无线传感器网络英文翻译

计算机网络作用 英文翻译

利用无线传感器网络的车辆检测与跟踪研究

摘要

无线传感器网络（WSN ）是一种新兴技术，具有很大的潜力在危急情况下使用。无线传感器网络的发展最初是由军事应用，如战场监视动机。然而，无线传感器网络也被用于许多领域，如梧桐¬审判，民事，健康，栖息地监测，环境，军事，家庭和办公应用领域。检测与目标目标（如动物，车辆）的跟踪，因为它通过移动传感器网络已经成为一个在传感器网络越来越重要的应用。无线传感器网络的主要优点是，该网络可以被部署在飞行中和可以操作无人值守，而不需要任何预先存在的基础设施，并与少量的维护。该系统将估计和跟踪基于由所述传感器在不同的位置检测到目标的信号强度的空间差异的目标。这些传感器捕获磁性和声学传感器和信号在目前的研究兴趣。该系统由三个部分组成，用于检测和跟踪的运动物体向上。第一组分由廉价的现成的无线传感器装置，如MicaZ 微尘，能够测量汽车所产生的噪声和磁信号。第二成分是负责数据聚集。该系统的第三个组成部分是负责数据融合算法。本文在考察市场，它的长处和弱点可用的传感器，还有一些的车辆检测与跟踪算法及其分类。这项工作的重点每种算法的检测和跟踪的概述，并根据评价参数对它们进行比较。

关键词：无线传感器网络，声学和磁性传感器，声学和电磁信号，检测和跟踪算法

1引言

无线传感器网络包括能够收集，处理，存储和传输从一个节点信息到另一个相对便宜的传感器节点组成。这些节点都能够自主地形成一个网络，通过该传感器的读数可以传播网络。由于传感器节点具有一定的智能，可以将数据作为流过网络进行处理。传感装置就能监视各种各样的环境条件：温度，压力，湿度，土壤化妆，车辆的运动，噪声水平，照明条件下，某些类型的对象，机械应力水平的上附着的物体的存在或不存在等。这些设备也将配备有显著处理，存储器和无线通信能力。新兴的低层次，低功耗的无线通信协议，可用于网络的传感器。这种能力将增加一个新的层面，传感器的功能。传感器将能够相互之间进行协调的较高级别的传感任务。传感器可以部署在任何设施或区域，它有三个主要类型的被觉察。它可以是1）三角形传感器的部署，2）方形传感器的部署3）不规则的部署传感器[1]。这些部署描绘在图1中。

联网便宜的传感器可以彻底改变在各种情况信息收集。 传感器节点通常由四个子系统组成：

•一个计算子系统：在一个传感器节点，微处理器（微控制器，MCU ）是负责的功能，如传感器和执行通信协议的控制权。

•通信子系统：这包括用于与相邻节点和外界沟通的短距离无线电设备。这些设备在发送操作，接收，空闲和具有不同级别的能源消耗休眠模式。 •一个感测子系统：低功耗的组件可以帮助显著降低功耗。由于该子系统（传感器和执行器）负责信息的传感器网络与外部世界之间的共享。 •电源子系统：它由电池提供电源的节点。

(a) (b) (c)

图1（a ）三角; （二）广场; （三）不规则的部署。

1.1 无线传感器网络的特点

一些无线传感器网络的独特特性包括： •有限的权力，他们可以收获或存储 •能够承受恶劣的环境条件 •能够应对节点故障 •节点的移动性 •动态网络拓扑 •通讯故障

•节点的异质性大规模部署 •无人值守操作

1.2 应用

各种传感器网络的应用包括： 1）军事应用

•监控友军，设备和弹药 •战场监视 •瞄准

•战斗损伤评估

•核，生物和化学攻击检测 2）环境应用 •森林火灾探测 •洪水检测

•通过监控互联网 •监控生物多样性

3）栖息地监测中的应用 •栖息地监测 •大鸭岛系统 4）健康应用

•远程监控物理数据

•在医院追踪与监控医生和患者 •药品监督管理局的医院 5）家庭和办公应用 •智能家居 •管理库存控制 •家庭自动化

•环境控制办公楼 6）其他应用程序 •监控核反应堆。 •目标跟踪

•可疑者检测：互动亩博物馆

•消防战士的问题（第一反应问题）

本文的主要贡献包括使用无线传感器网络可用的传感器和车辆检测与跟踪算法的群分类¬阳离子。本文结构如下：第2节给出了用于车辆检测传感器的分类，主要集中在声学和电磁仙¬感器。第3节给出了关于从传感器获得的声学和磁信号的要点。第4节讨论在车辆检测和跟踪所用的各种算法，分析有关这些算法是由于在第5和这些算法在第6节之后的结论给出总结。

2传感器用于检测车辆的分类

今天有各种可用传感器市场[2]。表1列出了各种电流传感器技术和长处和短处就安装相比，参数测量，并在每恶劣天气，可变照明和多变的流量性能。许多过度巷道传感器是紧凑和安装在上面或在巷道的一侧，使安装和维护比较容易。一些传感器的安装和维护应用程序可能需要的巷道闭幕正常通行，以确保安装程序和驾驶者的安全。这里列出的所有传感器昼夜条件下工作。传感器大致分为侵入性和非侵入式传感器。

2.1侵入式传感器

侵入式传感器是那些需要在人行道下被安装在道路上的锯齿切口或孔。热门侵入传感器包括感应线圈，磁强计，微循环探头，气动路管，压电电缆等权衡中，运动传感器。这些传感器的主要优点是其高精确度对车辆的检测，而缺点包括交通的干扰进行安装和维修，从而导致高的安装和维护成本。

2.2非侵入式传感器

克服侵入传感器的缺点，非侵入式传感器的开发，例如，在地面车辆检测传感器。地上传感器可以安装在上面的交通车道上或巷道在那里他们可以在角度观看的流量多车道垂直的或在倾斜角与流动方向的一侧。在地上传感器中使用的技术包括视频图像处理（VIP ），微波雷达，激光雷达，被动红外，超声波，被动声阵列，并且这些传感器技术的组合。然而，这些非侵入式传感器往往体积大，功率饥饿。

2.3智能灰尘传感器节点硬件平台

智能尘埃是能在将来的车辆检测系统中使用的电势传感器节点之一。在智能尘埃传感器节点，对于车辆检测必不可少的组成部分（处理器，内存，传感器和无线）主要成分可以一起通过MEMS 技术的集成，小到一季度。连同其低功耗设计[3]中，智能灰尘传感器节点是适合于实现本车辆检测传感器网络。图2显示了不同世代智能尘埃传感器节点（微尘）。左图是第一代智能尘埃传感器节点“刘若英莫特”。由左到右，右图为“MICA 莫特”（第2代），“MICA2莫特”（第3代）和“MICA2 - 点莫特（第3代）”。主板和传感器板：智能尘埃传感器节点由EECS 系[4]采用模块化组件的方法，它包括两个重要部分在加州大学伯克利分校和英特尔。因此，不同的传感器板可被连接到相同的母板不同的应用。因此，智能灰尘传感器节点可能在广泛的应用，例如车辆的检测，在战场上敌人的监视，在建筑物内的温度测量，环境监测等中使用

MICA 微尘的基本部件在图3中所示属于智能尘埃家族。这些组件列于表2。该主板包含一个爱特梅尔90LS8535处理器，512KB 的SRAM ，8KB 的Flash 内存和RF 收发器的无线通信。传感器板包含一个10位模拟数字转换器，磁力计（霍尼韦尔HMC1002），一个温度传感器，照片的相机和一个加速度传感器。

用于车辆检测系统，使用的传感器是磁强计和声学传感器。接下来，会进行审查磁力仪和声学传感器的基本工作原理。

图2 粉尘家庭

图3 MICA 微尘

2.3.1声学传感器

在智能尘埃传感器节点的声学传感器是电容式麦克风。示意图对于一个典型的冷凝器声学传感器，如图4所示，它包括形成一个电容器的一个极板的拉伸金属隔膜。一金属盘放置在靠近隔膜充当背板。一个稳定的直流电压通过高电阻施加到所述板，以保持电荷的板。当声场激励膜片，在两个板之间的电容根据在声压的变化而变化。在该电容的变化产生交流输出正比于声压，它显示了超低频压力变化。一种高频电压（载波）的整个板应用和声学传感器的输出信号是调制载波。在图4的右侧图为松下在智能尘埃微尘使用WM-62A 电容式麦克风。图5显示了一个典型的车辆声信号的波形。

图4 电容式麦克风。 AP-声压; C-可变电容; 1 - 金属膜片; 2-金属盘; 3 - 绝缘体;

图5从卡车发出的声音信号波形。

2.3.2磁性传感器

磁传感器从其他大多数检测器不同，因为它们不直接测量感兴趣的物理性质。用来监视如温度，压力，应变，或流动性能的设备提供了直接向所需的参数（图6）的输出。磁传感器，另一方面，检测的变化，或扰动，在已建立或修改的磁场，并从他们那里获得对诸如方向，存在，旋转角度，或电电流的属性的信息。这些传感器的输出信号需要一定的信号处理翻译成所需的参数。虽然磁粉探伤仪有些比较难用，他们提供准确而可靠的数据，而无需物理接触。

在MICA 传感器板霍尼韦尔HMC1002磁力计是一种磁阻传感器。霍尼韦尔磁传感器和磁力计提供完整的磁场传感解决方案，高精确度，并可以很容易地集成为几乎任何应用程序。图7显示了霍尼韦尔磁传感器。

各向异性磁阻（AMR ）传感器是一种类型，其具有宽的地球磁场的感应范围，并且可以感测地球字段两者的强度和方向。对AMR 传感器是由一个nickeliron 的（每马洛伊）薄膜沉积在硅晶片上并形成电阻条。当施加磁场的条电阻变化约2％-3％。通常情况下，这四个电阻带的连接成惠斯通电桥配置，以便沿着一个轴的场的大小和方向可以被测量。 AMR 传感器的主要好处是，他们可以批量制造上安装商用集成电路封装的硅晶片。图8显示了一个典型的车辆磁信号波形。

图6磁传感器参数

图7磁传感器

图8磁信号波形

磁场

磁场是围绕磁铁和电流的矢量场，并通过它施加于运动电荷和磁性的材料的力进行检测。当放置在磁场中，磁偶极子趋向于使它们的轴线平行于磁场。磁场也有自己的能量与能量密度成正比的电场强度的平方。

磁数据

磁数据是用来对于从磁后天（而不是光）运动捕获系统中的数据的术语。中央磁铁是用来创建一个字段中，传感器可以决定他们的位置和方向，因为他们在场上走动。原始磁数据没有层次结构信息; 传感器不知道它们是相对于其他的传感器，并且知道它们在磁场中的位置。该文件格式的磁运动捕捉数据反映了这一点。在这方面，他们是有点类似BVA 文件格式。 用磁强计的车辆检测相关联的问题是类似的声学传感器，但磁信号比声信号更清洁。可今天的磁力可以感受到地球的fieldbelow1高斯内的磁场。它们可以被用于检测车辆，这是扰乱地球磁场亚铁对象。地球磁场提供了一个均匀的磁场过大面积的公里规模，甚至一个铁磁性物体可以在此字段中创建一个本地的干扰。这种局部磁场干扰可以通过磁力进行车辆检测被检测到。图9示出了地球磁场的由汽车的扰动。呈递传感器的基本原理之后，测得的声学和磁信号的特性进行研究，并提出了可靠的低成本的车辆检测算法。

图9地球的磁场被车影响

3 车辆检测和信号跟踪

在此建议考虑到学习的信号声和磁信号。

3.1声信号

声信号是由多个单独的元件组成。这些措施包括：

机械噪声：由船舶发动机，螺旋桨轴，燃油泵，空调系统等产生的噪声等。

空化噪声：通过建立气泡的产生由船的螺旋桨转动的噪音。

水动力噪声：通过水由移动船只的船体位移的运动所产生的噪音。

这些排放取决于船体的尺寸，安装机械和船舶的排水量。因此，不同的船类将有声信号的不同组合，它们一起构成一个独特的签名。

声纳在被动模式下进行操作时，检测由隐形潜艇辐射的声信号和这些信号被用于靶向攻击。

3.2 磁信号

磁信号是一种发生在磁场引起亚铁物体的运动的变化。

4 算法的车辆检测和跟踪

有各种各样的通常用于检测和目标跟踪算法。

4.1目标检测背景

后面的目标检测算法的基本思想是，传感器节点被部署在区域内，节点确定一个目标是否已经进入或现时的区域内。节点通常是确定一个目标是否存在通过检测某种信号的改变，不管它是声，光，温度或一些其他类型的[5]。由于该信号的强度会分散在整个传感器网络的节点需要协同合作，以便确定一个目标已经发现或没有。其中有几项合作DETEC 重刑算法在下一节讨论：

4.1.1基本融合

该算法提出了第一个，因为它具有非常简单的设计和实施，并作为一个理想的算法作为用于说明其他更复杂的检测算法的基础来使用。这个算法收集来自每个网络中的节点的所捕获的数据。然后，以消除故障节点提供的任何无效数据，最大和最小的数据值都将被丢弃。其余的数据，然后平均。如果该平均值超过预定阈值，则系统会通知目标已被侦破。该算法具有其中由每个节点的不同所提供的数据的两个版本。的数据是原始数据增加收集由节点或它已经由使用它们的原始数据中的各个节点的检测判定[5]。

4.1.2混合动力

这个算法是类似的基本融合算法。在该检测决定是基于通过在整个网络中众多节点收集的数据。然而，该算法的不同之处，要么是/否存在目标位决定被发送或所收集的数据被发送。在此算法中，每个节点都被赋予了两个阈值预先确定的检测信号的类型，比如声音。其中一个阈值的确定，如果该节点采集的数据超过此值，则目标已被侦破。相应地，其他的阈值是最小的，如果数据是以下，则没有目标是预先发送。如果这两种阈值被满足则有点消息指示目标物的存在或缺乏进行发送。但是，如果没有这些阈值被超过，然后由节点收集的原始数据被传递到那里它被用来与其他节点的数据，以确定是否目标存在与否[18]所述基站。

4.1.3谓词聚类

在该算法中的节点分成组，称为集群，其中每个组有一个簇头节点的群集的所有子节点来报告他们的数据。通常情况下，一个簇周围的多个集群在网络中是如果多个目标是预先发送的

单个靶形成。簇头被检测到的目标“选举”的区域内的所有节点，选择了通过广播他们的意图，成为一个簇头，成为头。与峰值传感器读数的节点被选为簇头[6]。一旦簇头选择，再剩余的节点选择组由他们拍摄的传感器数据和他们的邻居的数据运行的决策谓词的加入。该算法中的一个特别有趣的特点是，一个簇头可以负责多个目标。当它被检测到，多个目标要进入同一个集群，两个集群提供目标信息的“合并”簇头，现在是负责跟踪两个目标。

4.1.4网格

在这种方法中，传感器网络被分成“虚拟网格”，每个网格包含点。对于每一个网格点，确定哪些节点的感知区域覆盖的网格点，然后这些节点创建一个时间表，使他们都合作涵盖这个网格点处交替倍。所以在任何时候time't 的“至少一个节点的感测区域覆盖的网格点的”x “。由于每个节点包括多个网格点，每个节点将包含几个传感时间表保持同步，使得在任何时间点的所有网格点所涵盖的至少一个节点。为了做到这一点，所有的节点首先确定的时间表，每个网格点，然后安排他们所有的灵敏度独立点的时间表在一起，使每个节点都不会经常醒来，睡睡觉，而不是一点点，然后醒了一会儿。一旦每个节点确定自己独立的时间表，它必须与邻国相关性，使尽可能少的节点是清醒的在任何时间点，但所有的网格点覆盖在任何时候。一旦时间表完成每一个节点，该节点开始跟随他们的日程安排，以便及时发现新的目标经历的睡着和清醒状态[7]。

4.1.5波

在Wave 协议心目中作为网格算法的同一个目标，探测目标，同时由于不必在所有的时间所有的节点节约能源。波算法的基本思想是唤醒的一系列节点在特定的时间，以便只醒着在一个时间点的节点都在一个集中的区域。然后，随着时间的推移，这一部分在网络上通过移动把婷节点入睡和醒来新的。这使流过像波整个网络节点的清醒部的外观[8]。

该算法提出了三种类型的波：

节点的两条直线是醒着的同时，用线是相互平行的。两行开始在彼此的网络的相对两侧，并朝向彼此逐渐工作在网络的中心，以满足。

节点的宽线是醒着的同时，这条线在整个网络移动从一个边缘到相对的边缘。

节点的波是清醒和波穿越从网络的一个边缘到另一个。此方法不同于宽线，所述边界的形状是弯曲的，或波浪状，而不应是直线边界。波是由它的侧面的波需要过渡过其通信范围内的清醒传感器WAK-ING 的所有节点创建。这种方法也不同于前两种，它使用无线通信来唤醒下一节点启动传感ING 而不是时间同步整个网络唤醒/休眠节点的移动。

像其他的算法，当检测到目标时，节点（S ）传递使用的信息。

4.1.5.1巡逻

巡逻算法类似于波算法中，只有一个系列的节点是清醒的在一个时间点。该算法只是选择哪些节点唤醒不同。这可以在按需的基础上或覆盖为导向的基础上进行。两者之间的区别是，按需是一些预定的路径，是目前有趣而覆盖率为导向的反复只是手表的区域[9]。

该算法对于这两种方法是相同的。首先，巡逻被定义为一组含有巡逻速度，持续时间，重复周期和路径信息。一旦这些信息被收集后，巡检主机节点将被选中，这通常是巡逻路径上的第一个节点。巡更主机的责任是随着当前巡检时间，周期性地发送的巡逻数据。这个想法是，在一段时间的巡检几乎横贯下指定的路径。当巡逻的进步，是最接近的巡逻路径节点唤醒和

收集信息。节点确定他们是否是巡逻路附近利用巡逻信息巡更主机广播。另外，随着移动巡逻，巡逻的新主机必须选出。当巡逻几乎移出电流巡逻主机的范围内，一个新的巡逻主机被选中，然后接管主机巡逻任务和以前的巡逻主机现在可以睡的道路上。苏醒节点和换手巡逻主机职责的过程继续进行，直到路径的终点为止。一旦路径到头后，巡逻是为了遍历的路径回到原来的出发点相反。根据参数在原有巡逻参数[9]中设置的持续时间和重复这个过程一直持续。

4.1.6移动节点

直到此时，所有到目前为止所讨论的目标检测算法假设传感器节点保持静止。本节着眼于一些目标检测算法中的节点在网络中的移动。尽管这些算法允许节点是移动的，它们的目标仍然是一样的前面提到的目标检测算法。这些算法仍然试图探测目标，及时和有效的方式，同时试图使用尽可能少的能量尽可能覆盖尽可能多的网络成为可能。让后面的节点是移动的理论是，他们现在可以检测到那些有可能会未曾察觉的在一个固定节点的网络[10]的目标。

4.1.6.1过去侦测

像其他的算法，在网络这个算法分为细胞区域。每个单元是独特的，它维护的是已经在目标单元格的当前状态和过去的历史。这包括其中在第一内的小区检测的目标的位置。使用该数据，系统计算的单元格是最有可能包含基于先前检测到的目标[11]的位置的目标的区域。 一旦这些位置是确定的，每个节点是作为签名的区域观看和优先。这些优先级被用在该算法的“协调机制”的一部分。该算法的协调部，负责改变的路径的节点，使他们的观察路径重叠尽可能少。例如，手表，其中的目标是最有可能发生的区域中的节点都被赋予该系统的最高优先级，它的路径是没有改变。第二个节点，优先级较该第一节点，其路径也略微相交的第一个节点都有其路径蚀变使得两个路径将不能跨越略少。这条道路继续改变整个系统的最高优先级降低到最低优先级，直到所有节点的路径被改变，以防止被观察区域[11]太多的重叠。

4.1.6.2协同覆盖

这个算法是有点不同的，该节点遍历的路径以任何方式都不能协调。每个节点都可以创建并遵循其自身的任意路径。当节点在不同的地点和时间行驶在这条道路，它收集数据并保存。检测到的数据保存地点和时间的详细信息[12]。而节点在其移动路径，他们与他们接触到的无线通信节点共享他们收集的数据。数据在一个请求的基础通常共享。每个节点提供了一种覆盖阈值和置信度阈值。实际目标的检测在本系统是通过检查在几个点是彼此接近的拍摄的数据确定的。如果由这组接近点收集到的组合数据超出某一预定阈值，则判断为焦油得到的是在此区域中检测到。请注意，这个检测阈值将确定如何敏感/不敏感的系统是在探测目标。

4.1.6.3贝叶斯估计的轨道前检测（TBD ）估计

集成的跟踪和检测，基于unthresh-olded 测量，也被称为轨道之前检测（TBD ）是一个硬的非线性和非高斯动态估计和检测问题。然而，这是一种技术，使用户能够跟踪和探测目标，这将是非常难以跟踪和检测，如果可能的话在所有与'' 经典'' 的方法。 TBD 使一个能够更好地探测和跟踪薄弱，隐身或弱小目标在噪声和杂波。颗粒过滤器已证明是在TBD 算法的实现非常有用的。

在TBD ，是通过使用轨道输出过多次扫描检测问题。检测何时作出决定的处理链，即年底时的所有资料已被使用，集成了时间[15]。虽然它被称为轨道前检测，跟踪和检测过程同时发生。在这种方式中，（弱）靶的能量被集成和相关性随时间和位置。检测和跟踪微弱目标时，

这个概念会带来更好的性能。 TBD 也含蓄地解决了数据结社的问题。

4.2目标跟踪背景

目标跟踪算法通常集中在方面已传感器节点覆盖区域内检测到传感器节点的目标之后，目标交互。一旦该对象已被检测到，则节点收集的信息，然后使用许多不同类型的算法中的一个来计算对象相对于当前位置的传感器节点的位置。从这里，它是传感器网络的目标，因为它移动通过网络来跟踪对象。这可能或可能不涉及预测对象的下一个位置移动时。为了预先警告这些节点将被走向准备捕获数据[14]。几个这些跟踪算法将在以下部分中讨论：

4.2.1简单的三角

该算法是一种极其简单的设计和实施，并作为一个理想的算法作为用于说明其他更复杂的跟踪算法的基础来使用。此算法[14]的整个目的是提供一种使用简单的计算量，以计算的对象的当前位置，并预测它为首，并通知这些节点附近的对象的预测下一个位置的一个简单的算法。

该算法首先假定该网络中的所有节点被定位到一个共同的参考点，并且可以使用信号强度

[14]检测和估计的距离的目标。当一个节点检测到它的范围内的对象时，它广播一个TargetDetected 消息。此消息包含传感器节点的位置和到目标的距离。那听到这个消息的所有节点都存储在其本地内存的数据。当已检测到一个目标节点听到来自其他两个节点等TargetDetected 消息它执行对三个坐标三角测量来计算目标的位置。 （注意，这意味着，多个节点可以在同一时间执行此计算为相同的目标。）该节点然后继续投影目标的轨迹。当估交配目标轨迹已经被计算，垂直于目标的运动轨迹都在一定的距离'd' 的所有节点都发送一个警告消息，通知他们该目标是攻向他们。这些新节点吵醒然后跟踪对象，因为它进入他们的区域，重复TargetDetected 和警告消息发送过程。

4.2.2集群

集群目标跟踪算法已经通过许多研究论文被广泛讨论。在本节中，使用簇的目标跟踪的基本思想进行了讨论，随后在每个不同的聚类算法的研究论文的方差的概述。

4.2.2.1基本聚类算法

基本的算法使用联网跟踪对象是如下[20]：

一些集群中的节点（或所有）检测对象和报告他们的数据到簇头。请注意，每个集群里只有一个簇头。

簇头节点使用来自传感器节点的所有目标检测信息来估计焦油获得的位置。

簇头使用计算出的目标位置和过去的目标的位置来预测目标的下一个位置。

周围的预测位置的传感器被唤醒，以形成一个新的群集（如果尚未在1）来检测目标。

当目标在这个新的群集检测到，以前的群集的节点都置于睡眠状态。这个新的集群，然后继续在集群跟踪算法。

4.2.2.2分层超级节点

从基本的算法，该算法在偏离该簇头（称为超级节点）具有较高的通信范围和更多的计算能力[21]。这些“超级节点”分布在整个网络中与其他正常的节点被分配给超级节点。集群不是动态该算法生成的。有趣的是，超级节点做共享目标的位置信息彼此之间，而普通传感器节点没有。

4.2.2.3动态聚类

像超级节点算法，该算法还假设簇头节点具有比普通传感器节点更多的权力。然而，传感器节点没有分配到集群这一算法。相反，他们被邀请的簇头加入集群。簇头以广播的方式加入消息，其中包括目标的时间和签名的簇头检测[19]这样做了。在广播消息相匹配的数据已存储的数据的传感器节点通过发送自己捕获的数据以簇头节点的广播作出响应。有趣的是，簇头只等待一定数量的答复，并收到回复的所需数量时，簇头计算出目标的位置。不像超级节点算法，该算法具有一个活动簇头的时间。换句话说，簇头不一起工作[22]。

4.2.2.4细胞协作

LIKE 谓词的聚类算法中的所有节点都是同一类型的。节点被形成为簇（称为小区），其中所述细胞内的所有节点协作决定当目标已进入它们的细胞和他们是否应该对其进行跟踪[22]。有趣的是注意到，细胞可以具有不同的尺寸; 细胞的大小是由目标的所观察到的速度来确定。因此，细胞大小会增加更快的移动目标。

4.2.2.5概率定位

该算法从前面讨论的算法，甚至进一步偏离。簇头是知道每个节点的其簇内[23]的位置特别高功率节点。该算法利用了该簇头知道这些地点的事实。当传感器节点检测到目标，他们把一个很小的通知消息给他们的簇头和目标位置数据，时间和其它相关数据存储在其本地内存。在收到多个通知，簇头进行概率定位算法来确定哪个传感器节点从查询保存的数据。换言之，簇头运行一个算法，它可以帮助预测哪些传感器节点是最接近目标。因此，簇头具有计算目标位置的精确估计的最佳数据。当簇头确定哪些节点进行查询，他们会要求他们保存在本地内存中的数据和簇头使用此信息来计算目标的位置。

4.2.2.6分布预测跟踪

这个算法是非常相似的谓词地感算法在该簇头知道ID ，位置和每个其簇内节点的能量水平。然而，并非所有节点属于一个集群。在网络的边界节点不在一个集群，而这些都是在意识在任何时候。同样，节点旁边的边界不在一个集群。况且，簇头只能选择从目标跟踪数据3个节点。簇头确定3个节点来查询基于他们的位置就由先前的簇[24]计算的预测目标位置。当簇头选择了哪个节点进行查询，这些节点被唤醒预先削减检测平易近人的目标。该算法不同，甚至进一步，如果一个簇头无法找到在其自己的集群3适合的节点，它可以向邻居簇的帮助，并要求他们的一个节点被打开的一个或多个和报告信息。

4.2.3根树

相关的集群跟踪算法是的想法

有根树跟踪算法。这个算法有所不同在于代替具有多个集群头，只有一个头节点和它被称为根。根节点是最接近目标的节点。当一个新的目标位置的预测，如果有安其他节点更靠近该位置比当前根则新的节点成为根。周围的根工作的其他节点一起，直到所有数据到达根部[25]形成，他们的传感数据采集，并通过向上穿过树（孩子父母）一棵树。当根接收所有的数据在计算目标位置，并预测新的目标位置中提到的基本目标跟踪算法。树本身被重新配置在每

根变化。当根发生变化时，一个“重新配置”消息广播包含新的根目录的位置。当一个节点检测到的“重新配置”的消息，它本身分离的老树和识别出，日进它的邻居节点最接近新的根节点作为其新的母公司将其自身附加到新的树。新数据被收集并通过了树的新根使用。

4.2.4粒子滤波

后面的粒子滤波的跟踪算法的基本思想是，众多的对象的状态的说明被保存包含需要计算在某一时间的目标位置的数据。这些状态描述被称为颗粒和每个颗粒都有其自身的重量。一个颗粒的重量确定它所包含的数据多少会有助于物体的位置估计。当创建新的粒子，预先存在的粒子的权重进行调整，然后所有的颗粒被用来计算新的目标位置[26]。最终，配重块是低于某一阈值的颗粒为重复的颗粒消除。

有些粒子滤波算法有点不同。某些算法，都存储在中央节点中的颗粒和该节点完成所有的目标位置的处理[28]。其他算法分布到网络节点的存储颗粒。

5 算法分析

本节分析，重点是如何能够通过它与一个在目标检测算法提出的想法或多个组合得到改善提及的每一个目标跟踪算法。

5.1简单的三角

这个算法的主要问题在于，当一个节点检测到一个目标和听到广播相同的目标检测2其他节点，这些节点开始执行三角测量定位计算的事实。这意味着，在相同的时间点上会有多个节点计算所述相同的目标位置。这是一种浪费计算和能源资源。该算法需要改进，以便当一个节点开始计算目标的位置，它首先广播其意图来计算位置的所有其他节点，类似被在协同覆盖的移动检测算法进行数据共享。那么所有将执行同样的计算中的其他节点将不会执行它，一旦他们听到的第一个节点的广播意图。

5.2基本集群

大部分的集群算法在他们的目标检测阶段把所有的节点上。这将是更好，如果他们不是采用类似于波检测算法来检测目标的技术。由于每个网络的区域已经划分成集群，集群中的每个节点都可以轮流监视该地区使用的提到的波检测方法之一的目标的到来。这会增加网络的生命周期。这会增加网络的寿命。

然而，在使用中的移动检测算法1是不推荐使用，因为该节点具有与簇头进行注册。根据所使用的移动检测算法中，节点将不停地移动在簇和缩小。这会导致在群集内，以便增加与这些节点的消息通信量保持跟踪节点。这种类型的移动检测算法可以应用到这种情况只有当节点的移动性被限制和节点总是停留在同一集群中。

另外，集群算法可受益于基本融合检测算法。一旦目标被检测到，所有的信息传递给簇头的簇头可以使用在基本融合算法用于故障节点，以消除任何资料提供的技术。这将有助于使网络工作不容易受到错误的节点。

5.2.1动态聚类

用这种算法，最大的问题是，它不会与移动节点工作。网络计算传感器节点的位置在启动过程中。因为这些位置需要由簇头是已知的并只计算一次，这样可以防止任何节点被添加到网络中移动或偶数。这个问题可以很容易地固定定期刷新传感器节点的位置，虽然这会降低网络的寿命。所以，最好是使用一个检测算法和浓度地开设刷新节点的位置不是一个最佳的解决方案是较好在这种情况下。

5.2.2细胞协作

该聚类算法已经完全安装使用网格检测算法检测指标。因为此算法中的节点都已经分成小区，基本结构使用网格算法已经到位。所有需要做的是添加网格算法的检测部。有一次，这样做的算法会更有效，因为这些节点将被交替的睡眠时间与对方以检测，而不是在同一时刻保持清醒的目标。

5.2.3概率定位

该算法已经听起来像它有它自己的混合动力检测算法融入了额定的部分。当检测到目标时，该算法发送一个小的消息到集群头。类似地，当一个目标的混合算法中检测到一个小的有/无位的消息被发送给决策者在网络中，或群集头。然后簇头使用该数据来确定哪些节点要查询的进一步数据。在确定哪些节点进行查询，它是使用类似于用来在基本融合检测算法，以消除由一个故障节点提供的任何数据的影响，平均化技术是个好主意。相似的混合算法继续。当簇头确定哪些节点进行查询，节点响应返回给簇头更详细的信息。

然而，该算法不应该与移动节点检测算法，因为它决定哪些节点要查询的方式相结合。在该算法中，簇头，以确定哪些传感器查询[23]建立概率表。使用一个表是可以接受的，直到节点移到外面或将被添加到系统中。当这种情况发生的概率表必须被更新。因此，利用移动检测方案会造成大量的额外的计算开销，因为这些表将被不断刷新。

5.2.4分布式预测跟踪

该算法是独一无二的，它已经做了自己的目标检测。而不是由边界节点是在任何时候，以检测节点将是有益的这些节点采用波或巡逻类似的技术。这样一来，他们仍然会检测到目标，但会消耗相当小的能量。

5.3根树

根树的技术的一个基本问题是，它不提供任何容错事实。为了使该算法少容易引起故障的节点的问题，它应该使用类似于在基本融合检测算法使用一种平均技术。

此外，此算法中遇到的问题，当目标的运动速度是非常高的。作为S 波速度的目标增加也是如此，其中，树必须重新配置[25]的次数。当达到目标的阈值速度，其中，树不再能产生足够迅速跟上运动目标，这将导致问题。这个问题可以通过改变该算法的工作更喜欢的巡逻算法被淘汰。而不是浓度地开设重建树，该树将被视为可以有步骤（或节点）沿增加或删除从它的路径的路径。这样当目标移动时，只是一个新的节点添加到该路径并删除任何一个是太远作出贡献的任何更长的时间。需要收集数据的基本节点仍然是路径的成员和新加入。这样可以节省时间和消息通信需要每次定期重建树结构的巨大数额。

5.4 粒子滤波

为了跟踪目标，该算法将数据保存在颗粒形式的巨大数量。随着时间的推移，这些粒子会占用大量的存储空间。如果该算法是采用TBD 算法背后的思想实际使用的内存量可能会减少。贝叶斯估计的轨道前检测（TBD ）基于粒子滤波提供了高性能和混合检测算法停止记录数据，一旦它目前包含的数据超过阈值要知道目标是否存在与否。粒子滤波算法可以使用相同的原则。一旦有足够的粒子数据被收集到超过某个阈值，则该节点将停止收集数据。此举不仅减少内存使用量也减少工作要做，以节约能源量。

5.5 评估目标检测与跟踪算法

最好的算法是基于评估标准建立。用于评价的参数是时间，能量，传播延迟，脆弱性，使用存储器，稳定性和可扩展性。粒子滤波基于贝叶斯待定估计算法，听起来最好的车辆检测与跟踪的无线传感器网络。表4示出了评价总结。

6 算法综述

据观察，最好的目标检测与跟踪算法，一种是贝叶斯估计轨道的合并前检测（TBD ）估计和粒子滤波算法。该待定覆盖网络区域在很短的时间量，使节点在睡觉的时候其实可以节省大量的能源。由此，能够检测出目标，无需过多的延迟，在一个节能方式。

粒子滤波算法也是在右侧跟踪自预先存在的颗粒被调整在创建新的粒子时，因此配重块是低于某一阈值的颗粒为重复的颗粒，这也节省了能量被淘汰。此外，代替1使用几个中央定位计算点有助于减少该系统的脆弱性的攻击。它消除了一个点的故障问题。它也分享能源消耗的负担，一个节点将在多个节点上面对的问题。

粒子滤波方法使所有节点共享的能源负担。因此粒子滤波算法结合贝叶斯估计的轨道前检测（TBD ）估计算法，可用于目标检测与跟踪。

7 结论和未来发展方向

本文试图收集有关未经授权的车辆检测与跟踪的战场监视的信息，并调查被广泛使用的车辆检测传感器。这种努力也将调查和评估针对的目标（如车辆或动物）的检测和跟踪使用无线传感器网络的检测与跟踪算法。每种算法类型的概述，提出了与目标跟踪算法目标检测算法的组合进行了讨论。根据所识别的条件的算法的各种组合进行了分类，每个类别进行评价。基于贝叶斯待定估计算法粒子滤波是一个有趣的一个是目标检测与跟踪使用无线传感器网络。它具有良好的资源利用效率，传播延迟最小。这也增加了可扩展性和粒子为基础的方法提高了稳定性。实时实验要求，以断定基于贝叶斯待定估计算法粒子滤波是否将工作在实际情况下。本文的目的是让传感器和用于车辆检测和跟踪它指导未来的研究人员，以显示战场监视或在人工监控是不可能的任何地方使用的新方向算法的简要概述。

8 承认

笔者想感谢武器研究局（ARMREB-DRDO ）通过资金支持这项研究项目。

参考文献

[1]

YC 曾雅妮，SP 郭，李硬件和CF 黄“，由移动代理和数据融合的战略定位跟踪的无线传感器网络，”计算机科学，SpringerLink 数据库，第2-3页，2003讲义。

[2]

安永卢斯和A. Mimbela，“汽车检测与监控技术在智能交通系统中使用的摘要，”车辆检测器交换中心，西南科技发展研究所（SWTDI ）在新墨西哥州立大学（新墨西哥州立大学），2007年秋季。包含http://www.nmsu.edu/traffic/。

[3]

S. Coleri，M. 耳根，和TJ 古永锵，“终身传感器网络混合自动机模型的分析，”ACM 国际研讨会无线传感器网络与应用（亚特兰大，乔治亚州）加工用，页98-104，2002。

[4]

D. 加根，SY 祥，谭顺时针和V 普拉温，“车辆检测传感器节点的数据的信号处理，”IEEE 智

能交通系统，2004年,70-75页。

[5]

汤马斯，KS Kewel，和R. Parameswaran，“协同传感器网络容错进行目标检测，”在清华大学出版社，页320-333，2004。http://citeseer.ist.psu.edu/clouqueur03fault.HTML。

[6]

F. 清，Z. 峰，和L. Guibas ，“轻型传感和通信协议的目标枚举和聚集，”在移动自组织网络与计算，页165-176，2003第四届ACM 国际研讨会论文集。

[7]

华婷，H. 田，和约翰，“差异化侦察职业者的传感器网络，”嵌入式网络化传感器系统统，页51-62，2003。包含http://第一间全国会议论文集www.cs.virginia.edu/papers/ diff_surveillance_sn_p51-yan.pdf。

[8]

SS 仁，问：李，王HN ，和XD 张，“设计与波传感调度协议为对象跟踪应用分析”，计算机科学，SpringerLink 数据库，页228-2432005年讲义。包含http:// www.cs. WM 。埃杜/〜liqun/paper/dcoss05.pdf。

[9]

C. 桂和P . Mohapatra，“虚拟巡逻：一个新的节能设计，使用监视传感器网络中，”信息处理的传感器网络，页246-253，2005。

[10]

刘，体育黄铜，澳Dousse ，体育奈恩和D Towsley，“流动性覆盖率提高了传感器网络。在移动ad hoc网络与计算“，页300-108，2005国际研讨会。

[11]

MK 克里希纳，H. Hexmoor 和S. Sogani ，“一个丁字步向前约束优化目标检测算法的多传感器监视系统，”IEEE 智能机器人在与系统，第357-3622005包含http:// arxiv.org/ ftp/cs/papers/0505/0505045.pdf。

[12]

KC 王和P . 拉马纳坦，2005年的“协同感知使用不协调的流动性传感器，”在计算机科学，SpringerLink 数据库讲义，页293-306。http://www.ece.wisc.edu/〜漂移/论文/ dcoss05_wang.pdf

[13]

EB 艾尔米斯和五Saligrama ，“自适应统计抽样方法，以局部分散的现象估计和检测，”ACM'05。http://iss.bu.edu/ SRV/出版物/ Manuscriptfinal.pdf。

[14]

R·古普塔和SR 达斯，“跟踪移动目标的智能传感器网络，”车辆技术会议发起人，第3035-3039，2003。http://www.cs.sunysb.edu/〜samir/Pubs/VTC03 - long.pdf。

[15]

SJ 戴维，MG 吕滕，和B ·长沙“的检测性能好前跟踪检测算法的比较，”EURASIP 杂志上的信号处理进展，2008，http://www.hindawi.com/journals/asp /2008/428036.html。

[16]

B. 塔蒂亚娜，H. 温，光萨里尔，布兰科河，G. 尼尔，B. 特拉维斯，R. 马克，和J. 桑杰，“无线传感器网络的战场监视，”陆战会议，2006。

[17]

洛杉矶克莱恩，MK 米尔斯，和DRP 吉布森，“流量检测手册”操作和智能交通系统研究，2006。http://www.tfhrc.gov/ its/pubs/06108/index.htm。

[18]

L. 宇，L. 元，G. 曲，和A. Ephremides，信息处理的传感器网络，页284-291，2006“保证的准确性能源驱动的检测方案”。

[19]

WP 陈，JC 侯，和L. 沙，“动态聚类的声目标跟踪的无线传感器网络，”第11届IEEE 国际会议上的网络协议（ICNP'03），2003年11月。

[20]

D. 李，黄KD ，YH 胡锦涛和AM 赛义德，“检测，分类和在分布式传感器网络的目标跟踪”IEEE 信号处理杂志，第1163-1172002

[21]

S. 哦和S. 沙斯特里，“分层多目标跟踪算法的传感器网络，”IEEE 机器人与自动化“，页2197-2202，2005 http://www.eecs。 berkeley.edu/〜sho/papers/icra05_hmttsn.pdf。

[22]

理查德RB ，R. Parameswaran，和MS 阿克巴，“分布式目标分类和跟踪传感器网络，”在IEEE 的Proceedings ，第91卷，第8号，第1163至1171年，2003年http://www-net.cs.umass.edu/cs791_ sensornets/论文/ brooks.pdf。

[23]

邹华和K 恰克拉巴提，“基于能量考虑在分布式传感器网络的目标定位，”第一届IEEE 研讨会传感器网络协议和应用程序（SNPA'03），页51-58，2003。

[24]

H. 杨和B Sikdar。 “一个协议使用传感器网络，传感器网络协议和应用程序跟踪移[24]

动目标”，页71-81，2003。http://networks.ecse。 rpi.edu/〜bsikdar/papers/hua_icc03.pdf。

[25]

WS 张和GH 曹“优化重构树在传感器网络的移动目标跟踪，”因福科姆，页2434至2445年，2004。

[26]

G. ING ，“分布式粒子滤波目标跟踪的传感器网络，”无线传感器网络99-107页，2004年信息处理第三届国际研讨会论文集。