基于低成本超聲傳感器的無線傳感網生存環境地圖構建研究*

王 巍,李林茂,魏丁丁

(1.河北工程大學信息與電氣工程學院,河北 邯鄲 056038;2.江南大學物聯網技術應用教育部工程中心,物聯網工程學院,江蘇 無錫 214122)

基于低成本超聲傳感器的無線傳感網生存環境地圖構建研究*

王 巍1,2*,李林茂1,魏丁丁1

(1.河北工程大學信息與電氣工程學院,河北 邯鄲 056038;2.江南大學物聯網技術應用教育部工程中心,物聯網工程學院,江蘇 無錫 214122)

移動傳感器網絡節點在監測環境過程中,采集到大量有誤差的環境地圖數據,導致構建的傳感器網絡生存環境地圖質量低、實時性差。針對以上問題,提出了一種適用于低成本、輕數據量、多網絡節點的基于超聲傳感器組的環境地圖構建算法。首先對超聲波測量數據進行高斯濾波處理,其次利用處理后的數據進行單一網絡節點所屬區域地圖的構建,再次提取單一節點地圖的點特征,并進行匹配,進而得到融合后的全局地圖,最終實現傳感器網絡節點生存環境地圖的構建。進一步通過優化子圖拼接順序,降低了構圖數據與實際環境數據的誤差,提高了傳感器網絡節點生存環境的地圖質量。

傳感器網絡;地圖融合;移動節點;子圖優化

在未知復雜環境下,傳感器網絡節點借助超聲波、紅外、視覺以及聲納等傳感器進行環境監測,將測得數據分析處理轉換為環境地圖信息,然后將各個節點地圖進行拼接,最終構建出傳感器網絡生存環境地圖。地圖信息不僅可以由超聲波、紅外測得的距離數據描述,還可以由視覺傳感器[1-3]拍攝的圖像展現。不同的數據類型,有著不同的構圖方法和地圖拼接算法。程爭剛[4]等人針對現有航拍圖像拼接方法處理速度較慢的問題,提出一種基于無人機位姿信息的快速拼接方法,從機載GPS和慣性導航單元獲得無人機航拍時的坐標和姿態角,根據每一幅航拍圖像對應的無人機坐標和姿態角計算它們之間的單應變換矩陣,實現航拍圖像之間的快速配準。然后通過單應變換矩陣的運算得到拼接圖像之間的配準,最后完成多幅圖像的拼接得到整個區域的全景圖。Li J[5]提出了一種基于點線特征的二維自由激光掃描匹配方法,對不同特征點擴展一維SIFT,通過改進的分割和合并算法提取線特征,實現一個同時定位和地圖系統的室內測繪。

圖像拼接時會出現明顯的拼接線與過渡帶,針對該問題,張勇[6]等人提出一種改進的SIFT特征點匹配的圖像拼接算法,該算法在特征提取的過程中加入Harris角點算子,篩選出魯棒性較強的點。采用基于圓形窗口的48維向量來進行特征降維,并借助匹配特征點對之間的幾何一致性來對特征點進行粗提純,提高算法運行效率;最后采用重疊區域線性過渡融合算法對圖像進行平滑過渡,消除拼接縫隙。李海洋[7]提出一種改進的基于SURF特征匹配的圖像拼接算法。在剔除誤配點時,采用改進的隨機抽樣一致(RANSAC)算法調整采樣概率,以更少的時間獲取正確模型,提高算法效率。在圖像融合時,先對輸入圖像進行亮度均衡預處理,然后再使用加權平滑算法進行融合,從而消除結果圖的拼接線和過渡帶,提高圖像拼接質量。

針對圖像匹配算法計算量大,實時性差的問題,張懿[8]提出了一種基于FAST特征的快速圖像配準系統。該系統首先通過FAST特征進行配準,然后通過改進的RANSAC算法增加配準準確率,最后通過加權融合完成圖像拼接。李玉峰[9]等人提出了一種基于區域分塊與尺度不變特征變換(SIFT)相結合的圖像拼接算法。該算法利用圖像能量的歸一化互相關系數快速分割出匹配圖像與待匹配圖像間的相似區域,利用SIFT算法在重疊區域中搜索出能用于匹配的圖像特征點并實現快速精確配準。然后,通過對圖像進行了幾何校正和圖像融合來實現圖像序列間的無縫拼接。張旭[10]提出將圖像分離,減少背景特征點,并采用FAST和BRIEF相結合的圖像匹配算法,保障了拼接效果和拼接效率。

相較于視覺傳感器的高質量圖片數據,超聲波傳感器[11]有著低成本、輕數據量、不受光線等因素影響的優點。韓霜[12]設計并實現了一種基于射頻與超聲波信號到達時間差的高精度室內定位系統,用于無線傳感器網絡中節點的定位和跟蹤。系統中位置固定的信標節點周期性同步發射射頻信號與超聲波脈沖,待定位的移動節點測量接收到的射頻和超聲波信號的到達時間差,并將此數據采用分時的方式發送至中心控制主機。劉金全[13]以超聲衰減理論為基礎,提出一種基于廣義最小殘差(GMRES)迭代的超聲層析成像重建算法:首先利用廣義極小殘差迭代算法獲取初始物體濃度分布信息,然后采用均值濾波并設定灰度門檻的方法對其進行修正以提高圖像精度。

本文結合數據類型、數據量、實時性、成本等多方面因素,選擇在節點上安裝超聲波傳感器組,實現環境信息采集功能,利用無線傳感器模塊將環境信息傳輸給上位機,上位機對數據分類處理、繪制出對應單一節點地圖,將各個節點地圖拼接,實現數據的融合[14],進而完成整個環境信息地圖構建。

1 模型建立

1.1 環境探測模型

傳感器網絡單一節點上均勻分布了個N超聲波傳感器,超聲波傳感器之間的角度為θ=2π/Nrad,由于超聲波具有聲波的扇形發射特性,且安裝時會帶來角度誤差,因此對距離的精準探測產生影響,設誤差為Δθ。環境探測模型如圖1所示。

圖1 環境探測模型

在理想狀態下,測量某一固定邊界時,安裝在單一節點上不同位置的超聲波傳感器所測距離關系如下:

(1)

超聲波傳感器在受到外界干擾時,量測數據具有不可靠性,為此需要對數據預處理。在第i個數據采集周期中,對于網絡節點上的第n個超聲波傳感器,其量測數據的可靠性可以通過對第n-1與第n+1個傳感器的量測數據綜合后評估。由式(1)可得相鄰數據的遞推關系為:

(2)

e=|dn+1(T)-dn(T)|

(3)

(4)

當測量無偏時,e′=e,但是在實際中,由于溫度傳感器參數漂移和安裝誤差,導致e′>e或e′

1.2 數據采集模型

Δe的大小主要是受溫度傳感器精度和溫度傳感器誤差影響,距離數據信息是通過超聲波傳感器獲得的,計算公式如下:

(5)

式中:v為超聲波速度,t為超聲波往返時間。

由于超聲波傳感器測距會受到溫度的影響而造成估計距離與測量距離不等,為此采用溫度補償和高斯濾波的方式對測量距離進行修正,公式如下:

(6)

ΔT=T-T0

(7)

ΔT=ΔT0±P·ΔTe?ΔT～N(μ,δ2) (μ=ΔT,δ=ΔTe)

(8)

式中:v0為超聲波在15 ℃環境下的傳播速度,v0=340m/s,T0為基準溫度,T為測得溫度。ΔT為溫度差,ΔT0為實際溫差,ΔTe為測量溫度誤差。v(T)=v0(T)+a·(ΔT0±P·ΔTe)℃=vμ(T)+vδ(T)

(9)

(10)

由式(10)可知,超聲波測距數據由dμ(T,t)和dδ(T,t)兩部分構成,其中dμ(T,t)為單一節點在溫度為T的環境下測得的數據,作為基準距離;dδ(T,t)為溫度誤差造成的偏差,作為誤差距離。通過對誤差距離進行修正,提高測量精度,保障數據的可靠性。

因為Δe的大小主要是受溫度傳感器精度和溫度傳感器誤差影響,因此有以下關系:

Δe=λ1dμ(T,t)+λ2dδ(T,t)

(11)

式中:λ1和λ2為控制系數,該參數的設置是為適應實際環境中邊界的平滑性,即當邊界不平滑時,通過參數λ1和λ2來調節Δe取值,防止有效數據的誤剔除。

圖2 邊界和頂點數據提取

2 特征匹配

2.1 特征提取

近年來特征提取的方法不斷的優化,但是多數研究是針對圖形的。盡管圖形也是能夠轉換為數據信息,但是圖形的數據量遠遠超過單純的距離數據集,而數據量的多少直接影響到運算速度。針對距離數據類型,采用點特征提取方式,通過對距離數據進行分析,提取出特征點。

由圖2(a)中可以看出,數據點從左端點到右端點的變化趨勢是,從大到小,再從小到大的變化,在垂直時最小。因此相鄰3個數據點有以下3種關系:

(12)

(13)

以上兩種模型結合能夠提取出特征點,借助垂直邊界特征點能夠定位節點坐標,進而對自身坐標進行修正。

在有障礙物時,節點的探測數據將會變的更加復雜,這時就會出現障礙物的邊界點和斷點等情況,模型如圖3所示。

從圖3中可以得出以下關系:

(14)

從上述幾個關系式中,可以提取出障礙物的邊界點、邊界的頂點以及節點到邊界的垂直點,三者可以通過相鄰點之間的差值大小加以分類。

圖3 障礙物數據關系模型

2.2 特征匹配

單一節點在移動過程中會記錄移動距離sj和旋轉角度γj,通過N次的運動將生存環境遍歷。通過對記錄數據和采集數據進行分析,轉換為二維坐標數據點,即將采集的距離數據集轉換為坐標點集,進而便于圖形的構建。轉換方程如下:

(15)

第k個節點的第j次運動采集的坐標點集構成了第kj次子地圖,通過對所有子地圖的構建、旋轉變換、平移變換實現全局地圖構建。子地圖構建完成后,需要進行特征匹配,從而確定旋轉變換和平移變換的參數。特征匹配的方式選擇歐式匹配,即比較最近鄰距離與次近鄰距離的SIFT匹配方式,核心思想是取一幅圖像中的一個SIFT關鍵點,并找出其與另一幅圖像中歐式距離最近的前兩個關鍵點,在這兩個關鍵點中,如果最近的距離除以次近的距離得到的比率ratio少于某個閾值T,則接受這一對匹配點。

歐式距離匹配對所有的特征點進行篩選,選取兩幅圖片中有效的特征點。確定有效特征點后,需要對特征點進行分析,進而確定轉換矩陣,將兩組圖進行拼接,如圖4所示。

圖4(a)和圖4(b)為兩子地圖數據,其中圖4(a)中紅色與綠色圓表示對數據進行分析后得到的特征點,通過對環境信息的分析,提取的特征點主要分布在邊界的頂點和邊界斷點位置,表明模型的有效性。圖4(b)則是采用歐式距離進行匹配特征點,并剔除無效點后的結果。特征點的剔除,能夠有效的降低地圖拼接的運算時間,提高拼接質量。

圖4 子地圖特征點選取和剔除

2.3 地圖拼接

地圖的拼接是將其中一個地圖作為基準,將另一個子地圖進行平移、旋轉變換,進而完成拼接。子地圖坐標轉換方程如下:

(16)

優化目標最大重合點數優化參數θ、px和py適應度函數if(∑‖P′-P‖<0．1)N(i)=N(i)+1fitness(i)=max[N(i)]

其中P=(x,y),P′=(x′,y′),適應度函數為最大重合點個數,最優結果是通過比較兩幅子圖之間的重合點個數來確定。

3 實驗

3.1 實驗流程

無線傳感網生存環境地圖構建流程圖如圖5所示。

3.2 實驗分析

本實驗采用能力風暴UII型機器人本體作為傳感網節點平臺,其參數如表1所示。

實驗平臺尺寸/cm輪系輪距/cm質量/kg通信方式能力風暴UII20×20×10兩輪161無線

基于該實驗平臺配合超聲波傳感器實現地圖數據采集功能,并通過無線模塊將地圖數據傳輸給上位機。上位機為win7(32位)系統,利用MATLAB(2012b)對各個節點采集的數據集進行處理,構建出各個節點子圖。通過本文所提出的算法對子圖點特征進行提取和匹配,然后對子地圖變換矩陣參數進行優化,選取最優解,最終實現地圖拼接。實驗環境和網絡節點如圖6所示。

圖6 實驗環境與網絡節點

圖6中可以看出實驗環境由6個移動節點和多條邊界構成,符合現代建筑特征。本次實驗環境由邊界構成的障礙物具有明顯的頂點特征和邊界斷點特征,有助于對特征點提取是否正確的判定。除此之外,傳感器網絡生存環境地圖構建與實際環境相比較,能夠通過觀察直接判斷地圖構建的優劣。

邊界上點的個數直接影響到邊界探測的精度,為此以邊界長度和覆蓋點數為指標,進行邊界覆蓋密度的計算,以保證探測的精度。

圖7為單一節點上超聲波傳感器檢測信息與實際環境信息進行對比分析,記錄每個邊界上點的個數和邊界長度,并計算出探測邊界的檢測點的平均覆蓋密度。單一節點所處位置和邊界長度導致重合點數量的差異。

圖7 子圖與環境信息重合點數和平均覆蓋密度

通過對單一節點超聲波數據進行數據分析和處理,將距離-角度信息轉化為坐標點信息,實現子圖的構建。實驗結果如下:

圖8為各個節點地圖,地圖中紅色點代表單一節點采集的數據點,藍色點代表單一節點基準坐標,綠色圓圈為特征點。由上述幾幅圖可知,節點探測位置的不同,探測到的數據集將會發生變化,數據集的變化直接影響到子地圖的構建以及子地圖特征點的數量。

圖9是基于map4進行的兩兩地圖拼接實驗結果,從圖中可以看出,第2幅圖的拼接效果不理想,造成該現象是因為兩幅地圖相關性小、特征點少。

由圖10可以看出,基于某一個子圖來實現地圖的拼接效果偏差,不能夠滿足實際需求。因為基于某個子地圖的地圖拼接方式受限于特征點的數量和子地圖之間空間位置關系,提高地圖拼接質量可以從子地圖的選取以及所選兩兩拼接子地圖位置關系兩方面改進。

本實驗通過對子地圖的選取方式進行改良算法,主要思想是將基于任意一個子圖為基準完成的最優拼接結果視為整體的局部最優,通過對任意兩個子圖的拼接效果和拼接的順序進行分析,選取一組最優的拼接順序。

由圖11可以看出,通過改良拼接方式能夠明顯的提高地圖的拼接效果。地圖的拼接不僅能夠提升地圖的完整程度,還能夠有效的提高邊界測量精度,改善地圖質量。

圖12是子圖拼接后,數據點與環境信息的誤差值。圖13是全局地圖數據誤差,在4 m×4 m環境下,數據誤差控制在2 mm以內能夠滿足對地圖質量要求。

圖8 各個節點地圖

圖9 基于map4的兩兩拼接

圖10 基于map4地圖拼接結果

圖11 最優拼接結果

圖12 節點地圖數據誤差

圖13 全局地圖數據誤差

4 總結

綜上所述,本文通過對節點環境信息進行了研究和分析,構建出各個節點地圖,實現了節點地圖的拼接,通過對拼接算法的優化,提高了地圖拼接質量和地圖精度,降低了環境地圖數據誤差。相較于基于視覺傳感器搭建的無線傳感網,基于超聲波傳感器組的無線傳感網有著低成本、輕數據量以及實時性好的優點。實驗結果表明該方法能夠解決圖形拼接數據量大、運算量大的問題,能夠滿足地圖構建的實時性要求,為傳感器網絡的研究做出了貢獻。

[1]盧旭,劉軍,袁飛. 基于移動Sink的自組織視頻傳感網絡目標跟蹤算法[J]. 傳感技術學報,2016,29(9):1430-1434.

[2]郭丹,王學民,王瑞云,等. 基于雙目立體視覺的舌重建[J]. 傳感技術學報,2016,29(9):1317-1322.

[3]Ni Jianjun,Wang Chu,Fan Xinnan. A Bioinspired Neural Model Based Extended Kalman Filter for Robot SLAM[J]. Mathematical Problems in Engineering,2014,2014(2014):235-254.

[4]程爭剛,張利. 一種基于無人機位姿信息的航拍圖像拼接方法[J]. 測繪學報,2016,45(6):698-705.

[5]Li J,Zhong R,Hu Q,et al. Feature-Based Laser Scan Matching and Its Application for Indoor Mapping[J]. Sensors,2016,16(8):1265-1286.

[6]張勇,王志鋒,馬文,等. 基于改進SIFT特征點匹配的圖像拼接算法研究[J]. 微電子學與計算機,2016,33(3):60-64.

[7]李海洋,張睿哲. 一種改進的基于SURF特征匹配的圖像拼接算法[J]. 太原理工大學學報,2016,47(1).

[8]張懿,劉藝. 基于FAST特征的快速圖像拼接系統研究[J]. 計算機工程與應用,2016,52(10):167-170.

[9]李玉峰,李廣澤,谷紹湖,等. 基于區域分塊與尺度不變特征變換的圖像拼接算法[J]. 光學精密工程,2016,24(5):1197-1205.

[10]張旭,高佼,王萬國,等. 基于顯著圖的輸電線路桿塔圖像拼接方法[J]. 計算機應用,2015,35(4):1133-1136.

[11]劉建華,劉華平,楊建國,等. 測距式傳感器同時定位與地圖創建綜述[J]. 智能系統學報,2015,10(5):655-662.

[12]韓霜,羅海勇,陳穎,等. 基于TDOA的超聲波室內定位系統的設計與實現[J]. 傳感技術學報,2010,23(3):347-353.

[13]劉金全,蘇明旭,田昌,等. 基于GMRES的超聲過程層析成像算法研究[J]. 傳感技術學報,2013(10):1395-1400.

[14]Santos J M,Couceiro M S,Portugal D,et al. A Sensor Fusion Layer to Cope with Reduced Visibility in SLAM[J]. Journal of Intelligent and Robotic Systems,2015,80(3):401-422.

Research on Mapping the Living Environment of the Wireless SensorNetwork Based on the Low Cost Ultrasonic Sensor Group*

WANGWei1,2*,LILinmao1,WEIDingding1

(1.School of Information and Electrical Engineering,Hebei University of Engineering,Handan Hebei 056038,China;2.Engineering Research Center of Internet of Things Technology Applications of the Ministry of Education,School of Internet of ThingsEngineering,Jiangnan University,Wuxi Jiangsu 214122,China)

In the process of monitoring the environment,the mobile sensor network nodes collect a large number of environment map data with errors,which cause that the environment map quality is low and the real-time performance is poor. In allusion to the problems mentioned above,this paper proposed an algorithm for environmental maps with low cost,lightweight data and multiple network nodes based on the ultrasonic sensor group. Firstly,the ultrasonic measurement data is processed by Gauss filter. Secondly,to construct the partial maps with the processed data and the feature points can be extracted from the single node maps and be matching,and then the fused global map could be obtained. Finally it realized the construction of the sensor network node survival environment. Moreover,it improves the map quality of the sensor network node’s living environment by optimizing the sequence of the sub images stitching,which can reduce the errors of the composition data and the actual environment data.

sensor network;map fusion;mobile node;sub-graph optimization

王 巍(1983-)，男，漢族，博士，副教授，碩士研究生導師，主要研究領域為物聯網理論與技術、人機交互、計算智能，wangwei83@hebeu．edu．cn；李林茂(1989-)，男，漢族，碩士研究生，主要研究領域為物聯網、無線傳感器網，578013849@qq．com。

項目來源:國家自然科學基金資助項目(61402147);河北省自然科學基金項目(F2015402108);河北省教育廳科學研究計劃項目(QN20131152);河北省物聯網數據采集與處理工程技術研究中心開放課題項目;江蘇省博士后科研資助計劃項目(1601085C);邯鄲市科學技術研究與發展計劃項目(1625202042-1)

2016-12-15 修改日期:2017-03-22

TP391

A

1004-1699(2017)08-1258-09

C:7230

10.3969/j.issn.1004-1699.2017.08.022