基于移動Sink的自組織視頻傳感網(wǎng)絡(luò)目標(biāo)跟蹤算法*

盧旭，劉軍，袁飛

（廣東技術(shù)師范學(xué)院自動化學(xué)院，廣州510665）

基于移動Sink的自組織視頻傳感網(wǎng)絡(luò)目標(biāo)跟蹤算法*

盧旭*，劉軍，袁飛

（廣東技術(shù)師范學(xué)院自動化學(xué)院，廣州510665）

基于自組織視頻傳感網(wǎng)絡(luò)的目標(biāo)跟蹤方法利用節(jié)點(diǎn)的分布式觀測能力，實(shí)現(xiàn)目標(biāo)的精確跟蹤。在研究視頻節(jié)點(diǎn)觀測投射模型和通信模型的基礎(chǔ)上，提出一種基于移動Sink的自組織視頻傳感網(wǎng)絡(luò)目標(biāo)跟蹤算法MSTTA。該算法包括感知信息聚合和目標(biāo)位置評估兩個(gè)部分，利用節(jié)點(diǎn)分類機(jī)制周期性地更新網(wǎng)絡(luò)拓?fù)湟赃m應(yīng)Sink位置的變化，根據(jù)目標(biāo)運(yùn)動狀態(tài)預(yù)測目標(biāo)位置的評估節(jié)點(diǎn)小組。仿真實(shí)驗(yàn)表明，MSTTA算法能夠適應(yīng)Sink移動帶來的網(wǎng)絡(luò)拓?fù)渥兓?，具有較高的目標(biāo)跟蹤精度。

視頻傳感網(wǎng)絡(luò)；目標(biāo)跟蹤；數(shù)據(jù)聚合；移動Sink

EEACC：6150doi：10.3969/j.issn.1004-1699.2016.09.023

傳統(tǒng)無線傳感器網(wǎng)絡(luò)由大量具有通信能力的傳感器節(jié)點(diǎn)構(gòu)成［1］，自組織視頻傳感網(wǎng)絡(luò)ACSN（Ad-Hoc Camera Sensor Networks）是其中特殊的一種，其由大量具有一定通信能力的可以觀測感知環(huán)境的視頻節(jié)點(diǎn)組成，可以實(shí)現(xiàn)細(xì)粒度、精準(zhǔn)信息的圖像信息采集和目標(biāo)跟蹤［2-3］，在環(huán)境、交通、軍事、建筑及其他商業(yè)領(lǐng)域中具有廣闊的應(yīng)用前景。

在面向目標(biāo)跟蹤應(yīng)用的自組織視頻傳感網(wǎng)絡(luò)中，為提高跟蹤的精度、速度和廣度，視頻傳感節(jié)點(diǎn)通常利用相互通信來實(shí)現(xiàn)分布式跟蹤，節(jié)點(diǎn)間通過各種不同視角的目標(biāo)信息的交換和融合，再經(jīng)過綜合運(yùn)算獲得目標(biāo)的移動軌跡信息［4］。在視頻傳感網(wǎng)絡(luò)目標(biāo)跟蹤算法中，當(dāng)前已有的研究成果大都是基于固定Sink完成的。Alaei等［5］基于固定Sink提出一種高能效的視頻傳感網(wǎng)絡(luò)協(xié)同節(jié)點(diǎn)管理算法，該算法中基于節(jié)點(diǎn)的視野重疊感知區(qū)域設(shè)計(jì)了一種新型節(jié)點(diǎn)分簇方法。Alberto等［6］提出一種基于分簇的視頻傳感網(wǎng)絡(luò)目標(biāo)跟蹤算法，包含觀測數(shù)據(jù)整合、簇成員選取和簇頭輪換等三個(gè)步驟。Tezcan等［7］提出一種通過調(diào)整視頻傳感節(jié)點(diǎn)的觀測方向來最優(yōu)化覆蓋質(zhì)量的檢測算法，該算法通過調(diào)整視頻節(jié)點(diǎn)的觀測方向來減小障礙物對目標(biāo)檢測的影響。Ercan等［8］研究了在傳感器網(wǎng)絡(luò)框架下的多視頻節(jié)點(diǎn)最優(yōu)化部署及面向單目標(biāo)跟蹤的節(jié)點(diǎn)最優(yōu)集選取問題。蔣一波等［9］分析可旋轉(zhuǎn)的視頻傳感器節(jié)點(diǎn)有向感知模型，定義了最小旋轉(zhuǎn)角度的移動目標(biāo)K級覆蓋問題并給出了對應(yīng)的數(shù)學(xué)描述，提出一種基于移動目標(biāo)軌跡預(yù)測的分布式貪心K級覆蓋算法。

以上視頻傳感網(wǎng)絡(luò)節(jié)點(diǎn)調(diào)度及目標(biāo)跟蹤算法均在固定Sink的網(wǎng)絡(luò)模型下實(shí)現(xiàn)，算法性能和應(yīng)用有一定局限性。Shaw等［10］在移動Sink環(huán)境下研究了視頻傳感網(wǎng)絡(luò)的多目標(biāo)跟蹤問題，基于節(jié)點(diǎn)分簇機(jī)制提出了針對目標(biāo)跟蹤的節(jié)點(diǎn)調(diào)度模型，并對單個(gè)和多個(gè)移動目標(biāo)時(shí)的目標(biāo)跟蹤精度進(jìn)行了分析比較，結(jié)果顯示所提出算法對目標(biāo)的跟蹤精度較低。本文擬提出一種基于移動Sink的自組織視頻傳感網(wǎng)絡(luò)目標(biāo)跟蹤MSTTA（Mobile Sink based Target Tracking for ACSN）算法，采用節(jié)點(diǎn)分類機(jī)制和預(yù)測評估節(jié)點(diǎn)小組的方法，提高目標(biāo)跟蹤精度和效率。本文的算法支持移動sink，算法復(fù)雜度較低，是一種能夠快速適應(yīng)拓?fù)渥兓聂敯簟⒏咝У乃惴?，在大?guī)模節(jié)點(diǎn)和移動sink的網(wǎng)絡(luò)應(yīng)用中具有高能效和低開銷的特點(diǎn)。

1　網(wǎng)絡(luò)模型

1.1節(jié)點(diǎn)觀測投射模型

本文采用的視頻傳感節(jié)點(diǎn)觀測投射模型參考文獻(xiàn)［11］中的模型，如圖1所示。

圖1　視頻節(jié)點(diǎn)投射模型

假設(shè)所有節(jié)點(diǎn)和目標(biāo)均分布在一個(gè)平面上，圖中Li（t）與視頻節(jié)點(diǎn)對目標(biāo)的觀測坐標(biāo)的關(guān)系為：

其中F為視頻傳感節(jié)點(diǎn)的焦距，θi為節(jié)點(diǎn)鏡頭相對于坐標(biāo)X軸的角度，（xi，yi）為視頻傳感節(jié)點(diǎn)的坐標(biāo)，兩個(gè)視頻傳感節(jié)點(diǎn)同時(shí)觀測到目標(biāo)即可確定目標(biāo)坐標(biāo)（xt，yt）。

1.2通信模型

我們的目標(biāo)定位和跟蹤算法要求適應(yīng)Sink移動的環(huán)境，還要求對目標(biāo)檢測有快速響應(yīng)，實(shí)時(shí)反饋目標(biāo)位置以達(dá)到跟蹤目的。因此，我們提出的通信模型應(yīng)該是一個(gè)綜合性的、多層次的結(jié)構(gòu)。本文采用的通信模型如圖2所示。

視頻傳感節(jié)點(diǎn)的通信棧的物理層和MAC層采用IEEE 802.15.4標(biāo)準(zhǔn)［12］，無線通信損耗的計(jì)算采用自由空間損耗模型。我們提出的MSTTA算法設(shè)置在通信棧的應(yīng)用層中，由于信道擁塞是影響低帶寬環(huán)境下網(wǎng)絡(luò)通信性能的主要因素，因此MSTTA算法在本文通信模型中還兼?zhèn)淞艘恍┚W(wǎng)絡(luò)層的路由功能，以適應(yīng)Sink移動帶來的拓?fù)渥兓?。因此?yīng)用層又包含兩個(gè)子層：數(shù)據(jù)聚合子層和目標(biāo)定位子層，分別用于感知信息的聚合和目標(biāo)位置的評估。

圖2　通信模型

2　MSTTA算法描述

2.1感知信息聚合

在信息感知階段，采用多跳方式傳輸數(shù)據(jù)，我們將一個(gè)節(jié)點(diǎn)的鄰居節(jié)點(diǎn)分為3類：上級節(jié)點(diǎn)、同級節(jié)點(diǎn)和下級節(jié)點(diǎn)。上級節(jié)點(diǎn)指相對于該節(jié)點(diǎn)離Sink的距離更近即到Sink的跳數(shù)更少的節(jié)點(diǎn)，同級節(jié)點(diǎn)指到Sink的跳數(shù)相等的節(jié)點(diǎn)，下級節(jié)點(diǎn)指到Sink的跳數(shù)更多的節(jié)點(diǎn)。

每個(gè)節(jié)點(diǎn)都維護(hù)一張節(jié)點(diǎn)類型列表，列表中的數(shù)據(jù)根據(jù)監(jiān)聽各節(jié)點(diǎn)發(fā)送的廣播信息中的跳數(shù)來更新。Sink節(jié)點(diǎn)通過發(fā)送路由請求信息來更新節(jié)點(diǎn)的路由信息，節(jié)點(diǎn)中存儲的數(shù)據(jù)的結(jié)構(gòu)為：＜Sink請求序號，跳數(shù)，下一跳，上級節(jié)點(diǎn)［］，同級節(jié)點(diǎn)［］，下級節(jié)點(diǎn)［］＞，Sink的路由請求包的結(jié)構(gòu)為：＜Sink請求序號，跳數(shù)，生存時(shí)間，源節(jié)點(diǎn)＞，其中生存時(shí)間表示該信息的有效傳播時(shí)間。

MSTTA算法執(zhí)行數(shù)據(jù)聚合的具體步驟如下：

①Sink生成第一條信息向全網(wǎng)廣播，各節(jié)點(diǎn)接收到廣播信息后分別生成指向sink節(jié)點(diǎn)的路徑的向量組。由于Sink節(jié)點(diǎn)是移動的，其必須周期性地發(fā)送路由請求信息來更新各節(jié)點(diǎn)的路由信息，其發(fā)送頻率和Sink的移動速度成正比。移動速度越快，路由信息變化也越快，因此需要更快的發(fā)送頻率。之后每次收到Sink的路由請求信息后，所有節(jié)點(diǎn)都生成并存儲自己的跳數(shù)值、收到的最后的Sink請求信息的序號以及鄰居節(jié)點(diǎn)的級別信息。Sink的路由請求信息中請求序號是逐次增加的，生存時(shí)間預(yù)先設(shè)定。

②處理完Sink發(fā)來的路由請求信息后，所有節(jié)點(diǎn)將有條件地重新廣播這些消息，以更新跳數(shù)和序號。具體運(yùn)行方式是：如果請求信息序號大于或等于當(dāng)前節(jié)點(diǎn)中的序號，則比較請求信息和節(jié)點(diǎn)信息中的跳數(shù)，如果前者較小，節(jié)點(diǎn)根據(jù)Sink的請求信息更新自身的跳數(shù)和下一跳，然后為避免產(chǎn)生沖突在一個(gè)隨機(jī)延時(shí)后重新發(fā)送路由請求信息；如果請求信息中的源節(jié)點(diǎn)是當(dāng)前節(jié)點(diǎn)的上級節(jié)點(diǎn)，則將當(dāng)前節(jié)點(diǎn)的下一跳和跳數(shù)更新為請求信息的下一跳和跳數(shù)，然后在一個(gè)隨機(jī)延時(shí)后重發(fā)路由請求信息；如果當(dāng)前節(jié)點(diǎn)中的下一跳和請求信息中的下一跳不相同，但其跳數(shù)和請求信息中的跳數(shù)相等，則將節(jié)點(diǎn)的下一跳更新為請求信息中的下一跳，并將請求信息中的生存時(shí)間置1，限制該信息的傳播時(shí)間，然后再等待一個(gè)隨機(jī)延時(shí)后重發(fā)該信息。除滿足上述條件外，其他情況均丟棄路由請求信息，即當(dāng)前節(jié)點(diǎn)不改變自身數(shù)據(jù)。

③當(dāng)?shù)竭_(dá)某節(jié)點(diǎn)的連接連續(xù)失敗5次以上，則移除該節(jié)點(diǎn)的路由記錄，然后從下級和同級節(jié)點(diǎn)列表中選擇所有可能的下一跳節(jié)點(diǎn)，再從中挑選出一個(gè)到Sink的跳數(shù)最少的節(jié)點(diǎn)，然后該節(jié)點(diǎn)生成一個(gè)廣播消息，把新的跳數(shù)和下一跳廣播給鄰居節(jié)點(diǎn)。如果沒有有效的下一跳節(jié)點(diǎn)存在，為了避免資源浪費(fèi)，該節(jié)點(diǎn)將停止發(fā)送數(shù)據(jù)直到Sink再次刷新路由信息。

2.2目標(biāo)位置評估

本文假設(shè)視頻傳感節(jié)點(diǎn)在正方形平面感知區(qū)域內(nèi)隨機(jī)稠密分布，網(wǎng)絡(luò)覆蓋率達(dá)100%，唯一的Sink節(jié)點(diǎn)和目標(biāo)均在感知區(qū)域內(nèi)隨機(jī)運(yùn)動，如圖3所示。

圖3　網(wǎng)絡(luò)分布圖

MSTTA算法支持單目標(biāo)定位跟蹤，信息聚合采用前文所述方法，通過各視頻傳感節(jié)點(diǎn)上傳的報(bào)告，每一個(gè)報(bào)告都包含一個(gè)唯一的序列號，組成目標(biāo)位置評估數(shù)據(jù)組，數(shù)據(jù)組中節(jié)點(diǎn)報(bào)告的目標(biāo)位置不斷更新，從而實(shí)現(xiàn)目標(biāo)定位。目標(biāo)位置評估步驟如圖4所示。

圖4　目標(biāo)位置評估步驟

首先，所有視頻傳感節(jié)點(diǎn)監(jiān)測目標(biāo)在感知區(qū)域中出現(xiàn)的位置，一旦有節(jié)點(diǎn)檢測到目標(biāo)出現(xiàn)則立刻廣播全網(wǎng)，開始執(zhí)行初始化程序，創(chuàng)建第1個(gè)目標(biāo)位置評估數(shù)據(jù)組，通過視頻節(jié)點(diǎn)的觀測投射模型來評估目標(biāo)狀態(tài)。

從第2組起，所有位置評估數(shù)據(jù)組都通過計(jì)算分成若干分組，每個(gè)分組由兩個(gè)可監(jiān)控到目標(biāo)的視頻節(jié)點(diǎn)組成。選取其中到Sink的跳數(shù)和最小的一個(gè)分組，利用該分組來計(jì)算目標(biāo)的位置、速度和方向，位置依然由節(jié)點(diǎn)觀測投射模型來確定，速度通過當(dāng)前位置與前一個(gè)分組評估位置之間的距離以及兩個(gè)小組采樣時(shí)間之差來確定，方向由當(dāng)前位置與前一個(gè)小組評估位置的坐標(biāo)關(guān)系確定。

通過位置、速度和方向，評估下一輪目標(biāo)可能出現(xiàn)的位置，從而預(yù)測下一輪的評估節(jié)點(diǎn)小組。再根據(jù)預(yù)測評估節(jié)點(diǎn)小組的實(shí)際觀測情況，調(diào)整實(shí)際小組，確定目標(biāo)位置，由此生成目標(biāo)的跟蹤軌跡。該算法既能準(zhǔn)確跟蹤目標(biāo)，又能有效減少不必要能耗。

由于MSTTA算法在程序上至多執(zhí)行基本的遍歷及迭代操作，因此算法的時(shí)間復(fù)雜度和空間復(fù)雜度均較低。

3　仿真結(jié)果與分析

我們采用VC++設(shè)計(jì)一個(gè)網(wǎng)絡(luò)模擬平臺，在該平臺上進(jìn)行實(shí)驗(yàn)評估MSTTA算法的目標(biāo)跟蹤性能。默認(rèn)實(shí)驗(yàn)參數(shù)如表1所示。本文采用的圖像處理方法參考文獻(xiàn)［13］中的方法，是一種基于FPGA的適用于無線視頻傳感網(wǎng)絡(luò)的圖像壓縮方法。

表1　默認(rèn)實(shí)驗(yàn)參數(shù)

3.1評估組

依照上述實(shí)驗(yàn)參數(shù)通過仿真實(shí)驗(yàn)后，得出的目標(biāo)跟蹤軌跡和視頻傳感節(jié)點(diǎn)評估組選取情況如圖5所示。由圖5可看出，節(jié)點(diǎn)評估組整體情況合理，評估組節(jié)點(diǎn)選取受Sink位置的影響，靠近Sink的節(jié)點(diǎn)成為評估節(jié)點(diǎn)的概率更大，由此可有效節(jié)約網(wǎng)絡(luò)能量。

圖5　節(jié)點(diǎn)評估組情況

3.2跟蹤精度

為了評估算法對移動目標(biāo)的跟蹤精度，我們設(shè)計(jì)兩種不同類型的目標(biāo)移動線路，分別是直線和曲線，其目標(biāo)跟蹤情況分別如圖6（a）、6（b）所示。

圖6　目標(biāo)跟蹤精度

由圖6可看出，算法整體目標(biāo)定位效果較好，相比于目標(biāo)移動路線為曲線，在目標(biāo)移動路線為直線時(shí)其目標(biāo)跟蹤精度更高，這是由于MSTTA算法對直線運(yùn)動目標(biāo)的評估和預(yù)測更準(zhǔn)確。我們將上述直線和曲線實(shí)驗(yàn)分別重復(fù)10次，在每次實(shí)驗(yàn)過程中依據(jù)時(shí)間取14個(gè)固定采樣點(diǎn)，計(jì)算每一次實(shí)驗(yàn)過程中采樣點(diǎn)的平均絕對誤差，為作比較，我們對文獻(xiàn)［10］中提出的基于分簇的目標(biāo)跟蹤算法（以下簡稱CTTA）進(jìn)行同樣實(shí)驗(yàn)，其結(jié)果如圖7所示。可以看出，MSTTA算法在目標(biāo)直線移動時(shí)的整體目標(biāo)跟蹤精度上比曲線移動時(shí)的目標(biāo)跟蹤精度高出40%左右，而相對于CTTA算法，MSTTA算法的目標(biāo)跟蹤精度平均高出50%左右。

圖7　目標(biāo)跟蹤誤差

3.3Sink速度的影響

我們將Sink的移動速度分別取4個(gè)不同值：2 m/s、3 m/s、4 m/s和5 m/s，測試Sink移動速度對MSTTA算法的目標(biāo)跟蹤精度的影響，誤差取值方式和圖7相同，Sink移動采用隨機(jī)運(yùn)動方式，目標(biāo)移動采用直線運(yùn)動方式，結(jié)果如圖8所示。

圖8　不同Sink速度下的跟蹤誤差

由圖8可見，不同Sink移動速度下目標(biāo)跟蹤精度的平均值均相近，由此可知Sink移動速度的變化對目標(biāo)跟蹤精度的影響很小，這是由于MSTTA算法采用了三級節(jié)點(diǎn)的數(shù)據(jù)聚合方式，且路由更新速度和Sink移動速度成正比，使其路由形成不受Sink位置和速度的影響，具有較好的自適應(yīng)性，因此MSTTA算法是一種對基于移動Sink的視頻傳感網(wǎng)絡(luò)具有良好適用性和魯棒性的目標(biāo)跟蹤算法。

3.4目標(biāo)速度的影響

我們將目標(biāo)的移動速度改變，也分別取4個(gè)不同值：2 m/s、3 m/s、4 m/s、5 m/s，其他參數(shù)采用初始默認(rèn)值，測試目標(biāo)移動速度對跟蹤精度的影響，目標(biāo)移動采用直線和曲線兩種方式，結(jié)果如圖9（a）、9（b）所示。

可見，在目標(biāo)是直線運(yùn)動的情況下，目標(biāo)移動速度對跟蹤精度的影響很小，基本可以忽略不計(jì)。但在目標(biāo)曲線運(yùn)動的情況下，目標(biāo)移動速度對精度的影響相對較大，目標(biāo)速度越大，跟蹤精度越低。這是由于目標(biāo)曲線移動時(shí)，其運(yùn)動速度越大，MSTTA算法對視頻傳感節(jié)點(diǎn)評估分組的預(yù)測準(zhǔn)確性越低，從而導(dǎo)致跟蹤精度下降。

圖9　不同目標(biāo)速度下的跟蹤誤差

4　結(jié)論和展望

本文對基于移動Sink的自組織視頻傳感網(wǎng)絡(luò)目標(biāo)跟蹤算法進(jìn)行研究，提出一種有效的網(wǎng)絡(luò)通信模型，利用跨層設(shè)計(jì)思想在算法中實(shí)現(xiàn)了網(wǎng)絡(luò)路由和目標(biāo)跟蹤功能。實(shí)驗(yàn)結(jié)果表明所提出算法對Sink移動帶來的網(wǎng)絡(luò)拓?fù)渥兓哂辛己眠m應(yīng)性，對于不同移動速度和方向的目標(biāo)也能夠精確跟蹤，尤其在目標(biāo)沿直線運(yùn)行時(shí)，算法的目標(biāo)跟蹤精度基本不受Sink和目標(biāo)的移動速度變化的影響。

本項(xiàng)目組目前在研發(fā)帶視頻傳感和通信功能的移動節(jié)點(diǎn)，采用輪式機(jī)器人作為自主移動裝置，下一步將在實(shí)際網(wǎng)絡(luò)環(huán)境下研究和驗(yàn)證基于移動Sink的目標(biāo)跟蹤算法。

［1］陳東海，李長庚.基于簇頭功能分化的無線傳感器網(wǎng)絡(luò)成簇算法［J］.傳感技術(shù)學(xué)報(bào)，2015，28（2）：244-248.

［2］Liu X.A Survey on Wireless Camera Sensor Networks［M］//Fron?tier and Future Development of Information Technology in Medi?cine and Education.Springer Netherlands，2014：1085-1094.

［3］Serik M R，Kaddour M.Optimizing Deployment Cost in Camera-Based Wireless Sensor Networks［J］.Ifip Advances in Information &Communication Technology，2015，456：454-464.

［4］Wang Y，Wang D，F(xiàn)ang W.Automatic Node Selection and Target Tracking in Wireless Camera Sensor Networks［J］.Computers& Electrical Engineering，2014，40（2）：484-493.

［5］Alaei M，Barcelo-Ordinas J M.A Collaborative Node Management Scheme for Energy-Efficient Monitoring in Wireless Multimedia Sensor Networks［J］.Wireless Networks，2013，19（19）：639-659.

［6］Alberto D S B，Ramiro M D D J，Ollero A.Efficient Cluster-Based Tracking Mechanisms for Camera-Based Wireless Sensor Net?works［J］.Mobile Computing IEEE Transactions on，2015，14：1820-1832.

［7］Tezcan N，Wang W.Self-Orienting Wireless Multimedia Sensor Networks for Occlusion-Free Viewpoints［J］.Computer Networks，2008，52（13）：2558-2567.

［8］Ercan A O，Yang D B，Gamal A E，et al.Optimal Placement and Selection of Camera Network Nodes for Target Localization［M］// Distributed Computing in Sensor Systems.Springer Berlin Heidel?berg，2006：389-404.

［9］蔣一波，陳瓊，王萬良，等.視頻傳感器網(wǎng)絡(luò)中基于移動目標(biāo)軌跡預(yù)測的K級覆蓋增強(qiáng)算法［J］.傳感技術(shù)學(xué)報(bào)，2014，27（7）：956-963.

［10］Shaw W，He Y，Lee I.Mobile Sink to Track Multiple Targets in Wireless Visual Sensor Networks［C］//International Symposium on Ubiquitous Multimedia Computing.2008：51-56.

［11］Liu L，Zhang X，Ma H.Localization-Oriented Coverage in Wire?less Camera Sensor Networks［J］.Wireless Communications IEEE Transactions on，2011，10（2）：484-494.

［12］Ahmed A A，Latiff A，F(xiàn)isal N.Real-Time Routing Protocol with Load Distribution in Wireless Sensor Network Based on IEEE 802.11 and IEEE 802.15.4［J］.Jurnal Teknologi，2014，47（1）.

［13］Kaddachi M L，Makkaoui L，Soudani A，et al.FPGA-Based Image Compression for Low-Power Wireless Camera Sensor Networks［C］//International Conference on Next Generation Networks& Services.2011：68-71.

盧旭（1986-），男，工學(xué)博士，副教授，主要研究方向?yàn)闊o線傳感器網(wǎng)絡(luò)、物聯(lián)網(wǎng)，bruda@126.com；

劉軍（1986-），男，工學(xué)博士，講師，主要研究方向?yàn)槲锫?lián)網(wǎng)、無線傳感器網(wǎng)絡(luò)，liujun7700@163.com；

袁飛（1984-），男，工學(xué)博士，講師，主要研究方向?yàn)闊o線傳感器網(wǎng)絡(luò)，eric_f_y@foxmail.com。

Mobile Sink Based Target Tracking Algorithm for Ad-Hoc Camera Sensor Networks*

LU Xu*，LIU Jun，YUAN Fei
（College of Automatization，Guangdong Polytechnic Normal University，Guangzhou 510665，China）

Target tracking based on Ad-hoc Camera Sensor Networks using the distributing observed function of nodes to track targets accurately.Based on the model analysis of camera sensor perspective projection and communi?cation，a Mobile Sink based Target Tracking algorithm for Ad-hoc Camera Sensor Networks（MSTTA）is proposed.There are two parts in the algorithm：sensor data gathering and target location evaluating，which using nodes classify?ing scheme to update the network topology periodically for the change of Sink’s location，and forecasting target loca?tion evaluating group of nodes according to the target’s status of motion.Experiment results show that the proposed MSTTA algorithm can adapt to the change of network topology caused by mobile Sink，and tracks the target accurately.

camera sensor networks；target tracking；data gathering；mobile Sink

TP393

A

1004-1699（2016）09-1430-05

項(xiàng)目來源：廣東省科技計(jì)劃項(xiàng)目（2015A010103014，2015A070710022）；廣東普通高校青年創(chuàng)新人才項(xiàng)目（2014KQNCX178）

2016-03-13修改日期：2016-05-17