专利名称：一种基于复合传感器自组网的运动目标分类识别方法
技术领域：
本发明属于自组织传感器网络系统的应用业务方面，涉及目标识别与自组网的应 用技术，尤其涉及一种采用复合传感器自组网系统的运动目标分类识别方法。
背景技术：
传感器网络是近几年来国内外研究和应用非常热门的领域，在国民经济建设和国 防军事上具有十分重要的应用价值。微电子技术、计算技术和无线通信技术的进步，推动了 低功耗多功能传感器的快速发展，使得在微小体积内能集成信息采集、数据处理和无线通 信等多种功能。传感器网络通常是由部署在监测区域内大量的廉价微型传感器节点组成， 通过无线通信方式形成的一个多跳、自组织的网络系统，目的是协作地感知、采集和处理网 络覆盖区域中感知对象的信息，并发送给观察者。传感器网络在军事国防、工农业控制、城市管理、生物医疗、环境监测、抢险救灾、 反恐、危险区域远程控制等诸多领域具有十分广阔的应用前景。传感器、感知对象和观察者 构成传感器网络的三个要素。传感器网络将逻辑上的信息世界与客观的物理世界融合在一 起，正在改变人类与自然界的交互方式，通过传感器网络直接感知客观世界，扩展了现有网 络的功能和人类认识世界的能力。在无线网络向自组织、泛在化、复合性发展的过程中，应用终端始终是网络互通和 融合的关键，终端业务技术为网络提供了丰富多彩的应用功能。从自组网的功能来看，每个 传感器节点都具有信息采集和路由的双重功能，除了进行本地信息收集和处理外，还存储、 管理和融合其它节点转发过来的数据，与其它节点协作完成一些特定任务。如果通信环境 或者其它因素发生变化，导致传感器网络的某个或部分节点失效时，先前借助它们传输数 据的其它节点则自动重新选择路由，保证在网络出现故障时能够实现自动愈合，这是自组 网的典型特征。探测与识别运动目标是传感器网络的终端业务功能之一。目标分类识别就是通过 分析和处理目标的特征信号，将目标归为事先划定的某一类型。基本做法通常是在样本训 练集的基础上确定某个判决规则，使按该规则对被识别对象进行分类所造成的错误识别率 最小。规则式分类方法比神经网络、遗传算法等智能优化方法具有较小的计算量，便于计算 机程序的快速执行，实时输出结果。当前使用的目标识别方法主要包括基于图像、感应线圈、微波、声音等方式。基于 图像的目标识别率可达到90%，但基于图像的目标识别的局限性，在于系统特性受到环境 和光线的影响较大。有些目标识别方案的安装成本和维护费用较高，不利于大范围使用。基 于传感器网络的目标识别方案提供了非常灵活的节点布置结构，系统能便携化和有利于大 规模部署。本发明提供的方法属于典型的规则式分类方法，具有计算量小、能量消耗低、实时 性强的特点。这种目标分类识别方案采用磁阻和微震动传感器组成复合探测终端，协作地 感知和识别运动目标，避免单种传感器探头采集信息的片面性。通过自组网方式将分类识
4别的结果，进行网络内传输至基站控制中心。近年来随着微型传感器测量精度的不断提高，通过提取目标数据的特征量，可以 分析目标的属性。运动目标识别技术具有重要的应用价值和意义，譬如它是交通规划和管 理部门的重要信息来源，目标类型的信息可以给高速公路容量预测提供正确的评估。在军 事上这是侦察获取情报的一种重要手段，用于识别关键路段上的运动目标类型，为战场目 标的探测和自动识别提供新的途径。它的优点在于可以弥补传统侦察设备存在的体积大、 易被敌人发现等缺陷，迅速地为警戒分队提供战场感知信息。
发明内容
本发明的目的是提供一种基于复合式微型传感器网络系统的地面运动目标分类 识别方法，特点是计算量小，实时性好，分类的目标类型多。本发明的特征在于通过对地面运动目标产生的磁阻和微震动信号进行采集，结 合自组网系统的通信功能，完成目标分类识别任务。图1是基于复合传感器自组网平台的运动目标分类识别系统的组织结构图。根据 该图所示，整个系统由数据采集组件、自组网通信组件、目标分类识别组件、电源管理组件、 后台管理组件构成。传感器网络节点的硬件研制，包括探测节点和接收控制节点(即网关汇聚节点) 两个电路板的设计。探测节点用于感知目标和预处理采集到的数据；接收控制节点负责发 送控制命令、接收探测节点发送来的数据，以及存储显示监测结果。由各向异性磁阻和微震动传感器探头构成数据采集组件，它根据被测目标发出的 多源信号，探测目标出现的事件信息。自组网通信组件完成多跳自组网的信息传输任务。目 标分类识别是执行目标分类的计算功能。电源管理组件提供电池供电。后台管理组件负责 接受和传达用户指令，启动网络的业务服务功能。磁阻传感器是一种测量地球磁场的微型传感器。这类传感器的带宽范围为 l-5MHz,响应速度快，最低可以保证行驶速度400km/h的车辆在每0. 1mm的行程上采样一 次，完全满足运动目标探测的需要。对于复合探测传感器系统而言，节点电路既包括磁阻传感器又包括了微震动传感 器。后者采用ADXL202传感器，它是一种低成本、低功耗的双轴加速度传感器。ADXL202 输出数字信号，脉宽占空比与两根传感轴各自所感受到的加速度成正比，输出信号周期在 0. 5ms-10ms范围内，用外接电阻调节。ADXL202测量正负加速度，最大测量范围为士2g。在 复合探测系统的传感器电路中，根据占空比和电阻器值计算出的加速度值，并且取两个轴 向上的加速度矢量和的数值作为最终的有效信号数据。双轴磁阻传感器和双轴微震动传感器集成在一个终端节点上，位置放置要求与道 路方向及其垂直方向相一致。采样频率设置为20Hz，即每秒采集两种传感器信号数据各为 20次。本系统实现区分六类运动目标①徒手人员；②武装人员(或携带金属体的人 员)；③小型车辆；④客车；⑤大型车辆；⑥履带式车辆。徒手人员是指不携带金属体的步行 人员，武装人员是指携带金属、枪支的人员。总质量不小于4500kg的车辆为大型车辆，反之 归属于小型车辆，另外长度不小于6m的为客车。履带式车辆由履带机构支持运行。
附图2是实现步骤的流程框图。传感器网络系统在探测地段部署完毕后，网络终 端节点通过对地面运动目标实际产生的磁阻信号和微震动信号的采集，实施目标分类识别 功能。分类方法的操作步骤如下步骤一阈值设计传感器网络系统的终端探测节点需要设计不同的感测电压阈值，阈值是通过预先 试验统计得出，阈值选取方法如下
阈值-MtzlM 间隔点数其中，基准值是在无目标通过且无干扰的情况下、网络节点的输出电路电压，波动 值是在无目标通过而有干扰的情况下、网络节点的输出电路电压，间隔点数是两个基准值 之间的波动值数据的个数。阈值的计算示例参见具体实施方式
。步骤二 峰值转换峰值转换过程是将运动目标经过每个网络节点时产生的实际信号，转换成三值模 式{+1，0，-1}。将运动目标经过每个网络节点时产生的实际信号的变化率与阈值进行比 较，如果为正且大于阈值，则特征化为+1 ；如果为负且数量上大于阈值，则特征化为-1 ；如 果斜率的数值小于或等于阈值，则特征化为0。峰谷模式表示目标的磁阻和微震动信号具有“山峰”和“沟谷”的特征。峰值转换 过程具有高压缩比，从而使目标分类过程的计算量小、实时性强。步骤三样本库构造通过试验预先采集运动目标产生的磁阻信号与微震动信号的样本，利用峰值转换 过程将这些样本信号分别转换成峰值模式，形成两类标准特征信号，以此构造目标特征的 样本库，实现六类目标的区分①徒手人员，②武装人员(或携带金属体的人员)，③小型车 辆，④客车，⑤大型车辆，⑥履带式车辆。对于双轴磁阻和微震动传感器，建立的目标分类样本库中的一组特征信号例子如 下表所示 步骤四特征识别在传感器网络系统执行目标监测任务时，只要运动目标经过每个网络节点的附近，这个网络节点的数据采集组件就对运动目标产生的磁阻与微震动这两种信号进行现场 采集，将采集的两类信号结果与样本库中的两类标准特征信号分别进行比较，分别算出它 们之间的距离，两类距离相加求和，再比较何种目标类型的距离总和最小，则将最小距离总 和的目标类型作为识别结果。所述的特征识别过程细节操作如下在采用标准特征信号进行目标类型的识别时，将运动目标现场产生的实际信号与 样本库中的标准特征信号进行比较计算R = c「cbl | + | c2_cb21+... + | c10_cbl0其中，{Cl，cv"ci(l}是网络节点采集的运动目标现场产生的实际信号的三值模式 数据，{cbl,cb2-cbl0}是样本库中的标准特征信号的数据，R是这两种数据之间的向量差值。当每个网络节点的数据采集组件采集到目标的磁阻信号与微震动信号时，算出差 值R。假设礼表示磁阻信号的差值比较结果，&表示微震动信号的差值比较结果，这两种信 号的差值距离相加求和为(Ri+R2)。如果某种目标类型对应的综合计算结果(Ri+R2)的数值 最小，则将它所对应的标准特征信号的目标类型作为分类识别的结果。传感器网络系统的 监测中心计算机负责收集目标分类识别的情况，并保存到数据库。这种目标分类识别方法非常便于程序代码的实时运行，功耗低，以分布式方式在 各个传感器终端节点独立操作，降低了传感器网络的数据传输通信代价。本方法通过无线传感器网络硬件平台进行试验，依据采集的磁阻与微震动信号的 实际数据完成目标分类，监测中心的计算机显示输出运动目标经过传感器网络某节点时的 目标分类识别结果。下面结合
具体实施例。
图1是基于复合传感器自组网的运动目标分类识别系统的组织结构图；图2是本系统实现步骤的流程框图；图3是目标分类识别的原理过程；图4是峰值转换过程的一个示例；图5是武装人员(或携带金属体的人员)的磁阻信号的一个样本示例；图6是武装人员(或携带金属体的人员)的微震动信号的一个样本示例。
具体实施例方式参考附图详细描述了本发明的某些实施例。系统的网络终端探测节点包括两种传感器、微处理器、射频通信和电源四个模块， 采用片状的锂离子电池供电，装配在特制的圆形硬塑料空壳里。整个探测节点体积小，装配 后的探测节点只有10. 3cm的直径和3cm的厚度，因而布设灵活，能代替目前应用的电感线 圈来识别运动目标。附图3是目标分类识别的原理过程，这种基于统计方法和规则式的模式识别系 统，由5个部分组成传感器信息获取、预处理、特征提取和选择、分类器设计、分类计算过禾呈。
考虑区分六类目标(1)徒手人员；(2)武装人员(或携带金属体的人员)；(3)小 型车辆；(4)客车；(5)大型车辆；(6)履带式车辆。分类的标准是依据运动目标所具有的磁 阻与微震动信号的特征。目标分类的标准如下徒手人员是不携带金属体的步行人员，如徒步行走的行人， 或战场上的平民。武装人员是携带枪支和单兵装备的人员，或携带一定量金属体的行人。由于当前车辆种类多，根据车辆不同的规格、结构、燃料、用途和型号可进行不同 的分类。这里参照我国GB/T 3730. 1-1988标准《汽车和半挂车的术语及定义-车辆类型》， 将普通车辆分为大型车辆、小型车辆和客车。总质量不小于4500kg的为大型车辆，如货车， 反之归属于小型车辆，如轿车。另外，长度不小于6m的为客车，如公交车。履带式车辆由履 带机构支持运行，履带是由主动轮驱动的围绕着主动轮、负重轮、诱导轮和托带轮的柔性链 环，它由履带板和履带销等组成。履带式车辆与轮式车辆在地面微震动信号方面有着明显 的不同，这类目标包括履带式挖土机、装甲车等。目前用于探测和识别运动目标的传感设备大多比较笨重，价格贵，系统部署和铺 设的工作量大，如电感线圈测量系统、视频摄像头系统、雷达系统和声纳探测系统。本系统采用微型化的霍尼威尔双轴磁阻传感器和双轴微震动加速度传感器 (ADXL)采集数据，有效克服传感器选型方面存在的上述问题。当目标经过传感器网络的终 端节点时，传感器探测出目标不同部位的各种偶极矩，尤其是车辆目标，磁场变化量揭示出 目标的具体磁阻特征，利用磁阻扰动信号区分不同的目标类型。微震动传感器通过对地面 微震动信号的探测，分辨出经过的目标是人员、轮式车辆还是履带式车辆，通过与磁阻信号 的综合分析，识别出目标的具体类型。根据运动目标产生的磁阻信号和微震动信号，研制混合探测的电路系统。两种传 感器的采集和处理分别独立封装在单独的任务模块里，每个任务独立编程、并行运行。由于 系统的采样频率较低，取作20Hz，它可以满足识别任务的需求。当目标经过时，两种传感器 以这种采样频率能够可靠地采集到目标产生的信号。两种传感器的采集任务模块负责控制传感器采集，然后将采集到的数据传给数据 处理任务，在数据处理任务中，原始数据经预处理操作并得到最终的信息。这种信息以单跳 或多跳的网络传输形式，发送给监控中心的计算机。对于在一块电路板上实现两个传感器的采集任务，试验验证了整个复合传感器数 据采集组件的实时性，在目标快速通过的情况下，即在1-2秒时间通过传感器网络系统的 终端探测节点时，系统能回传一组有效数据，约为50-70个磁阻信号和微震动信号。分类识 别算法基于这些数据，完成分类计算，多传感器复合探测系统表现出良好的实时性。在传感器网络系统部署之后，根据复合传感器采集的信号，目标分类识别的步骤 如下(1)阈值设计设计的阈值选取方法如下
驢波动值-基准值 _=间隔点数 其中，基准值是在无目标通过且无干扰的情况下、网络节点的输出电路电压，波动值是在无目标通过而有干扰的情况下、网络节点的输出电路电压，间隔点数是两个基准值 之间的波动值数据的个数，一般不小于3。试验表明稳定性好的传感器节点取间隔点数为 3-5，稳定性较差的传感器节点(例如在使用时间偏长的情况下)取间隔点数在5以上。例如，下表是磁阻传感器在一个时间段内采集到的磁阻输出电压信号数据(mv)， 基准值为64，波动值为63，这里在基准值64mv之间的波动值63mv只有两个，根据间隔点数 一般不小于3的原则，因而这里的间隔点数取作3，最后计算得出阈值为0. 3mv。 (2)峰值转换峰值转换过程是将目标经过传感器时产生的信号，转换成三值模式{+1，0，_1}，峰 值转换的过程如下根据预先设定的阈值将目标信号转换为三值{+1，0，-1}模式 M(k)
Ak
c(A) > C(hreshotd
'^threshold
其他情况一个转换过程的示例如附图4所示。如果尖峰或波谷的幅度和持续时间达到设定 的阈值，尖峰或波谷的值被认为有效。实施例中将峰值转换形成的向量维数统一确定为10，例如转换过的峰值信号为 {+1，-1，0，_1，+1}，变换为{+1，-1，0，-1，+1，0，0，0，0，0}，即不足够10位时，后面位置填充
0值。这样便于计算和统一向量维数，也可确定为其它长度。(3)样本库构造
9
利用峰值转换模式，将采集的目标实际信号转换成峰值模式，通过试验建立样本 库。对于双轴磁阻和微震动传感器，建立的目标样本特征信号的示例如下表 (4)特征识别特征识别是将目标产生的实际信号和目标类别的标准特征信号进行比较R = c1-cbl| + |c2-cb2|+- + |c10-cbl0当采样到目标的复合信号时，将此作为识别特征，与标准特征信号中的相应向量 进行比较，算出它们之间的距离，再将各距离之和相比较。哪个距离之和最小，则将它所对 应的标准特征的目标类型作为识别结果。举例来说，对目标的磁阻信号而言，设某一节点采集的磁阻信号经转换后为 {+1，-1，+1，-1,0, -1，+1，0，0，0}，用上式与各轮式车辆的磁阻信号标准模型比较可得1、 型车=4，R客车=11，R大醉=1，则R大醉值最小，则判定该目标为大型车。针对两种复合传感器产生的目标信号，假设礼表示磁阻信号的计算结果，R2表示 微震动信号的计算结果，综合计算这两种传感器产生的数值之和(Ri+R2)。如果某种目标类 型对应的综合数值之和(Ri+R2)最小，则将它所对应的标准特征的目标类型作为分类结果。另外，还可采用更简捷的方式来综合这两种传感器产生的目标实际信号，实现目 标分类当传感器节点完成对某一目标的探测结果后，首先将采集到的数据转换成峰值模 式(包括磁阻和微震动信号)，将峰值模式的微震动信号与已建立的目标识别标准集进行 比较，通过微震动信号的比较，直接确定出该目标是人员、轮式车辆还是履带式车辆，然后 匹配检测采集的磁阻信号，从而进一步确定出目标所属的具体类别。在本系统中，网关汇聚节点采用11520Baud/s的波特率与监测中心的计算机之间 传输数据，以Excel数据库表格文件的形式在后台保存数据。双轴磁阻传感器和微震动传 感器集成在一个终端节点，将探测节点放置在路边，放置位置与道路方向或其垂直方向相 一致，节点与目标的垂直距离不超过3米。传感器网络的网关基站节点与监控中心的管理 计算机位于同一地点。采样频率设置为20Hz，即每秒采集两种传感器的信号数据为20次。 这里考虑对单个目标进行分类识别，不考虑多个运动目标同时通过探测节点的情形。实际 系统运行可靠，数据采样过程平稳，及时地输出所经过目标的类型。试验中采集运动目标信号的起始时间确定如下①当运动目标接近传感器探测节点时，磁阻传感器才能采集到含金属体移动所引起的磁场扰动量，在目标离去时磁阻扰动过程复位正常，因而根据磁传感器的灵敏度和目 标类型，确定目标与传感器节点的距离约为3-5米的范围。由于磁阻传感器的探测距离有 限，如果磁阻传感器采集频率为20Hz，只在这个有限的距离内，磁阻传感器才能采集到有效 的目标磁阻信号，这也是磁阻传感器的有效探测时间。②由于微震动传感器的作用距离远，譬如在坚硬的地面上传输的微震动信号达到 300米，考虑两种复合传感器的共同作用效果，只收集磁阻传感器作用距离范围之内的运动 目标产生的微震动信号，这个距离通常也就是上述的3-5米。微震动传感器以20Hz的频率 采集微震动信号，尽管在距离较远时就已经感知到信号输出，这里选取采集的有效微震动 信号的时间范围，限定在运动目标经过节点附近时，即磁阻传感器有效感知的时间和距离 之内。由于节点距离目标越近，微震动信号越强烈，因而这种做法具有科学性。附图5是武装人员(或携带金属体的人员)的一个磁阻信号特征样本示例，附图6 是武装人员(或携带金属体的人员)的一个微震动信号特征样本示例，这两个示例直观和 清楚地反映了这类目标的磁阻信号与微震动信号的特征。在这两个附图中，横坐标均为采 样时刻(ms)，纵坐标均为传感器输出电压(mv)。目标产生的两种原始信号，在经过转换后， 产生和形成三值形式{+1，0，-1}的峰值信号。在部分试验中统计样本的小型车通常是小轿车，客车主要是公交车，大型车是常 见的大型运货车，履带式车辆以履带式推土机和挖掘机作为试验对象。部分统计试验结果 如下表所示，正确率能维持在80%以上。
通过外场试验表明，本方法可用于识别关键路段上的目标类型，分类识别的正确
率比较高。由于各种传感器自身的物理局限性，根据少量信息源不可能达到100%的目标识 别正确率。因此在必要的时候和应用场合，还可借助声响、红外等其它传感器对目标的实际 信号进行采集，对多种信息源进行融合处理，能进一步提高目标分类识别的正确率。以上所述为本发明较佳的主要实施过程，并非用来限定本发明的实施范围；凡是 依本发明所作的等效变化和修改，也为本发明专利范围所涵盖。
权利要求
一种基于复合传感器自组网的运动目标分类识别方法，特征在于无线自组织传感器网络系统在部署完毕后，每个网络节点通过对地面运动目标实际产生的磁阻信号和微震动信号的采集，提供目标分类识别的功能；根据目标的磁阻和微震动信号的复合特征，将常见的地面运动目标分类为徒手人员、武装人员(或携带金属体的人员)、小型车辆、客车、大型车辆和履带式车辆六种类型；目标分类方法的操作步骤如下步骤一阈值设计阈值是通过预先试验统计产生，计算方法如下其中，基准值是在无目标通过且无干扰的情况下、网络节点的输出电路电压，波动值是在无目标通过而有干扰的情况下、网络节点的输出电路电压，间隔点数是两个基准值之间的波动值数据的个数；步骤二峰值转换峰值转换过程是将运动目标经过每个网络节点时产生的实际信号，转换成三值模式{+1，0，-1}；将运动目标经过每个网络节点时产生的实际信号的变化率与阈值进行比较，如果为正且大于阈值，则特征化为+1；如果为负且数量上大于阈值，则特征化为-1；如果斜率的数值小于或等于阈值，则特征化为0；步骤三样本库构造通过试验预先采集运动目标产生的磁阻信号与微震动信号的样本，利用峰值转换过程将这些样本信号分别转换成峰值模式，形成两类标准特征信号，以此构造目标特征的样本库，实现六类目标的区分①徒手人员，②武装人员(或携带金属体的人员)，③小型车辆，④客车，⑤大型车辆，⑥履带式车辆；步骤四特征识别在传感器网络系统执行目标监测任务时，只要运动目标经过每个网络节点的附近，这个网络节点的数据采集组件就对运动目标产生的磁阻与微震动这两种信号进行现场采集，将采集的两类信号结果与样本库中的两类标准特征信号分别进行比较，分别算出它们之间的距离，两类距离相加求和，再比较何种目标类型的距离总和最小，则将最小距离总和的目标类型作为识别结果；所述的特征识别过程细节操作如下在采用标准特征信号进行目标类型的识别时，将运动目标现场产生的实际信号与样本库中的标准特征信号进行比较计算R＝|c1-cb1|+|c2-cb2|+…+|c10-cb10|其中，{c1，c2…c10}是网络节点采集的运动目标现场产生的实际信号的三值模式数据，{cb1，cb2…cb10}是样本库中的标准特征信号的数据，R是这两种数据之间的向量差值；当每个网络节点的数据采集组件采集到目标的磁阻信号与微震动信号时，算出差值R；假设R1表示磁阻信号的差值比较结果，R2表示微震动信号的差值比较结果，这两种信号的差值距离相加求和为(R1+R2)；如果某种目标类型对应的综合计算结果(R1+R2)的数值最小，则将它所对应的标准特征信号的目标类型作为分类识别的结果；传感器网络系统的监测中心计算机负责收集目标分类识别的情况，并保存到数据库。F2009101850784C0000011.tif
全文摘要
本发明公开一种基于复合传感器自组网的运动目标分类识别方法，通过对地面运动目标实际产生的磁阻和微震动信号的采集，完成目标分类识别功能。根据目标的磁阻和微震动信号的复合特征，将常见目标分类为徒手人员等六种类型。在部署的传感器网络系统上，首先确定两种传感器节点的目标感应电压阈值，然后将运动目标产生的特征信号转换成三值信号模式即{+1，0，-1}，由试验预先建立和构造目标分类识别的样本库。在采集系统采样到运动目标的两种实际信号时，将它们与样本库中的标准特征信号进行比较，算出它们之间的距离，距离最小者对应的目标类型作为分类识别的结果。方法的特点在于计算量小、实时性强、分类正确率高，用于多类运动目标的识别问题。
文档编号H04W84/18GK101868045SQ200910185078
公开日2010年10月20日 申请日期2009年10月30日 优先权日2009年10月30日
发明者刘綦, 周强, 崔逊学, 汪涛, 胡成, 邢立军 申请人:中国人民解放军炮兵学院