《龙珠》角色和高达合体模型曝光 大特造型超级拉风

摘要：针对传感器网络下多目标跟踪时目标数量不断变化这一复杂情况，文中对多目标的跟踪和特征管理方法进行了研究。该方法由数据关联、多目标跟踪、特征管理，和信息融合所组成。其中未知数量多目标的跟踪和数据关联通过马尔科夫蒙特卡罗数据关联实现。通过信息融合来整合本地信息，获取所有相邻传感器的本地一致性，最终实现特征管理。试验证明，本方法能够在分布式的传感器网络环境下对多目标进行准确有效地跟踪和特征管理。
关键词：传感器网络；多目标跟踪；特征管理；数据关联；信息融合

近来传感器技术和无线通信技术的发展导致了一个新概念的诞生一传感器网络，即一个由本地传感器节点所组成的具有感知、处理和通信能力的一种广泛应用的网络。为了更深入地挖掘传感器网络所具有的能力，笔者提出了一种可扩展分布式的多目标跟踪和特征管理方法，该方法能够通过一个传感器网络对多个目标实现跟踪和特征管理。
传统的多目标跟踪方法，如MHT跟踪器，不适用于传感器网络。而现有基于传感器网络的算法仅基于如下情况：所跟踪目标的数量已知不变，并且它们的运动轨迹对于本地传感器已知。而在本文中，笔者放宽了以上假设，形成对于分布式多目标的跟踪和特征管理算法DMTIM。文中在实现数据关联和多目标跟踪运用了马尔科夫链蒙特卡罗数据关联MCMCDA的方法，实时对未知数量的多目标进行跟踪。MCMCDA方法能够独立地对轨迹进行起始和终止，并能够跟踪未知数量的多目标。每个传感器能够运用MCMCDA有效地跟踪一组未知数量的目标，并且能够对目标的特征进行分布式地管理。
本文结构如下：分布式多目标的跟踪与特征管理算法概述；多目标跟踪问题及其概率模型；DMTIM关键算法叙述：马尔科夫链蒙特卡罗数据关联算法；DMTIM组成部分介绍，包括数据关联、多目标跟踪、特征管理和信息融合；DMTIM算法仿真试验及评估。

1 分布式多目标跟踪和特征管理
文中研究重点是传感器网络中多目标的跟踪和特征管理方法。每个传感器拥有自己的观测区域，且拥有与其邻近传感器通信的能力。如图1所示一个简单的二传感器的系统，大圆圈代表传感器的观测区域。每个传感器能够对多目标进行跟踪并在观测区域内管理目标特征。该问题的难点在于观测区域内目标的数量会随时间而变化，因此我们必须寻求一种可扩展的，在相邻传感器中具有本地一致性的方法。

随机出现在R范围内，直到在时间点时消失。对于每个时间点，目标保持其存在的概率为1-pz，消失的慨率为pz。对于每一个时间点，在R范围内所出现目标的数量都具有一个位置分布，该位置分布包含参数λbV，其中λb表示单位时间单位范围内的出现率，V表示观测范围R的大小。并特定每个新目标的初始位置都在R范围内。
设为目标k的离散时间运动，其中nx是状态变化的维度。并设为时刻t目标k的状态。目标t的运动服从公式(1)：

其中属于白噪声过程，包含在了目标非直线运动模型。并运用一个探测概率pd来计算目标状态的噪声。目标不被发现并被视为跟踪丢失的慨率为1-pd。本文设定了错误报警，其数量也遵循含有参数λfV的位置分布，其中λf是单位观测范围单位时间内的错误报警率。设n(t)为时间点t观测点的数量，该数量包括了噪声观测和错误报警。设为时间点t的第j个观测值，其中ny是每一个观测向量的维度。每个被测物体都会在该采样时间产生一个特定的观测值，如公式(2)所示，其中为观测值模型。

其中是白噪声过程，u(t)足错误报警的随机过程。目标是观测目标类型或属性信息，状态变量可以扩展到包括目标类型的信息。因此多目标识别的问题即是从观测值中计算出，其中k=1，…，K。
2．2 多目标跟踪方法
设为时间t的所有值，Y={y(t)：1≤f≤T}为时间t=1到t=T的所有计算值。设Ω为所有Y的集合，且ω∈Ω，有如下参数：