空間劃分的目標(biāo)圖像識(shí)別與跟蹤技術(shù)

張學(xué)英， 韓廣良

(1. 河北科技師范學(xué)院 職教研究院， 河北 秦皇島 066004；2. 中國科學(xué)院 長(zhǎng)春光學(xué)精密機(jī)械與物理研究所， 吉林 長(zhǎng)春 130000)

空間劃分的目標(biāo)圖像識(shí)別與跟蹤技術(shù)

張學(xué)英1， 韓廣良2

(1. 河北科技師范學(xué)院 職教研究院， 河北 秦皇島 066004；2. 中國科學(xué)院 長(zhǎng)春光學(xué)精密機(jī)械與物理研究所， 吉林 長(zhǎng)春 130000)

針對(duì)多目標(biāo)識(shí)別跟蹤算法中存在的低效率、高能耗，易產(chǎn)生誤檢、漏檢等問題，以跟蹤精確率、能量損耗為評(píng)價(jià)指標(biāo)展開研究.對(duì)目前定位與跟蹤的相關(guān)算法進(jìn)行分析，提出一種基于空間劃分的目標(biāo)圖像識(shí)別與跟蹤算法.利用空間分簇機(jī)制，實(shí)時(shí)收集目標(biāo)的位置信息,同時(shí),建立目標(biāo)丟失與恢復(fù)機(jī)制，顯著提高了目標(biāo)的識(shí)別與跟蹤精度，減少能量損耗.結(jié)果表明:與常規(guī)算法相比，所提算法跟蹤成功率提高了10%左右，并能有效減少能量消耗，具有一定的實(shí)用價(jià)值. 關(guān)鍵詞： 空間劃分； 圖像識(shí)別； 圖像定位； 跟蹤算法； 分簇機(jī)制

物聯(lián)網(wǎng)通過射頻識(shí)別、紅外感應(yīng)器等設(shè)備將現(xiàn)實(shí)世界中的各個(gè)事物聯(lián)系起來，按約定的協(xié)議進(jìn)行信息交換和通信，以實(shí)現(xiàn)對(duì)物品的智能化識(shí)別.物聯(lián)網(wǎng)是互聯(lián)網(wǎng)的延伸和擴(kuò)展，廣泛地應(yīng)用于目標(biāo)識(shí)別與定位跟蹤領(lǐng)域.目前，研究人員提出了許多行之有效的目標(biāo)定位和跟蹤算法.王棟等[1]基于Random ferns的特征描述方法，提出一種采用背景補(bǔ)償引導(dǎo)的動(dòng)態(tài)場(chǎng)景目標(biāo)跟蹤算法，從而解決了在動(dòng)態(tài)場(chǎng)景下進(jìn)行運(yùn)動(dòng)目標(biāo)跟蹤時(shí)易出現(xiàn)誤差累積導(dǎo)致跟蹤失敗的問題.程憲寶[2]提出利用一個(gè)具有群間相互動(dòng)態(tài)信息的多群社會(huì)模型改進(jìn)簡(jiǎn)化群優(yōu)化算法，通過粒子和群的多樣化，引入運(yùn)動(dòng)預(yù)測(cè)到多群的粒子群算法(SSO)，在擁擠的場(chǎng)景中跟蹤多個(gè)目標(biāo)具有更高精度.Yazdian-dehkordi等[3]基于統(tǒng)計(jì)學(xué)理論，提出一種重定義的混合高斯概率密度函數(shù)的多目標(biāo)跟蹤器，利用高斯混合模型擬合重采樣后的粒子分布，提高了目標(biāo)的跟蹤精度.鄭玉鳳等[4]利用顏色特征對(duì)變形不敏感和邊緣特征對(duì)光照、顏色不敏感的特點(diǎn)，提出一種基于顏色和邊緣特征的均值遷移目標(biāo)跟蹤算法，提高了跟蹤算法的魯棒性.王國良等[5]基于粒子濾波理論，提出一種多自由度運(yùn)動(dòng)目標(biāo)的穩(wěn)健跟蹤算法，以實(shí)現(xiàn)復(fù)雜背景下跟蹤視頻序列中的多自由度運(yùn)動(dòng)目標(biāo).通過分析發(fā)現(xiàn)，目前大多數(shù)研究都致力于解決具有一定運(yùn)動(dòng)規(guī)律的目標(biāo)跟蹤問題，若目標(biāo)的運(yùn)動(dòng)軌跡具有不確定性，則識(shí)別和跟蹤的精度將受到很大影響[6-8].針對(duì)這個(gè)問題，本文提出一種空間劃分的目標(biāo)圖像識(shí)別與跟蹤技術(shù).

圖1三邊測(cè)量法 Fig.1 Three sides detection algorithm

1 目標(biāo)識(shí)別與跟蹤的相關(guān)理論

1.1 定位方法

1) 三邊測(cè)量.三邊測(cè)量是一種通過測(cè)量目標(biāo)點(diǎn)和已知點(diǎn)距離確定目標(biāo)位置的過程[9].如果信標(biāo)節(jié)點(diǎn)(坐標(biāo)已知的節(jié)點(diǎn))和目標(biāo)節(jié)點(diǎn)(坐標(biāo)未知的節(jié)點(diǎn))之間的距離可以通過測(cè)量得到，以信標(biāo)節(jié)點(diǎn)為中心，以二者距離為半徑，畫出3個(gè)定位圓，則目標(biāo)節(jié)點(diǎn)的位置即為定位圓之間的交點(diǎn)，如圖1所示.

如果已知A,B,C節(jié)點(diǎn)坐標(biāo)分別為(xA,yA)，(xB,yB)，(xC,yC)，與目標(biāo)節(jié)點(diǎn)D之間的距離是sA,sB,sC，則D(x,y)的坐標(biāo)為

(1)

2) 到達(dá)時(shí)間(TOA)方法.TOA方法是通過信號(hào)的傳輸時(shí)間估計(jì)目標(biāo)節(jié)點(diǎn)和信標(biāo)節(jié)點(diǎn)之間的距離[10-11].在基于 TOA 的定位系統(tǒng)中，使用超聲波信號(hào)作為測(cè)距信號(hào).TOA 定位包括測(cè)量至少3個(gè)信標(biāo)節(jié)點(diǎn)的到達(dá)時(shí)間，然后,使用三角測(cè)量方法計(jì)算目標(biāo)節(jié)點(diǎn)的位置.信標(biāo)節(jié)點(diǎn)和目標(biāo)節(jié)點(diǎn)之間的距離為

(2)

圖2 場(chǎng)景指紋定位法Fig.2 Scene fingerprint location algorithm

3) 場(chǎng)景指紋定位.場(chǎng)景指紋定位主要用于確定每個(gè)節(jié)點(diǎn)的信號(hào)被接收的方式，包括離線階段和在線階段兩部分，如圖2所示.在離線階段，測(cè)量移動(dòng)目標(biāo)在不同位置上的信號(hào)強(qiáng)度，并把收集到的信號(hào)強(qiáng)度值及相應(yīng)的位置坐標(biāo)存儲(chǔ)于數(shù)據(jù)庫.在在線階段，移動(dòng)目標(biāo)收集來自其信號(hào)作用范圍內(nèi)的信標(biāo)節(jié)點(diǎn)的信號(hào)強(qiáng)度值，然后，把這些信息發(fā)送給服務(wù)器,服務(wù)器使用相應(yīng)的算法估計(jì)移動(dòng)目標(biāo)的位置.

1.2 定位算法評(píng)價(jià)標(biāo)準(zhǔn)

1) 定位精度.定位精度是衡量算法有效性的指標(biāo)，目標(biāo)節(jié)點(diǎn)的預(yù)測(cè)位置與實(shí)際位置越接近，定位精度越高，通常用平均定位誤差與節(jié)點(diǎn)通信半徑的比值表示[12]，即

(3)

式(3)中：μ為定位誤差；m,m′為定位結(jié)果與未知結(jié)果；n為未知節(jié)點(diǎn)個(gè)數(shù)；R為節(jié)點(diǎn)的通信半徑.

2) 能耗與成本.受硬件條件影響，傳感網(wǎng)絡(luò)的壽命是其必須面對(duì)的一個(gè)難題，所以在設(shè)計(jì)傳感網(wǎng)絡(luò)算法的時(shí)候，必須考慮能耗這個(gè)影響因素.能耗過高，壽命減小，使網(wǎng)絡(luò)成本增加，定位的價(jià)值下降.

3) 錨節(jié)點(diǎn)密度.錨節(jié)點(diǎn)在所有節(jié)點(diǎn)中所占的比例稱為錨節(jié)點(diǎn)密度.錨節(jié)點(diǎn)通常由人工部署或全球定位系統(tǒng)(GPS)自動(dòng)獲取位置信息.一般而言，錨節(jié)點(diǎn)數(shù)量越多，定位效果越好.然而，錨節(jié)點(diǎn)數(shù)量的增加也會(huì)使網(wǎng)絡(luò)的開銷和成本增加.因此，在設(shè)計(jì)錨節(jié)點(diǎn)密度時(shí)，必須根據(jù)實(shí)際情況設(shè)定.

1.3 跟蹤方法

1) 信息驅(qū)動(dòng)協(xié)作跟蹤算法[13-14].該算法是一種基于預(yù)測(cè)機(jī)制的目標(biāo)跟蹤算法，其工作原理為：節(jié)點(diǎn)在探測(cè)信息的同時(shí),接收其他節(jié)點(diǎn)發(fā)來的信息，由此判斷和預(yù)測(cè)目標(biāo)可能運(yùn)動(dòng)的方向;然后，將判斷結(jié)果傳給目標(biāo)可能前進(jìn)方向上的節(jié)點(diǎn)，喚醒該節(jié)點(diǎn)準(zhǔn)備參與下一階段的跟蹤任務(wù)，如圖3所示.圖3中：圓形區(qū)域表示某節(jié)點(diǎn)的探測(cè)范圍，箭頭表示目標(biāo)行進(jìn)軌跡.當(dāng)目標(biāo)位置變化時(shí)，總有一個(gè)節(jié)點(diǎn)在目標(biāo)的附近對(duì)其進(jìn)行實(shí)時(shí)定位跟蹤.當(dāng)目標(biāo)前進(jìn)時(shí)，該節(jié)點(diǎn)會(huì)將信息傳遞給相鄰的某個(gè)節(jié)點(diǎn)，將其喚醒，繼續(xù)對(duì)目標(biāo)進(jìn)行跟蹤.由此可見，在整個(gè)網(wǎng)絡(luò)上，只有少量的節(jié)點(diǎn)參與對(duì)目標(biāo)的識(shí)別與跟蹤任務(wù)，從而減小網(wǎng)絡(luò)的能源消耗，節(jié)約成本.

2) 傳送樹跟蹤算法.該算法通過局部信息交換實(shí)現(xiàn)目標(biāo)的跟蹤，其工作原理為：當(dāng)節(jié)點(diǎn)監(jiān)測(cè)到目標(biāo)以后，在一定范圍內(nèi)，通過特定的選舉算法，選舉出一個(gè)樹根節(jié)點(diǎn)，由其構(gòu)造出傳送樹;然后，由樹根結(jié)點(diǎn)向其他節(jié)點(diǎn)傳送目標(biāo)運(yùn)動(dòng)信息.在傳送樹中的其他節(jié)點(diǎn)會(huì)按一定周期給根節(jié)點(diǎn)發(fā)送跟蹤信息，樹根節(jié)點(diǎn)將收到的信息進(jìn)行數(shù)據(jù)融合處理，并將處理結(jié)果發(fā)送到匯聚節(jié)點(diǎn).當(dāng)目標(biāo)運(yùn)動(dòng)時(shí)，傳送樹內(nèi)部節(jié)點(diǎn)會(huì)發(fā)生變化，那些距離目標(biāo)越來越遠(yuǎn)的節(jié)點(diǎn)不斷被刪除，同時(shí)，喚醒新節(jié)點(diǎn)加入傳送樹，如圖4 所示.傳送樹跟蹤算法能保證對(duì)目標(biāo)的高效跟蹤，大大減少通信開銷.

圖3 信息驅(qū)動(dòng)協(xié)作跟蹤算法 圖4 傳送樹跟蹤算法Fig.3 Information driven cooperation tracking algorithm Fig.4 Dilivery tree tracking algorithm

2 目標(biāo)圖像識(shí)別與定位跟蹤技術(shù)

目前，常見的目標(biāo)識(shí)別與跟蹤技術(shù)大多針對(duì)二維平面場(chǎng)景，且存在算法復(fù)雜、高能耗、精度低等問題，當(dāng)目標(biāo)路線不規(guī)律時(shí)，跟蹤丟失率大大增加[15-16].對(duì)于三維目標(biāo)跟蹤算法的研究還處于起步階段，成果較少.基于此，在三維應(yīng)用場(chǎng)景環(huán)境下，提出一種基于空間劃分的目標(biāo)圖像識(shí)別與跟蹤算法.

2.1 空間分簇機(jī)制

能耗是目標(biāo)定位與跟蹤算法的一個(gè)重要指標(biāo)，因此，設(shè)計(jì)一種高效的節(jié)點(diǎn)協(xié)作管理機(jī)制是減少能耗的最有效途徑.只讓少數(shù)檢測(cè)到目標(biāo)的節(jié)點(diǎn)參與跟蹤過程，讓其他沒有檢測(cè)到目標(biāo)的節(jié)點(diǎn)進(jìn)入休眠狀態(tài)，從而最大限度降低網(wǎng)絡(luò)的能耗，節(jié)約成本，延長(zhǎng)系統(tǒng)壽命.基于這個(gè)目標(biāo)，提出一種空間分簇機(jī)制，其基本理念是對(duì)網(wǎng)絡(luò)中的所有節(jié)點(diǎn)進(jìn)行分組，各節(jié)點(diǎn)根據(jù)相鄰關(guān)系自動(dòng)組織成簇;然后，通過一定的算法選舉出簇頭，用以協(xié)調(diào)組內(nèi)節(jié)點(diǎn)間的信息融合及傳遞.簇成員負(fù)責(zé)執(zhí)行跟蹤任務(wù)，將監(jiān)測(cè)到的目標(biāo)位置信息實(shí)時(shí)傳送給簇頭節(jié)點(diǎn)，簇頭節(jié)點(diǎn)收集簇成員發(fā)送過來的監(jiān)測(cè)目標(biāo)信息，并進(jìn)行加工融合處理.簇頭由各個(gè)簇成員節(jié)點(diǎn)之間隨機(jī)輪流擔(dān)當(dāng)，以此平衡簇間能量的消耗，延長(zhǎng)整個(gè)簇的生命周期.通過這種空間分簇機(jī)制可大大縮短信息的傳輸路徑，進(jìn)而降低通信能耗，達(dá)到網(wǎng)絡(luò)節(jié)能的目的.

圖5 節(jié)點(diǎn)工作模式轉(zhuǎn)換圖Fig.5 Node work-mode transformation

2.2 工作模式

空間分簇算法中各節(jié)點(diǎn)都包括睡眠、跟蹤和通信3種工作模式.睡眠模式中，所有模塊功能均關(guān)閉，只能通過自身定時(shí)器喚醒，此時(shí)，沒有能量消耗；通信模式中，感知模塊關(guān)閉，通信模塊處于待機(jī)狀態(tài)，可被其他節(jié)點(diǎn)喚醒；跟蹤模式中，通信、感知等模塊均開啟，節(jié)點(diǎn)處于跟蹤與傳輸信息狀態(tài).3種工作模式可相互轉(zhuǎn)換，如圖5所示.

在基于空間劃分的目標(biāo)定位與跟蹤開始階段，探測(cè)任務(wù)將由邊界簇頭擔(dān)任，普通簇頭處于通信模式，簇頭可以隨時(shí)對(duì)其喚醒.當(dāng)有目標(biāo)進(jìn)入網(wǎng)絡(luò)后，邊界簇頭會(huì)立即發(fā)現(xiàn)目標(biāo)并進(jìn)行識(shí)別，同時(shí)，開始節(jié)點(diǎn)睡眠調(diào)度，為后續(xù)跟蹤提供保障.此時(shí)，其他組內(nèi)的節(jié)點(diǎn)都處于睡眠模式，并按一定周期蘇醒，向簇頭發(fā)出信息，詢問是否有跟蹤任務(wù)，若有，則轉(zhuǎn)為通信模式，若無，則繼續(xù)睡眠.

2.3 目標(biāo)丟失與恢復(fù)機(jī)制

通常移動(dòng)目標(biāo)的運(yùn)動(dòng)狀態(tài)并不完全固定，運(yùn)動(dòng)方向、運(yùn)動(dòng)速度可能會(huì)發(fā)生突然變化，導(dǎo)致目標(biāo)脫離當(dāng)前的監(jiān)控區(qū)域，如圖6所示.由圖6可知：網(wǎng)絡(luò)節(jié)點(diǎn)預(yù)測(cè)目標(biāo)的運(yùn)動(dòng)方向向右，但目標(biāo)的實(shí)際運(yùn)動(dòng)方向變成了右下方，這種情況即目標(biāo)丟失.為了重新找到目標(biāo)，基于空間劃分的物聯(lián)網(wǎng)目標(biāo)定位與跟蹤算法提出相應(yīng)的目標(biāo)恢復(fù)機(jī)制.當(dāng)目標(biāo)進(jìn)入?yún)^(qū)域2時(shí)，根據(jù)軌跡預(yù)測(cè)目標(biāo)進(jìn)入?yún)^(qū)域 3，區(qū)域3內(nèi)的簇頭首先發(fā)起探測(cè)，發(fā)現(xiàn)目標(biāo)沒有進(jìn)入該區(qū)域，則發(fā)出信號(hào)激活周邊范圍內(nèi)的簇頭，進(jìn)行探測(cè)，此時(shí)，區(qū)域6內(nèi)的簇頭發(fā)現(xiàn)目標(biāo)，目標(biāo)恢復(fù)，則通知其他簇頭休眠，重新開始跟蹤過程，如圖7所示.

圖6 目標(biāo)丟失 圖7 目標(biāo)恢復(fù) Fig.6 Object loss Fig.7 Object restoration

3 仿真分析

為了驗(yàn)證空間劃分識(shí)別與跟蹤算法的效果，以跟蹤準(zhǔn)確率(η)和能耗(W)為評(píng)價(jià)指標(biāo)，在Matlab 環(huán)境下進(jìn)行仿真分析.建立100 m×100 m×100 m的正方體空間模擬環(huán)境，作為對(duì)目標(biāo)的定位與跟蹤區(qū)域.在該區(qū)域內(nèi)，按一定距離部署500個(gè)傳感器節(jié)點(diǎn)，每個(gè)節(jié)點(diǎn)的通信半徑均設(shè)定為8 m.假設(shè)目標(biāo)的移動(dòng)沒有固定的模式，移動(dòng)速度與移動(dòng)方向完全隨機(jī).為了驗(yàn)證算法的有效性，與傳統(tǒng)跟蹤方法進(jìn)行對(duì)比，結(jié)果如圖8，9所示.

圖8 跟蹤準(zhǔn)確率對(duì)比曲線 圖9 能量消耗對(duì)比曲線 Fig.8 Tracking accuracy comparison curve Fig.9 Energy loss comparison curve

由圖8,9可知：由于空間劃分算法采用聯(lián)合簇頭機(jī)制,減少了轉(zhuǎn)換過程中可能出現(xiàn)的目標(biāo)丟失現(xiàn)象，在提高定位精度的同時(shí)，使跟蹤準(zhǔn)確率有所提高，與普通算法相比，跟蹤成功率提高了10%左右.同時(shí)，由于目標(biāo)丟失的次數(shù)減少，所以相對(duì)普通算法更節(jié)省能量消耗.

4 結(jié)束語

目標(biāo)定位與跟蹤技術(shù)是許多應(yīng)用的基礎(chǔ)，由于目標(biāo)的運(yùn)動(dòng)狀態(tài)具有隨機(jī)性，規(guī)律難以捕捉，給識(shí)別精度與跟蹤準(zhǔn)確率帶來難度.文中對(duì)目標(biāo)識(shí)別與跟蹤的方法進(jìn)行了深入分析，并對(duì)相應(yīng)的評(píng)價(jià)指標(biāo)進(jìn)行探討，提出一種基于空間劃分的目標(biāo)識(shí)別與定位跟蹤算法，該算法以空間分簇為機(jī)制，以睡眠、跟蹤和通信為主要工作模式，對(duì)目標(biāo)進(jìn)行聯(lián)合跟蹤.仿真結(jié)果表明：與普通跟蹤算法相比，基于空間分簇目標(biāo)識(shí)別與跟蹤算法具有更高的跟蹤準(zhǔn)確率和較小的能量消耗，達(dá)到設(shè)計(jì)預(yù)想，可為目標(biāo)識(shí)別與跟蹤技術(shù)的研究提供參考.

[1] 王棟，朱虹，康凱，等.基于背景補(bǔ)償引導(dǎo)的動(dòng)態(tài)場(chǎng)景下目標(biāo)跟蹤算法[J].儀器儀表學(xué)報(bào)，2014,35(6):1433-1440.

[2] 程憲寶.基于多群互動(dòng)簡(jiǎn)化群優(yōu)化的多目標(biāo)跟蹤算法[J].計(jì)算機(jī)工程，2016,42(3):1-7.

[3] YAZDIAN-DEHKORDI M,AZIMIFAR Z.Adaptivevisual target detection and tracking using weakly supervised incremental appearance learning and RGM-PHD tracker[J].Visual Commum Image,2015,35(2):1-11.

[4] 鄭玉鳳，馬秀榮，趙曉琳，等.基于顏色和邊緣特征的均值遷移目標(biāo)跟蹤算法[J].光電子激光，2011,22(8):1231-1235.

[5] 王國良，劉金國.基于粒子濾波的多自由度運(yùn)動(dòng)目標(biāo)跟蹤[J].光學(xué)精密工程，2011,19(4):864-869.

[6] GRANSTROM K,ORGUNER U.On spawning and combination of extended/group targets modeled with random matrices[J].IEEE Transactions on Signal Processing,2013,61(3):678-692.

[7] 王秉，王子衡.非高斯噪聲背景下計(jì)算機(jī)視覺目標(biāo)跟蹤方法[J].華僑大學(xué)學(xué)報(bào)(自然科學(xué)版)，2016,37(6):774-777.

[8] 錢志鴻,朱爽,王雪.基于分簇機(jī)制的ZigBee 混合路由能量?jī)?yōu)化算法[J].計(jì)算機(jī)學(xué)報(bào),2013,36(3):485-493.

[9] YAN Zhai,YEARY M B.A new centralized sensor fusion tracking methodology based on particle filtering for power aware systems[J].IEEE Transactions on Instrumentation and Measurement,2008,57(10):2377-2387.

[10] PENG Bao,GU Xuemai,DING Bo.Localization algorithm based on sector scan for mobile wireless sensor networks[J].Applied Mathematics and Information Sciences，2012,6(1):99-103.

[11] 鄒永艷，張衍志.WSN 中視覺輔助方案結(jié)合TI CC2431 ZPS 平臺(tái)的跟蹤定位方法[J].電信科學(xué)，2016，32(9):68-74.

[12] 李珂,李醒飛,楊帆.IMM-UKF算法在兩坐標(biāo)雷達(dá)/光電融合跟蹤系統(tǒng)的改進(jìn)與應(yīng)用[J].激光與光電子學(xué)進(jìn)展，2016，53(12):12250.

[13] HE Tian,VICAIRE P,YAN Ting,et al.Achieving long-term surveillance in vigil net[J].ACM Transactions on Sensor Networks,2009,5(1):1-12.

[14] 田豐,郭巍,劉曉露,等.基于自適應(yīng)抗差濾波的WSNs節(jié)點(diǎn)跟蹤算法[J].傳感技術(shù)學(xué)報(bào),2011,24(1):100-105.

[15] 黃建新.室外場(chǎng)景下目標(biāo)分割和目標(biāo)識(shí)別算法[J].華僑大學(xué)學(xué)報(bào)(自然科學(xué)版)，2005,26(4):353-355.

[16] 陳寶全,毛永毅.小波分析法解決無線定位跟蹤問題[J].電信科學(xué),2013,29(10):98-102.

(責(zé)任編輯： 錢筠 英文審校： 吳逢鐵)

Target Image Recognition and Tracking Technology Based on Space Partition

ZHANG Xueying1, HAN Guangliang2

(1. Institute of Vocational Education， Hebei Normal University of Science and Technology, Qinhuangdao 066004, China；2. Changchun Institute of Optics, Fine Mechanics and Physics, Chinese Academy of Sciences, Changchun 130000， China)

Considering multi-object tracking algorithm exists some problem such as low efficiency, high energy loss, easy error-detection and loss dectection, we take the tracking accuracy and energy loss as the evaluation index to develop research. Based on the analysis of the current localization and tracking algorithms, a new method of object localization and tracking algorithm based on space partition is proposed, which uses the spatial clustering mechanism to collect the target location information in real time. At the same time, the object loss and restoration mechanism is established. It can improve the tracking accuracy and reduce the energy loss significantly. The simulation results show that compared with the common algorithm, the tracking success rate in our is increased by 10%, and the energy consumption is decreased effectively in this algorithm effective, and it has application value. Keywords： space partition; image recognition; image location; tracking algorithm; clustering mechanism

10.11830/ISSN.1000-5013.201702023

2017-02-14

張學(xué)英(1971-)，女，講師，博士，主要從事多媒體與計(jì)算機(jī)應(yīng)用技術(shù)的研究.E-mail:tszxy@126.com.

國家自然科學(xué)基金資助項(xiàng)目(61172111)

TP 391

A

1000-5013(2017)02-0257-05