基于低成本超聲傳感器的無(wú)線傳感網(wǎng)生存環(huán)境地圖構(gòu)建研究*

王 巍,李林茂,魏丁丁

(1.河北工程大學(xué)信息與電氣工程學(xué)院,河北 邯鄲 056038;2.江南大學(xué)物聯(lián)網(wǎng)技術(shù)應(yīng)用教育部工程中心,物聯(lián)網(wǎng)工程學(xué)院,江蘇 無(wú)錫 214122)

基于低成本超聲傳感器的無(wú)線傳感網(wǎng)生存環(huán)境地圖構(gòu)建研究*

王 巍1,2*,李林茂1,魏丁丁1

(1.河北工程大學(xué)信息與電氣工程學(xué)院,河北 邯鄲 056038;2.江南大學(xué)物聯(lián)網(wǎng)技術(shù)應(yīng)用教育部工程中心,物聯(lián)網(wǎng)工程學(xué)院,江蘇 無(wú)錫 214122)

移動(dòng)傳感器網(wǎng)絡(luò)節(jié)點(diǎn)在監(jiān)測(cè)環(huán)境過(guò)程中,采集到大量有誤差的環(huán)境地圖數(shù)據(jù),導(dǎo)致構(gòu)建的傳感器網(wǎng)絡(luò)生存環(huán)境地圖質(zhì)量低、實(shí)時(shí)性差。針對(duì)以上問(wèn)題,提出了一種適用于低成本、輕數(shù)據(jù)量、多網(wǎng)絡(luò)節(jié)點(diǎn)的基于超聲傳感器組的環(huán)境地圖構(gòu)建算法。首先對(duì)超聲波測(cè)量數(shù)據(jù)進(jìn)行高斯濾波處理,其次利用處理后的數(shù)據(jù)進(jìn)行單一網(wǎng)絡(luò)節(jié)點(diǎn)所屬區(qū)域地圖的構(gòu)建,再次提取單一節(jié)點(diǎn)地圖的點(diǎn)特征,并進(jìn)行匹配,進(jìn)而得到融合后的全局地圖,最終實(shí)現(xiàn)傳感器網(wǎng)絡(luò)節(jié)點(diǎn)生存環(huán)境地圖的構(gòu)建。進(jìn)一步通過(guò)優(yōu)化子圖拼接順序,降低了構(gòu)圖數(shù)據(jù)與實(shí)際環(huán)境數(shù)據(jù)的誤差,提高了傳感器網(wǎng)絡(luò)節(jié)點(diǎn)生存環(huán)境的地圖質(zhì)量。

傳感器網(wǎng)絡(luò);地圖融合;移動(dòng)節(jié)點(diǎn);子圖優(yōu)化

在未知復(fù)雜環(huán)境下,傳感器網(wǎng)絡(luò)節(jié)點(diǎn)借助超聲波、紅外、視覺(jué)以及聲納等傳感器進(jìn)行環(huán)境監(jiān)測(cè),將測(cè)得數(shù)據(jù)分析處理轉(zhuǎn)換為環(huán)境地圖信息,然后將各個(gè)節(jié)點(diǎn)地圖進(jìn)行拼接,最終構(gòu)建出傳感器網(wǎng)絡(luò)生存環(huán)境地圖。地圖信息不僅可以由超聲波、紅外測(cè)得的距離數(shù)據(jù)描述,還可以由視覺(jué)傳感器[1-3]拍攝的圖像展現(xiàn)。不同的數(shù)據(jù)類型,有著不同的構(gòu)圖方法和地圖拼接算法。程爭(zhēng)剛[4]等人針對(duì)現(xiàn)有航拍圖像拼接方法處理速度較慢的問(wèn)題,提出一種基于無(wú)人機(jī)位姿信息的快速拼接方法,從機(jī)載GPS和慣性導(dǎo)航單元獲得無(wú)人機(jī)航拍時(shí)的坐標(biāo)和姿態(tài)角,根據(jù)每一幅航拍圖像對(duì)應(yīng)的無(wú)人機(jī)坐標(biāo)和姿態(tài)角計(jì)算它們之間的單應(yīng)變換矩陣,實(shí)現(xiàn)航拍圖像之間的快速配準(zhǔn)。然后通過(guò)單應(yīng)變換矩陣的運(yùn)算得到拼接圖像之間的配準(zhǔn),最后完成多幅圖像的拼接得到整個(gè)區(qū)域的全景圖。Li J[5]提出了一種基于點(diǎn)線特征的二維自由激光掃描匹配方法,對(duì)不同特征點(diǎn)擴(kuò)展一維SIFT,通過(guò)改進(jìn)的分割和合并算法提取線特征,實(shí)現(xiàn)一個(gè)同時(shí)定位和地圖系統(tǒng)的室內(nèi)測(cè)繪。

圖像拼接時(shí)會(huì)出現(xiàn)明顯的拼接線與過(guò)渡帶,針對(duì)該問(wèn)題,張勇[6]等人提出一種改進(jìn)的SIFT特征點(diǎn)匹配的圖像拼接算法,該算法在特征提取的過(guò)程中加入Harris角點(diǎn)算子,篩選出魯棒性較強(qiáng)的點(diǎn)。采用基于圓形窗口的48維向量來(lái)進(jìn)行特征降維,并借助匹配特征點(diǎn)對(duì)之間的幾何一致性來(lái)對(duì)特征點(diǎn)進(jìn)行粗提純,提高算法運(yùn)行效率;最后采用重疊區(qū)域線性過(guò)渡融合算法對(duì)圖像進(jìn)行平滑過(guò)渡,消除拼接縫隙。李海洋[7]提出一種改進(jìn)的基于SURF特征匹配的圖像拼接算法。在剔除誤配點(diǎn)時(shí),采用改進(jìn)的隨機(jī)抽樣一致(RANSAC)算法調(diào)整采樣概率,以更少的時(shí)間獲取正確模型,提高算法效率。在圖像融合時(shí),先對(duì)輸入圖像進(jìn)行亮度均衡預(yù)處理,然后再使用加權(quán)平滑算法進(jìn)行融合,從而消除結(jié)果圖的拼接線和過(guò)渡帶,提高圖像拼接質(zhì)量。

針對(duì)圖像匹配算法計(jì)算量大,實(shí)時(shí)性差的問(wèn)題,張懿[8]提出了一種基于FAST特征的快速圖像配準(zhǔn)系統(tǒng)。該系統(tǒng)首先通過(guò)FAST特征進(jìn)行配準(zhǔn),然后通過(guò)改進(jìn)的RANSAC算法增加配準(zhǔn)準(zhǔn)確率,最后通過(guò)加權(quán)融合完成圖像拼接。李玉峰[9]等人提出了一種基于區(qū)域分塊與尺度不變特征變換(SIFT)相結(jié)合的圖像拼接算法。該算法利用圖像能量的歸一化互相關(guān)系數(shù)快速分割出匹配圖像與待匹配圖像間的相似區(qū)域,利用SIFT算法在重疊區(qū)域中搜索出能用于匹配的圖像特征點(diǎn)并實(shí)現(xiàn)快速精確配準(zhǔn)。然后,通過(guò)對(duì)圖像進(jìn)行了幾何校正和圖像融合來(lái)實(shí)現(xiàn)圖像序列間的無(wú)縫拼接。張旭[10]提出將圖像分離,減少背景特征點(diǎn),并采用FAST和BRIEF相結(jié)合的圖像匹配算法,保障了拼接效果和拼接效率。

相較于視覺(jué)傳感器的高質(zhì)量圖片數(shù)據(jù),超聲波傳感器[11]有著低成本、輕數(shù)據(jù)量、不受光線等因素影響的優(yōu)點(diǎn)。韓霜[12]設(shè)計(jì)并實(shí)現(xiàn)了一種基于射頻與超聲波信號(hào)到達(dá)時(shí)間差的高精度室內(nèi)定位系統(tǒng),用于無(wú)線傳感器網(wǎng)絡(luò)中節(jié)點(diǎn)的定位和跟蹤。系統(tǒng)中位置固定的信標(biāo)節(jié)點(diǎn)周期性同步發(fā)射射頻信號(hào)與超聲波脈沖,待定位的移動(dòng)節(jié)點(diǎn)測(cè)量接收到的射頻和超聲波信號(hào)的到達(dá)時(shí)間差,并將此數(shù)據(jù)采用分時(shí)的方式發(fā)送至中心控制主機(jī)。劉金全[13]以超聲衰減理論為基礎(chǔ),提出一種基于廣義最小殘差(GMRES)迭代的超聲層析成像重建算法:首先利用廣義極小殘差迭代算法獲取初始物體濃度分布信息,然后采用均值濾波并設(shè)定灰度門檻的方法對(duì)其進(jìn)行修正以提高圖像精度。

本文結(jié)合數(shù)據(jù)類型、數(shù)據(jù)量、實(shí)時(shí)性、成本等多方面因素,選擇在節(jié)點(diǎn)上安裝超聲波傳感器組,實(shí)現(xiàn)環(huán)境信息采集功能,利用無(wú)線傳感器模塊將環(huán)境信息傳輸給上位機(jī),上位機(jī)對(duì)數(shù)據(jù)分類處理、繪制出對(duì)應(yīng)單一節(jié)點(diǎn)地圖,將各個(gè)節(jié)點(diǎn)地圖拼接,實(shí)現(xiàn)數(shù)據(jù)的融合[14],進(jìn)而完成整個(gè)環(huán)境信息地圖構(gòu)建。

1 模型建立

1.1 環(huán)境探測(cè)模型

傳感器網(wǎng)絡(luò)單一節(jié)點(diǎn)上均勻分布了個(gè)N超聲波傳感器,超聲波傳感器之間的角度為θ=2π/Nrad,由于超聲波具有聲波的扇形發(fā)射特性,且安裝時(shí)會(huì)帶來(lái)角度誤差,因此對(duì)距離的精準(zhǔn)探測(cè)產(chǎn)生影響,設(shè)誤差為Δθ。環(huán)境探測(cè)模型如圖1所示。

圖1 環(huán)境探測(cè)模型

在理想狀態(tài)下,測(cè)量某一固定邊界時(shí),安裝在單一節(jié)點(diǎn)上不同位置的超聲波傳感器所測(cè)距離關(guān)系如下:

(1)

超聲波傳感器在受到外界干擾時(shí),量測(cè)數(shù)據(jù)具有不可靠性,為此需要對(duì)數(shù)據(jù)預(yù)處理。在第i個(gè)數(shù)據(jù)采集周期中,對(duì)于網(wǎng)絡(luò)節(jié)點(diǎn)上的第n個(gè)超聲波傳感器,其量測(cè)數(shù)據(jù)的可靠性可以通過(guò)對(duì)第n-1與第n+1個(gè)傳感器的量測(cè)數(shù)據(jù)綜合后評(píng)估。由式(1)可得相鄰數(shù)據(jù)的遞推關(guān)系為:

(2)

e=|dn+1(T)-dn(T)|

(3)

(4)

當(dāng)測(cè)量無(wú)偏時(shí),e′=e,但是在實(shí)際中,由于溫度傳感器參數(shù)漂移和安裝誤差,導(dǎo)致e′>e或e′

1.2 數(shù)據(jù)采集模型

Δe的大小主要是受溫度傳感器精度和溫度傳感器誤差影響,距離數(shù)據(jù)信息是通過(guò)超聲波傳感器獲得的,計(jì)算公式如下:

(5)

式中:v為超聲波速度,t為超聲波往返時(shí)間。

由于超聲波傳感器測(cè)距會(huì)受到溫度的影響而造成估計(jì)距離與測(cè)量距離不等,為此采用溫度補(bǔ)償和高斯濾波的方式對(duì)測(cè)量距離進(jìn)行修正,公式如下:

(6)

ΔT=T-T0

(7)

ΔT=ΔT0±P·ΔTe?ΔT～N(μ,δ2) (μ=ΔT,δ=ΔTe)

(8)

式中:v0為超聲波在15 ℃環(huán)境下的傳播速度,v0=340m/s,T0為基準(zhǔn)溫度,T為測(cè)得溫度。ΔT為溫度差,ΔT0為實(shí)際溫差,ΔTe為測(cè)量溫度誤差。v(T)=v0(T)+a·(ΔT0±P·ΔTe)℃=vμ(T)+vδ(T)

(9)

(10)

由式(10)可知,超聲波測(cè)距數(shù)據(jù)由dμ(T,t)和dδ(T,t)兩部分構(gòu)成,其中dμ(T,t)為單一節(jié)點(diǎn)在溫度為T的環(huán)境下測(cè)得的數(shù)據(jù),作為基準(zhǔn)距離;dδ(T,t)為溫度誤差造成的偏差,作為誤差距離。通過(guò)對(duì)誤差距離進(jìn)行修正,提高測(cè)量精度,保障數(shù)據(jù)的可靠性。

因?yàn)棣的大小主要是受溫度傳感器精度和溫度傳感器誤差影響,因此有以下關(guān)系:

Δe=λ1dμ(T,t)+λ2dδ(T,t)

(11)

式中:λ1和λ2為控制系數(shù),該參數(shù)的設(shè)置是為適應(yīng)實(shí)際環(huán)境中邊界的平滑性,即當(dāng)邊界不平滑時(shí),通過(guò)參數(shù)λ1和λ2來(lái)調(diào)節(jié)Δe取值,防止有效數(shù)據(jù)的誤剔除。

圖2 邊界和頂點(diǎn)數(shù)據(jù)提取

2 特征匹配

2.1 特征提取

近年來(lái)特征提取的方法不斷的優(yōu)化,但是多數(shù)研究是針對(duì)圖形的。盡管圖形也是能夠轉(zhuǎn)換為數(shù)據(jù)信息,但是圖形的數(shù)據(jù)量遠(yuǎn)遠(yuǎn)超過(guò)單純的距離數(shù)據(jù)集,而數(shù)據(jù)量的多少直接影響到運(yùn)算速度。針對(duì)距離數(shù)據(jù)類型,采用點(diǎn)特征提取方式,通過(guò)對(duì)距離數(shù)據(jù)進(jìn)行分析,提取出特征點(diǎn)。

由圖2(a)中可以看出,數(shù)據(jù)點(diǎn)從左端點(diǎn)到右端點(diǎn)的變化趨勢(shì)是,從大到小,再?gòu)男〉酱蟮淖兓?在垂直時(shí)最小。因此相鄰3個(gè)數(shù)據(jù)點(diǎn)有以下3種關(guān)系:

(12)

(13)

以上兩種模型結(jié)合能夠提取出特征點(diǎn),借助垂直邊界特征點(diǎn)能夠定位節(jié)點(diǎn)坐標(biāo),進(jìn)而對(duì)自身坐標(biāo)進(jìn)行修正。

在有障礙物時(shí),節(jié)點(diǎn)的探測(cè)數(shù)據(jù)將會(huì)變的更加復(fù)雜,這時(shí)就會(huì)出現(xiàn)障礙物的邊界點(diǎn)和斷點(diǎn)等情況,模型如圖3所示。

從圖3中可以得出以下關(guān)系:

(14)

從上述幾個(gè)關(guān)系式中,可以提取出障礙物的邊界點(diǎn)、邊界的頂點(diǎn)以及節(jié)點(diǎn)到邊界的垂直點(diǎn),三者可以通過(guò)相鄰點(diǎn)之間的差值大小加以分類。

圖3 障礙物數(shù)據(jù)關(guān)系模型

2.2 特征匹配

單一節(jié)點(diǎn)在移動(dòng)過(guò)程中會(huì)記錄移動(dòng)距離sj和旋轉(zhuǎn)角度γj,通過(guò)N次的運(yùn)動(dòng)將生存環(huán)境遍歷。通過(guò)對(duì)記錄數(shù)據(jù)和采集數(shù)據(jù)進(jìn)行分析,轉(zhuǎn)換為二維坐標(biāo)數(shù)據(jù)點(diǎn),即將采集的距離數(shù)據(jù)集轉(zhuǎn)換為坐標(biāo)點(diǎn)集,進(jìn)而便于圖形的構(gòu)建。轉(zhuǎn)換方程如下:

(15)

第k個(gè)節(jié)點(diǎn)的第j次運(yùn)動(dòng)采集的坐標(biāo)點(diǎn)集構(gòu)成了第kj次子地圖,通過(guò)對(duì)所有子地圖的構(gòu)建、旋轉(zhuǎn)變換、平移變換實(shí)現(xiàn)全局地圖構(gòu)建。子地圖構(gòu)建完成后,需要進(jìn)行特征匹配,從而確定旋轉(zhuǎn)變換和平移變換的參數(shù)。特征匹配的方式選擇歐式匹配,即比較最近鄰距離與次近鄰距離的SIFT匹配方式,核心思想是取一幅圖像中的一個(gè)SIFT關(guān)鍵點(diǎn),并找出其與另一幅圖像中歐式距離最近的前兩個(gè)關(guān)鍵點(diǎn),在這兩個(gè)關(guān)鍵點(diǎn)中,如果最近的距離除以次近的距離得到的比率ratio少于某個(gè)閾值T,則接受這一對(duì)匹配點(diǎn)。

歐式距離匹配對(duì)所有的特征點(diǎn)進(jìn)行篩選,選取兩幅圖片中有效的特征點(diǎn)。確定有效特征點(diǎn)后,需要對(duì)特征點(diǎn)進(jìn)行分析,進(jìn)而確定轉(zhuǎn)換矩陣,將兩組圖進(jìn)行拼接,如圖4所示。

圖4(a)和圖4(b)為兩子地圖數(shù)據(jù),其中圖4(a)中紅色與綠色圓表示對(duì)數(shù)據(jù)進(jìn)行分析后得到的特征點(diǎn),通過(guò)對(duì)環(huán)境信息的分析,提取的特征點(diǎn)主要分布在邊界的頂點(diǎn)和邊界斷點(diǎn)位置,表明模型的有效性。圖4(b)則是采用歐式距離進(jìn)行匹配特征點(diǎn),并剔除無(wú)效點(diǎn)后的結(jié)果。特征點(diǎn)的剔除,能夠有效的降低地圖拼接的運(yùn)算時(shí)間,提高拼接質(zhì)量。

圖4 子地圖特征點(diǎn)選取和剔除

2.3 地圖拼接

地圖的拼接是將其中一個(gè)地圖作為基準(zhǔn),將另一個(gè)子地圖進(jìn)行平移、旋轉(zhuǎn)變換,進(jìn)而完成拼接。子地圖坐標(biāo)轉(zhuǎn)換方程如下:

(16)

優(yōu)化目標(biāo)最大重合點(diǎn)數(shù)優(yōu)化參數(shù)θ、px和py適應(yīng)度函數(shù)if(∑‖P′-P‖<0．1)N(i)=N(i)+1fitness(i)=max[N(i)]

其中P=(x,y),P′=(x′,y′),適應(yīng)度函數(shù)為最大重合點(diǎn)個(gè)數(shù),最優(yōu)結(jié)果是通過(guò)比較兩幅子圖之間的重合點(diǎn)個(gè)數(shù)來(lái)確定。

3 實(shí)驗(yàn)

3.1 實(shí)驗(yàn)流程

無(wú)線傳感網(wǎng)生存環(huán)境地圖構(gòu)建流程圖如圖5所示。

3.2 實(shí)驗(yàn)分析

本實(shí)驗(yàn)采用能力風(fēng)暴UII型機(jī)器人本體作為傳感網(wǎng)節(jié)點(diǎn)平臺(tái),其參數(shù)如表1所示。

實(shí)驗(yàn)平臺(tái)尺寸/cm輪系輪距/cm質(zhì)量/kg通信方式能力風(fēng)暴UII20×20×10兩輪161無(wú)線

基于該實(shí)驗(yàn)平臺(tái)配合超聲波傳感器實(shí)現(xiàn)地圖數(shù)據(jù)采集功能,并通過(guò)無(wú)線模塊將地圖數(shù)據(jù)傳輸給上位機(jī)。上位機(jī)為win7(32位)系統(tǒng),利用MATLAB(2012b)對(duì)各個(gè)節(jié)點(diǎn)采集的數(shù)據(jù)集進(jìn)行處理,構(gòu)建出各個(gè)節(jié)點(diǎn)子圖。通過(guò)本文所提出的算法對(duì)子圖點(diǎn)特征進(jìn)行提取和匹配,然后對(duì)子地圖變換矩陣參數(shù)進(jìn)行優(yōu)化,選取最優(yōu)解,最終實(shí)現(xiàn)地圖拼接。實(shí)驗(yàn)環(huán)境和網(wǎng)絡(luò)節(jié)點(diǎn)如圖6所示。

圖6 實(shí)驗(yàn)環(huán)境與網(wǎng)絡(luò)節(jié)點(diǎn)

圖6中可以看出實(shí)驗(yàn)環(huán)境由6個(gè)移動(dòng)節(jié)點(diǎn)和多條邊界構(gòu)成,符合現(xiàn)代建筑特征。本次實(shí)驗(yàn)環(huán)境由邊界構(gòu)成的障礙物具有明顯的頂點(diǎn)特征和邊界斷點(diǎn)特征,有助于對(duì)特征點(diǎn)提取是否正確的判定。除此之外,傳感器網(wǎng)絡(luò)生存環(huán)境地圖構(gòu)建與實(shí)際環(huán)境相比較,能夠通過(guò)觀察直接判斷地圖構(gòu)建的優(yōu)劣。

邊界上點(diǎn)的個(gè)數(shù)直接影響到邊界探測(cè)的精度,為此以邊界長(zhǎng)度和覆蓋點(diǎn)數(shù)為指標(biāo),進(jìn)行邊界覆蓋密度的計(jì)算,以保證探測(cè)的精度。

圖7為單一節(jié)點(diǎn)上超聲波傳感器檢測(cè)信息與實(shí)際環(huán)境信息進(jìn)行對(duì)比分析,記錄每個(gè)邊界上點(diǎn)的個(gè)數(shù)和邊界長(zhǎng)度,并計(jì)算出探測(cè)邊界的檢測(cè)點(diǎn)的平均覆蓋密度。單一節(jié)點(diǎn)所處位置和邊界長(zhǎng)度導(dǎo)致重合點(diǎn)數(shù)量的差異。

圖7 子圖與環(huán)境信息重合點(diǎn)數(shù)和平均覆蓋密度

通過(guò)對(duì)單一節(jié)點(diǎn)超聲波數(shù)據(jù)進(jìn)行數(shù)據(jù)分析和處理,將距離-角度信息轉(zhuǎn)化為坐標(biāo)點(diǎn)信息,實(shí)現(xiàn)子圖的構(gòu)建。實(shí)驗(yàn)結(jié)果如下:

圖8為各個(gè)節(jié)點(diǎn)地圖,地圖中紅色點(diǎn)代表單一節(jié)點(diǎn)采集的數(shù)據(jù)點(diǎn),藍(lán)色點(diǎn)代表單一節(jié)點(diǎn)基準(zhǔn)坐標(biāo),綠色圓圈為特征點(diǎn)。由上述幾幅圖可知,節(jié)點(diǎn)探測(cè)位置的不同,探測(cè)到的數(shù)據(jù)集將會(huì)發(fā)生變化,數(shù)據(jù)集的變化直接影響到子地圖的構(gòu)建以及子地圖特征點(diǎn)的數(shù)量。

圖9是基于map4進(jìn)行的兩兩地圖拼接實(shí)驗(yàn)結(jié)果,從圖中可以看出,第2幅圖的拼接效果不理想,造成該現(xiàn)象是因?yàn)閮煞貓D相關(guān)性小、特征點(diǎn)少。

由圖10可以看出,基于某一個(gè)子圖來(lái)實(shí)現(xiàn)地圖的拼接效果偏差,不能夠滿足實(shí)際需求。因?yàn)榛谀硞€(gè)子地圖的地圖拼接方式受限于特征點(diǎn)的數(shù)量和子地圖之間空間位置關(guān)系,提高地圖拼接質(zhì)量可以從子地圖的選取以及所選兩兩拼接子地圖位置關(guān)系兩方面改進(jìn)。

本實(shí)驗(yàn)通過(guò)對(duì)子地圖的選取方式進(jìn)行改良算法,主要思想是將基于任意一個(gè)子圖為基準(zhǔn)完成的最優(yōu)拼接結(jié)果視為整體的局部最優(yōu),通過(guò)對(duì)任意兩個(gè)子圖的拼接效果和拼接的順序進(jìn)行分析,選取一組最優(yōu)的拼接順序。

由圖11可以看出,通過(guò)改良拼接方式能夠明顯的提高地圖的拼接效果。地圖的拼接不僅能夠提升地圖的完整程度,還能夠有效的提高邊界測(cè)量精度,改善地圖質(zhì)量。

圖12是子圖拼接后,數(shù)據(jù)點(diǎn)與環(huán)境信息的誤差值。圖13是全局地圖數(shù)據(jù)誤差,在4 m×4 m環(huán)境下,數(shù)據(jù)誤差控制在2 mm以內(nèi)能夠滿足對(duì)地圖質(zhì)量要求。

圖8 各個(gè)節(jié)點(diǎn)地圖

圖9 基于map4的兩兩拼接

圖10 基于map4地圖拼接結(jié)果

圖11 最優(yōu)拼接結(jié)果

圖12 節(jié)點(diǎn)地圖數(shù)據(jù)誤差

圖13 全局地圖數(shù)據(jù)誤差

4 總結(jié)

綜上所述,本文通過(guò)對(duì)節(jié)點(diǎn)環(huán)境信息進(jìn)行了研究和分析,構(gòu)建出各個(gè)節(jié)點(diǎn)地圖,實(shí)現(xiàn)了節(jié)點(diǎn)地圖的拼接,通過(guò)對(duì)拼接算法的優(yōu)化,提高了地圖拼接質(zhì)量和地圖精度,降低了環(huán)境地圖數(shù)據(jù)誤差。相較于基于視覺(jué)傳感器搭建的無(wú)線傳感網(wǎng),基于超聲波傳感器組的無(wú)線傳感網(wǎng)有著低成本、輕數(shù)據(jù)量以及實(shí)時(shí)性好的優(yōu)點(diǎn)。實(shí)驗(yàn)結(jié)果表明該方法能夠解決圖形拼接數(shù)據(jù)量大、運(yùn)算量大的問(wèn)題,能夠滿足地圖構(gòu)建的實(shí)時(shí)性要求,為傳感器網(wǎng)絡(luò)的研究做出了貢獻(xiàn)。

[1]盧旭,劉軍,袁飛. 基于移動(dòng)Sink的自組織視頻傳感網(wǎng)絡(luò)目標(biāo)跟蹤算法[J]. 傳感技術(shù)學(xué)報(bào),2016,29(9):1430-1434.

[2]郭丹,王學(xué)民,王瑞云,等. 基于雙目立體視覺(jué)的舌重建[J]. 傳感技術(shù)學(xué)報(bào),2016,29(9):1317-1322.

[3]Ni Jianjun,Wang Chu,Fan Xinnan. A Bioinspired Neural Model Based Extended Kalman Filter for Robot SLAM[J]. Mathematical Problems in Engineering,2014,2014(2014):235-254.

[4]程爭(zhēng)剛,張利. 一種基于無(wú)人機(jī)位姿信息的航拍圖像拼接方法[J]. 測(cè)繪學(xué)報(bào),2016,45(6):698-705.

[5]Li J,Zhong R,Hu Q,et al. Feature-Based Laser Scan Matching and Its Application for Indoor Mapping[J]. Sensors,2016,16(8):1265-1286.

[6]張勇,王志鋒,馬文,等. 基于改進(jìn)SIFT特征點(diǎn)匹配的圖像拼接算法研究[J]. 微電子學(xué)與計(jì)算機(jī),2016,33(3):60-64.

[7]李海洋,張睿哲. 一種改進(jìn)的基于SURF特征匹配的圖像拼接算法[J]. 太原理工大學(xué)學(xué)報(bào),2016,47(1).

[8]張懿,劉藝. 基于FAST特征的快速圖像拼接系統(tǒng)研究[J]. 計(jì)算機(jī)工程與應(yīng)用,2016,52(10):167-170.

[9]李玉峰,李廣澤,谷紹湖,等. 基于區(qū)域分塊與尺度不變特征變換的圖像拼接算法[J]. 光學(xué)精密工程,2016,24(5):1197-1205.

[10]張旭,高佼,王萬(wàn)國(guó),等. 基于顯著圖的輸電線路桿塔圖像拼接方法[J]. 計(jì)算機(jī)應(yīng)用,2015,35(4):1133-1136.

[11]劉建華,劉華平,楊建國(guó),等. 測(cè)距式傳感器同時(shí)定位與地圖創(chuàng)建綜述[J]. 智能系統(tǒng)學(xué)報(bào),2015,10(5):655-662.

[12]韓霜,羅海勇,陳穎,等. 基于TDOA的超聲波室內(nèi)定位系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[J]. 傳感技術(shù)學(xué)報(bào),2010,23(3):347-353.

[13]劉金全,蘇明旭,田昌,等. 基于GMRES的超聲過(guò)程層析成像算法研究[J]. 傳感技術(shù)學(xué)報(bào),2013(10):1395-1400.

[14]Santos J M,Couceiro M S,Portugal D,et al. A Sensor Fusion Layer to Cope with Reduced Visibility in SLAM[J]. Journal of Intelligent and Robotic Systems,2015,80(3):401-422.

Research on Mapping the Living Environment of the Wireless SensorNetwork Based on the Low Cost Ultrasonic Sensor Group*

WANGWei1,2*,LILinmao1,WEIDingding1

(1.School of Information and Electrical Engineering,Hebei University of Engineering,Handan Hebei 056038,China;2.Engineering Research Center of Internet of Things Technology Applications of the Ministry of Education,School of Internet of ThingsEngineering,Jiangnan University,Wuxi Jiangsu 214122,China)

In the process of monitoring the environment,the mobile sensor network nodes collect a large number of environment map data with errors,which cause that the environment map quality is low and the real-time performance is poor. In allusion to the problems mentioned above,this paper proposed an algorithm for environmental maps with low cost,lightweight data and multiple network nodes based on the ultrasonic sensor group. Firstly,the ultrasonic measurement data is processed by Gauss filter. Secondly,to construct the partial maps with the processed data and the feature points can be extracted from the single node maps and be matching,and then the fused global map could be obtained. Finally it realized the construction of the sensor network node survival environment. Moreover,it improves the map quality of the sensor network node’s living environment by optimizing the sequence of the sub images stitching,which can reduce the errors of the composition data and the actual environment data.

sensor network;map fusion;mobile node;sub-graph optimization

王 巍(1983-)，男，漢族，博士，副教授，碩士研究生導(dǎo)師，主要研究領(lǐng)域?yàn)槲锫?lián)網(wǎng)理論與技術(shù)、人機(jī)交互、計(jì)算智能，wangwei83@hebeu．edu．cn；李林茂(1989-)，男，漢族，碩士研究生，主要研究領(lǐng)域?yàn)槲锫?lián)網(wǎng)、無(wú)線傳感器網(wǎng)，578013849@qq．com。

項(xiàng)目來(lái)源:國(guó)家自然科學(xué)基金資助項(xiàng)目(61402147);河北省自然科學(xué)基金項(xiàng)目(F2015402108);河北省教育廳科學(xué)研究計(jì)劃項(xiàng)目(QN20131152);河北省物聯(lián)網(wǎng)數(shù)據(jù)采集與處理工程技術(shù)研究中心開放課題項(xiàng)目;江蘇省博士后科研資助計(jì)劃項(xiàng)目(1601085C);邯鄲市科學(xué)技術(shù)研究與發(fā)展計(jì)劃項(xiàng)目(1625202042-1)

2016-12-15 修改日期:2017-03-22

TP391

A

1004-1699(2017)08-1258-09

C:7230

10.3969/j.issn.1004-1699.2017.08.022