摘要：針對傳感器網絡下多目標跟蹤時目標數(shù)量不斷變化這一復雜情況，文中對多目標的跟蹤和特征管理方法進行了研究。該方法由數(shù)據(jù)關聯(lián)、多目標跟蹤、特征管理，和信息融合所組成。其中未知數(shù)量多目標的跟蹤和數(shù)據(jù)關聯(lián)通過馬爾科夫蒙特卡羅數(shù)據(jù)關聯(lián)實現(xiàn)。通過信息融合來整合本地信息，獲取所有相鄰傳感器的本地一致性，最終實現(xiàn)特征管理。試驗證明，本方法能夠在分布式的傳感器網絡環(huán)境下對多目標進行準確有效地跟蹤和特征管理。
關鍵詞：傳感器網絡；多目標跟蹤；特征管理；數(shù)據(jù)關聯(lián)；信息融合

近來傳感器技術和無線通信技術的發(fā)展導致了一個新概念的誕生一傳感器網絡，即一個由本地傳感器節(jié)點所組成的具有感知、處理和通信能力的一種廣泛應用的網絡。為了更深入地挖掘傳感器網絡所具有的能力，筆者提出了一種可擴展分布式的多目標跟蹤和特征管理方法，該方法能夠通過一個傳感器網絡對多個目標實現(xiàn)跟蹤和特征管理。
傳統(tǒng)的多目標跟蹤方法，如MHT跟蹤器，不適用于傳感器網絡。而現(xiàn)有基于傳感器網絡的算法僅基于如下情況：所跟蹤目標的數(shù)量已知不變，并且它們的運動軌跡對于本地傳感器已知。而在本文中，筆者放寬了以上假設，形成對于分布式多目標的跟蹤和特征管理算法DMTIM。文中在實現(xiàn)數(shù)據(jù)關聯(lián)和多目標跟蹤運用了馬爾科夫鏈蒙特卡羅數(shù)據(jù)關聯(lián)MCMCDA的方法，實時對未知數(shù)量的多目標進行跟蹤。MCMCDA方法能夠獨立地對軌跡進行起始和終止，并能夠跟蹤未知數(shù)量的多目標。每個傳感器能夠運用MCMCDA有效地跟蹤一組未知數(shù)量的目標，并且能夠對目標的特征進行分布式地管理。
本文結構如下：分布式多目標的跟蹤與特征管理算法概述；多目標跟蹤問題及其概率模型；DMTIM關鍵算法敘述：馬爾科夫鏈蒙特卡羅數(shù)據(jù)關聯(lián)算法；DMTIM組成部分介紹，包括數(shù)據(jù)關聯(lián)、多目標跟蹤、特征管理和信息融合；DMTIM算法仿真試驗及評估。

1 分布式多目標跟蹤和特征管理
文中研究重點是傳感器網絡中多目標的跟蹤和特征管理方法。每個傳感器擁有自己的觀測區(qū)域，且擁有與其鄰近傳感器通信的能力。如圖1所示一個簡單的二傳感器的系統(tǒng)，大圓圈代表傳感器的觀測區(qū)域。每個傳感器能夠對多目標進行跟蹤并在觀測區(qū)域內管理目標特征。該問題的難點在于觀測區(qū)域內目標的數(shù)量會隨時間而變化，因此我們必須尋求一種可擴展的，在相鄰傳感器中具有本地一致性的方法。

隨機出現(xiàn)在R范圍內，直到在時間點時消失。對于每個時間點，目標保持其存在的概率為1-pz，消失的慨率為pz。對于每一個時間點，在R范圍內所出現(xiàn)目標的數(shù)量都具有一個位置分布，該位置分布包含參數(shù)λbV，其中λb表示單位時間單位范圍內的出現(xiàn)率，V表示觀測范圍R的大小。并特定每個新目標的初始位置都在R范圍內。
設為目標k的離散時間運動，其中nx是狀態(tài)變化的維度。并設為時刻t目標k的狀態(tài)。目標t的運動服從公式(1)：

其中屬于白噪聲過程，包含在了目標非直線運動模型。并運用一個探測概率pd來計算目標狀態(tài)的噪聲。目標不被發(fā)現(xiàn)并被視為跟蹤丟失的慨率為1-pd。本文設定了錯誤報警，其數(shù)量也遵循含有參數(shù)λfV的位置分布，其中λf是單位觀測范圍單位時間內的錯誤報警率。設n(t)為時間點t觀測點的數(shù)量，該數(shù)量包括了噪聲觀測和錯誤報警。設為時間點t的第j個觀測值，其中ny是每一個觀測向量的維度。每個被測物體都會在該采樣時間產生一個特定的觀測值，如公式(2)所示，其中為觀測值模型。

其中是白噪聲過程，u(t)足錯誤報警的隨機過程。目標是觀測目標類型或屬性信息，狀態(tài)變量可以擴展到包括目標類型的信息。因此多目標識別的問題即是從觀測值中計算出，其中k=1，…，K。
2．2 多目標跟蹤方法
設為時間t的所有值，Y={y(t)：1≤f≤T}為時間t=1到t=T的所有計算值。設Ω為所有Y的集合，且ω∈Ω，有如下參數(shù)：