无线传感网络中多目标识别与定位系统设计

谢仕义，徐　兵，陈有英，彭小红

（1. 广东海洋大学信息学院，广东 湛江 524088；2. 广东石油化工学院电信学院，广东 茂名525000）

无线传感网络中多目标识别与定位系统设计

谢仕义1，徐兵2，陈有英1，彭小红1

（1. 广东海洋大学信息学院，广东 湛江 524088；2. 广东石油化工学院电信学院，广东 茂名525000）

设计了一种基于无线传感网络的多目标识别与定位系统。系统采用DSP控制器作为传感节点的核心，实时采集移动目标的红外信号、磁信号和声音信号，并对所采集的目标信号进行预处理，通过无线传感器网络将所采集的目标信息上传至上位机，通过上位机调用基于Matlab的神经网络目标识别算法和定位算法分别实现对移动目标的识别与定位。分别进行了室内单人定位和小车定位的多目标探测实验，结果表明，设计的基于无线传感网络的多目标识别定位系统对目标的识别正确率均达到92%以上，定位效果的均方误差小于0.22 m，达到了探测系统的技术指标要求。

无线传感器网络；探测识别；节点定位；特征提取；神经网络

物联网被认为是继计算机、互联网信息技术之后，世界信息产业的第3次信息发展浪潮，受到世界各国政府、企业和学术界的重视，无线传感器网络WSNs作为其感知层的关键技术也得到了长足的发展[1]。无线传感器网络是由密集部署在监视区域内廉价微型的传感器节点，通过无线自组织构成的多跳无线通信网络系统，其中每个感知网络节点的电量、感知能力、计算能力和通信能力都有限[2]。感知节点将客观世界的物理信息与传输网络相连接，提高了人类获取信息的能力，具有重要的应用价值。作为一种新兴的信息获取技术, WSNs具有广阔的应用前景[3]。但对于移动多目标探测识别、定位及跟踪等方面由于物体数量较多、速度较快，物体的识别率和定位精度都不高。

目前，研究人员对移动目标探测识别、定位及跟踪等方面进行了研究。其中梁小晓等[4]提出了基于小波神经网络的WSNs目标识别设计；唐亮等[5]提出了基于LEACH和压缩感知的无线传感器网络目标探测；梁涛等[6]提出了基于位置预测的无线传感器网络目标跟踪算法；冯智博等[7]提出了分布式粒子滤波实现无线传感器网络目标跟踪；彭远芳等[8]提出了无线传感器网络目标跟踪算法的研究;冯延蓬等[9]提出了无线传感器网络目标跟踪动态簇成员调度策略；唐国明等[10]提出了一种基于双层栅格划分的无线传感器网络目标定位法；焦竹青等[11]提出了基于曲线拟合的无线传感器网络目标定位算法；岳亚南等[12]提出了基于概率假设密度的无线传感器网络多目标跟踪算法。以上这些研究在目标探测、识别、定位方面取得了一些进展，但是没有建立一个综合的探测识别定位系统，而且多数没有针对多目标进行探测识别。

为了能够探测出人、车辆等众多移动目标的类型以及具体的位置等信息，结合WSNs技术自身特点，本文提出了基于WSNs的多目标探测系统进行研究与设计方案。

在本设计的多目标探测识别系统中，首先分析了人、车辆等移动多目标的红外信号、磁信号和声音信号等特性，在此基础上设计了基于WSNs的多目标探测系统研究方案，包括多目标识别方案设计和单个目标定位方案设计。其中多目标识别子方案采用LHI958红外传感器和HMC1002磁阻传感器分别获取移动多目标的红外和磁信号，之后通过小波包分析方法进行特征提取，并利用神经网络算法识别移动多目标的类型。目标定位方案则采用声音传感器线性阵列获取移动目标声音信号，利用基于到达时间差的声源定位技术，结合多传感器数据融合算法，对移动目标实现定位。

1　多目标识别定位方案设计

1.1网络设计

为了实现对探测范围内信息的有效获取，需要在探测范围内布置大量的WSNs节点，同时将整个探测范围分成若干个相似区域，每个区域内部包含一个组织协调者和若干个传感节点，组织协调者称为簇头节点，该簇头节点负责管理该区域内的传感节点，同时协调该区域簇头节点与其它相邻簇头节点之间的通讯。图1所示为基于WSNs的多目标识别定位方案设计示意图。

图1　多目标识别定位方案Fig.1　Scheme diagram of multi-target Detection and location

在该区域内部，传感节点通过传感器对运动的人、车辆等多种目标进行探测，同时自身和区域内相邻节点之间相互合作，将所获取的信息发送给该区域内的簇头节点。簇头节点通过无线传感器网络将该区域内所获取的探测信息发送到网关节点后上传至远程监控中心，通过对探测信息分析与处理，从而实现对整个探测范围内的多目标的探测功能。

图2　典型区域目标识别定位方案Fig.2　Scheme diagram of multi-target detection and location at typical regional

图2为单个典型区域目标识别定位方案示意。为了更加深入地研究基于WSNs的目标探测技术，本文将探测范围分为若干个相似的区域，重点对单个典型区域进行深入研究。典型区域中主要包含一个簇头节点和4个普通感知节点，各个传感节点在该区域内以轮询的方式将采集的目标信息发送给该区域内的簇头节点，然后上传至上位机对采集的目标信息进行分析处理，最终实现对运动的人、车辆等多种目标的探测。

1.2基于WSNs的目标识别方案

为了达到较高的目标识别率，结合移动目标信号特性分析，本设计选择红外传感器和磁性传感器对目标进行探测识别。同时采用合理的信号处理方法、软硬件设计以及智能算法对目标进行识别，同时还兼顾到各传感节点在具备功能的基础上，满足功耗低、抗干扰能力较强和小型化等方面要求。图3为目标探测识别的方法示意图。

图3　目标识别方法Fig.3　Diagram of target recognition method

无线传感器网络目标识别方案如表1所示，识别对象主要分为两大类，人与车，其中人经过时只有红外传感器有参数，当车从监测区域经过时，红外传感器与磁性传感器都有数据变化。另外为了表示传感器采集到的数据强度，多人与大车经过时，红外传感器与磁性传感器的数值变化较大，在表1中也进行了加强标识。

表1　目标识别方案Table 1　Table of target identification scheme

1.3基于WSNs的目标定位方案

声音信号由于传播距离远、受干扰小、易于获取等特点，广泛应用于定位技术研究。而在实际环境中，人、小型车辆和大型车辆在移动过程中所产生声音信号幅度和频率也有很大的不同，采用声音传感器对移动目标定位可以得到较好的效果。

由于单个声音传感器受环境噪声、各种其他声音的混响等因素影响，其接收的目标信号信噪比会降低，拾取目标信号的质量也会下降。为了解决这些局限性，采用多个声音传感器组成阵列来大幅度提高接收目标信号的质量。目前声音传感器阵列可以分为线阵、面阵、立体阵。其中面阵主要对平面和低空目标进行定位，立体阵主要对空间目标进行定位，同时其算法也比较复杂。而线阵结构简单且算法易于实现，适合对目标进行定位。因此，本设计采用传感器线性阵列用于对目标进行定位。图4为目标定位的方法示意图。

图4　目标定位方法Fig.4　Diagram of target location method

2　传感节点硬件电路设计

传感节点作为基于WSNs的多目标探测系统的基本单元，应具有对目标信号的数据采集、处理和无线通讯等功能。其硬件分为两部分：传感器板和核心板。在传感板电路设计中，为了尽可能提高获取目标声音信号的质量，同时考虑到传感节点的硬件资源限制等因素，笔者采用多个声音传感器组成线性阵列实现对目标声音信号的获取，用于对目标进行定位。

主控制板包含了DSP处理器电路、E2PROM存储器、SDRAM存储器、JTAG调试接口电路、无线通讯接口以及电源电路等。本设计选用TI公司的型号为TMS320VC5502的DSP处理器，具有低功耗、体积小、价格便宜等特点，同时具有强大的处理功能以及方便后续算法的移植。数据收发模块以Jennic公司生产的超低功耗、高性能无线模块JN5139，该芯片无线微控制器提供大存储、高性能CPU，超低功耗和优异无线RF包括在内的全面的解决方案。其工作电压3V，两节干电池容量为1 000 mAh，在露天野外环境通信距离能达到100 m。在传感节点正常工作之前，需要将预先调试好的程序烧写到E2PROM，然后DSP上电后自动加载程序，按照预设步骤运行。传感节点的硬件结构图如图5所示。基于DSP开发的软件工作流程：首先DSP进行上电初始化，然后判断是否接收到探测命令或者是否接收到声源采集命令。如果接收到探测命令，则进行目标磁信号和红外信号采集，然后对采集到的信号进行处理并存储到外部存储器，接着判断是否要发送磁和红外数据。如果需要发送，则发送磁和红外数据；否则判断是否结束，如果没有结束，则等待下一次探测命令。

传感节点的无线通信模块软件设计主要是接收簇头节点的控制命令，其控制命令包括目标探测采集命令、声源采集命令以及接收传感节点的数据命令。如果接收到数据上传命令，则将该命令发送给DSP控制器，DSP控制器将发送来的数据以无线方式将数据发送给簇头节点，完成一次数据传输。

图5　传感节点的硬件结构Fig.5　Hardware structure of sensor nodes

3　上位机软件设计

上位机软件主要是能够在PC机上实现对传感节点的控制、实现与传感节点之间的通讯。上位机界面软件设计采用Visual C++6.0编译环境和Matlab 2012a版本进行开发，上位机界面软件可以分为移动目标探测与定位两部分界面软件来设计。移动目标探测部分界面软件设计能够显示每个传感节点所探测目标的磁阻信号和红外信号采样值，具有VC调用Matlab程序计算目标的磁阻信号和红外信号的特征功能、调用Matlab神经网络识别算法实现对目标类型识别功能并显示识别结果。定位部分界面软件设计能够显示每个传感节点所采集的目标的声信号采样值，并显示传感节点的坐标信息、通过VC调用声源定位Matlab程序计算目标坐标点信息。上位机界面软件通过串口与簇头节点相连接，簇头节点通过无线传感器网络将上位机界面软件的控制命令传输到对应的传感节点并将传感节点的数据传送至上位机界面软件。

4　基于WSNs的多目标识别实验

考虑到车辆行车速度等因素影响，同一车型提取的信号能量的绝对数值会有所不同。因此在数据的提取过程中，如果将信号能量的绝对数值直接为特征向量，将会使得提取的特征非常不稳定，特征向量的重复性会比较差。经过对特征值归一化后，提取小轿车和大客车的磁阻信号的特征向量、单人和多人的红外信号的特征向量，然后可以利用BP神经网络进行识别。

首先选取几组数据进行网络训练。分别从每一种目标的数据选取前3组，分别有6组数据作为识别小轿车和大客车、单人和多人。将小轿车和大客车的磁阻信号的6组特征向量数据以及单人和多人的红外信号的6组数据分别利用BP神经网络进行训练，误差精度为20%，选择最大学习次数为600次，得出BP神经网络的训练系数。将剩余的数据经过归一化处理后，根据BP神经网络训练得到的系数进行BP神经网络验证。其结果如表2所示。

表2　4种移动目标的识别结果Table 2　Four kinds of moving target recognition results

5　基于WSNs的目标定位实验

5.1小车移动定位实验

实验中选择的移动目标为小车，其在无线传感器网络区域边线距离传感节点1 m处进入，以斜线移动。为了验证对小车定位效果，首先建立坐标系，以传感节点1为原点，在该斜线路线上，每隔0.6 m设定一个数据采集点。经过多次实验，得到基于WSNs的多目标探测系统对小车斜线移动的定位结果如表3所示。

从表3可见，系统对于小车进行了5次定位，一共重复进行了20次实验，对定位结果求取平均值。每次定位出的坐标点与设定位置坐标点的比较后发现有较大误差，X坐标定位误差最大为0.17 m，Y坐标定位误差最大为0.17 m，最大均方差为0.22 m。

表3　小车斜线移动定位结果Table 3　Car slash moving location resultsm　　 m

5.2单人移动定位实验

实验选择的移动目标为模拟单人，其在无线传感器网络区域边线距离传感节点1 m处进入，以曲线移动。为验证对模拟单人的定位效果，首先建立坐标系，以传感节点1为原点，在该曲线路线上，每隔0.3 m设定一个数据采集点。经过多次实验，得到基于WSNs的多目标探测系统对模拟单人直线移动的定位结果如表4所示。

从表4可见，系统对于模拟单人的4处坐标进行了定位实验，重复进行了20次实验，求取平均值，每次定位出的坐标点与设定位置坐标点的比较后发现有较大误差，X坐标定位误差最大为0.13 m，Y坐标定位误差最大为0.18 m，最大均方误差为0.22 m。

表4　单人曲线移动的定位结果Table 4　The single curve moving location results　　m

5.3实验结果误差分析

对小车和模拟单人定位结果可以看出，所得的定位效果误差虽满足本系统的要求，但还存在一定的误差，造成误差较大的原因有以下两点：

1）在进行实验过程中，传感器节点不可避免的受外界环境影响与存在其它一些噪声的影响，在进行相关运算时造成较大误差。

2）实验过程中声音信号所产生的反射的声波与入射的声波相叠加，导致传感节点采集数据产生误差，从而降低时延估计的精度。

6　结　语

本实验对移动多目标探测识别系统进行了研究，首先进行了基于WSNs的多目标识别实验，包括基于WSNs的移动多目标识别实验，还进行了基于WSNs的单个目标定位实验，分别对小车和模拟单人进行了定位实验，实验结果表明，基于WSNs的移动多目标探测识别定位系统对目标识别的正确率达到了92%以上，定位误差小于0.22 m，能够满足多目标识别定位的技术指标要求。

[1]陈海明，崔莉，谢开斌. 物联网体系结构与实现方法的比较研究[J]. 计算机学报，2013（1）：168-188.

[2]任小洪，乐英高，徐卫东. 无线传感ZigBee技术在物联网中的应用[J]. 电子技术应用，2011，37(6)：81-83.

[3]钱志鸿，王义君. 面向物联网的无线传感器网络综述[J].电子与信息学报，2013（1）：215-227.

[4]梁小晓，韦崇岗，乐英高. 基于小波神经网络的WSNs目标识别设计[J]. 计算机测量与控制，2013（9）：2550-2553.

[5]唐亮，周正，石磊. 基于LEACH和压缩感知的无线传感器网络目标探测[J]. 北京邮电大学学报，2011（3）：8-11.

[6]梁涛，梁玉其，范书瑞. 基于位置预测的无线传感器网络目标跟踪算法[J]. 计算机测量与控制，2011（7）：1791-1793.

[7]冯智博，黄宏光. 分布式粒子滤波实现无线传感器网络目标跟踪[J]. 小型微型计算机系统，2012（5）：1104-1107.

[8]彭远芳，黄晓峰. 无线传感器网络目标跟踪算法的研究[J]. 计算机仿真，2012（5）：122-125.

[9]冯延蓬，仵博，郑红燕. 无线传感器网络目标跟踪动态簇成员调度策略[J]. 传感器与微系统，2012（7）：26-29.

[10]唐国明，周广新，谢羿. 一种基于双层栅格划分的无线传感器网络目标定位方法[J]. 计算机科学，2012（6）：25-29.

[11]焦竹青，熊伟丽，张林. 基于曲线拟合的无线传感器网络目标定位算法[J]. 东南大学学报(自然科学版)，2008（S1）：249-252.

[12]岳亚南，张国良，汤文俊. 基于概率假设密度的无线传感器网络多目标跟踪算法[J]. 计算机测量与控制，2014（10）：3263-3266.

（责任编辑：任万森）

Wireless Sensor Networks Multi-target Detection and Location System Design

XIE Shi-yi1, XU Bing2, CHEN You-ying1, PENG Xiao-hong1
（1. School of Information, Guangdong Ocean University, Zhanjiang 524088, China; 2. Institute of Telecommunications, Guangdong University of Petrochemical Technology, Maoming 525000, China）

A new system design to identify and locate multiple objectives in WSNs (Wireless Sensor Networks) was proposed. This system adopted DSP controller as the center of sensor nodes and collected infrared, magnetic and acoustic signals of moving targets for preprocessing. The signals were transmitted to upper computer and then the targets were recognized and located utilizing objective identification and location algorithms of neural network via Matlab. Ultimately, experiments were executed to verify the system effectiveness in terms of single objective identification, multi-objective location and moving target location. The results indicated that the system proposed in this paper can achieve an accuracy rate of above 92% in objective identification and a mean squared deviation of below 0.22 m in location. Therefore, the detection system satisfied the specifications.

WSNs; detection and location; node localization; feature extraction; neural network

TP393

A

1673-9159（2015）06-0082-05

10.3969/j.issn.1673-9159.2015.06.015

2015-07-10

谢仕义（1963－），男，硕士，教授，主要研究方向为数字海洋与物联网技术。E-mail:shiyixie@126.com