执行行为建模方法大规模监控系统设计和评估

文摘

本文提出一种性能和评价环境复杂的监控系统的设计。系统包括环境模型、执行模型和应用和评价模型。环境模型解释脚本并创建对象在监测环境中可以评估这各种各样的问题。执行模型修改生成的数据和每个传感器的角度反映了算法执行行为。应用程序模型允许构建大规模协同操作。系统行为是简单的参数化表示。说明了该方法的可行性通过案例研究为提高原型监测系统。

1。介绍

许多研究人员与异构传感器监测系统很感兴趣。他们通常是由各种传感器的互补,比如视觉传感器、识别传感器,运动传感器,和声学传感器。视觉传感器用来监测移动物体和识别传感器是用来识别他们(1- - - - - -4]。运动传感器或声学传感器通常用于检测任何运动或听起来许多异常行为的监测区域(5,6]。异构传感器之间的关系也是识别和跟踪对象(7,8]。由于传感器的检测的特点,监测系统的性能很大程度上受环境因素影响(9,10]。

为了评估监测系统设计和其内部算法,基于仿真的方法已经广泛应用于研究社区11,12]。他们是用于验证的充分性监测系统设计和大量数据的可视化和修改前的昂贵的系统物理安装(13]。一些研究人员(14,15)提供一个虚拟环境测试和比较发达的算法,但他们通常只关注视觉监视系统。它仅限于评估最近使用异构传感器监测系统(16]。同时,大多数基于仿真的方法在有限的环境中执行,强调提出设计的新奇和特点(17- - - - - -19]。这样的模拟测量系统设计的性能不足一个现实的环境。更重要的是,在所有基于仿真方法常见的问题在于他们的复杂性20.]。

在本文中,我们提出一个建模方法容易和灵活代表各种监视应用程序以及动态的环境。指定的环境模型模拟现实环境,简化表示。它覆盖监测环境中,对象与计划或随机运动,和传感器与动态重构和时变覆盖。为了模型的传感器的处理和协作,我们提供一个执行模型。其关键的想法是模型的执行行为实际监测系统以一个简化的格式,而不是一个实际的实现。参数化模型使我们能够测试各种监测设计在很短的时间。所有脚本在提出参数化系统。提出建模允许设计师通过快速原型评估目标系统。

2。动机和问题描述

这项工作是出于评估工具,具有成本效益的监测系统设计的必要性和便于比较不同监测系统的结构。有效监控部署流基于我们提出的模型比传统的图1。在传统部署流,是非常昂贵的设计和部署大规模监控系统(即。,最终的目标系统必须全面实施以评价)。随着监测环境变化,复杂度的部署的系统可能不会有效地运作或可能不能保证足够的精度。建议部署流,我们甚至可以有效地设计和部署监测系统复杂性增加。因此,拟议的部署方法允许评估系统即使在系统实现。

图2显示了该平台的概述。当大型监控系统,有三个主要组件的结构。首先,必须提供用户定义的信息(如一个脚本文件)。这些包括地图信息,使用的传感器类型,对象轨迹信息。用户定义的信息定义了一个特定的目标系统。一旦信息被定义,仿真平台执行目标应用程序的行为。注意,当我们描述行为,实际的实现并不是必要的。因为我们可以获得一个完整的系统仿真信息,可视化与监测等长期平均性能分析是可能的算法变化或环境变化的影响。

整个平台操作需要一个场景生成和之间的交互行为执行如图3。当用户定义的信息提供,平台调度程序生成所有物体的运动信息。然后使用这些信息的后续执行模型。为了模型的动态行为传感器,传感器的接口机制提供字符可能改变应用程序。执行模型的拓扑表示的异构传感器和它们之间的协作信号处理容易被建模为一个参数化脚本。

3所示。场景建模

3.1。物体运动表示和一代

我们作为一个三维模型对象长方体自视觉传感器的检测,如相机,取决于物体的高度和方向对相机。对于每个对象,我们提供全球识别这是独特的在企业环境中使用。除了识别内定义的全球平台,有更多的信息我们需要维护如RFID标签识别。有必要评估性能特征通过真实对象识别作为参考。图4说明了数据结构维护的场景生成器对象。数据结构描述了完整的信息对象轨迹。为了代表每个对象的运动轨迹,我们定义了空间和时间对一个物体的运动参数。对于空间参数,我们维持一个出发的地方并为每个对象一个到达的地方。然而,对于随机生成一个对象,这个空间信息是随机分配的仿真。在环境中,地图由图表示节点和边(即。,the edges for a path in the map and the nodes for intersections and/or key places such as doors or elevators). In order to represent a path as staying in a specific position, we specify an identical node index. For the path’s temporal parameters, we use a departure time range and an arrival time range. The start and end time are specified in a time range. In order to represent a path departing or arriving at a specific time, we specify the time identically to the start and end time. By setting a time range with the time gap, we represent a path departing or arriving at random time in the time gap. In order to represent a path without specific time requirements, we use “random” in a time range. In order to represent a path with velocity variation, we use the field about an object’s velocity.

3.2。传感器特性和动力学

在环境模型中,任何类型的传感器可以合并包括视觉传感器、接近传感器、和识别传感器。这些传感器在指定系统评价。有两种类型的传感器:真正的传感器和伪传感器。真正的传感器的实际可用,如相机和RFID阅读器。等伪传感器是虚拟传感器来检测事件对应的行。通常,这些传感器可以实时动态配置的操作中。

图5说明了传感器特性提供的脚本定义的信息。视觉传感器,如静态摄像头,配置了几个参数。外部信息包括平移和缩放功能。内在参数包括失真因素等等。此外,各种参数,如分辨率和采样率也指定。为了相机的图像捕获模型,我们将使用一个数学相机模型修改器。

然而,一个活跃的相机动态配置的监视应用程序后最初配置。因为相机的运动包括机械运动,运动时间大于计算时间,这样不容忽视的现实建模。因此,我们引入了一个接口函数。它使用相机指数、平移、倾斜,从应用程序模型和缩放值作为输入。通过比较相应参数的值从脚本的输入值,它得到δ值。通过使用相机的翻译速度和缩放速度指数在脚本中,计算由相机运动的时间。一个RFID传感器是一种广泛使用的识别传感器。我们模型的RFID传感器几个参数。我们模型RFID覆盖率作为一个圆定心RFID的位置。一些应用程序可能会改变覆盖动态重新配置RFID的辐射功率在中间的操作。 The interface function we discussed is simply extended for dynamic RFID coverage change by replacing RFID coverage radius in the script with the new value from the application model.

然而,在实际部署RFID传感器、射频识别范围的边界特征波动。由于这种特性,即使对象仍然是在覆盖范围内的位置,它并不总是发现。波动模型,我们使用RFID报道偏差系数作为一个属性。因此,我们引入了时变波动模型来模拟现实的范围波动。模型使用RFID覆盖半径作为输入和输出的一组网格实际上一个RFID阅读器。它生成的输出每个仿真时间。这样的操作如图6。

4所示。执行行为建模平台

4.1。整体模型结构

执行模型中扮演一个重要的角色在指定目标的行为监测系统组件处理。图7说明了提出的执行模型的总体结构与环境的交互模型和应用模型。执行模型的环境环境模型的数据作为输入,然后生成行为处理底层数据是系统的依赖和常用的监视应用程序。应用程序模型模拟特定监视应用程序通过改变底层数据合成高级数据依赖于应用程序的。最后,应用程序模型模拟环境下评估监测应用程序通过使用低级和高级数据。

我们分类组件执行模型的传感器和基于对象的。基于传感器的执行模型模型监测系统的传感器的检测行为。修饰符和感知者如图7属于传感器模型。一对修饰符和感知者需要为每个传感器。在数据的角度来看,修饰符代表理想sensor-to-object关系作为输出,同时通过改变感知者给予现实的关系最理想的信息融合算法的行为。

另一方面,基于对象建模的行为系统组件是基于多传感器协作。本地处理和跟踪/预测处理模型的例子。两种模型代表object-to-sensor关系,通过新的信息由多个传感器的合作。然而,当地处理模型是在完整的检测对象的信息,在跟踪/预测处理模型部分的检测。

整个平台是顺序执行不同的模型如图8。每一个模型都有代码执行的过程和数据。E_Proc平台执行的顺序,M_Proc, P_Proc, S_Proc T_Proc, A_Proc。在每个模型中,代码是由系统代码和用户代码。系统代码的过程和生成数据,并不特定于应用程序的。用户必须提供特定于应用程序的代码和作为模板代码完成系统仿真。系统代码的过程中不断生成所需的系统数据流程的用户代码或其他流程来决定何时以及如何做出决定。另一方面,流程的用户代码生成用户数据通过使用系统数据流程和系统/用户数据的其他进程。在任何给定的模拟迭代,所有进程可以使用以前生成的数据模型以及所有在前面获得的数据模拟迭代。的历史数据对所有流程也是很有必要进行最后的评估。

4.2。基于传感器执行模型

4.2.1。准备修饰符

正如我们讨论的,修饰符需要场景的数据模型和执行这个想法传感器处理。修饰符保持其本地数据结构、M_Data有5个属性、对象ID,对象的位置,邻近对象ID、传感器ID,和对象数据。全球区别对象的对象ID是出现在模拟。对象的对象的位置的位置传感器。邻近对象ID的列表对象ID在一定距离的对象ID对传感器。关于对象的对象数据是静态的信息与传感器相关但不依赖于对象的状态。在这篇文章中,我们考虑相机,RFID阅读器,近距离传感器,和声学传感器的修饰符。例如,当一个修饰词相机模型,对象的位置是关于对象的像素在图像上的立场。如果一个修饰词模型RFID阅读器,那么对象数据标签ID。

为了检测传感器的理想模型,我们考虑两种类型的M_Proc系统代码的功能。函数1型的特点生成新对象的信息每一个仿真时间。这是因为检测信息之间的关系取决于对象的全局位置和传感器的全局位置和检测条件。函数2型复制从E_Data静态检测数据的特征。每当检测到一个对象,检测的结果总是恒定的。例如,一个照相机和声学传感器代表示例1型函数,为函数类型和RFID阅读器和接近传感器是2。

4.2.2。感知者

感知者的目的是修改生成的理想的信息修改成现实的信息根据算法行为指定为一个用户代码。即使一个物体能被探测到的修饰符,感知者可以改变检测状态。内部操作如图9。

为了预测模型对象的本地位置,P_Proc维护P_Data。属性对象ID和跟踪ID。感知者负责当地的系统代码跟踪和预测,我们定义两种类型的函数。第一类为当地跟踪简单模型的理想跟踪通过存储跟踪每个对象ID和跟踪结果在P_Data M_Data。追踪ID生成如果检测到一个对象的时间但是没有时间。为此,它检查如果M_Data出现在前面的P_Data对象ID。第二种类型的预测函数。它适用于未来在M_Data对象信息来上述第一种函数。因此,它存储P_Data中的结果。

然而,认知过程通常依赖于用户代码。那是因为现实的感知是建模行为检测/跟踪系统根据参数影响系统。事实上,这些参数由用户给出。因此,我们将两种类型的分类P_Proc用户代码的功能。检测函数类型是对象的实际检测数据通过注入错误或失败基于对象现状。另一方面,跟踪函数类型使用以前的对象状态以及对象现状进行实际的检测数据。

4.3。估计和预测行为建模

4.3.1。序列模式

而传感器执行模型提供所有必要的信息从传感器的角度来看,这些信息必须被转换为对象的角度来整合目标算法的行为。序列中的视角转换执行模型。序列的内部数据结构模型如图10。一旦信息转换、序列模型模型多传感器协作系统的执行行为。它特别关注的是同质传感器之间的协作。

为了轻松协作算法的执行行为模型,模型转换传感器数据序列,每个感知者维护相关传感器基于对象的数据。因此,对于每个对象,系统代码序列的模型与一个传感器ID列表维护S_Data对象,检测结果根据传感器类型包括传感器ID,事件类型,感觉到数据。为每个模拟,它创造了S_Data通过复制上面的数据从系统数据的每一个感知者。

然后,根据参数化序列模型生成算法的结果传感器协作算法。该协会算法在定位算法。因此,定位算法使用两个传感器要求协会建模算法使用相同的传感器必须被定义。序列的顺序,序列模型执行协会的算法模型,然后定位算法模型。它也清楚地指定与结果作为输出传感器使用。关联算法,当传感器id在S_Data对象包括两个传感器id算法的参数,序列模式决定了与这两个传感器相关联的对象。

4.3.2。跟踪和评估

执行行为的跟踪/预测模型模型算法使用多个传感器需要多个周期,而序列模型模型的执行行为确定其输出单(当前)周期时间。跟踪/预测模型建模的一个例子是异构传感器之间的关联算法。因为他们使用不同的采样时间和采样时间不是同步的,它是不可能确定协会导致周期时间。因此,在实际实现中,一个时间窗口将来自不同传感器的数据通常是使用。同样,跟踪算法需要多个周期保证对象的无缝的跟踪。由于不完美的传感器检测,对象不是被全球跟踪使用多个传感器,传感器可能会失败。然而,这样的失败往往是恢复使用前成功跟踪对象的信息。

全球跟踪的执行行为建模通过维护一个全局对象的ID。对于每个全局跟踪算法,跟踪模型考虑对象的传感器id包括算法表示的传感器id,每一个仿真时间。

跟踪/预测模型还预测模型算法使用多个传感器估计未来的行为结果的数据。监视应用程序需要这个预测机制的最优传感器调度和报道的对象。通过预测现有对象的全局位置,传感器的覆盖是动态重新配置。

4.4。应用程序行为建模和交互

4.1.1。应用程序模型

本文中描述的执行行为建模指定了一个低级的本地处理。为了完成监测系统规范和建模,必须利用所有数据平台。在该平台中,应用程序行为建模是通过基于事件的处理。支持基于事件的处理,我们表示与传感器类型的事件源和事件名称。一个事件源列表中定义的应用程序模型是用户脚本。对于每个事件源,系统代码的应用程序模型搜索T_Data中如果一个对象有一个指定的事件名称作为指定的传感器的输出类型。然后,对象的应用程序模型副本T_Data A_Data这样剩下的流程应用程序的模型基于A_Data运作。因此,通过预定义的事件过滤数据,基于事件的应用程序建模数据的水平。

10/24/11。传感器调度与重构

在许多监测系统,传感器将根据环境的变化,例如,对象密度分布和交通量的变化。基于对象的交通量和传感器的可用性、系统经常执行传感器调度和重新配置(即。,查看修改)。这个执行行为可以很容易地通过提供一个建模A_Proc模型中用户代码。用户代码模型传感器的反馈动态重配置应用程序通过控制传感器重新配置数据。在许多监测应用中,传感器通常配置为传感对象感兴趣的老练地在应用程序的操作。用户代码的应用程序模型简单地更新目标传感器的配置值。传感器重新配置建模通过用户代码,而不是系统代码。当用户代码更新目标传感器配置值的传感器参数、环境模型的接口函数调整电流传感器配置目标配置根据传感器的重新配置特征。

4.4.3。协作的监视应用程序

协作在监视应用程序的行为建模是身体建立作为单独的系统与多个并发进程或作为一个单独的系统。在这两种情况下,常见的行为是应用程序模型交换信息,他们在本地域中生成。这是因为应用程序模型建模监视应用程序维护用户数据在一起。多个并发的本地处理之间的这种合作很容易建模提出了平台。规范他们的行为也在A_Proc建模模型。因为所有必要的信息是可用的,用户代码可以使用前或当前数据一模一样信息交换的行为。具体地说,应用程序模型能够调度传感器和传感器负载平衡模型在大规模监测领域。为了正确的模型中,全球的平台维护的所有对象通过传感器确定的执行模型。应用程序模型获得对象的列表,每个传感器捕获的执行模型。因此,每一个对象分配一个相机。

5。案例研究

在案例研究中,我们的目标是证明该建模方法能够代表大型监控系统,通过重用参数实际视觉检测/内部研发的跟踪算法。整个系统是没有实际实现指定脚本。我们模拟监测系统在CEWIT石溪大学的研究中心。目标应用程序场景配置8相机和8 RFID传感器如图11。RFID的报道被建模为时变边界。基于脸检测算法是本研究(即建模。,an object is detected when the face with a specified minimum area is visible by the camera). A prior information based tracking is modeled (i.e., an object is tracked if previous detection history is available). The objects motions are pseudo randomly generated with a specified start position and time, end position, and average velocity. In case of crowding, the direction of motion is changed to avoid the collision (i.e., the object traffic models the employees of the center). The simulation has been conducted in order to see the effectiveness of the algorithm on object association performance (i.e., analysis of false association rate and miss association rate). The simulation has been executed for one hour real time but less than 3 minutes of simulation time.

相应的平台模型如图12。在平台模型中,交互的数据传输和用法说明。因为目标应用程序需要大量传感器协作,S_Proc和T_Proc大量使用自己的本地数据。此外,E_Data S_Proc直接访问的是为了执行行为的传感器协作。如图,S_Proc和T_Proc广泛互动对象关联操作(将视觉信息与标签信息)。注意,不同的执行行为相同的环境可以很容易地修改不同规格之间的性能比较。因为我们有指定的检测,人脸检测用户代码和用户数据在模型中生成。同样,使用代码和数据指定在随后的模型。

图13说明了案例研究的整体可视化。所有传感器的执行行为以及应用程序可以被评估。可视化显示(即所有对象的状态。小姐,表明虚假和协会)。每个传感器的性能,跟踪性能和协会性能可以可视化的有效验证规范。基于这种可视化功能,长期性能可以调查。

6。结论

本文提出一种有效绩效评估环境监测系统的设计。平台设计,因此只有目标应用程序的行为规范是必要的。提出的建模是组织链的一个环境模型和一系列的执行模型,这样一个系统的整体行为可以很容易地描述和评估。所有脚本在提出参数化系统。复杂的操作,比如传感器协作也可以代表。提出建模允许设计师通过快速原型评估目标系统。提出的方法对于大型系统设计尤其有效。

利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项研究受到了“Cross-Ministry Giga韩国项目”的科学,ICT和未来规划,大韩民国(GK14P0100 Tele-Experience服务软件平台开发基于千兆媒体)。

引用

1. t·d·Raty”调查当代公共安全远程监测系统,”IEEE系统,人与控制论C部分:应用程序和评论,40卷,不。5,493 - 515年,2010页。视图:出版商的网站|谷歌学术搜索
2. 张炳扬。陆,a . Hampaour m . et al .,”Ibm sm艺术监测系统(s3):一个开放和可扩展的framewor k基于事件的监测,”《IEEE视频和基于信号的监测(AVSS 05)2005年9月,页318 - 323。视图:出版商的网站|谷歌学术搜索
3. m·瓦勒拉和美国Velastin智能分布式监测系统:检查。”IEE Proceedings-Vision、图像和信号处理,卷152,不。2、192 - 204年,2005页。视图:出版商的网站|谷歌学术搜索
4. s . h .赵y,香港,和w·曹”部门基于扫描和自适应主动跟踪的多个对象,“网上交易和信息系统,5卷,不。6,1166 - 1191年,2011页。视图:出版商的网站|谷歌学术搜索
5. w·胡,t . Tan l . Wang和美国梅班克”视觉监视对象的运动和行为调查,“IEEE系统,人与控制论C:应用程序和评论,34卷,不。3、334 - 352年,2004页。视图:出版商的网站|谷歌学术搜索
6. y不结盟运动,美国ρ,j . h .公园,“智能视频监控系统:3层上下文感知与元数据监测系统,”多媒体工具和应用程序卷,57号2、315 - 334年,2012页。视图:出版商的网站|谷歌学术搜索
7. S.-J。哦,s . h .秋,美国香港:月亮,和p .公园,“对象协会在异构传感器和识别环境,”Eurasip在信号处理的发展》杂志上文章ID 591582卷,2010年,2010年。视图:出版商的网站|谷歌学术搜索
8. s, s·h·曹香港,y,”协会在异构传感器和识别环境报道的不确定性,”学报第六届IEEE国际会议视频和基于信号的监测(AVSS ' 09)热那亚,页553 - 558年,意大利,2009年9月。视图:出版商的网站|谷歌学术搜索
9. l . c . Shahabi s h . Kim Nocera et al .,“Janus-multi源事件检测和收集系统的有效监测犯罪活动,“杂志的信息处理系统,10卷,不。1、22页,2014页。视图:出版商的网站|谷歌学术搜索
10. d . Ghimire和j·李”,一个强大的基于肤色的人脸检测方法和边缘,”杂志的信息处理系统,9卷,不。1,第156 - 141页,2013。视图:出版商的网站|谷歌学术搜索
11. l·m·布朗,a . w .高级杨绍明。关铭田et al .,“绩效评估监测系统在不同条件下,”《IEEE宠物车间,18页,2005年。视图:谷歌学术搜索
12. j . Nascimento和j .品牌”,为视频监控目标检测算法的性能评估,”IEEE多媒体,8卷,不。4、761 - 774年,2006页。视图:出版商的网站|谷歌学术搜索
13. r·m·黄s, s . k . Kim和D.-W。公园”,一个高度可扩展的系统架构模式的大量数据的异步处理,”杂志的信息处理系统,9卷,不。4、567 - 574年,2013页。视图:出版商的网站|谷歌学术搜索
14. f . z库雷希和d . Terzopoulos监视在虚拟现实系统设计和多幅相机控制”《IEEE计算机学会学报计算机视觉与模式识别会议(CVPR ' 07),2007年6月。视图:出版商的网站|谷歌学术搜索
15. d . Terzopoulos“感知代理在虚拟现实系统,”诉讼的ACM研讨会上虚拟现实软件和技术(VRST ' 03)ACM,页1 - 3,纽约,纽约,美国,2003年。视图:出版商的网站|谷歌学术搜索
16. p . k . Atrey m . Kankanhalli, a . Cavallaro智能多媒体监控:当前的趋势和研究施普林格,2013年。
17. n .霍华德和e·威尔士“目的意识:改进情况意识在以人为中心的环境中,“以人为中心的计算和信息科学,3卷,第9条,2013年。视图:出版商的网站|谷歌学术搜索
18. y, d .他和h .姚明,“最佳MLAT跟踪监测、基于改进模拟机场”第二届国际会议系统工程和建模(ICSEM 13),第975 - 972页,2013年。视图:谷歌学术搜索
19. t·j·埃利斯,性能指标和方法的跟踪监测,”学报》第三届IEEE国际研讨会在绩效评估的跟踪和监视(宠物' 02)2002年6月,哥本哈根,丹麦,。视图:谷歌学术搜索
20. 诉卡拉汉,j . c .奥古斯托·d·库克,a . Kameas佐藤晴,即“智能环境:宣言”,以人为中心的计算和信息科学,3卷,第12条,2013年。视图:出版商的网站|谷歌学术搜索

版权

版权©2014 Jung-Min哦等。这是一个开放访问分布在条知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。