基于不可靠節(jié)點序列和面感知路由的目標(biāo)跟蹤*

曾國定，李超良，2，王國軍*

(1.中南大學(xué)信息科學(xué)與工程學(xué)院，長沙 410083;2.湖南商學(xué)院計算機與電子工程系，長沙 410205)

隨著傳感器技術(shù)、微機電系統(tǒng)、無線通信和現(xiàn)代網(wǎng)絡(luò)等技術(shù)的飛速發(fā)展，無線傳感器網(wǎng)絡(luò)(wireless sensor net works，WSN)應(yīng)運而生。無線傳感器網(wǎng)絡(luò)是由大量的集成了傳感、數(shù)據(jù)收集、處理和無線通信能力的小體積、低成本的傳感器節(jié)點構(gòu)成的無線自組織網(wǎng)絡(luò)，其目的是協(xié)作地感知、采集和處理網(wǎng)絡(luò)覆蓋的地理區(qū)域內(nèi)感知對象的信息，并傳送給需要這些信息的用戶［1］。由于無線傳感器網(wǎng)絡(luò)具有低成本、自組織、體積小和布撒靈活等特性，因此在軍事偵察、環(huán)境信息檢測、空間探索、農(nóng)業(yè)生產(chǎn)、醫(yī)療健康監(jiān)護、建筑與家居、工業(yè)生產(chǎn)控制、交通控制以及商業(yè)等領(lǐng)域有著廣闊的應(yīng)用前景［2－3］。

基于無線傳感器網(wǎng)絡(luò)的目標(biāo)跟蹤是無線傳感器網(wǎng)絡(luò)中應(yīng)用研究的重點和熱點之一。目標(biāo)跟蹤在軍事和民用上都有著廣泛的應(yīng)用，這些應(yīng)用小到娛樂，大到關(guān)系人的生命安全，如機器人足球、犯罪分子的跟蹤、消防中的救援、生物學(xué)上的動物跟蹤、軍事上的作戰(zhàn)等。目標(biāo)跟蹤需要傳感器網(wǎng)絡(luò)根據(jù)結(jié)點的偵測信息判斷目標(biāo)是否出現(xiàn);如果目標(biāo)出現(xiàn)，需要在一定時間內(nèi)判斷出目標(biāo)的運動軌跡，這就要求傳感器結(jié)點對偵測數(shù)據(jù)進行處理，根據(jù)不同的任務(wù)需求和有限資源選擇合適的算法來對目標(biāo)進行定位，并且通過網(wǎng)絡(luò)中的多個結(jié)點協(xié)同工作、交換偵測信息共同確定目標(biāo)的運動軌跡，并將跟蹤結(jié)果發(fā)送給網(wǎng)絡(luò)用戶。目前國內(nèi)外在這方面的研究非常多，已有的目標(biāo)跟蹤算法都存在各自的優(yōu)點和不足，如何以最低的能量代價實現(xiàn)高質(zhì)量的目標(biāo)跟蹤一直是各種算法追求的核心問題，然而這個目標(biāo)卻很難實現(xiàn)，因為若要提高目標(biāo)跟蹤精度，必然要融合更多節(jié)點的數(shù)據(jù)，這就會帶來較高的能量開銷;而若要節(jié)省能量，就只能在有限范圍內(nèi)進行通信和計算，那么跟蹤精度就會受到影響。

文獻［4］提出了一個比較新穎的想法，即基于節(jié)點序列的跟蹤模式，根據(jù)節(jié)點監(jiān)測到目標(biāo)的時間長短形成節(jié)點序列，并把該節(jié)點序列同事先劃分網(wǎng)絡(luò)形成的節(jié)點序列表進行匹配，從而把求解跟蹤路徑問題轉(zhuǎn)化為求圖中最短路徑問題，每條最短路徑匹配一個節(jié)點序列。該方法有效減少了節(jié)點間傳送數(shù)據(jù)量，從而大大降低了通信能量損耗，但方法中提取的節(jié)點序列是不可靠的，而且在節(jié)點數(shù)目達到一定數(shù)量后算法復(fù)雜度會顯著提高。本文在文獻［4］的基礎(chǔ)上結(jié)合文獻［5］做進一步改進，在面感知路由的基礎(chǔ)上利用基于節(jié)點序列的定位算法來跟蹤目標(biāo)，既達到了減少網(wǎng)絡(luò)中數(shù)據(jù)傳輸量的目的，同時也保證把算法的復(fù)雜度控制在一定范圍內(nèi)。

在無線傳感器的目標(biāo)跟蹤中，最早提出的跟蹤算法為Nai’ve［6］。該算法使感應(yīng)區(qū)域內(nèi)的所有傳感器節(jié)點一直處于激活狀態(tài)，保持對區(qū)域的監(jiān)視。文獻［7］提出的跟蹤算法則是基于預(yù)測的思想，對目標(biāo)下一可能位置進行線性預(yù)測，并且激活相應(yīng)的信標(biāo)節(jié)點，同時目標(biāo)離開感應(yīng)區(qū)則自動進入睡眠狀態(tài)。文獻［8］研究了層次型WSN目標(biāo)跟蹤的特點，首先加入了雙層預(yù)測機制。文獻［9］提出了DCTC算法，使用一個護衛(wèi)樹來跟蹤目標(biāo)，其中護衛(wèi)樹由一個根節(jié)點和其他的圍繞在目標(biāo)周圍的節(jié)點組成。文獻［10］提出了一種自適應(yīng)的目標(biāo)跟蹤算法，通過設(shè)置一定的權(quán)值來控制節(jié)點的狀態(tài)。文獻［11］則提出了一種被動紅外目標(biāo)跟蹤技術(shù)算法，采用紅外線來定位和跟蹤目標(biāo)。文獻［12］提出了基于監(jiān)視節(jié)點和后備節(jié)點的目標(biāo)跟蹤協(xié)議，能對移動目標(biāo)進行高效的跟蹤和提高目標(biāo)跟蹤協(xié)議的容錯性。

1 相關(guān)定義及網(wǎng)絡(luò)模型

1.1 節(jié)點狀態(tài)定義及轉(zhuǎn)換

本文中傳感器節(jié)點設(shè)定三個狀態(tài):活動狀態(tài)、睡眠狀態(tài)、蘇醒狀態(tài)。圖1為節(jié)點狀態(tài)轉(zhuǎn)換圖。當(dāng)節(jié)點處于睡眠狀態(tài)時，將關(guān)閉所有功能;當(dāng)節(jié)點處于活動狀態(tài)時，它可以偵測目標(biāo)、接收和傳輸數(shù)據(jù);當(dāng)節(jié)點在蘇醒狀態(tài)下，節(jié)點將開啟偵測、接收功能，可以接收其他節(jié)點發(fā)過來的請求和喚醒信息。網(wǎng)絡(luò)中所有節(jié)點都周期性處于睡眠和蘇醒狀態(tài)。如果某個節(jié)點在蘇醒狀態(tài)下偵測到其周圍有目標(biāo)出現(xiàn)，它將自身狀態(tài)轉(zhuǎn)換為活躍同時向其周圍節(jié)點發(fā)送喚醒信息，鄰居節(jié)點收到喚醒信息后將也進入活動狀態(tài)，參與跟蹤;如果蘇醒周期內(nèi)沒有偵測到目標(biāo)，則在蘇醒周期結(jié)束后自動進入睡眠狀態(tài)。在活躍狀態(tài)的節(jié)點如果發(fā)現(xiàn)目標(biāo)丟失或者目標(biāo)已經(jīng)離開自己的偵測區(qū)域，節(jié)點將轉(zhuǎn)入睡眠狀態(tài)。

圖1 節(jié)點狀態(tài)轉(zhuǎn)換圖

1.2 網(wǎng)絡(luò)模型

假定在歐幾里德平面上存在一個由n個節(jié)點組成的集合V，網(wǎng)絡(luò)模型給出如下假設(shè):①被跟蹤的對象，即目標(biāo)，位于傳感器網(wǎng)絡(luò)中，可能是入侵者、運動中的野生動物、蔓延的火情或運動車輛等;②節(jié)點要時間同步，隨機地分布在一個二維的平面上，且節(jié)點能量有限，具有全向的監(jiān)測及通訊能力;③節(jié)點能發(fā)送廣播信號，其他節(jié)點收到該廣播信號后會發(fā)送確認(rèn)信號;④傳感器布撒以后，所有節(jié)點都能與其鄰居節(jié)點通訊，在GPS定位系統(tǒng)和其直接鄰居的合作下，節(jié)點能知道其所有的鄰居節(jié)點;⑤傳感器網(wǎng)絡(luò)同構(gòu)、能量有限，對于所有的節(jié)點來說，監(jiān)測時的能量消耗是一樣的;⑥目標(biāo)如果被一個節(jié)點監(jiān)測到，一段時間后又被另一個節(jié)點監(jiān)測到，則認(rèn)為是同一個目標(biāo)。

1.3 面感知路由

為了避免節(jié)點序列劃分時節(jié)點數(shù)目過多的問題，采用結(jié)合面感知路由的方法，即一種基于地理信息的平面路由策略，這是第一個不需要包副本，也不需要存儲過去的路由信息的路由策略，同時還可以有效避免無線傳感器網(wǎng)絡(luò)中容易形成的“黑洞”和“關(guān)鍵路徑”問題。面感知路由需要首先將網(wǎng)絡(luò)平面化，傳感器網(wǎng)絡(luò)可以通過兩個著名的分布式平面化協(xié)議Gabriel Graph(GG)和Relative Neighborhood Graph(RNG)來平面化。如果G=(V，E)表示一個圖，u和v是屬于集合V的傳感器節(jié)點，如果這兩個節(jié)點處于兩者的通訊范圍內(nèi)，則在節(jié)點u和v之間有一條邊uv，如果以uv為直徑的圓內(nèi)沒有其他節(jié)點，則把邊uv稱為Gabriel edge，如果一個圖G中只包含Gabriel edges，則該圖為 Gabriel Graph(GG)，如圖2(a)所示。反之，如圖2(b)所示，以uv為直徑的圓內(nèi)有其他節(jié)點w，則邊uv將在平面化的過程中被刪除。在GG和RNG圖中，我們可以得到一個連接的且具有較少邊的平面子圖G'=(V，E')。

圖2 Gabriel Graph

圖3為一個平面網(wǎng)絡(luò)的例子，在平面網(wǎng)絡(luò)圖中，沒有交叉邊。如果一個圖中任何兩條邊都沒有交叉邊，并且是無向的，就可以稱這樣的圖為平面圖。平面圖由面構(gòu)成，面是由多邊構(gòu)成的一個封閉的區(qū)間，如式(1)所示:

一般來說，在多維的空間中，GG連接空間中球的直徑的兩個端點，如式(2)所示:

圖3 平面網(wǎng)絡(luò)圖

1.4 基于不可靠節(jié)點序列的網(wǎng)絡(luò)劃分

如圖4(a)所示，對于一個給定的且知道地理位置節(jié)點1和節(jié)點2，整個區(qū)域?qū)⒈粌蓚€節(jié)點連線的垂直平分線Div(1，2)劃分為兩個部分，位于Div(1，2)下的灰色區(qū)域中的點到節(jié)點1的距離都比到節(jié)點2的距離近，而位于Div(1，2)上的白色區(qū)域中的點到節(jié)點2的距離則更近。通過這樣的劃分，整個區(qū)域中的每一個點可以通過到節(jié)點1和2的距離的遠近排列的節(jié)點序列來表示，如圖中灰色區(qū)域就可以用節(jié)點序列(1，2)來表示。相應(yīng)的整個區(qū)域被劃分為兩個面，分別對應(yīng)兩個節(jié)點序列f1:Sf1=(1，2)和f2:Sf2=(2，1)。圖4(b)中列舉了三個節(jié)點時的劃分情況，可以看到每一個區(qū)域都對應(yīng)一個唯一的由三個節(jié)點形成的節(jié)點序列。如果在一個區(qū)域內(nèi)有n個節(jié)點，采用節(jié)點序列劃分方法，該區(qū)域?qū)⒈粍澐殖?n個小區(qū)域，每一個區(qū)域都可以對應(yīng)一個唯一的由這n個節(jié)點形成的節(jié)點序列。因此網(wǎng)絡(luò)中節(jié)點數(shù)目增加時，這種劃分方法所形成的節(jié)點序列的復(fù)雜度也會明顯的增長，所以必須把劃分區(qū)域的節(jié)點數(shù)量控制在一定范圍內(nèi)。

圖4 網(wǎng)絡(luò)劃分

對于給定的節(jié)點序列S1和S2，定義節(jié)點序列距離SD(S1，S2)為S1和S2中置換的節(jié)點對數(shù)。如圖2(b)所示，f1和f2兩個區(qū)域?qū)?yīng)的節(jié)點序列分別為Sf1=(1，2，3)和Sf2=(2，1，3)，在Sf1和Sf2中，有一對節(jié)點置換過來，即(1，2)?(2，1)，因此SD(Sf1，Sf2)=1。依此類推，Sf1和Sf3有兩對節(jié)點置換，因此SD(Sf1，Sf3)=2。具體節(jié)點序列間距離的計算算法采用EKT［4］算法進行匹配，找出節(jié)點序列距離最小的匹配序列進行定位。

當(dāng)目標(biāo)進入偵測區(qū)域后，節(jié)點根據(jù)偵測到目標(biāo)的時間長短形成一個偵測節(jié)點序列，隨著目標(biāo)的不斷移動時，會形成一系列偵測節(jié)點序列，監(jiān)測目標(biāo)的節(jié)點把這些偵測信息發(fā)送到基站，基站把這些偵測節(jié)點序列與劃分網(wǎng)絡(luò)時形成的節(jié)點序列進行匹配，找到序列距離最小的匹配序列，即可把目標(biāo)該時刻的位置定位于匹配序列所對應(yīng)區(qū)域的幾何中心。通過這一系列的匹配，這一系列偵測節(jié)點序列可以一一對應(yīng)一個幾何中心，這些幾何中心就可以構(gòu)成跟蹤目標(biāo)路徑。

本文將不可靠節(jié)點序列和面感知路由結(jié)合在一起，不僅繼承了節(jié)點序列劃分的優(yōu)點，同時有效控制節(jié)點序列劃分中節(jié)點的數(shù)目。如圖5所示，將圖3中的平面網(wǎng)絡(luò)圖采用節(jié)點序列劃分方法進行進一步劃分。由于平面網(wǎng)絡(luò)圖中構(gòu)成每一個面的節(jié)點數(shù)目是有限的，因此可以對平面網(wǎng)絡(luò)圖中的每一個面都分別采取節(jié)點序列劃分的方法進行劃分，由于構(gòu)成每一個面的節(jié)點數(shù)目是有限的，因此劃分時候節(jié)點序列長度都控制在了一定范圍內(nèi)，基于節(jié)點序列劃分的算法復(fù)雜度也得到了有效控制。劃分完成后，采用不規(guī)則多邊形的質(zhì)心算法將每一個區(qū)域的質(zhì)心計算出來，形成一個全網(wǎng)絡(luò)的節(jié)點序列表，與跟蹤目標(biāo)得到的節(jié)點序列進行匹配，達到定位的目的。

圖5 平面網(wǎng)絡(luò)劃分圖

2 目標(biāo)跟蹤

無線傳感器網(wǎng)絡(luò)部署成功后，網(wǎng)絡(luò)中的節(jié)點周期性處于睡眠和蘇醒狀態(tài)，當(dāng)某個節(jié)點ni在蘇醒狀態(tài)下偵測到有目標(biāo)進入其偵測區(qū)域時，它把自身的狀態(tài)轉(zhuǎn)變?yōu)榛钴S狀態(tài)，并發(fā)出喚醒包喚醒所偵測目標(biāo)所在面Fi中其他節(jié)點參與跟蹤。Fi中節(jié)點根據(jù)收到信號的時間長短形成一個節(jié)點序列，將形成的節(jié)點序列與劃分網(wǎng)絡(luò)時的節(jié)點序列匹配，根據(jù)匹配結(jié)果找到對應(yīng)的多邊形的質(zhì)心作為目標(biāo)該時刻所在位置。

發(fā)現(xiàn)和定位目標(biāo)之后，還需要跟蹤目標(biāo)?？紤]到無線傳感器網(wǎng)絡(luò)能量有限，算法采用基于預(yù)測的方案。根據(jù)當(dāng)前偵測到的目標(biāo)的運動方向和速度，對目標(biāo)的下一步運動進行預(yù)判，我們需要提前喚醒它即將進入的下一個面中的節(jié)點，做好跟蹤準(zhǔn)備。圖6顯示了一次跟蹤過程。假設(shè)在T時刻有目標(biāo)在F1中。節(jié)點n1是所有能偵測到目標(biāo)的節(jié)點中離目標(biāo)最近并最先發(fā)現(xiàn)目標(biāo)的節(jié)點，節(jié)點n1發(fā)現(xiàn)目標(biāo)后會將目標(biāo)所在面F1中的所有節(jié)點喚醒參與跟蹤。如圖6(a)所示，節(jié)點n1在偵測狀態(tài)下發(fā)現(xiàn)目標(biāo)進入跟蹤區(qū)域，n1轉(zhuǎn)變自身為活躍狀態(tài)并發(fā)送喚醒信息給所在面F1中的其他節(jié)點n2、n3、n4，這些節(jié)點收到喚醒信息后也將轉(zhuǎn)入活躍狀態(tài)參與跟蹤。而在T+1 時刻，目標(biāo)有可能會進入 F2、F3、F4、F5中，距離目標(biāo)最近的節(jié)點n1根據(jù)收集到的目標(biāo)運動方向和速度對目標(biāo)下一步運動進行預(yù)測，提前喚醒目標(biāo)即將進入的面中的節(jié)點。如圖3－7(b)所示，假設(shè)目標(biāo)在T+1時刻進入的是F4，節(jié)點n1就給離自己最近的F4中節(jié)點n4發(fā)送消息，讓其提前喚醒F4中的節(jié)點n5、n6來參與跟蹤。目標(biāo)離開F1后，F(xiàn)1中節(jié)點將其收到的偵測到目標(biāo)所需時間發(fā)送給離基站最近節(jié)點，該節(jié)點收集到所有信息后，根據(jù)時間長短形成一個節(jié)點序列發(fā)送到基站，基站采用節(jié)點序列匹配算法EKT對目標(biāo)進行定位。基于不可靠節(jié)點序列和面感知路由的跟蹤Target tracking based on Node Sequences and Face Strategy(NSFS)算法如算法1所示。

圖6 跟蹤示意圖

算法1:NSFS

圖7則為一個采用該算法計算出來的相對完整的跟蹤實例。根據(jù)圖中所示的跟蹤路徑來看，雖然和目標(biāo)的實際運動路徑存在一定的誤差，但還是具有一定的跟蹤精度。

圖7 跟蹤移動目標(biāo)

3 模擬分析

能量問題是目標(biāo)跟蹤中考慮得最多的問題。為了有效計算節(jié)點的能耗，下面將對本章中所采用的耗能模型進行介紹。節(jié)點的能量消耗主要為通信能量消耗，因此主要設(shè)計節(jié)點的通信能量模型，如公式

1所示，ET表示節(jié)點每發(fā)送一個包的數(shù)據(jù)所消耗的能量，這部分能量消耗主要包括發(fā)射電路損耗和功率放大損耗。

其中，ET-elec表示發(fā)射電路損耗的能量，d為兩個節(jié)點間的距離?？紤]到無線網(wǎng)絡(luò)通信時信號隨著距離增加而衰減，給節(jié)點的距離設(shè)置一個閾值d0，當(dāng)傳輸距離小于閾值時，采用自由空間模型，當(dāng)傳輸距離大于等于閾值時，采用多路徑衰減模型。而節(jié)點每接收一個包的數(shù)據(jù)消耗能量為

ER-elec包含是傳輸電路和接收電路消耗的能量。

模擬實驗中，傳感器節(jié)點隨機部署，建立了一個200 m×200 m的基本網(wǎng)絡(luò)。所有節(jié)點的初始能量為50 J。依據(jù)目標(biāo)運動模型，目標(biāo)節(jié)點速度為2 m/s～20 m/s。時間建模為一個離散變量，所有的傳感器節(jié)點時間同步。從每個傳感器節(jié)點的能量消耗以及目標(biāo)跟蹤時整個時間的角度來研究算法的性能。設(shè)計多個實驗評價不同參數(shù)對該協(xié)議的性能影響，這些參數(shù)包括目標(biāo)速度、距離、方向和節(jié)點的數(shù)目。具體參數(shù)如表1所示。

模擬實驗采取引入目標(biāo)移動方向的概率模型來對目標(biāo)的移動速度和方向的變動進行考慮。根據(jù)圖8所示，NSFS協(xié)議和不可靠節(jié)點序列的在節(jié)點數(shù)目比較小時，平均能耗相差無幾，但隨著節(jié)點數(shù)目增加，NSFS協(xié)議明顯比不可靠節(jié)點序列的平均能耗明顯要低。由于不可靠節(jié)點序列算法在節(jié)點數(shù)目較多時算法復(fù)雜度太高，對運行實驗的硬件要求很高，因此在實驗中只節(jié)點數(shù)目最高只設(shè)置到了90個。如圖9所示。在模擬實驗中，將目標(biāo)移動速度從5 m/s提高至20 m/s，可以看出，NSFS協(xié)議的能耗比DOT和基于泛洪的跟蹤算法節(jié)點的平均能耗明顯要少，主要是因為在NSFS算法中，由于網(wǎng)絡(luò)中通信數(shù)據(jù)量大大減少，因此通信所消耗的能量也大大減少。為了能對算法中包開銷的總數(shù)進行對比，通過計算路由維護，目標(biāo)跟蹤以及信息交換包，如請求信息和響應(yīng)信息，得到包開銷的數(shù)目。結(jié)果如圖10所示。從實驗結(jié)果來看，在目標(biāo)速度比較小的時候，TF比DOT，甚至是NSFS協(xié)議的包開銷都要少。但當(dāng)目標(biāo)的移動速度增大時，它的包開銷就會急劇增大。在目標(biāo)速度很大時，NSFS的性能比其他的都要好。當(dāng)目標(biāo)的速度增大時，與DOT協(xié)議相比，NSFS協(xié)議的包開銷逐漸增大。在目標(biāo)丟失率上，平均丟失率由總的丟失率估算得到，總的丟失率產(chǎn)生在實驗的不同階段，基于目標(biāo)跟蹤節(jié)點的感應(yīng)半徑，定義為節(jié)點沒有探測到移動目標(biāo)的百分率。如圖11所示，相比移動目標(biāo)的移動方式是隨機的DOT協(xié)議，NSFS算法具有較小的丟失率，因為NSFS算法中傳感器節(jié)點是在較小的感應(yīng)范圍內(nèi)相互協(xié)作探測目標(biāo)。

表1 模擬參數(shù)表

圖8 不同節(jié)點數(shù)目時的平均能量消耗

圖9 節(jié)點平均能量消耗

圖10 不同目標(biāo)速度下的包開銷

圖11 目標(biāo)丟失率

4 結(jié)束語

本文提出一種基于不可靠節(jié)點序列和面感知路由的目標(biāo)跟蹤算法，該算法同其他跟蹤算法相比，由于減少了網(wǎng)絡(luò)中數(shù)據(jù)的傳輸量，因此在能量節(jié)約方面具有較大優(yōu)勢。但是犧牲了一定的跟蹤精度，未來還需要在這方面提出改進，同時可以考慮把該算法擴展至三維空間。

［1］韓紅彥，張西紅，張曉.無線傳感器網(wǎng)絡(luò)研究［J］.科學(xué)技術(shù)與工程，2007，7(8):1701－1706.

［2］馬祖長，孫怡寧，梅濤，無限傳感器網(wǎng)絡(luò)綜述［J］.通信學(xué)報，2004，25(4):114－123.

［3］孫利民，李建中.無線傳感器網(wǎng)絡(luò)［M］.北京:清華大學(xué)出版社.

［4］Ziguo Zhong，Ting Zhu，Dan Wang，et al.Tracking with Unreliable Node Sequences［C］//IEEE INFOCOM 2009:1215－1223.

［5］H-W Tsai，C-P Chu，T-S Chen.Mobile Object Tracking in Wireless Sensor Networks［J］.Computer Communications(Elsevier)，2007，30:1811－1825.

［6］D Mc Erlean，S Narayanan.Distributed Detection and Tracking in Sensor Networks［C］//Signals，Systems and Computers，2002.Conference Record of the Thirty-Sixth Asilomar Conference on，2002，2:1174－1178.

［7］He Tian，Huang Chengdu，Blum BM.Range-Free Localization Schemes in Large Scale Sensor Networks［C］//MobiCom，2003:81－95.

［8］黃侖，徐昌慶.無線傳感器網(wǎng)絡(luò)目標(biāo)跟蹤機制的研究與改進［J］.計算機工程與應(yīng)用，2006，42(16):140－142，149.

［9］Wensheng Zhang，Guohong Cao，DCTC:Dynamic Convey Tree-Based Collaboration for Target Tracking in Sensor Networks［J］.IEEE Transactions on Wireless Communications，2004，11(5):1689－1701.

［10］彭勇，王國軍，邢蕭飛.無線傳感器網(wǎng)絡(luò)中一種自適應(yīng)目標(biāo)跟蹤協(xié)議［J］.傳感技術(shù)學(xué)報，2009，22(3):427－432.

［11］王森，陳穎文，徐明，等.無線傳感器網(wǎng)絡(luò)被動紅外目標(biāo)跟蹤技術(shù)研究［J］.傳感技術(shù)學(xué)報，2008，21(11):1929－1934.

［12］Md.Zakirul Alam Bhuiyan，Guojun Wang，Jie Wu.Target Tracking with Monitor and Backup Sensors in Wireless Sensor Networks［C］//ICCCN，2009，8:1－6.