基于視頻傳感器網絡的高效分布式跟蹤方法*

方 武, 王典洪, 王 勇

(1.中國地質大學(武漢) 機電學院,湖北 武漢 430074;2.蘇州經貿學院 信息系,江蘇 蘇州 215009)

0 引 言

在無線視頻傳感器網絡的許多應用中[1]，首先需要對圖像序列的目標進行檢測和跟蹤。為提高跟蹤精度和范圍，視頻節點需要相互通信來對目標進行分布式跟蹤。所謂分布式跟蹤是指依賴節點間多視角的目標信息的交換與融合，通過本地運算獲得目標位置軌跡信息的方式。然而,受傳感器節點資源和能耗的限制，傳統的目標跟蹤方法并不適合視頻傳感器網絡。適用于視頻傳感器網絡的高效分布式跟蹤算法需要盡量減少節點之間的通信量以減少能量消耗，從而延長網絡壽命。

近幾年,一些文獻對分布式跟蹤算法[2,3]在無線傳感器網絡當中的應用進行了研究。最常用的分布式跟蹤算法包括粒子濾波[4]和卡爾曼一致性濾波(Kalman consensus filtering,KCF)。然而，粒子濾波采用蒙特—卡羅方法，計算量大，不適用能量有限的無線傳感器網絡。因此，很多視頻傳感器網絡的研究采用卡爾曼濾波方法來進行目標跟蹤。Medeiros H,Park J,和Kak A[5]提出了一種分簇的卡爾曼濾波跟蹤方法，該方法由于需要進行簇頭選舉，對于節點位置分布有一定的要求，靈活性較差。Soto C,Song B等人[6]提出了一種分布式估計算法即卡爾曼一致性濾波方法,該方法通過相鄰節點的跟蹤數據交換融合來到達對目標狀態的一致性估計。另外，為了優化估計Kamal A T和Farrell J A[7,8]提出了針對測量信息權重分布式最大后驗參數的一致性濾波(information weighted consensus filtering,ICF),該方法采用信息矩陣進行節點間的數據融合來達到一致性狀態估計，通信數據量雖然比傳遞圖像小，但依然比較耗能。上述方法均沒有考慮到節點的通信能耗，因此,通信數據沒有進行壓縮。Ribeiro A,Giannakis G和 Roumeliotis S[9]在節點間通過傳遞新息符號進行目標狀態的估計來減少通信量,然而，該方法沒有考慮目標狀態的一致性數據融合。

為減少節點間的通信能耗同時保證跟蹤精度，本文提出一種基于殘差編碼(RC)的一致性濾波跟蹤方法，對信息矩陣采用符號編碼策略，從而大量減少視頻傳感器節點之間數據交換量，延長網絡的使用時間。

1 基于殘差編碼的一致性濾波跟蹤算法

1.1 一致性濾波

如圖1所示，對于每個視頻節點采集到的圖像序列Xt,在跟蹤的過程中，檢測到目標的節點采用卡爾曼一致性濾波器來預測目標下一幀的狀態。目標的狀態和測量方程為

Xt=AXt-1+BVt-1,

(1)

Zt=HXt+Wt.

(2)

節點間傳遞的信息向量和矩陣為

(3)

(4)

由卡爾曼濾波式(5)～式(7)可預測目標下一幀狀態的估計

(5)

i(n|n-1)=Aii(n-1|n-1),

(6)

i(n|n-1)=Hi(n)i(n-1|n-1).

(7)

1.2 殘差編碼

一致性濾波是通過在網絡里傳遞信息矩陣ui和Ui來進行數據融合達到對目標狀態的全局估計。相對于圖像數據來說，數據雖然減少了，但對于多維的目標狀態信息，通信量依然很大。采用殘差符號編碼可以有效減少通信能耗。節點間只傳遞新信息符號編碼，這樣可以大大減少通信開銷。本文將文獻[9]提到的新息符號算法擴展到一致性濾波跟蹤場合，提出一種基于殘差編碼的一致性濾波算法，具體步驟如下：

首先，將狀態向量映射到二進制量化

(8)

定義節點i的編碼策略為

bi(n,m)=sgn[Z0(n,m)-0(n,m|n-1,m-1)],

(9)

Ki(n,m)=

(10)

i(n|n-1,m)=i(n|n-1,m-1)+

Ki(n,m)bi(n,m),

(11)

Pi(n|n-1,m)=Pi(n|n-1,m-1)-

(12)

然后，通過迭代從1～M,可以得到殘差編碼消息bi(n)

bi(n)=[b(n,1),…,b(n,M)].

(13)

每一步，相鄰節點接收到編碼消息bi(n), 通過等式(11)～式(13)從1～M迭代可以得到

(14)

Pi(n|n)=Pi(n|n-1,M).

(15)

最后，可從等式(16)得到一致性狀態融合目標狀態的估計

(16)

2 多視角數據融合方法

本方法中，檢測到目標的各個節點采用高效的基于卡爾曼濾波的目標跟蹤算法，并將跟蹤的目標信息發送到相鄰節點進行數據融合。對多視角跟蹤的結果采均值算法進行圖像融合，可獲得更好的跟蹤精度和更長網絡使用時間。融合時，必須將目標的像平面坐標[Xt,Yt]映射到地平面坐標[Ut,Vt]，其關系由Hj決定

(17)

其中,λ為尺度參數，對于每個視頻節點，可計算出目標在地平面的位置

(18)

(19)

通過計算等式(16)等到多個視角跟蹤平均融合后的結果。

3 實 驗

為了驗證該方法的效果，構建基于8個視頻節點(CN)的室內測試系統。視頻節點分辨率為640像素×480像素，幀速率為25 fps，15 m視野，60°視角；房間面積為6 m×9 m，跟蹤持續時間13 s，測試環境和目標運動軌跡如圖2所示，初始化參數M=16。

圖2 測試環境

在圖像序列1～450幀中，視頻節點1，2，4，5同時檢測到目標，節點1和4的跟蹤過程分別如圖3(a)，(b)所示。

圖3 分布式跟蹤圖示

目標的真實軌跡采用手工標定，目標的跟蹤軌跡與單節點1和節點4的觀察值之間的比較如圖4所示。其中圖4(a)，(b)為軌跡的比較，圖4(c)為一致性濾波器跟蹤結果與單節點4濾波跟蹤結果的均方根誤差(RMSE)比較。從圖中可以看出，采用一致性殘差編碼的方法跟蹤精度高于單節點跟蹤方法。

圖4 跟蹤結果

為了評估本文方法的性能，與另外2種分布式跟蹤方法進行比較:1)分布式粒子濾波[4](DPF)方法 ；2)卡爾曼一致性濾波[9]；該方法通過節點間傳遞信息向量和方差矩陣來進行一致性狀態估計；3)本文提出的方法殘差編碼一致性濾波(RC—CF)。能耗的結果通過不同目標通過監測區域取10次平均結果。每個算法的數據包大小和計算復雜度如表1所示。

通信的能耗主要由包尺寸即節點間收發的消息量決定。假設目標的位置和速度分別為32位浮點型和16位整型。傳統的卡爾曼一致性濾波通過傳遞4維的狀態向量和4×4的方差矩陣來進行節點數據融合。假設每個狀態信息通過一個數據包傳遞。卡爾曼一致性濾波的數據包大小為32×(4+4×4)=640位，而本文方法只需傳遞(32×4+16)=144位數據。

表1 算法能耗相關因素分析

3種方法的能耗情況如圖5所示。可以看出分布式粒子濾波的能耗巨大，這是由于每個節點采用蒙特—卡洛方法進行目標跟蹤和數據融合。卡爾曼一致性濾波能耗大約為方法1的30 %，這是由于卡爾曼一致性濾波計算量小。本文的方法為卡爾曼一致性濾波的33 %，主要因為節點間的通信能耗通過殘差編碼減少的70 %左右。

圖5 能耗比較

4 結 論

本文在研究高效分布式跟蹤算法的基礎上，提出了一種RC—CF跟蹤方法，對信息矩陣采用符號編碼策略，從而大量減少視頻傳感器節點之間數據交換量，實驗證明:該方法在保證跟蹤效果的同時可減少70%左右的能量消耗，從而延長視頻傳感器網絡的壽命。

參考文獻:

[1] Karaki Al,Morillo-Pozo Julian.Wireless multimedia sensor networks:Current trends and future directions[J].Sensors,2010,10:6662-6717.

[2] Taj K M,Cavallaro A.Distributed and decentralized multi-camera tracking[J].IEEE Signal Processing Magazine,2011,28(3):46-58.

[3] Tron R,Vidal R.Distributed computer vision algorithms[J].IEEE Signal Processing Magazine,2011,28(3):32-45.

[4] Coates M.Distributed particle filters for sensor networks[C]∥Information Processing in Sensor Networks,2004:99-107.

[5] Medeiros H,Park J,Kak A.Distributed object tracking using a cluster-based Kalman filter in wireless camera networks[J].IEEE Journal of Selected Topics in Signal Processing,2008,2(4):448-463.

[6] Soto C,Song B.Distributed multi-target tracking in a self-configuring camera network[C]∥Computer Vision and Pattern Recogniton,Miami,FL,2009:1486-1493.

[7] Song B,Kamal A T,Soto C,et al.Tracking and activity recognition through consensus in distributed camera networks [J].IEEE Trans on Image Processing,2010,19(10):2564-2579.

[8] Kamal A T,Farrell J A,Roy-Chowdhury A K.Information weighted consensus[C]∥IEEE Conf on Decision and Control,2012:102-115.

[9] Ribeiro A,Giannakis G,Roumeliotis S.SOI-KF:Distributed Kalman filtering with low-cost communications using the sign of innovations[J].IEEE Trans on Signal Processing,2006,54(12):4782-4795.