基于虚拟指纹库的任务驱动无线电压缩成像系统及方法

1.本发明涉及无设备定位领域，具体涉及一种基于虚拟指纹库的任务驱动无线电压缩成像系统及方法。


背景技术：

2.无设备定位(device-free localization，dfl)是一种重要的无线电无源感知技术之一。近十多年以来已存在大量相关方面的研究。这些研究主要可以分为两个方面，基于接收信号强度(received signal strength,rss)的dfl以及基于信道状态信息(channel state information,csi)的dfl。csi由接收信号的强度以及相位信息组成，可以为dfl系统提供更高维的信息。但是，csi相位信息的获得有赖于发送端和接收端的精确同步，存在误差的相位信息会降低dfl的定位精度。然而，在物联网应用中，终端设备都是硬件资源受限的系统，因此，终端设备一般都采用低复杂度的同步方法，从而导致在实际环境下，基于csi的dfl系统需要付出大量的硬件计算资源获取高精度的性能。


技术实现要素：

3.有鉴于此，本发明的目的在于提供一种基于虚拟指纹库的任务驱动无线电压缩成像系统及方法，解决当前rti系统受限于传感器网络的容量和传输速率，无法在短时间获取大量的监测样本，导致没办法实现对动态目标的实时跟踪检测的问题。
4.为实现上述目的，本发明采用如下技术方案：
5.一种基于虚拟指纹库的任务驱动无线电压缩成像系统，包括离线虚拟链路指纹库和在线搜索匹配计算成像单元；所述离线虚拟链路指纹库根据无线电信号传输菲涅尔区模型确定在感知区域内受影响的链路编号；所述在线搜索匹配计算成像单元引入视频处理中的运动估计搜索算法，结合基于压缩感知解析稀疏模型的交替方向乘子法，实现对感知区域内动态目标的跟踪成像。
6.一种基于虚拟指纹库的任务驱动无线电压缩成像系统的成像方法，包括以下步骤：
7.步骤s1：根据rti系统网络拓扑结构，感知区域内无线传感器节点；
8.步骤s2:基于无线传感器节点，根据无线电信号传输菲涅尔区模型确定在感知区域内受影响的链路编号；
9.步骤s3:引入视频处理中的运动估计搜索算法，并结合基于压缩感知解析稀疏模型的交替方向乘子法，实现对感知区域内动态目标的跟踪成像。
10.进一步的，所述步骤s2具体为：
11.步骤s21:对n个节点按顺时针顺序编号1-n并以1号节点为原点设定坐标系,设定离散化的n*n个小区域中心坐标c
1～n2
(i,j)；
12.步骤s22:计算各组通信节点形成的菲涅尔区范围，将各对通信的收发节点作为第一菲涅尔区的焦点计算其第一菲涅尔区长轴a＝(d
i,j
λ/2)/2；其中d
i,j
为第i个发送节点
与第j个接收节点的欧氏距离；
13.步骤s23:依次判断各离散化区域ck(i,j)，k＝{1,2,3,...n2}上被多少个ffz覆盖，计算目标位置c1(i,j)到一对收发节点和的距离d
i,j
(1)、d
i,j
(2)；如果|d
i,j
(1)| |d
i,j
(2)|≤2a，则被该对收发节点的ffz覆盖，并记录编号lq，反之，则剔除；循环判断全部对收发节点形成的ffz，得到每个小区域上覆盖的ffz链路编号集合l＝{l1,l2,l3,...,lq}。
14.进一步的，所述步骤s3具体为:
15.步骤s31:初始化系统，通过rssi采集系统均匀采样，实现目标的粗定位；
16.步骤s32:采用图像处理领域的大菱形搜索算法对粗定位得到的目标质心周围八个点位置结合指纹库进行精确定位搜索；
17.步骤s33:利用小菱形模板对精定位结果进行二次搜索更新链路信息，输出最优定位结果。
18.进一步的，所述交替方向乘子法，具体为：
19.设rti系统图像x的重构是一个典型的不适定反问题，在解析稀疏模型下表示为：
[0020][0021]
其中y＝[δy1,δy2,δy3,
…
,δym]
t
为测量矢量，表示无线传输链路中节点之间的rss变化量，[w]
i,j
＝w
i,j
是一个m
×
q维的权重矩阵，m代表无线通信链路的总条数，q代表无线网络区域体素的数量；重构信号x＝[δx1,δx2,δx3,
…
,δxq]
t
是一个q
×
1维的矢量，映射的是无线传感网络中观测目标位置的信号衰减情况；
[0022]
交替方向乘子法的计算框架如下：
[0023]
minf(x) g(z)s.t.ax bz＝c
ꢀꢀꢀ⑻
[0024]
其中x∈rn，z∈rm是优化变量，矩阵a∈r
p
×n，b∈r
p
×m，c∈r
p
，函数f(x)和函数g(z)分别是关于变量x，z的待求解的目标函数。将公式(7)改为admm算法计算框架形式：
[0025][0026]
其中λ是对偶变量，ω是解析稀疏模型中的解析算子，然后构造增广拉格朗日函数，并使u＝(1/ρ)λ，缩放对偶变量：
[0027][0028]
其中ρ为增广拉格朗日参数，这样admm算法的迭代过程表示如下：
[0029][0030]
迭代算法分为三步，分别是变量x,z最小化以及更新对偶变量u，其解的形式如下：
[0031]
[0032]
上式中，x
k 1
，z
k 1
，u
k 1
分别是公式(10)增广拉格朗日函数的三个待求解变量在迭代k 1时的结果，其中变量x是待求结果，z，u为x的约束，w与w
t
是系统权重矩阵及其转置矩阵，ω与ω
t
为解析算子及其转置，s
λ/ρ
是一个软阈值函数，便于程序的求解，它的定义为:
[0033]
进一步的，所述步骤s32具体为：
[0034]
(1)随机均匀扫描n条无线链路，利用公式(12)重构分辨率为n1的低分辨率rti图像，并将图像质心作为搜索算法的初始位置r1；
[0035]
(2)以r1为中心，利用大菱形模板将初始位置及其周围八个位置作为虚拟指纹库的地址，搜索对应的关键链路编号l1...l9，取其并集e1＝l1∪l2...∪l9；
[0036]
(3)采样系统采集链路编号为e1的链路rssi，并利用公式(12)重构分辨率为n2的高分辨率rti图像，并将图像质心作为小菱形模板搜索初始位置r2。
[0037]
进一步的，所述步骤s33具体为：
[0038]
(1)以r2为中心，按小菱形搜索模板将r2及其周围四个点的位置作为地址，搜索指纹库对应的链路编号l1...l5，并取其并集e2＝l1∪l2...∪l5；
[0039]
(2)采样系统采集链路编号为e2的链路rssi，并利用公式(12)重构高分辨率rti图像，锁定目标位置；
[0040]
(3)不断迭代步骤(1)和(2)，对动态目标实现动态跟踪。
[0041]
本发明与现有技术相比具有以下有益效果：
[0042]
1、本发明解决当前rti系统受限于传感器网络的容量和传输速率，无法在短时间获取大量的监测样本，导致没办法实现对动态目标的实时跟踪检测的问题；
[0043]
2、本发明首次提出基于虚拟指纹库的rti方法。利用无线电信号菲涅尔区的信号场分布特性，结合无线传感器节点先验已知的条件，融合计算传感区域中受目标影响的无线链路编号及其传输节点，以此建立虚拟链路指纹库。并引入运动估计搜索算法结合虚拟指纹库实现对运动目标的rti图像快速重构，在降低rti系统观测样本数量的情况下，有效保证系统的定位精度与成像的速度。
附图说明
[0044]
图1是本发明系统框架；
[0045]
图2是本发明一实施例中无线信号菲涅尔区传播图；
[0046]
图3是本发明一实施例中不同菲涅尔区边界的重构结果图；
[0047]
图4是本发明一实施例中候选位置搜索算法流程图；、
[0048]
图5是本发明一实施例中rti实验场景部署图；
[0049]
图6是本发明一实施例中不同定位点平均定位误差；
[0050]
图7是本发明一实施例中系统重构结果图。
具体实施方式
[0051]
下面结合附图及实施例对本发明做进一步说明。
[0052]
请参照图1，本发明提供一种基于虚拟指纹库的任务驱动无线电压缩成像系统，包括离线虚拟链路指纹库和在线搜索匹配计算成像单元；所述离线虚拟链路指纹库根据无线电信号传输菲涅尔区模型确定在感知区域内受影响的链路编号；所述在线搜索匹配计算成像单元引入视频处理中的运动估计搜索算法，结合基于压缩感知解析稀疏模型的交替方向乘子法，实现对感知区域内动态目标的跟踪成像。
[0053]
在本实施例中，以无线电信号传输的菲涅尔区模型为基础，先对两个无线传感器节点形成的菲涅尔区进行分析。如图2所示，将收发设备tr之间的中点o作为分界，令to＝d1，ro＝d2，通过中点o的平面垂直于tr。在该平面与tr垂直的交点上取q1,q2,...,qn，使其满足下列关系：
[0054][0055]
其中，λ为波长。由此可知，满足上述方程的所有qn点在torqn平面上是以t和r为焦点的椭圆，将其以tr为轴旋转一周得到椭球体。那么，该椭球体所围成的区域就称为菲涅尔区，当n为1时称为第一菲涅尔区(first-fresnel-zone,ffz)。
[0056]
因为菲涅尔区是由同心椭球体组成，所有不同的菲涅尔带区域以oqn为半径，即rn＝oqn，因而，rn为第n菲涅尔区半径。当rn远远小于d1和d2时，它们之间的关系如下：
[0057][0058]
把公式(2)代入公式(1)可以求出第n菲涅尔区半径大小：
[0059][0060]
其中，n表示菲涅尔区边界数量，λ为无线信号的波长，d1和d2分别是发射节点和接收节点到目标的距离。因而，当无线节点位置确定后，菲涅尔半径rn可以通过公式(3)计算。
[0061]
使用不同菲涅尔区边界条件来确定受目标影响的链路，组成一个理想数据集，并采用直接求伪逆的方法(见公式4)重构衰减图像，结果见图3。
[0062]
x＝pinv(w)
·yꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ⑷
[0063]
根据以上的分析，一旦网络拓扑结构确定，感知区域内无线传感器节点通信产生的菲涅尔区也能先验确定。
[0064]
本实施例中，rti系统的传感器网络由20个zigbee节点构成，每两个节点之间的通信形成一条通信链路，如此便能形成(20
×
19)/2＝190条不同的扫描链路并进行编号。随之产生的190个菲涅尔区也能确定。这样，在传感器网络形成的感知区域内任何一点上覆盖的ffz及其相应的链路编号便能计算确定。本系统将25m2的感知区域离散化为20
×
20个小区域。根据菲涅尔区模型确定目标在各个小区域内影响的链路编号。具体步骤如下：
[0065]
步骤1：对20个节点按顺时针顺序编号1-20并以1号节点为原点设定坐标系。设定离散化的400个小区域中心坐标c
1～400
(i,j)。
[0066]
步骤2：计算各组通信节点形成的菲涅尔区范围，将各对通信的收发节点作为第一菲涅尔区的焦点计算其第一菲涅尔区长轴a＝(d
i,j
λ/2)/2；其中d
i,j
为第i个发送节点与第j个接收节点的欧氏距离。
[0067]
步骤3：依次判断各离散化区域ck(i,j)，k＝{1,2,3,...400}上被多少各ffz覆盖，计算目标位置c1(i,j)到一对收发节点和的距离d
i,j
(1)、d
i,j
(2)。如果|d
i,j
(1)| |d
i,j
(2)|≤2a，则被该对收发节点的ffz覆盖，并记录编号lq，反之，则剔除。循环判断190对收发节点形成的ffz，得到每个小区域上覆盖的ffz链路编号集合l＝{l1,l2,l3,...,lq}。
[0068]
那么对400个离散化小区域进行判断，便可得到所要的虚拟链路指纹库，表示为一个20
×
20的矩阵m，每个矩阵的元素就是传感区域离散化小区域的关键链路编号信息。
[0069][0070]
在本实施例中，在线计算成像部分引入视频处理中的运动估计搜索算法，结合基于压缩感知解析稀疏模型的交替方向乘子法(admm)，实现对感知区域内动态目标的跟踪成像。如图1系统框架图所示，在线计算成像部分主要分为三步：首先初始化部分，rssi采集系统均匀采样，实现目标的粗定位，其次按照图像处理领域的大菱形搜索算法对粗定位得到的目标质心周围八个点位置结合指纹库进行精确定位搜索，然后利用小菱形模板对精定位结果进行二次搜索更新链路信息，最后输出最优定位结果。
[0071]
在本实施例中，无线电层析成像是将传感区域内无线链路信号的变化量与物理空间建立线性模型，然后利用重构算法计算重构图像的一种感知技术。整个系统模型可以表示为：
[0072]
y＝wx n
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ⑹
[0073]
其中y＝[δy1,δy2,δy3,
…
,δym]
t
为测量矢量，表示无线传输链路中节点之间的rss变化量。[w]
i,j
＝w
i,j
是一个m
×
n维的权重矩阵，m代表无线通信链路的总条数，n代表无线网络区域体素的数量。重构信号x＝[δx1,δx2,δx3,
…
,δx
ν
]
t
是一个n
×
1维的矢量，映射的是无线传感网络中观测目标位置的信号衰减情况，n为系统噪声(此处主要是指无线通信传输中存在的高斯白噪声)由于权重w不是一个满秩矩阵，rti系统图像x的重构是一个典型的不适定反问题。在解析稀疏模型下可以表示为：
[0074][0075]
为了实现快速的图像重构，本发明采用的是交替方向乘子法(admm)，其广泛被应用于求解大规模分布式优化问题，具有求解速度快和重构精度高的特点。
[0076]
admm算法的计算框架如下：
[0077]
minf(x) g(z)s.t.ax bz＝c
ꢀꢀꢀꢀ⑻
[0078]
将公式(7)改为admm算法计算框架形式：
[0079][0080]
构造增广拉格朗日函数，并使u＝(1/ρ)λ，缩放对偶变量。
[0081][0082]
这样admm算法的迭代过程可以表示如下：
[0083][0084]
可以看出迭代算法分为三步，分别是变量x,z最小化以及更新对偶变量u，其解的形式如下：
[0085][0086]
上式中，s是一个软阈值函数。
[0087]
在本实施例在线计算过程中，利用链路指纹库获取目标所在位置的关键链路是在线计算过程中关键的步骤。图4显示了本发明提出的候选位置搜索算法的步骤，本搜索重构算法借鉴了经典的菱形搜索算法，具体步骤如下：
[0088]
步骤1:采样系统初始化，随机均匀扫描20条无线链路，利用公式(12)重构分辨率为n1的低分辨率rti图像，如图4第一张图像所示。并将图像质心作为搜索算法的初始位置r1。
[0089]
步骤2：以r1为中心，利用大菱形模板将初始位置及其周围八个位置作为虚拟指纹库的地址，搜索对应的关键链路编号l1...l9，取其并集e1＝l1∪l2...∪l9。
[0090]
步骤3：采样系统采集链路编号为e1的链路rssi，并利用公式(12)重构分辨率为n2的高分辨率rti图像，如图4第二张rti图像所示。并将图像质心作为小菱形模板搜索初始位置r2[0091]
步骤4：以r2为中心，按小菱形搜索模板将r2及其周围四个点的位置作为地址，搜索指纹库对应的链路编号l1...l5，并取其并集e2＝l1∪l2...∪l5[0092]
步骤5：采样系统采集链路编号为e2的链路rssi，并利用公式(12)重构高分辨率rti图像，如图4第三张rti图像所示。
[0093]
到此步为止，rti系统已经可以锁定目标位置，只要不断迭代步骤4和5，即可对动态目标实现动态跟踪。
[0094]
实施例1：
[0095]
本实施例中，rti系统传感器网络由20个zigbee节点构成，节点设备沿着5m*5m的正方形区域部署，总面积25平方米。相邻节点间水平间距1米，每个节点设备都固定在距离地面0.9米的支架上。无线系统中每个无线节点工作在2.410ghz频段，通过场外的协调器与各节点通信控制各个节点的收发，一对节点的收发信号经历往返两个衰减，取其平均值作
为对应链路上的rssi，根据不同节点之间通信，该网络区域中共存在190条通信链路，具体部署见图5。
[0096]
为了便于衡量本发明提出的rti系统定位跟踪性能，在传感区域内设置了16个观测参考点。设置目标人物沿着这些定位点在感知区域内移动，根据在
[0097]
为了便于衡量本发明提出的rti系统定位跟踪性能，我们在传感区域内设置了16个观测参考点。设置目标人物沿着这些定位点在感知区域内移动，根据在线计算成像的结果的到目标的坐标，并与16个参考坐标进行比较，结果如图6所示。本发明提出的基于虚拟链路指纹库的rti系统平均定位误差仅0.08m，达到业界领先水平。图7展示的是本发明在线计算部分，采用压缩感知解析稀疏模型，结合交替方向乘子法计算框架所得到的重构图像。
[0098]
得益于虚拟链路指纹库对有效链路的精确筛选，使得参与重构的样本尽可能多的包含有用的信息，有助于减少重构图像的噪声。如图7右图三维灰度图显示，本rti系统的重构图像仅在目标所在位置有衰减，其他位置几乎没有多余的噪声存在干扰，具有较强的鲁棒性。
[0099]
以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。