚类思想设计了集群事件模式的辨识方法,给出了每种集群模式辨识的判定规则。仿真表明,不同集群模式存在相对较优的数据处理算法组合,针对集群模式优选跟踪算法可以提高雷达对集群目标的跟踪精度并降低时间成本,且能够实现对不同集群模式的辨识,有利于判断目标意图以及后续处理。

基于形态滤波和推理矩阵的群目标跟踪

针对雷达群目标跟踪时存在交叉、分裂和合并问题,提出一种基于形态滤波的群目标跟踪方法。首先建立笛卡尔坐标系下的群目标量测分布初始图像矩阵,对图像矩阵进行形态滤波和连通域标记处理,获得场景中的群目标个数以及每个群目标的几何区域。然后计算每个群目标的等效质心,并提出推理矩阵来判断群目标之间的交互行为,完成对群目标交叉、分裂和合并行为下的目标关联和稳定跟踪。最后通过仿真验证了该方法对群目标跟踪的有效性。

基于加权估计的密集群目标跟踪调度方法

针对航迹关联中采用常规的跟踪调度方法探测“一箭多星”方式发射入轨的卫星群类空间目标时,存在调度偏离大、漏检目标等问题,提出了基于加权估计的密集群目标跟踪调度方法.首先分析了密集星群的分布特征和常规跟踪调度方法存在的问题;在此基础上提出了一种基于密集群当前位置和预测位置加权处理获取调度位置的方法;最后利用“星群”的历史探测数据进行方法验证和加权参数获取,并开展目标实际观测试验.试验结果表明,该方法能够有效地完成相控阵雷达在卫星群类密集场景下的跟踪调度,提升其跟踪能力.

密集群目标跟踪的研究进展

随着“无人机蜂群”作战理念的提出,密集群目标成为各国测控、军事专家研究的热点领域。首先给出了群目标的定义并解释了其内涵,同时界定了密集群目标的范畴。通过分析密集群目标跟踪的流程和关键环节,总结并对比分析了密集群目标的分群技术、空间外形估计算法、分离与合并检测模型和目标状态滤波技术的相关研究。最后,结合目前密集群目标跟踪的研究热点,展望了未来密集群目标跟踪的研究方向。

Group tracking algorithm for split maneuvering based on complex domain topological descriptions

A group tracking algorithm for split maneuvering based on complex domain topological descriptions is proposed for the tracking of members in a maneuvering group. According to the split characteristics of a group target, split models of group targets are established based on a sliding window feedback mechanism to determine the occurrence and classification of split maneuvering, which makes the tracked objects focus by group members effectively. The track of an outlier single target is reconstructed by the sequential least square method. At the same time, the relationship between the group members is expressed by the complex domain topological description method, which solves the problem of point-track association between the members. The Singer method is then used to update the tracks. Compared with classical multi-target tracking algorithms based on Multiple Hypothesis Tracking （MHT） and the Different Structure Joint Probabilistic Data Association （DS-JPDA） algorithm, the proposed algorithm has better tracking accuracy and stability, is robust against environmental clutter and has stable time-consumption under both classical radar conditions and partly resolvable conditions.

无人机集群分组编队控制跟踪一体化设计

针对具有Lipschitz非线性动力学特性的无人机(unmanned aerial vehicle,UAV)集群系统的分组编队跟踪控制问题,提出了一种基于一致性理论的分组编队协同控制方法。首先,建立分层双虚拟结构的协同控制框架,将多编队生成、保持以及组内组间协同变换等复杂编队任务作为控制目标,基于参数组的队形描述方法,在分层控制框架内分别设置轨迹导引UAV和基准UAV,并利用UAV之间的局部运动信息设计编队控制律,克服了采用现有多编队控制策略编队间难以协同的缺陷;其次,设计多编队控制和目标跟踪一体化控制策略,确保在多编队进行协同变换的同时实现对机动目标的精确协同跟踪;最后,仿真结果验证了所提的控制算法能够实现分组编队的跟踪控制。

基于模糊粒子群的高压配网目标网架自适应规划方法

在配网目标网架规划阶段,由于需要规划的节点数量较多,对应的状态参数较为复杂,导致规划后网架的运行性能难以达到理想状态,为此,提出基于模糊粒子群的高压配网目标网架自适应规划方法研究。结合网架规划的核心目标构建了配电网网架规划模型,将目标网架中的节点作为粒子,并为粒子引入了模糊分组机制,设置了搜索粒子和跟踪粒子,当目标网架节点的全局更新结果不改变配电网网架规划模型输出结果时,将对应的参数作为网架自适应规划结果。在测试结果中,设计方法规划的目标网架在可靠性、安全性以及供电质量方面均表现出了良好的实际应用效果。

基于SMC-PHDF的部分可分辨的群目标跟踪算法

提出一种基于粒子概率假设密度滤波器(Sequential Monte Carlo probability hypothesis density filter,SMC-PHDF)的部分可分辨的群目标跟踪算法.该算法可直接获得群而非个体的个数和状态估计.这里群的状态包括群的质心状态和形状.为了估计群的个数和状态,该算法利用高斯混合模型(Gaussian mixture models,GMM)拟合SMC-PHDF中经重采样后的粒子分布,这里混合模型的元素个数和参数分别对应于群的个数和状态.期望最大化(Expectation maximum,EM)算法和马尔科夫链蒙特卡洛(Markov chain Monte Carlo,MCMC)算法分别被用于估计混合模型的参数.混合模型的元素个数可通过删除、合并及分裂算法得到.100次蒙特卡洛(Monte Carlo,MC)仿真实验表明该算法可有效跟踪部分可分辨的群目标.相比EM算法,MCMC算法能够更好地提取群的个数和状态,但它的计算量要大于EM算法.

面向目标跟踪的传感器网络分布式组管理机制

移动目标跟踪是无线传感器网络中的重要研究课题和研究热点之一。分布式组管理机制是移动目标跟踪系统的核心组件,是系统达到高可扩展性和低能耗的关键。本文提出了一种基于目标射频信号强度的贪婪式组管理机制,从组的构建和组的维护2个方面对其工作机理进行了详细阐述,并针对系统运行时可能出现的各种异常状况给出相应的解决方案。本文最后给出了组管理机制在TinyOS平台上的具体实现,以及在实际中的部署效果和从中获得的经验。

基于主被动雷达数据融合的抗密集假目标干扰技术

密集假目标干扰可降低目标检测概率,对雷达目标跟踪同时产生压制性和欺骗性效果。针对此问题,提出了基于主被动雷达数据融合的抗密集假目标干扰技术。首先,对受到密集假目标干扰的主动雷达量测数据进行预处理;然后对预处理后的数据和被动雷达量测数据进行关联处理,保留相互关联的量测对,并利用最小二乘法计算出等价量测;最后用等价量测对目标跟踪。该技术充分利用主被动雷达各自的优势,消除密集假目标的影响,实现对真实目标的稳定跟踪。仿真结果验证了该技术的有效性。

基于声强的无线传感器网络目标跟踪方法研究

为有效解决无线传感器网络对具有声音特性移动目标的跟踪问题,该文利用声音随距离的能量衰减模,并结合声强特性,给出了基于动态组管理机制的目标跟踪方法。仿真实验结果表明无线传感器网络中基于声强特性的方法,能够有效实现对移动目标跟踪,结合Kalman滤波算法提高了实验结果的跟踪精度。

运动状态下多传感器群目标精细航迹起始算法

为解决多传感器群内目标精细航迹起始的难题,提出一种基于运动状态的集中式多传感器群目标精细航迹起始算法,算法首先基于循环阈值模型和群中心点完成群的预分割、预互联,然后将预互联成功的群按传感器不同分成多个子群,基于非抢占式修正逻辑法和同状态航迹子群获取模型剔除单传感器形成的虚假航迹,并基于多传感器同状态群关联模型消除各传感器虚假的同状态航迹子群,最后基于加权法实现同状态关联群内航迹的精细互联及合并。仿真数据表明,与分布式多传感器修正逻辑法、基于聚类和Hough变换的集中式多传感器多编队航迹起始算法相比,算法在起始真实航迹、抑制虚假航迹及杂波鲁棒性等方面综合性能更优。

基于随机有限集的中段弹道目标群星载红外像平面跟踪方法

弹道目标进入中段飞行时释放弹头及大量诱饵形成密集目标群,对星载红外像平面的目标跟踪提出新的挑战.针对像平面对目标群各目标分辨个数的时变性,及各目标像平面轨迹非线性程度强的特点,提出基于随机有限集的目标群像平面跟踪方法.随机有限集为最优贝叶斯多目标跟踪提供统一的理论基础,但直接递推多目标后验分布计算量大,概率假设密度为多目标后验概率分布的一阶矩,在随机有限集框架下递推概率假设密度为现实可行的次优多目标跟踪方法.采用序贯蒙特卡罗方法实现多目标概率假设密度递推跟踪滤波,计算所有粒子权值之和估计目标数目,以k-m eans方法对粒子集进行聚类提取各目标的状态;最后构建天基光学星座对中段弹道目标群的跟踪仿真场景,在不同交接跟踪任务、虚警率和目标个数条件下进行对比分析和仿真验证.结果表明,该方法能同时跟踪星载红外像平面上动态变化目标群各目标的状态和数目.