- 上一篇：火灾探测和报警系统国内外研究现状综述
- 下一篇：数据融合国内外研究现状综述
在文献[15]的基础上，Nadeem等人提出了一个目标检测与跟踪的算法，该算法首先随机产生一定数量的粒子向量，根据已定义的概率模型和物理信息迭代的计算、预测目标轨迹，但该算法是集中式算法[16]。考虑目标跟踪的复杂性(例如节点数，粒子数，采样间隔等等)和校准参数(如增益、路径损失率，噪音变量，非线性常数等等_)，Nadeem等人又提出了基于粒子滤波的目标探测跟踪算法。[17]
(4)基于精确定位的目标跟踪算法
在传感器网络的目标跟踪过程中，用户感兴趣的是移动目标当前时刻或下一时刻的位置，或者是目标的整个移动轨迹。无论哪种情况，对移动目标进行定位都是必不可少的阶段,而且定位的准确性与目标下一时刻轨迹预测的正确性密切相关。传统的定位方法主要有两种：基于距离的定位方法[18-24]和与距离无关的定位方法[25-32]。基于距离的定位方法是通过测量相邻节点间的实际距离或方位进行定位。传统的基于距离的定位方法有：基于TOA的定位[18,19]、基于TDOA的定位[20,21]、基于AOA的定位[22]和基于RSSI的定位[23,24]等。与距离无关的定位方法无需测量节点间的绝对距离或方位，降低了对节点硬件的要求，但定位的误差也相应有所增加。常见的与距离无关的定位方法主要分为两类：一类是先对未知节点和信标节点之间的距离进行估计，然后利用三边测量法或极大似然估计法进行定位[25-29]；另一类方法是通过邻居节点和信标节点确定包含未知节点的区域，然后把该区域的质心作为未知节点的坐标[30，32]。
文献[33]针对稀疏的传感器网络，提出一种分布式的低节点密度的协作自组织定位估算系统(LOCALE)。在该系统中，当节点不与任何节点连通的时候，利用推算定位法预测及维护自身的位置信息，并估算该位置的准确性。若节点移动，则根据自身的移动轨迹确定移动后的位置。若网络中有节点移动到其通信范围内，或者该节点移动到某个节点的通信范围内，则与邻居节点交换信息，对其自身的位置进行更新。该算法是分布式的，但是节点需要利用定位法对自身的位置信息进行预测及维护，虽然比GPS系统花费的代价小，但仍需要一定的硬件支持。
针对大规模传感器网络，文献[34]提出一种基于连通的定位算法。该算法假设网络中的边界节点及其位置已知，首先以一定的密度从边界节点中采样，每个节点根据与边界节点的距离形成多个不相交的单元，保证每个单元中只有一个边界节点及若干个普通节点。若两个边界节点所在的单元相邻，则在两个边界节点上增加一条边，这样就可以保证两个三角形公用一条边，且没有同属于两个三角形的点存在。这样就可以将网络表示成若干个三角形的集合，对每个集合中的节点，使用三边测量法对其进行定位。由于无法准确地确定两个节点间的距离，三边测量法本身存在一定的误差，所以由此定位出来的节点位置是不可靠的。
(5)能量有效的目标跟踪算法及其他跟踪算法
由于传感器节点的不可靠性和环境因素的影响，文献[35]提出一种基于节点序列的目标跟踪方法。该方法将跟踪问题转化成图的最短路径问题，进而抽象成一个有序的节点序列。每一时刻，目标节点根据收到的节点信号的时间建立一个节点序列。首先，该方法根据节点的地理位置由任意两节点间的中位线将网络划分成若干个不相交的区域，按照与各节点的距离将各区域抽象成一个节点序列。然后根据目标接收到的节点序列，得到目标走过的各个区域的轨迹。最后，将每个区域抽象成其中心位置的点，根据各点的位置描绘出目标经过的轨迹。当网络规模较大时，每增加一个节点，将会增加很多个区域，所以该算法的可扩展性较差，而且该算法是集中式算法。文献[36]提出了一种对目标轨迹的处理和查询的方法。该方法首先在目标出现时，感知到该目标的节点存储目标的特征及感知时间，由于时间及轨迹的连贯性，可以找到在该轨迹上一时刻的感知节点，进而得到所有存储该目标特征的节点。当查询出现时，只要找到其中一个节点，就可以沿着该节点找到所有的轨迹。若查询次数达到一定阈值后仍未找到目标，则放弃。若目标出现在区域的某个边缘处，则查询到的概率非常小。文献[36]分析了查找到目标的概率。但是文中并未给出定位算法，无法描绘出完整的目标移动轨迹。Lasse等人提出一种适用于室内环境中运动监测和跟踪的算法[37]。该算法首先利用移动节点对监测数据进行处理，然后通过通信延迟保障协议将数据包传送到锚节点，锚节点采用蒙特卡洛定位算法对目标进行定位。为了检测目标的存在性，文献[38]提出了一种移动传感器网络中探测延迟的分析模型。该模型首先建立马尔可夫链，通过傅里叶变换得到初始状态分布和状态转移矩阵，进而计算出检测到目标的概率。若该概率达到特定的阈值，则确定目标存在，并返回检测延迟。Taylor等人提出了一种传感器网络中跟踪同时定位及校准的方法(SLAT)[39]。该方法利用Newton-Raphson和后验概率模型对下一时刻的状态进行估计，且得到的解是提供目标轨迹和节点位置的贝叶斯过滤。该方法不仅能跟踪目标，同时还可以对节点进行定位和校准。在上述目标跟踪的相关研究中，大多采用集中式算法或计算量很大的建模方法，而基于簇的目标跟踪多应用在有照相功能的传感器网络，这些算法很难在资源有限的传感器网络中应用。