基于多传感器的协同侦察与控制系统研究.doc

基于多传感器的协同侦察与控制系统研究 单位代码分类号了？编号硕士学位论文题彳？丁鼻兹价闷研究生姓名减一（挪？届湟丁务专业）导师姓名对论文完成期？作启漆呱，欠骞分类号密级编号工学硕士学位论文基于多传感器的协同侦察与控制系统研究硕士研究生张文超指导教师胡玉兰教授学位级别工学硕士学科、专业通信与信息系统所在单位信息科学与工程学院论文提交日期年月日论文答辩日期年月日学位授予单位沈阳理工大学，沈阳理工大学硕士学位论文原创性声明本人郑重声明本论文的所有工作，是在导师的指导下，由作者本人独立完成的。 有关观点、方法、数据和文献的引用己在文中指出，并与参考文献相对应。 除文中己注明引用的内容外，本论文不包含任何其他个人或集体己经公幵发表的作品成果。 对本文的研宄做出重要贡献的个人和集体，均己在文中以明确方式标明。 本人完全意识到本声明的法律结果由本人承担。 作者（签字）日期年月日学位论文版权使用授权书本学位论文作者完全了解沈阳理工大学有关保留、使用学位论文的规定，即沈阳理工大学有权保留并向国家有关部门或机构送交学位论文的复印件和磁盘，允许论文被查阅和借阅。 本人授权沈阳理工大学可以将学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或其它复制手段保存、汇编学位论文。 （保密的学位论文在解密后适用本授权书）学位论文作者签名旨导教师签名曰期曰期摘要多传感器协同侦察系统能够在无人值守的野外自然环境下全天候的探测入侵目标，并对其监测到的目标视频流进行计算机视觉处理，对运动目标进行检测侦察和跟踪。 在有限能量的前提下，通过合理协同配置节点，既能保证传感器网络多视角、强容错的优势，又能提高系统效率、延长系统生命周期，在物联网、军事、环境、健康、家庭和其他商业领域有着广阔的应用前景。 首先，为了解决多传感器节点协同调度问题，根据其多冗余、能量受限的特点，通过为传感器节点建立簇表信息和运用球形单工无迹卡尔曼滤器（）来估计目标的运动状态，提出了基于传感器感知能力的簇生成方法，并综合考虑每个传感器节点剩余能量和其跟踪精度制定了簇头轮换方法，以移动目标为激励，目标周围节点动态组建成簇来完成跟踪任务，提出了一种节点协同调度跟踪策略。 运用该协同调度策略仿真实现了目标跟踪过程，相对于传统的方法具有较好的稳定性和鲁棒性。 其次，为了利用视频传感器节点采集的信息对目标进行实时侦察跟踪，基于轻量级深度学习目标检测网络，通过改进其网络结构，利用増加更细粒特征图参与位置回归和分类来综合网络的上下文信息，并通过引入反残差模块来提高网络提取特征的能力，在保证实时检测速度的同时提高了检测精度，并在数据集上进行训练验证，取得了良好的效果。 最后，为了改善多传感器协同控制系统对用户的友好性，利用这一流行的开发框架，基于语言完成了系统的基础架构和控制平台的设计，运用模块化的思想开发各个系统部件，实现了视频回显预警、侦察业务数据管理、地理态势联合展示等模块的开发，整体系统具有良好的可扩展性。 关键词多传感器；协同调度；标跟踪；目标侦察；控制系统，？，（），；，沈阳理工大学硕士学位论文，；目录第章绪论本文的研宄背景和意义国内外研宄现状多传感器协同调度的研宄现状多传感器控制系统的研宄现状本文的主要工作第章多传感器协同调度与目标侦察相关理论研究目标运动状态最优化估计理论扩展卡尔曼滤波算法无迹卡尔曼滤波算法多传感器网络动态成簇算法节点状态设置及节点激活方式簇头选举及成员选择方法目标侦察关键技术研究模型误差损失函数梯度下降优化方法本章小结第章多传感器协同目标跟踪算法目标运动状态基本假设协同调度算法设计传感器分簇表的建立基于的目标状态估计算法多传感器协同调度算法仿真结果及对比分析本章小结第章多传感器协同目标侦察算法基于的目标侦察算法基于细粒度特征和反残差的目标侦察算法改进沈阳理工大学硕士学位论文训练数据集介绍及分析算法评估指标仿真结果及对比分析本章小结第章多传感器协同控制系统的设计实现系统需求分析总体方案设计控制台交互设计系统槽函数设计幵发环境的搭建多传感器协同控制系统的具体实现用户注册和登录模块多传感器协同控制台模块视频回显预警模块侦察业务传感器数据管理模块地理态势联合展示模块本章小结参考文献攻读硕士学位期间发表的论文和获得的科研成果第章绪论本文的研究背景和意乂为了赢得在战场上的先机，指挥员需要对战场信息有快速全面的了解，以多传感器网络技术和目标侦察技术为支撑的多传感器协同侦察控制系统提供了前所未有的空间感知，可更快速的发现和了解异常情况，抢先制定计划和部署行动，是信息化陆战场的重要装备系统。 本文对多传感器协同侦察控制系统的设计与开发问题进行了探讨，侦察控制系统主要完成特定区域内部署的各种传感器的协同管理与调度任务，能够全天候对无人值守的区域进行监控，实时掌控被检测区域的状态，实现可视化的检测和预警报警处置。 在多传感器协同侦察控制系统设计中，运动目标侦查检测与跟踪是其主要的核心技术，涉及计算机视觉、机器学习、概率统计和随机过程等领域。 本论文拟对多传感器目标跟踪技术中的一些重点技术展开讨论，主要内容包括解决协同跟踪任务中的动态成簇、协同调度、能量均衡、基于视频图像的目标侦察检测及系统控制台的主体框架搭建等问题。 獅累统王位机）一一一十一丨乂域！？图丨协同侦察与控制系统总框图图为协同侦察与控制系统的总框图，其假设的应用场景为边境复杂环境，主要以摄像头传感器为主对捕获到的视频图像流进行实时的目标检测，在摄像头的盲点区域和地形较为复杂不适合布设高性能的传感设备区域冗余散布价格较为低廉的测距传感器动态成簇进行目标追踪。 本文的选题“基于多传感器的协同侦察与控制系统研究”，就是希望能够在野外无人值守的边防复杂环境下对外来入侵者沈阳理工大学硕士学位论文利用多传感器冗余布设的方式进行追踪和侦察，通过对检测区域的视频帧图像进行特征抽象来进行实时侦察检测，并建立上位机协同调度控制管理平台。 国内外研究现状多传感器协同调度的研究现状在传感器终端节点可以实时连续不间断地进行数据的采集、节点控制、事件标识等任务，并可通过多个传感器数据的融合进一步增强传感器系统的鲁棒性，传感器的这些特点使得多传感器技术的应用前景非常广阔，几乎涉及到社会经济生活中的各个领域。 在军事领域方面，由于多传感器网络布设方式灵活、密集分布的特点，非常适合应用于自然环境恶劣及野外无人值守的军事环境中。 操作者能够利用其实现敌人入侵判断及兵力装备检测、战场状况实时监控、可疑目标定位等等作战任务。 在农业生产领域，多传感器网络特别适用于农作物生长环境监测，例如种植大棚室内的土壤湿度、温度、作物生长周期、光照等，可为农业的科学化发展带来极大的帮助。 在生态环境监测方面，多传感器网络可为野外随机研宄数据的获取提供方便，比如通过在森林中大面积均匀撒设温度传感器监测火灾发生地点；在江海湖泊中布设有害物质监测传感器可判定遭受化学污染的位置和等级，能够避免人工在高危环境中的作业损伤；利用多种传感器来监测降雨量、风力等级、土壤水分含量等，并通过信息融合来预测山洪暴发等。 在工业领域，可通过多传感器组网技术来形成物联网，在智能家居和仓储物流管理等方面有广泛应用，可实时的交换和获取信息；在家电中嵌入传感器节点，可利用远程监控系统实现对家电的远程遥控；可利用传感器检测危险作业区的安全稳定状况，为工作人员提供安全保障。 在智能交通领域，多传感器网络可以为智能交通信息的采集和传输提供便利有效的解决方案，监测交叉路口的车流量、车辆行驶速度、车辆安全距离等信息，并通过多信息流融合来制定最优的车俩线路规划、红绿灯时长设置等交通方案来疏导和控制车辆的流通。 在多传感器协同侦察网络中，其应用场景多在野外复杂的自然环境中，但现在市场上的传感器多以安装固定电池的方式进行供电，在有限的能量和复杂多变的自然环境中很容易造成传感器节点因能量耗尽坏死从而降低网络的寿命。 因此怎样提升侦察网络的能量利用率，均衡网络的能量消耗分布，减少过载造成的单节点能量过度消耗而造成的网络生命周期缩短是学者们研究的重点方向。 第章绪论文献提出了基于节点能量、节点间距离等因素的加权分簇算法，但需要预设最优分簇大小没有自适应性。 在多传感器中的节点很有可能受外界影响发生故障丧失通信能力或由于能量耗尽成为死节点，引起网络的拓扑结构改变。 所以多传感器网络必须具有动态可扩展和智能调控能力。 文献阐述了一种轮换簇头的低功耗智能动态分簇算法，使每个节点有相同的机会成为簇首。 文献提出了一种基于分布式粒子滤波的运动状态估计方案，但存在粒子衰退的问题，可采用分区优化避免。 文献是二进制检测协作跟踪的一种改进，假设目标在较小的时间范围内做匀速直线运动，利用微分线性逼近的方法进行目标定位。 文献提出了一种利用扩展卡尔曼滤波（）在卡尔曼滤波估计点对非线性系统进行泰勒展开，只考虑低次项从而实现线性化，预测目标方位角及其变化率的定位方法。 然而扩展卡尔曼滤波是基于线性化的，非线性情况下协方差和均值的计算可靠性较低。 多传感器控制系统的研究现状近几年随着科技水平的不断增长，在高新科技信息不断蓬勃发展的环境下，各式各样的检测设备也不断涌现了出来。 在最初的目标监控的任务中科学家们只能利用单一的传感器获取到有限的不可靠信息，可想而知，单个传感器因为其自身的探测特点难以建立待追踪目标的完全特征信息，因此具有很高的误警和虚警概率。 因此，为了满足更多的目标跟踪任务需求和提高跟踪系统的鲁棒性，需要部署多个传感器并行观测多路信息，进行目标的实时检测任务，利用多传感器信息内容多样、互补的特性综合处理来获得目标类别、目标轨迹和状态评估等信息。 所谓多传感器主要是指频率位于不同频段的传感器，主要包括可见光摄像机，振动传感器，红外热像仪，磁传感器，激光测距仪和声咅采集器等。 基于多平台和多类型的智能监控系统也一直是科学家们关注的热点，多传感器协同控制上位机系统可以通过通信系统针对不同类别或不同数量的目标动态智能的进行传感器调度以达到精准定位和减少开销的目的。 自年美国国防部高级研宄计划局在全球范围首次提出无线传感器自组织网络以来，世界各地的研究机构和各高校的科研人员都开展了传感器网络项目的研宂探索。 其中，加州大学伯克利分校所研发的的表现最为突出。 该系统拥有较高的专业性，主要为能耗较低的无线设备提供服务，主要应用于智能家电、智能交通、传感器网络等领域。 我国的多传感器控制技术起步较晚，沈阳理工大学硕士学位论文在上世纪年代才出现相关的研宄报道，并且目前主要运用在军用领域，虽然我国由于长期的技术落后，现在与西方发达国家仍存在很大的差距，但在政府和军方的共同支持和鼓励下我国在多传感器方向的技术发展也取得了长足的进步。 更进一步，我国近期提出的智慧城市的概念也会使多传感器技术应用邻域找到新的方向，逐步的向更成熟的方向发展。 本文的主要工作本文从多传感器的协同调度着手，对多冗余传感器网络的动态成簇和协同跟踪做了深入研宄，提出了基于球形单工无迹卡尔曼滤器（）的目标跟踪算法，并对其运用进行了仿真验证。 接着在利用目前主流的深度学习框架改进轻量级目标检测模型，改善其目标检测能力为以后实现在传感器节点的视频联动侦察检测奠定了基础。 最后，利用实现了多传感器协同控制系统上位机的主体架构。 第章绪论。 本章首先对本文的研宄背景和意义进行了阐述，其次分别说明了多传感器协同调度、多传感器监控系统的国内外研宄现状，以及当前各领域的重点研宂方向。 最后，介绍了本文的主要工作内容。 第章多传感器协同调度与目标侦察相关理论研宄。 本章主要研宄了多传感器协同及目标侦察的重要基础理论和一些典型的算法，包括对目标进行协同追踪时的运动状态最优化估计理论，对多传感器协同调度的网络拓扑自适应分簇算法和目标侦察环节的重点技术研宄。 第章多传感器协同目标跟踪算法。 本章首先定义了目标运动状态的基本假设，其次提出了传感器簇表信息的建立方法，最后基于目标状态估计和传感器节点的感知能力提出了多传感器的协同调度算法并利用进行了仿真验证。 第章多传感器协同目标侦察算法。 本章主要针对视频联动的目标侦察问题，引入更细粒的特征图参与位置回归和分类及反残差模块改进了轻量级目标侦察网络，提高了模型的特征提取能力和检测精度，实现了入侵目标的实时侦察任务。 并在数据集上进行了多组实验验证，最终取得了良好的效果。 第章多传感器协同控制系统设计实现。 本章主要基于程序设计框架第章绪论和程序设计语言实现了多传感器协同调度控制系统的主体框架的开发，首先分析了系统需求并给出了总的设计方案，按照开发流程从控制台交互设计和系统槽函数设计两个方面对软件做了整体的研宄，并根据功能的划分阐述了每个模块的详细开发过程和其主要代码的实现，最后结合开发完成的系统部件描述了每个功能模块的使用方式。 最后做出对本文的总结，肯定成果，并提出存在的问题，可以进行改进的地方，对未来的工作做出展望。 沈阳理工大学硕士学位论文第章多传感器协同调度与目标侦察相关理论研究在最近这些年的研究中，由于多传感器网络高冗余、自适应、尺寸小和成本低的特性，所以常利用其分簇拓扑对野外无人值守区域的目标进行定位和追踪。 目前，多传感器的研究重点己经迁移到了解决整体方案应用的高级研宄阶段，更加侧重于节点群体形态的研究，如多数量和多种类的传感器数据融合、节点的拓扑管理等问题。 在野外的大面积廉价传感器的布设常采用散布法，因此多传感器网络的布设稀疏度具有很大的随机性，在某些区域内有很多个传感器，这也就造成了传感器的分布的不均衡性。 所以多传感器网络的簇形结构应根据系统对目标的状态估计动态组建，实现传感器间协同调度和簇规模灵活扩展。 在本文设计的多传感器协同调度跟踪目标过程中首先需要进行目标的运动状态估计，并随着目标的移动需要进行自适应的簇组织划分，在观测到目标后还需对目标进行侦察，判断其类别和位置，所以下面对这些相应的知识点进行了研究分析。 目标运动状态最优化估计理论多传感器探测的目标对象多为监控区域内的移动目标，这些目标的移动方向往往具有很大的随机性，当目标出现在探测范围中时常需要多个传感器联合对其运动状态做出判断，目标的运动状态包括其所在的位置，移动的速度，角速度等信息。 在多传感器联合检测中根据目标的历史状态和当前状态通过数学方法推算出目标下一时刻的状态值就可对传感器进行进一步配置。 目前的比较流行的状态估计理论多基于滤波模型，常见的如粒子滤波，卡尔曼滤波算法等等。 在滤波模型中目标真实状态估计的准确性是由目标的动作轨迹和传感器精度两方面决定的，如果动作轨迹精确执行，而传感器精度较低，则以动作轨迹为主，反之以传感器的观测数据为主。 彳广展卡尔曼滤波算法扩展卡尔曼滤波（）是对线性化的卡尔曼滤波的非线性化处理，其在卡尔曼滤波（）】模型的基础之上对目标的状态转移方程和观测方程做了改进，以非线性算子代替了卡尔曼滤波的线性算子，非线性化的模型同卡尔曼滤波算法一样也是建立在以下两个基础假设之上的当前时刻的目标真实状态取决于上沈阳理工大学硕士学位论文一时刻的状态；两个时刻之间状态的转变过程可以用可微的非线性函数来描述。 判断当前时刻对下一时刻的状态估计正确与否的衡量指标为其估计值与实际观测值的误差。 由于扩展卡尔曼滤波为卡尔曼滤波的非线性推广，因此为更好地阐述其推广原理，可先对卡尔曼滤波的基本方法做一定的了解，卡尔曼滤波的系统模型如图所示。 初始化估计误初始化状态估计差值入数据！；、，、，系统估计误差传感器测量误差一？前态估传感器测量值广计算卡尔曼增益？当前时刻状态估计值一一？计估计误更新状态估计值图卡尔曼滤波系统模型从上图中可以看出当前时刻的状态估计值取决于三个量前一时刻状态估计值、传感器测量值和卡尔曼增益。 三者之间的数学关系为（，）（）式中当前时刻的状态估计值；，为前一时刻的状态估计值；卡尔曼增益；为传感器测量值。 从式（）可以看出卡尔曼增益相当于一个调节传感器测量值和前一时刻状态估计值对当前时刻状态估计的贡献程度的权重，其计算方式为义（）式中代表状态估计误差；代表传感器测量误差。 从式（）可以看出卡尔曼增益的值取决于两种误差值的大小，当状态估计误差值非常大时，卡尔曼增益的取值就无限接近于，传感器测量值对当前时刻的第章多传感器协同调度与目标侦察相关理论研宄状态估计更大，当传感器测量误差非常大时，卡尔曼增益的取值就无限接近于，上一时刻状态的估计值对当前时刻状态估计的贡献更大。 卡尔曼滤波的最后一个步骤是更新当前时刻的系统状态估计误差为下一次系统状态估计做准备，其更新方程如下，（）（）从式（）中可以看出系统的当前时刻的状态估计误差也取决于卡尔曼增益的值。 在一个运行正常的卡尔曼滤波系统中，卡尔曼增益的值是随着迭代次数的的增加而不断减小的，最终将趋于零，这也意味着系统对目标的状态估计误差值越来越小，其对状态估计的贡献程度也就相应越来越多。 卡尔曼滤波的理论方法可以对线性系统进行最优化的状态估计，但是在现实生活应用中线性系统并不存在，所以需要将非线性系统进行近似线性化处理进而来应用线性化的估计方法，可通过将非线性系统进行泰勒级数展开，截断选取其一阶或二阶线性部分来实现，这也就是扩展卡尔曼滤波方法的关键所在。 在工程化的系统建立过程中，一般用连续的时间系统来描述其真实的运行轨迹，但在计算过程中测量得到的都是以一定采样频率抽取的离散时间点的坐标位置，所以在对非线性系统进行求取最优状态估计时，通常先将连续时间离散化，然后运用扩展卡尔曼滤波来进行处理。 为说明一般的离散扩展卡尔曼滤波系统的非线性化处理和状态更新过程，可假设系统模型如下（），）（）（，）（）？（，？）（）其中，（？）是系统的运动状态方程，（？）是系统的观测方程。 ，是协方差为込的连续时间过程白噪声，是协方差为的离散时间的过程噪声，是运动状态转移控制矩阵。 对状态方程在，和，点进行泰勒级数展开如下文卜，卜丨，）丨（），沈阳理工大学硕士学位论文！（，）（，其中，和，由上式定义，已知信号和噪声信号定义如下（，）（）（，）（）可在二和、点对量测方程线性化得），）（）；（，）（）在得到了式（）的线性状态方程和式（）的线性量测方程之后，就可以利用标准的卡尔曼滤波来进行状态估计了。 无迹卡尔曼滤波算法在上一小节中描述的扩展卡尔曼是对于非线性系统应用中的目标状态估计最常用的一种方法。 但是，在所研宄的问题中非线性程度非常剧烈时，简单的使用一阶或二阶的泰勒展开的线性化近似就不能满足需求了，这主要是由于扩展卡尔曼滤波是依赖于线性化部分来进行目标状态均值和协方差的更新。 无迹卡尔曼滤波（）是卡尔曼滤波的进一步推广，它在很大的程度上减少了粗略的线性化截断带来的偏差，能够很好地改善滤波的效果。 在无迹卡尔曼滤波中采用无迹变换来代替泰勒级数展开这一线性化近似过程，无迹变换（）基于两条基本假设相较于与整个概率分布函数对独立的单个点执行非线性变换更加容易；在分布空间中可以找到一组相似点，通过这些点可以近似表达状态向量的真实概率分布函数。 综合以上两点假设，假设已知向量的均值和协方差可以确定一组均值和协方差与己知向量相同的向量点，然后将每一个确定的向量经过已知的非线性函数办）得到变换后的向量，通过变换后的向量均值和协方差就可以推算出的真实均值和协方差，无迹变换的过程可总结如下）无迹变换的过程首先假设己知均值为、协方差为的维向量，己知非第章多传感器协同调度与目标侦察相关理论研宄线性函数（），待估计向量的均值，协方差为。 ）选取个点（”如下、（，），“，（）？，（），（）（？），（）其中，？是的矩阵平方根，是？的第行。 ）计算点经过非线性变换的结果（）（），？（）的均值和协方差的近似估计如下丄心（）？（）（，）？）（），假如待估计的系统是线性的，那么均值和协方差可以用卡尔曼