传感器网络中基于压缩感知的压缩域目标跟踪算法研究与应用-孙斌.pdf

《传感器网络中基于压缩感知的压缩域目标跟踪算法研究与应用-孙斌.pdf》由会员分享，可在线阅读，更多相关《传感器网络中基于压缩感知的压缩域目标跟踪算法研究与应用-孙斌.pdf（9页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、第30卷第11期 电子测量与仪器学报2016年1 1月 JOURNAL OF ELECTRONIC MEASUREMENT AND INSTRUMENTATIONf30o111617DOI：1013382jjemi20161 1001传感器网络中基于压缩感知的压缩域孑J、目标跟踪算法研究与应用斌 马春晖 金心宇 吕鹏昊 项 川(浙江大学信息与电子工程学院杭州310027)摘要：复杂环境下传感器网络目标跟踪，存在跟踪准确性与算法复杂性这对矛盾，需要考虑准确性、通信和计算能耗之间的折中。针对此问题，研究传感器网络中基于压缩感知的压缩域目标跟踪和压缩域数据融合，并提出了用稀疏的测量矩阵对haarli

2、ke特征压缩，压缩域特征送人朴素贝叶斯分类器，在压缩域直接实现目标跟踪的算法。然后通过配置传感器网络以生成多个层次类型不同的簇结构，压缩后的数据在网络中传输，并在各层簇头实现压缩域下的数据融合。该算法通过稀疏测量矩阵压缩表征原始图像信息和分类器的自我学习更新，提高了对压缩域目标特征分类的准确性，在复杂环境下有更好的鲁棒性。而压缩域直接进行目标跟踪，不需要重构图像，也减少了网络运算量和数据传输量。通过仿真实验和标准数据库测试对比以及在机器人足球赛实验平台中的应用表明，该算法在跟踪准确性，数据传输量及传输能耗上均有优势。关键词：压缩感知；传感器网络目标跟踪；压缩域；数据融合中图分类号：TN401

3、文献标识码：A 国家标准学科分类代码：5104030Research and application ofon compressed domaintarget tracking algorithm basedin wireless sensor networkSun Bin Ma Chunhui Jin Xinyu Lv Penghao Xiang Chuan(College of Information Science&Electronic Engineering，Zhejiang University，Hangzhou 310027，China)Abstract：Target tracki

4、ng of sensor networks in complex environment has contradictions between the trackingaccuracy and the complexity of the tracking algorithmThe tradeoff between accuracy and energy consumption ofcommunication and calculation should be consideredTo solve this problem，the compressed-domain target trackin

5、gand compressed-domain data fusion based on compressive sensing are studied，and a target tracking algorithmperformed in compressed domain is proposedThe Haarlike features of original images are compressed by a sparsemeasurement matrix，fed into the Bayesian Classifier directly in compressed domainBy

6、configuring the sensornetworks to generate cluster structures with different hierarchical types，the compressed data is transmitted in thenetworkand the data fusion in the compressed domain iS performed in the cluster heads of each layerTheclassification accuracy of target feature in compressed domai

7、n is improved by both the sparse measurement matrixand the self-learning of the classifierThe amount of computation and data transmission of networks are reduced bytracking directly in compressed domain without reconstructingThe results of simulation experiment，comparisontest of standard database an

8、d application in robot soccer game of sensor network experimental platform show that theproposed algorithm has advantages in tracking accuracy，data transmission and energy consumptionKeywords：compressed sensing；target tracking in WSN；compressed domain；data fusion收稿日期：2016-10 Received Date：2016-10基金项

9、目：浙江省自然科学基金(J20130411)、浙江省高等教育课堂教学改革项目(KG2015005)、传染病诊治国家重点实验室开放基金(2014KF06)、国家科技重大专项基金(2013ZX03005013)资助项目万方数据1618 电子测量与仪器学报 第30卷1 引 言传感器网络目标跟踪技术越来越受重视，视频信息的处理和融合给目标跟踪算法带来了资源采集、数据计算和信息传输上的瓶颈。当前的研究重点心。集中在分簇式与分布式跟踪架构，在目标位置预测中，应用较广泛的是分布式粒子滤波技术和数据融合算法。分布式粒子滤波的研究热点是节点间传送的数据，主要有GMM后验估计、传送粒子及权重等。GMM方法在较小的

10、网络中是可行的，但节点较多时传送协方差矩阵就有困难，此时采用直接传送粒子及权重的方案，但传送粒子需要较大的通信开销，所以在减少计算能耗、通信能耗和数据丢包方面还不够完善。同时，在视频传感器网络中存在PTZ摄像机情况下，在移动背景下特征项选择，感知范围内的障碍物遮挡等也是许多研究者的研究内容，目前大多采用多个特征以改善目标跟踪算法的性能，同时采用过多特征却会导致计算复杂度急剧升高。所以在视频传感器网络中，目标跟踪仍然是困难但是又非常重要的任务，需要考虑准确性、通信和计算能耗之间的折中。压缩感知(CS)作为一个新兴的研究领域，以Candes为代表的一系列论文的发表，使得它在短短几年间迅速发展起来，

11、使用压CS可以有效减低信息的传输和处理量。孙斌等人旧。提出了在粒子滤波框架中通过稀疏逼近来进行目标跟踪。每个待选跟踪的目标都会通过冗余的稀疏字典进行稀疏的表示，同时提出了一种动态更新冗余字典的方法，使得整个目标跟踪过程更加鲁棒。张金成等人H，提出了传感器网络中的分簇式压缩感知融合方法。上述方法都涉及到目标的重构，运算量都比较大。Baraniuk提出直接在压缩域对信号进行处理的CSP框架。5j。以往按传统的压缩感知研究，先通过重建完整的信号，再用常规的数字信号处理方法(DSP)进行处理，但在某些情况下，只有信号中的-4,部分特征信息是处理者感兴趣的，不需要重建完整的信号。而在这些方面，压缩感知领

12、域的研究考虑得还很不完善。在CS压缩域直接处理已经引起了相关领域的重视，做得较成功的是人脸识别1和Berkeley大学的目标检测o 7I。在目标跟踪领域Mei等人o对每一个候选目标进行稀疏表示，通过L1最小化优化求解，选择具有最大概率的候选目标作为当前帧跟踪结果。在国内，一些高校和科研机构p1，也做了相关的研究，但cs理论在视频传感器网络的目标跟踪研究还很不完善，Stanford大学的Jiang等人刈将基于超完备字典的目标稀疏表示引入视频传感器网络的目标跟踪，用于描述跟踪目标，但只对目标遮挡做了简单分析。基于以上思路以及研究基础旧，12。1 3I，本文采用haarlike特征，用稀疏的测量矩阵

13、进行特征压缩，并将压缩域的特征直接送入在线学习的朴素贝叶斯分类器分类，不需要对每张图片进行重构。在传感器网络中，每个子节点将压缩域下的特征送往簇节点，在簇节点的分类器接收后直接进行压缩域下的目标分类，通过压缩域下的数据融合实现目标跟踪。2 基于压缩感知的压缩域跟踪算法21基于压缩感知的压缩域跟踪算法跟踪模型如图1所示，在第t帧，检测若干张目标图像(正样本，红色矩形)和背景图像(负样本，绿色矩形)，对它们提取haarlike特征，由于其特征维数庞大，通过稀疏的测量矩阵对提取的haarlike特征进行压缩，用压缩域的特征训练朴素贝叶斯分类器。t+l帧时，在目标周围一定范围内采样凡个扫描窗口，提取h

14、aarlike特征，通过同一个稀疏测量矩阵压缩，压缩域的特征，送人在第t时刻训练好的朴素贝叶斯分类器，对这些特征进行分类，分类响应最大的窗口就被认为是目标窗口。重复上述过程，不断训练更新分类器参数实现跟踪。22稀疏测量矩阵鉴于haarlike特征在人脸识别中的优越性，提取样本的haarlike特征。haarlike特征可分为4类：中心特征、边缘特征、线性特征和对角线特征，这些特征组成了特征模版，如图2所示。规定模版特征值为白矩形像素和与黑矩形像素和的差值，很小的图像窗口就会有很多的矩形特征。这么多的特征怎样快速计算呢?用非常稀疏的测量矩阵压缩，使得压缩域的特征能够保持原始图像的细节信息。万方数

15、据第1 1期 传感器网络中基于压缩感知的压缩域目标跟踪算法研究与应用田口回斟融繁；可_露一_：一图1 压缩域下的跟踪模型Fig1 Tracking model in compressed domain叩哪日目徽滁二线件特觚(【。me features)毋3嘲心环绕4_,j-(1l： 4特定方向的特钲(Centersurround featutes)(Special diagonal lone)feature used图2 Haarlike特征Fig2 Haarlike feature一个典型的满足等距性的随机测量矩阵便是高斯矩阵14 3R，r#N(O，1)，然而该矩阵的计算量仍然较大，采用稀疏

16、的随机测量矩阵，定义为：rIj2 4s1，概率为ZS0，概率为1一一1 (1)一1，概率为ZS图3压缩域下的特征维度Fig3 Feature dimension in compressed domainAchlioptas。15 J证明了当这个矩阵的s=2或者3时满足Johnson定理，当s=3的时候，它非常稀疏，稀疏到可以减少23的计算，本文设置S=3。如图3所示，由于haarlike特征的维度m在1061010，采用式(1)的稀疏随机矩阵足“，haarlike特征戈1，一，戈。压缩后成为压缩域特征口。，。，2即尺中非零个数。满足Johnson定理的维数n的范围51是7,(1熙1n(d)，其

17、中本文设定s=02，卢=1。另外一个范围来自于压缩感知的约束等距性2Kfllog(m邝)，本文设定m=106，c=1，13=10，估计n50，实验过程中发现，z=50时结果就较满意了。23 压缩域下在线学习的普通贝叶斯分类器对于每一个样本zR“，它的压缩表示为，=(秽1，秽。)7R“，其中mn。假设l，中的元素独立分布，用朴素贝叶斯分类器建模：f日(秽)=logllnp(口。l y=1)p(y=1)i=ll ip(。f y=O)p(y=o)i=l和(斜矧) 假设先验概率py=1)=p(y=0)，Y0，1是一个二进制数，代表着样本标签。孙。，_&露厶阙万方数据电子测量与仪器学报 第30卷Diac

18、onis等人61证实高维随机向量的随机投影几乎是高斯分布的。因此，分类器日(t，)中条件分布p(秒。l Y=1)和p(u。I Y=0)认为是服从高斯分布，并且以4个参数(Ix；，盯，p?，盯?)表示：p(u。I Y=1)弘；，盯；)p(vi】Y=o)肛?，盯?) (3)分类器参数更新规则如下：肛：卜Ap；+(1一A)p1；一卜瓜(一)2+(1一A)(盯1)2+A(1一A)(“一肛1)2；盯l=。藐)(姒旷肛1)2；肛1=ui(矗) (4)。(k20 v=1)3 传感器网络压缩域下的分簇式跟踪31传感器网络压缩域目标跟踪架构传感器网络压缩域的目标跟踪算法架构如图4所示。每个子节点采集图像，提取样

19、本的haarlike特征，通过稀疏的测量矩阵对提取的haarlike特征进行压缩，将压缩域下的特征送往簇节点。在簇节点的朴素贝叶斯分类器，接收从多个节点传送过来的共个稀疏特征，在压缩域直接进行同标特衙分类，完成目标跟踪，并反馈给各节点：732压缩域下的数据融合架构基于多级分层集群体系结构和压缩域下的数据融合提出了分层式压缩域数据融合方案。中心思想是配置传感器网络，多个节点按一种多级集群的层次结构排列，在每一层次进行数据压缩，压缩后需要传输的数据量是由各层集群大小决定的。压缩后的数据在传感器网络中传输，并在各层簇头实现压缩域下的数据融合。簇的逻辑树如图5所示，设最高层级为咒该树由i层上相同的乃个

20、节点和随机叶节点(f)n构成且ii2。对随机部署的传感器网络施加了如下约束。I)第1层每个簇至少有n个节点。设置n=万方数据第1 1期 传感器网络巾荩于压缩感知的压缩域目标跟踪算法研究与应用 1621图5 压缩域下的数据融合架构Fig5 Data fusion architecture incompressed domain4“且dN+，以保证每个正方形簇实现全区域覆盖，且不会导致两个相邻簇交叉。2)剩余传感器随机均匀部署于I c，1个簇中，簇头数量最大值为忍卜1，叶节点为N一t卜1n7一n。一1=(凡一1)几。一1。女口果n2，贝0 Nn11凡卜1。这一结果表明，簇头数量小于叶节点数量，即只

21、有少部分节点参与了多层次数据传输和融合，其余节点的唯一工作就是将其数据直接发往簇头。在簇头融合中心的联合稀疏求解时，由式(1)构造的联合测量矩阵是稀疏的。而稀疏的投影矩阵经MIT的Berinde等人1证明，稀疏的测量矩阵满足RIP条件，而且从稀疏的投影矩阵恢复原始信号运算更快。Wani等人。1 8。将稀疏的测量矩阵应用于视频传感器网络，并验证了其对运算速度及对数据丢包的优越性。即使传感器网络在数据通信时出现丢包或其中某个或少量节点故障也没有关系，不需要常用的ARQ通信机制，大大减少通信开销，并增加了系统鲁棒性。33压缩域下的数据传输量与传输能耗从数据传输总次数和传输能耗两方面对压缩域下目标跟踪

22、算法进行理论分析和仿真验证。1)压缩域下的数据传输量测量值M：”取值范围为派log n，(i+1)K log凡，K为稀疏系数。整个数据融合任务传输的总数目为：T T hM=M。=M；f)=cI T c。(f)一1)+(n一1)M出 (5)设s-2；，Sz 2；了1，于是，数据传输次数M的下限为：门(M)=Nn 71+K(凡一1)n 71 log nS，(6)上限为：O(M)=Nn卜1+K(凡一1)n卜1 log n(s1+S2)(7)本文算法、文献19的NCS算法和文献20的HCS算法总体数据传输量的定量比较结果如图6所示。将簇头规模固定为4，传感器网络节点数目从3001 000。结果表明，本

23、文算法的传输数据量均低于NCS算法和HCS算法。在两种固定簇规模的条件下，当传感器节点数量增加时，总体数据传输量将会增加，但本文算法增加的斜率均低于其他两种算法。l嗣蜃；炒4l-1-J-J-L-L-L-L-一300 500 700 900400 600 800 1 000传感器节点数艟图6 不同算法的数据传输量Fig6 The amount of data transferred ofdifferent algorithms2)传输能耗传感器节点的能耗主要集中在数据传输上，传输能量成本EI)往往是传输距离和数据量MD的函数。因此，可以将E建模为E；D=C。+cd；”膨，于是每一层传输能量总成本

24、为E。=c，lE。其中C。为常数，表示每个数据传输任务的启动能耗；c也为常数，表示单位距离单位数据量的传输成本。设= (戈。一z。)2+(y。一Y。)2，其中(戈Y。)和(戈。，Y。)分别是c及其子万方数据电子测量与仪器学报 第30卷节点的位置坐标。最终总能耗为：r c1 c。l r 【cfE=E=C。+cd：D+C。+ ，hcdlDMI=n卜1c，+c击1Ts(一1)+凡T-ic；+c击1Tn孚s(n一1)K log出=1 cInT-1c。+c吉仃5寺(：一1)+n卜1吱Js2+丁 cc击盯s(n一1)Kn学log翌 (8)r一1 r一1设s 7，=inl以，设s：=n州2，因此，J凸D2t

25、、能耗E的下限为：n(E)=n卜1c。(1+s2)+c去订s寺(一凡卜1)+K(n一1)2T-1S 7llog凡E的上限为：(9)O(E)=n卜1c。(1+S2)+c击盯s卡(一n卜1)+K(21)n1。1(S1+s2)log凡 (10)为了忽略所有常值参数的影响，假设C。、C、K、S均为1。簇规模为4，网络规模为300、400、500、600、700、800时的最终传输能耗E如图7所示。本文算法与NCS，HCS算法相比，能耗最低 燃燃 卜NCSl-41-HCS2，一。一卜I J艰3：扣rlla4j4H络观模图7 不同算法的能耗Fig7 Energy consumption of differ

26、ent algorithms4 压缩域目标跟踪结果与分析41在复杂环境的目标跟踪在田径比赛中，选择博尔特作为跟踪目标，在整个过程中，目标处于高速移动的状态，摄像头随之移动致使背景不断变化，而在整幅图像中有衣着完全相同的运动员，也有形态类似的运动员，环境复杂且变化。将本文方案与经典的粒子滤波方案进行跟踪比较，如图8、9所示，本方案能够一直跟踪目标，而用粒子滤波跟错到衣着相似的运动员的身上。结果说明，在应对环境复杂多变，本文方案中，大量的haarlike特征用非常稀疏的测量矩阵压缩，压缩感知理论使得压缩域的特征保持了原始图像|0f可i有f；i息，JVi以能够J!证xd复杂fj勺。艾l求情兄图8 基

27、于压缩感知的压缩域跟踪Fig8 Compressed domain tracking based011 compressed sensingf粥碡i嘲l墼熏耋逡篷_；_一：一三羔I麴鲶警-k兰釜。图9 经典的粒子滤波跟踪Fig9 Classical particle fiher tracking从复杂环境下的跟踪鲁棒性和准确性进行分析，并利用雹然甚翟簟黧羔：誉i：黑42跟踪准确性,-agfHA,invot2014 P)提供的目标位置实时标准坐标，说明 “。”帅怔哪旺跟踪准确性。最后算法应用在传感器网络的实验 对汽车的跟踪试验中，如图10和11所示，为平台上，实现机器人足球赛的目标跟踪。 了更科

28、学的比较准确性的差异，将两组跟踪矩形中万方数据第1 1期 传感器网络中基于压缩感知的压缩域目标跟踪算法研究与应用心的实时坐标输出，并找到数据集(http：boxvicossivotvot2014zip)与标准坐标进行误差分析比较，绘制误差曲线如图12所示。利用公式eTTOT=(戈iX0)2+y。一Yo)2，其中(菇。，Y1)为跟踪矩形中心的实时坐标，(XO,Yo)为标准坐标，通过误差对比可以看出本文算法跟踪准确性更高，分析其原因，除了压缩域特征保持了原始图像的信息外，分类器在每一帧的自我学习更新，也提高了对压缩域特征分类的准确性：图10基于压缩感知的压缩域跟踪Fig10 Compressed

29、domain tracking basedOil compressed sensing图11 经典的粒子滤波跟踪Fig1 1 Classical particle filter tracking2010080燕60继4020O图12跟踪误差分析Fig1 2 Tracking error analysis43传感器网络压缩域下目标跟踪的应用将压缩域下的跟踪算法应用在机器人足球赛的目标跟踪中，机器人比赛是4 VS 4对抗足球赛，机器人之间依靠WiFi进行通信，机器人之间使用的是全局场上坐标。机器人网络实验平台是在一个长度为6 m，宽度为4 m的绿色场地上面进行足球比赛，比赛场地和真人场地部署一致，

30、采用固定参考物可以滤除机器人本身定位不准确带来的误差，实验测试场地布局如图13所示。机器人的主控芯片是Intel Atom Z530处理器，内存为1 GB，flash有4 GB，电机控制单元使用的是ARM架构的STM32F407Z，主频168 MHz，硬件框架如图14所示。对于计算能力不足的网络节点需要解决数据传输和跟踪准确性的矛盾。图13 测试场地的布局Fig1 3 The layout of the test field图14硬件平台框架Fig14 Hardware platform framework本文算法在实验中进行跟踪时间和跟踪准确性实测。跟踪过程中，在总共1 350的计算周期里面

31、，每隔10个周期对运行时间取样。目标跟踪时间在3900 010一0002 0 S。跟踪准确性上，与分布式粒子滤波相比，如表1所示，跟踪小球的精度上本文算法更有优势。万方数据1624 电子测量与仪器学报 第30卷表1跟踪精度比较Table 1 Comparison of tracking accuracy(一100，0)(一75，0)(一37，0)(0，0)(37，0)(100，0)(125，0)(163，0)(200，0)(237，0)(一100970，28773)(一101813，17939)(一678961，38589)(-739254，51585)(一247483，75316)(一331

32、995，90421)(250212，795Cr7) (79523，60927)(690976，99234)(43207881429)5 总 结J ，l兮 =口传感器网络的目标跟踪要考虑准确性但又受到能耗约束，本文提出的传感器网络中基于压缩感知的压缩域目标跟踪算法，利用cs理论在资源受限传感器网络应用的有利因素，并根据实际传感器网络目标跟踪框架，把两者有机地结合以提高跟踪准确性和鲁棒性并减少网络中的数据传输，降低通信能耗。参考文献1SONG B，DING CH，KAMAL A TDistributed cameranetworksJIEEE Signal Processing Magazine，

33、201 t，28(3)：20312TAJ M，CAVALLARO ADistributed and decentralizedmulticamera trackingJIEEE Signal ProcessingMagazine，2011，28(3)：46-583孙斌，金心宇压缩感知在无线传感器网络目标跟踪中的应用J电子测量与仪器学报，2014，28(5)：463_468SUN B，JIN X YApplications of compressive sensingin target tracking of wireless sensor networksJJournal of Electro

34、nic Measurement and Instrumentation，2014，28(5)：463-4684 张金成，吕方旭，王钰WSNs中的分簇式压缩感知J仪器仪表学报，2014，35(1)：169177ZHANG J CH，LV F X，WANG YCompressive sensingbased on clustering network in WSNs J IChineseJournal of Scientific Instrument，2014，35(1)：169-1775DAVENPORT M A，BOUFOUNOS P T，WAKIN M B，eta1Signal proces

35、sing with compressive measurementsJIEEE Joumal of Selected Topics in Signal Processing，2010，4(2)：445-4606 WRIGHT J，YANG A Y，GANESH A，et a1Robustface recognition via sparse representationJIEEETransactions on Pattern Analysis And MachineIntelligence，2009，31(2)：210-2277 YANG A Y，MAJI S，HONG K，et a1Dist

36、ributedcompression and fusion of nonnegative sparse signals formultipleview object recognitionC12th InternationalConference on Information Fusion Seattle，2009：186718748 MEI X，LING H BRobust visual tracking and vehicleclassification via sparse representationJIEEETransactions on Pattern Analysis and M

37、achineIntelligence，201 1，33(1 1)：225922729 张翠无线传感网协议测试平台研究J国外电子测量技术，2015，34(6)：5457ZHANG CReserch of wireless sensor network protocoltesting platformJForgien Electronic MeasurementTechnology，2015，34(6)：54-5710宫娜娜，武海艳传感器网络节点分布均匀性与定位性能的关系J电子测量技术，2014，37(12)：8085GONG N NWU H YThe relation between senso

38、rnetwork node distribution and positioningperformanceJElectronic Measurement Technology，2014，37(12)：808511JIANG X Y，LI M，GUIBAS L JOvercomplete radonbases for target property management in sensornetworkscIPSN11，2011：263612HUANG S，SUN BAn algorithm for realtime humantracking under dynamic scenecIEEE

39、2ndInternational Conference on Signal Processing Systems，2010：590-59313孙斌，黄神治移动背景下运动目标检测与跟踪技术研究J电子测量与仪器学报，2011，25(3)：206210SUN B，HUANG SH ZHTarget detection and trackingunder moving backgroundJJournal of ElectronicMeasurement and Instrument，201 1，25(3)：206-21014BARANIUK R，DAVENPORT M，DEVORE R，et a1A

40、 simple proof of the restricted isometry property forrandom matricesJConstructive Approximation，2015，28(3)：253-26315 ACHLIOPTAS DDatabasefriendly randomprojections： JohnsonLindenstrauss with binarycoinsJJournal of Computer&System Sciences，2003，66(4)：671-68716DIACONIS P，FREEDMAN D Asymptotics of万方数据第

41、11期 传感器网络中基于压缩感知的压缩域目标跟踪算法研究与应用 1625graphical projection pursuitJAnnals of Statistics，2010，12(3)：79381517BERINDE R，GILBERT A，INDYK 0，et a1Combining geometry and combinatorics：A unifiedapproach to sparse signal recoveryC46th AnnualAllerton Conference in CommunicationContr01andComputing 2008：7988051 8

42、WANI A，RAHNAVARD NCompressive sampling forenergy efficient and loss resilient camera sensornetworksCMilitary Communications Conference，2011：1766177119LUO J，XIANG L，ROSENBERG CDoes compressedsensing improve the throughput of wireless sensornetworksCProceedings of 2010 IEEE InternationalConference on

43、Communications(ICC)，Cape Town，South Africa，2010：1-620XIANG L，LUO J，VASILAKOS ACompressed dataaggregation for energy efficient wireless sensornetworksCProceedings of 8th Annual IEEECommunications Society Conference on Sensor，Meshand Ad HOC Communications and Networks(SECON)，2011：46-54作者简介孙斌(通讯作者)，分别在

44、1992年、1995年和2001年于浙江大学获得学士学位、硕士学位和博士学位，现为浙江大学副教授，主要研究方向为传感器网络、压缩感知和图像处理。E-mail：shgzjueducnSun Bin(Corresponding author)received BSc，MScand PhDall from Zhejiang University in 1992，1995 and2001，respectivelyNow she is associate professor in ZhejiangUniversityHer main research interests include compress

45、edsensing，wireless sensor network，and image processing马春晖，2015年于浙江大学获得学士学位，现为浙江大学硕士研究生。E-mail：21531029zjueducnMa Chunhui received BScfrom Zhejiang University in2015Now he is a MSccandidate in Zhejiang University金心宇，现为浙江大学教授，主要从事网络通信、信息处理的研究。Email：jinxyzjueducnJin Xinyu is professor in Zhejiang UniversityHis mainresearch interests include network communication，informationprocessing and SO on万方数据