基于高斯混合模型的稀疏射频层析成像方法

技术领域

本发明无设备定位领域，具体涉及一种基于高斯混合模型的稀疏射频层析成像方法。

背景技术

无设备定位(Device-free Localization，DFL)技术是物联网的主要研究热点之一。DFL技术无需观测目标携带任何设备就能够对其实现定位，在交通、医疗、救援以及军事等领域都具有广阔的应用前景。射频层析成像(Radio Tomographic Imaging，RTI)是一种经典的DFL技术。由于射频信号可以穿透非金属物质(例如墙体、烟雾以及树木等)且不受光线强弱的限制，RTI技术有望应用在军事、反恐、消防救援、医疗看护以及夜间野外动物监测等众多领域，在未来的物联网中实现智能感知，具有巨大的发展潜力。经典的RTI技术采用正则化方法解决图像重构中的不适定问题。但是，正则化方法的重构性能往往依赖于观测样本的数量。为了解决正则化技术中所需观测时间过长的问题，基于压缩感知(CompressedSensing，CS)理论的求解算法被引入RTI。结合CS的RTI可以从少量观测样本中重构图像信号，但是存在采样模型与射频观测样本变化不匹配的问题。因为在实际通信中，射频信号通常呈现时变性和不稳定性。由于观测区域的信号传输环境存在干扰，比如微风、树枝的摆动、昆虫以及其他频段的无线通信；同时，射频信号的无线传输信道存在多径效应，目标物体以及其他障碍物会对信号造成反射、衍射以及散射等作用，最终接收端将接收到来自多路信号的叠加。因此，如何通过构建有效的模型应对信道的多径效应以及减少噪声的干扰一直是CS-RTI研究的热点问题。

发明内容

有鉴于此，本发明的目的在于提供一种基于高斯混合模型的稀疏射频层析成像方法，有效解决信道的多径效应以及减少噪声的的问题。

为实现上述目的，本发明采用如下技术方案：

一种基于高斯混合模型的稀疏射频层析成像方法，包括以下步骤：

步骤S1:获取无目标情况下的无线链路RSS值，并建立基于GMM的环境背景链路模型；

步骤S2:采集的实时RSS数据与建立的环境背景链路模型进行匹配,保留有效链路，滤除冗余链路；

步骤S3:根据观测背景区域的随机特性，通过基于GMM的先验模型对重构图像进行学习和训练，获取图像的结构特征参数，并基于GMM先验的贝叶斯压缩感知算法进行图像重构，获得重构图像；

步骤S4:采用基于MRF先验的图像恢复方法，利用压缩的空间图像对重构图像进行恢复。

进一步的，所述步骤S1具体为：

步骤S11:构建无线传感器节点实现免携带设备定位系统；

步骤S12:在观测区域无人情况下测量得到RSS值；

步骤S13:对无目标情况下测量得到的无线链路RSS值建立基于GMM的环境背景链路模型。

进一步的，所述无线传感器节点实现免携带设备定位系统具体为在观测区域四周部署多个传感器节点，节点两两之间组成双向无线链路，通过发送和接收射频信号进行通信，由节点与无线链路构成的通信网络对观测区域进行扫描,系统模型表示为:

y＝W·x+n (1)

上式中，y表示RSS测量值向量，W是和体素衰减相关的权重矩阵，x为重构图像，n则代表系统噪声。

进一步的，所述权重W采用的模型为椭圆模型：

其中，d为链路两端节点之间的距离，d

进一步的，所述基于GMM的环境背景链路模型如下：

其中，y

N(y

进一步的，所述步骤S3具体为：

步骤S31:根据观测背景区域的随机特性，通过基于GMM的先验模型对重构图像进行学习和训练，获取图像的结构特征参数λ'

步骤S32:将有效链路y

进一步的，所述步骤S32具体为：

设f

其中，p表示像素点个数，λ

利用条件期望估计出重构图像f

进一步的，所述步骤S4具体为：

步骤S41:利用MRF对重构图像的稀疏系数进行先验学习，利用像素点的相关性构建基于MRF的先验模型，并采用Metropolis算法对基于MRF的先验模型进行最优问题的估计；

步骤S42:基于重构图像，通过CS求逆框架对未知数进行估计，恢复图像。

进一步的，采用ADMM算法将图像矢量

本发明与现有技术相比具有以下有益效果：

本发明针对现有CS-RTI系统中由于多径干扰、环境噪声等因素导致性能下降的问题，提出构建基于高斯混合模型(Gaussian Mixture Model，GMM)的链路背景模型。通过不断更新模型参数，适应环境的变化。然后利用GMM对图像进行先验学习，并采用贝叶斯压缩感知算法重构图像。在此基础上，提出采用马尔科夫随机场(Markov Random Field，MRF)对重构图像进行结构化学习，在压缩感知(Compressed Sensing,CS)框架下从压缩的图像样本中恢复出图像，图像恢复质量较高，并且系统定位误差较小。

附图说明

图1是本发明一实施例中无线传感器节点实现免携带设备定位系统；

图2是本发明一实施例中椭圆权重模型示意图；

图3是本发明系统流程图；

图4是本发明一实施例中无线网络部署图；

图5是本发明一实施例中基于GMM模型的重构结果图。

具体实施方式

下面结合附图及实施例对本发明做进一步说明。

请参照图3，本发明提供一种基于高斯混合模型的稀疏射频层析成像方法，包括以下步骤：

步骤S1:获取无目标情况下的无线链路RSS值，并建立基于GMM的环境背景链路模型；

步骤S11:参考图1，在本实施例中，利用无线传感器节点实现免携带设备定位系统，在观测区域四周部署多个传感器节点，节点两两之间组成双向无线链路，通过发送和接收射频信号进行通信，由节点与无线链路构成的通信网络对观测区域进行扫描。RTI系统利用信号接收强度(Received Signal Strength，RSS)来表征不同链路的衰减程度。根据RSS的变化值和对应传感器节点的坐标，通过映射关系得到图像体素的衰减量，从而估计目标位置。

本实施例中，系统模型可以用线性模型描述为：

y＝W·x+n (1)

上式中，y表示RSS测量值向量，W是和体素衰减相关的权重矩阵，x为重构图像，n则代表系统噪声。

优选的，本实施例中，W

如图2所示，本实施例采用的权重模型为椭圆模型：

其中，d为链路两端节点之间的距离，d

步骤S12:对无目标情况下测量得到的无线链路RSS值建立基于GMM的环境背景链路模型，将不受目标影响的无线链路称为冗余链路，设为y

其中，y

步骤S2:背景模型建立之后，当观测目标进入到监控区域，此时，将采集的实时RSS数据与建立的模型进行匹配，即通过GMM的RSS预判决模型进行参数训练，然后与RSS预判决模型进行匹配，保留有效链路y

步骤S3:根据观测背景区域的随机特性，通过基于GMM的先验模型对重构图像进行学习和训练，获取图像的结构特征参数λ'

其中，p表示像素点个数，λ

利用条件期望估计出重构图像f

步骤S4:采用基于MRF先验的图像恢复方法，利用压缩的空间图像对重构图像进行恢复。首先，利用MRF对重构图像的稀疏系数进行先验学习，利用像素点的相关性构建基于MRF的先验模型。其中，采用Metropolis算法对MRF模型进行最优问题的估计。其次，对利用图像样本，通过CS求逆框架对未知数进行估计，恢复图像。其中，采用ADMM算法将变量一分为二进行迭代求解。基于MRF先验的图像恢复方法通过MRF捕获稀疏系数的结构，利用了像素点之间的局部相关性，同时CS稀疏恢复的方法在少量的样本情况下可以通过MRF模型增强成像。

实施例1：

本实施例由20个无线传感器节点组成的无线网络测试系统，实验场景现场照片和节点布局如图4所示，20个传感器节点分别被固定在每个支架上，距离地面0.9米，相邻节点之间间隔1m，围成一个5×5m的方形区域，且所有传感器节点工作在2.4GHz频段。

本实施例中，测量每条链路接收信号强度,利用自适应背景混合模型为被视察链路的RSS建立一个混合高斯模型，并利用EM算法更新该模型的参数。这种模型通过更新参数的方法，可以适应实时变化的背景，获得RSS衰减值。高斯混合模型背景分离建模如下：

其中，K+N为无线网络中通信链路总数。将有效链路y

进而有效地重构出图像，其中：

此处x对于y的后验概率是一个高斯混合模型，这是基于GMM的重构。此时通过GMM重构的还只是x概率模型，因此我们再采用条件期望进行单一估计。得到重构的图像衰减像素值

最后，采用基于MRF先验的图像恢复方法，利用压缩的空间图像对重构图像进行有效的恢复。在感知区域中，目标在位置4-2和2-3通过GMM模型的重构结果如图5所示。

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。