抵御欺骗攻击的DV-hop安全定位算法

针对无线传感器网络中距离无关的定位技术,提出了DV-Hop定位中普通节点被俘获的欺骗攻击模型,分析了这种欺骗攻击模型对DV-Hop定位过程的影响,进而提出了一种抵御欺骗攻击的DV-Hop安全定位算法.首先,在普通节点端提出了基于发送-转发信息一致性的检测机制来检测恶意节点;其次,在汇聚节点端提出了基于消息转发链举证的检测机制来确定恶意节点;最后,当汇聚节点检测出存在恶意节点进行篡改攻击后,汇聚节点通报全网弃用恶意节点转发的数据分组并重启定位.仿真结果表明,本文提出的安全定位算法可以有效滤除恶意节点,且安全定位算法的定位性能与无攻击下的DV-Hop定位性能基本相当,可以有效解决欺骗攻击对DV-Hop定位过程造成的影响.     

无线传感器网络中基于邻居节点信息的溯源追踪策略

在无线传感器网络中,被俘获的恶意节点可以发动虚假数据注入攻击,即不断发布虚假数据耗尽网络资源,为应对此类型攻击需快速追踪定位到攻击节点,提出一种基于邻居节点信息的溯源追踪策略.在本策略中,每个节点保存两跳邻居节点信息,通过单向链密钥对发送数据包节点进行认证,避免了恶意节点伪造其他节点身份发送数据,相互通信的两个节点及其共同邻居节点记录接收到的数据包特征信息,当网络中存在虚假数据注入攻击时,因途中转发节点的邻居节点都存储有数据包的特征信息,Sink节点可以依据此类信息逐跳溯源追踪至攻击节点,因为利用了传感器节点的部分存储空间,本方法不需要收集大量攻击数据包便可定位攻击节点,同时,本方法的特性保证了溯源追踪过程不受路由变化的影响,更加健壮.理论分析和实验结果都表明该策略不仅能以较高的效率定位到恶意节点,而且能容忍路由的动态变化且能够应对合谋攻击.     

一种面向目标跟踪应用的传感器网络路由协议

移动目标跟踪应用在能量效率、可靠性、实时性和可扩展性等方面对传感器网络路由协议提出了较高要求。提出了一种基于目标跟踪应用的路由协议GGSR(Geographical Greedy and Stateless Routing,GGSR)。GGSR协议由两部分算法组成:sink节点到移动目标区域的查询数据包路由协议和目标区域到sink节点的汇聚数据包路由协议。GGSR是一种完全分布式的按需路由协议,动态建立和路径维护。节点只需要维护自身状态信息,具有较好的可扩展性。协议采取基于地理信息的贪婪转发策略,通过减少通信跳数,缩短了数据包路由的时延。协议以节点能量和距离的综合函数作为转发代价,同时考虑节点不同状态下的能耗,对不活动的节点及时休眠,使得协议具有较高的能量效率。协议采取下游节点转发确认机制提高了协议的可靠性。仿真实验表明,算法能够满足目标跟踪应用对传感器网络路由协议的性能要求。     

双层协作的无线传感器网络目标跟踪方法

通过在无线传感器网络中引入双层监测机制,提出一种基于象限定位的目标跟踪方法。该方法依据位置关系选取相关性高的内外层节点,利用外层节点的快速侦测和内层节点的准确定位对移动目标进行定位跟踪,同时向汇聚节点快速上传移动目标轨迹。理论分析和实验结果表明,该方法可以降低无线传感器网络功耗,提高目标定位精度。     

基于DV-Hop的无线传感器网络安全定位

针对DV-Hop非测距定位技术没有考虑非法节点(包括无法定位的节点)对定位过程影响的问题,提出了一种基于DV-Hop的安全定位机制,即在定位过程中引入了节点间交互信息特性用于检测虫洞攻击,利用时间性质和空间性质明确有效信标节点,并且结合在节点通信过程中加入加密和认证机制来抵御伪装攻击,最后实现安全定位。仿真实验表明,在攻击存在的环境中,提出的安全定位机制能够以较高的概率检测出虫洞攻击,并使定位误差减小了大约63%左右。     

一种基于测距的抗虫洞攻击安全定位机制

通过分析在无线传感器网络中,虫洞攻击对节点的基于测距定位过程的影响,提出了一种基于测距的安全定位机制,即通过节点间信息交互特性引入节点标记方案用于抵抗虫洞攻击;同时结合基于TDoA距离一致性进行定位使定位更加精确;最后实现安全定位。仿真实验结果表明,在攻击存在的环境中,该机制能够以较高的概率检测出虫洞攻击,并且定位成功的概率很高。     

无线Ad Hoc网络中增强安全性的多路径路由算法

针对无线ad hoc网络的数据安全性问题,提出了一种增强安全性的多路径路由算法．该算法通过目标节点发送检测数据包的机制,动态维护多路径路由信息的有效性．源节点则根据收到检测包的信息自适应地更新当前的最优传输路径,充分利用路由寻找及维护过程中的信息建立多条可用路径,提供最优的路由方案,并增强了无线ad hoc网络数据传输的安全性．仿真结果表明此算法的数据传输安全性达到了合理的水平．     

基于位置信息的自适应Ad Hoc路由协议

传统的基于位置信息的路由算法往往采用分布式预测机制，可靠性不高，特别当源节点不知道目的节点位置时只能采用洪泛策略，增大了通信开销。本文提出一种基于位置信息的自适应路由机制LAAR（Location-based A—daptive Ad hoc Routing）。LAAR采用分层的体系结构获得全网一致的拓扑视图，消除分布式预测带来的不确定性，通过路由前的位置查询避免洪泛。LAAR综合利用多种位置更新机制，在限制网络开销的同时保障位置信息的准确性。LAAR的自适应调节机制将节点的运动状态与路由发现过程结合，实现对目的节点的动态跟踪，提高路由性能。仿真结果表明，随着节点移动速度的增加，LAAR能够获得比LAR更小的控制开销；同时在节点密度较大情况下，LAAR能获得更高的分组投递率。     

基于分布式聚类的有向传感器网络移动目标跟踪算法研究

针对有向传感器网络DSN（Directional Sensor Networks）中,传感器节点部署数量对目标跟踪精度、网络寿命和能效问题的影响方面,提出了一个分布式聚类算法,该算法在优化活跃传感器和节点的直接通信过程中,由分布式集群来负责协调成员间的节点,通过传输给Sink的定位信息及从多个节点聚集的传感数据来准确定位目标的位置。基于该理论的目标跟踪机制,提高了目标跟踪精度、增加了网络寿命和网络剩余能量。并进行了仿真验证,结果表明该方法能实现更高的跟踪性能。     

无人值守无线传感器网络中可靠数据生存恢复方案

无人值守无线传感器网络( UWSN)通常部署在环境恶劣或敌对环境中,在静态汇聚节点(或基站)部署困难的情况下,感知节点无法完成感知信息的实时汇聚传输,需暂时维持感知数据的生存状态。为增强数据生存概率,提高感知数据的抗损坏、擦除和篡改能力,在建立攻击模型假设的基础上,针对失效节点攻击假设,提出一种基于中国剩余定理加密秘钥分割机制的可靠数据生存恢复方案。利用门限秘钥分割存储机制增强密钥分割存储安全性,确保数据加密分割生存的可靠性,针对恶意节点攻击所造成的不可靠数据恢复威胁,构建基于恢复不一致性的恶意恢复攻击检测方案及基于多数表决的恶意恢复攻击识别机制,确保数据恢复的安全、可靠。     

基于并行Boosting算法的雷达目标跟踪检测系统设计

目前的雷达目标跟踪检测系统跟踪路线与实际路线相差较大,泛化误差率高。基于并行Boosting算法设计了一种新的雷达目标跟踪检测系统,硬件内部引入数据多处理器,对收集的雷达位置数据集中处理,连接I/O接口,配置数据过滤器,将雷达位置信息数据的状态参数录入过滤器元件中。在软件部分,利用并行Boosting算法的内部学习融合方式调节不同的雷达目标追踪系统状态,通过信息处理、航迹分析、落脚点判断来整合相应的跟踪检测信息,构建检验方程式防止外来无关数据的侵扰,最终得到雷达目标跟踪数据操作状态,完成目标跟踪检测。实验结果表明,基于并行Boosting算法的雷达目标跟踪检测系统设定的检测路线与实际路线吻合度高达99.21%,泛化误差远远低于传统目标跟踪检测系统,实用性更强。     

基于Tiny-YOLOV3的无人机地面目标跟踪算法设计

为了提高四旋翼无人机对地面目标跟踪的稳定性和跟踪精度,提出了一种结合Tiny-YOLOV3和卡尔曼滤波的跟踪算法;首先分析了Tiny-YOLOV3的原理和网络结构,并基于Tiny-YOLOV3的目标检测结果,结合无人机状态和目标的几何关系建立了目标跟踪系统的数学模型;接着对目标相对运动关系进行分析,建立目标的运动学模型,考虑到目标检测结果受干扰影响较大,应用卡尔曼滤波器实现对目标轨迹的滤波和预测,进而提升目标跟踪的精度;最后根据经过卡尔曼滤波后的目标轨迹信息设计无人机控制律,在轨迹控制的同时引入对无人机偏航角的控制,从而实现无人机对目标的稳定跟踪;仿真结果表明无人机对目标的位置跟踪精度在0.5 m以内,速度跟踪误差在0.2 m/s以内,偏航角跟踪误差在3°以内,跟踪效果良好,从而论证了所提算法的有效性。     

基于概率阈值通信感知的WSNs目标跟踪算法

针对移动Sink节点目标跟踪定位时间长,能耗大等问题,提出基于概率阈值通信感知的WSNs目标跟踪算法。采用离散数据传输方式,并定义目标信息传输概率阈值来确定是否将节点当前位置信息由传感器节点传输到Sink节点。若当前位置信息不传输到Sink节点中,则使用最近一次通报的目标位置信息进行目标定位。然后开启目标周围相关传感器节点来有效降低算法数据传输量,并保持足够的定位精度。仿真结果显示：该方法比预测跟踪算法降低数据传输量87%左右,比动态目标跟踪算法降低跟踪时间33.7%左右。     

主被动结合的网络测量技术研究

网络测量技术可以有效地帮助网络研究者和管理者更好地理解网络性能和结构。鉴于单一的主动测量或被动测量技术难以实现对网络信息进行精准而有效的测量,提出一种主被动结合的网络测量技术。针对被动测量方式获得的数据采用基于正则表达式的匹配和信息筛选机制提炼有效数据信息;基于这些信息,提出一种周期动态调整的主动发包方式测量目标网络的丢包率,并采用泊松分布的采样方式采集丢包率的测量数据;同时提出一种多路径动态路由测量算法,测量目标网络的路由路径信息。实验结果显示,周期动态调整的主动发包方式与固定周期发包的测量方式相比,可以将链路丢包率降低60%以上;多路径动态路由测量方法与Traceroute和Dijkstra路由寻路探测方式相比,路由探测准确率虽然相差很小,但是平均路由跟踪时间分别减少了大约10%和42%。表明周期动态调整的主动发包方式在网络突发时段可以适当调整发包周期;多路径动态路由测量方法可以有效地减少探测过程中的平均路由跟踪时间。     

Detection of passenger flow on and off buses based on video images and YOLO algorithm

Bus passenger flow information is very important as a reference data for bus company line optimization, schedule scheduling basis, and passenger travel mode arrangement. With the development of image processing technology, it has become a current research trend to count passenger flow with the help of surveillance video of passengers getting on and off the bus. The specific research contents of this paper based on video image detection and statistics of passengers are as follows:(1) Collect head target image samples through a variety of ways, including 3960 positive head target samples and 4150 negative head target samples, which together constitute the head target feature database. (2) Established a head target detection model based on deep learning. First, the labeling of the head target training data set is completed. Then, after 15,000 iterations of model training, the YOLOv3 head target detection network model was obtained, with a recall rate of 92.12% and an accuracy rate of 89.71%. (3) A multi-target matching tracking algorithm based on the combination of Cam-shift and YOLOv3 is proposed. First, the Cam-shift algorithm is used to track the head target. Secondly, the head target tracking data and the YOLOv3 detection data are combined to solve the problem of drift during the tracking of the Cam-shift algorithm through the data association matching method based on the minimum distance, and then combined with the time constraint, a passenger location information judgment rule is proposed. Optimize the error and missed detection in the process of head target detection and tracking, and improve the reliability of passenger trajectory tracking. (4) A statistical algorithm for the detection of passengers getting on and off the bus is proposed. First, the trajectory of passengers in the bus boarding and disembarking area is analyzed, and a process for judging passengers’ boarding and boarding behavior is proposed. At the same time, a passenger position information judgment rule is proposed according to the different situations of whether there are new passengers or missing passengers, so as to optimize the problem of wrong detection and missing detection in the process of head target detection and tracking. (5) Finally, experiments are carried out in actual bus scenes and simulation scenes. The experiment proves that the statistical algorithm for the detection of passengers getting on and off the bus proposed in this paper has good detection, tracking and statistics effects in bus scenes and simulation scenes.

     

基于无线传感器网络的同时定位与跟踪

研究无线传感器网络在位置信息不确定时,同时定位无线传感器网络节点并跟踪移动目标。利用RSSI测量节点对之间的距离,多维定标技术根据距离矩阵完成传感器网络的初始定位。估计与更新阶段提出了压缩EKF滤波确定传感器节点位置和目标位置。仿真结果显示:算法在较低的网络覆盖率下有较高的定位和跟踪准确度,在初始定位误差为5m时,节点和跟踪误差均小于3m,特别是在长距离的跟踪任务中有很好的精度和实时性。     

空间非合作目标在轨主/被动融合跟踪方法

针对空间远距离非合作目标的点目标跟踪问题,研究基于非地面测控数据支持的远距离空间目标的在轨主/被动融合跟踪方法。包括运用基于被动传感器以及雷达间歇辅助测距跟踪的Unscented卡尔曼滤波(UKF)方法,得到非合作目标的运动状态信息,即利用光学跟踪摄像机的二维角度量测值及雷达间歇提供的距离量测值,估计目标的惯性位置与速度方法,为后续自主空间操作建立初始轨道状态数据。仿真结果表明,当状态误差和量测噪声改变时,UKF均能持续跟踪远距离非合作目标,使得雷达间歇提供的距离信息可以得到更好的跟踪精度。     

传感器网络下机动目标动态协同跟踪算法

对传感器网络下的机动目标跟踪问题提出一种分布式传感器节点动态分簇、协同跟踪算法. 通过在线优化目标跟踪的性能函数和通讯代价, 自适应地选择节点并动态分簇, 通过多传感器节点的协同感知以及信息融合提高了跟踪精度. 由于问题的非线性和传感器节点的随机性, 本文基于粒子滤波器在线预测和估计目标状态的概率分布, 使用混合高斯粒子滤波器以及选择最短路径用于传感器节点之间的信息交换节约了通讯能量, 通过一种有效的粒子方法逼近目标状态的预测方差以实现传感器节点的最优选择. 仿真结果表明, 与 IDSQ 算法相比较, 本文提出的动态分簇算法实现了对机动目标的高精度跟踪.     

采用核相关滤波的快速TLD视觉目标跟踪

目的 如何对目标进行快速鲁棒的跟踪一直是计算机视觉的重要研究方向之一,TLD（tracking-learning-detection）算法为这一问题提供了一种有效的解决方法,为了进一步提高TLD算法的跟踪性能,从两个方面对其进行了改进。方法 首先在跟踪模块采用尺度自适应的核相关滤波器（KCF）作为跟踪器,考虑到跟踪模块与检测模块相互独立,本文算法使用检测模块对跟踪模块结果的准确性进行判断,并根据判断结果对KCF滤波器模板进行有选择地更新;然后在检测模块,运用光流法对目标位置进行初步预测,依据预测结果动态调整目标检测区域后,再使用分类器对目标进行精确定位。结果 为了验证本文算法的优越性,对其进行了两组实验,实验1在OTB2013和Temple Color128这两个平台上对本文算法进行了跟踪性能的测试,其结果表明本文算法在OTB2013上的跟踪精度和成功率分别为0.761和0.559,在Temple Color128上的跟踪精度和成功率分别为0.678和0.481,且在所有测试视频上的平均跟踪速度达到了27.92帧/s;实验2将本文算法与其他3种改进算法在随机选取的8组视频上进行了跟踪测试与对比分析,实验结果表明,本文算法具有最小的中心位置误差14.01、最大的重叠率72.2%以及最快的跟踪速度26.23帧/s,展现出良好的跟踪性能。结论 本文算法使用KCF跟踪器,提高了算法对遮挡、光照变化和运动模糊等场景的适应能力,使用光流法缩小检测区域,提高了算法的跟踪速度。实验结果表明,本文算法在多数情况下均取得优于参考算法的跟踪性能,在对目标进行长时间跟踪时表现出良好的跟踪鲁棒性。     

基于改进Kalman滤波的可见光极小目标TBD跟踪方法

针对无人机可见光图像极小目标跟踪问题,本文提出一种基于改进卡尔曼滤波的 (Tracking before detection,TBD)跟踪方法。首先利用检测算法定位目标位置作为卡尔曼滤波的测量值,检测过程中的匹配相似度参数作为卡尔曼滤波测量噪声协方差矩阵的参照依据,其次利用卡尔曼滤波建立跟踪框架预测下一帧的目标位置,最后检测模块以预测位置为 参考位置进行局部搜索,完成整个检测跟踪过程。为了提高跟踪效率,本文根据检测和预测位置积累误差判决检测模式,误差超过门限值则采取全局检测模式消除积累误差,否 则使用局部检测模式,降低TBD跟踪算法的运算复杂度。仿真实验证明,本文方法可以有效检测跟踪极小目标,提高跟踪的实时处理能力。