(1)基于二位传感器的目标跟踪算法

    基于二位传感器的目标跟踪算法是指节点不需要测量其与目标间的距离与角度，而仅用0和1表示目标是否在其感知范围内。节点间通过交换信息来确定目标的位置，估计目标轨迹。二位传感器的思想最初是Mechitov提出的，该协议中，每个节点记录目标出现在其感知区域内的时间，然后相邻节点间通过交换信息，估算目标的位子，并利用分段线性拟和算法估计目标的移动轨迹[3]。文献[4]在研究二位检测、目标轨迹逼近的基础上提出一种应用于传感器网络的目标跟踪算法。算法根据目标在节点感知区域内的时间，应用简化法、距离期望值法、路径距离法等三种权值计算方案来估计节点的位置。采用不同的权值计算方法，可以建立不同的目标跟踪算法。因此，目标跟踪算法性能的优劣取决于算法采用的权值计算方法。Shrivastava等[5]提出一种基于二位传感器的目标跟踪算法。该算法首先利用可感知到移动目标的节点信息，确定移动目标可能出现的区域，采用分段线性近似或粒子滤波方法对目标进行跟踪，但该算法运算量较大。

    Yan等提出了一种基于二位传感器的多目标跟踪识别算法(MOTI)[6]。该算法首先将网络表示成为一个稀疏连通图，当目标穿越图中的边时，只有连接该边的两个节点可以感知到移动目标。MOTI算法可以对多个目标的轨迹进行明确区分。但是算法要求目标以恒定的速度和方向进行移动。文献[7]提出一种适用于群目标跟踪的基于二位传感器的轮廓跟踪方法。该方法首先获得精确的轮廓信息，根据节点的状态判断轮廓是否发生变化，若轮廓发生变化，则更新发生变化的区域的轮廓信息。首先每个节点判断邻居节点信内状态发生转变的节点，并确定发生变化的轮廓范围，根据该范围更新变化区域内的节点状态。该方法虽然可以动态适应轮廓的变化，但该方法首次捕获轮廓信息比较困难。

    (2)基于簇的目标跟踪算法

    基于簇的目标跟踪算法首先将网络中的节点划分成簇，当簇内的其他节点在获得检测数据后将数据传到簇头节点，簇头节点再对数据进行处理，然后将位置信息发送至用户。Liu等人提出一种基于动态簇的目标跟踪方法[8]。该方法首先利用几何投影的方法确定目标距离每个节点中心的偏移量，进而对目标进行定位。然后根据顺序蒙特卡洛方法获得每个节点监测到目标的概率，挑选最大的概率作为下一时刻的簇头节点，并根据该概率选择簇内节点，继续进行基于簇的目标跟踪。文献[9]提出一种动态簇的目标跟踪算法。该算法首先将网络划分成簇，并合理地选择簇头节点，以最小化簇间的重叠区域，进而减少各簇头节点回传数据时的重复数据及能量消耗。

    文献[10]提出一种基于多跳树的目标跟踪算法。该算法首先将网络划分成簇，然后在每个簇中构建一棵树，保证实时性的同时减少目标跟踪的能量消耗，最后综合路由和目标信息对目标进行跟踪。Carmi等人提出了一种基于粒子过滤的动态簇目标跟踪算法[11]。该算法采用马尔可夫链蒙特卡洛方法，增加跟踪的有效性，首先根据同一条马尔可夫链的实现出不同的样本空间，然后交换不同样本空间的信息，最后采用贝叶斯方法进行优化。

    (3)基于粒子滤波的目标跟踪算法

    Sheng等人提出在传感器网络中应用粒子滤波器的目标跟踪算法[12]。即实现了CPF算法对运动目标序列化的定位跟踪，在此基础上，Sheng等人又提出了基于滤波的多目标定位跟踪算法[13]。该算法将各节点的观测值划分为互不关联的多个群，并行地在每个群中执行粒子滤波算法获取本地统计量，最后将这些统计量发送到数据中心以获得最终估计，该算法计算量较大。Ercan等人提出一个基于粒子滤波的目标跟踪算法，该算法由簇头节点汇聚簇内节点收集的目标信息，并将该信息与预定义的障碍物模型匹配，估计出目标的位置，但该算法适用于已经定义好的环境模型中[14]。