文摘

公共安全是一个广泛的灾难性的现象,构成了严重的威胁。尽管信息融合的视频传感器网络为公共安全已经被广泛的研究,多媒体融合异构传感器网络或在公共安全领域的应用仍是一个挑战,在信息融合领域的核心目标。在这项研究中,实现检测、监控、智能报警等危害,我们开发一个基于实时模式研究异构传感器的动态结构的公共安全。在拟议的模式中,基于数据驱动的数据融合算法融合方面的研究来定位最优与异构网络中传感器节点的传感范围的目标。此外,我们提出一个框架包含有用的上下文和公安报警时间线索,探索其概念化,福利,和挑战,并分析目标运动要素的相关性在多媒体传感器流。实验结果表明,该方法提供了一个更好的方法智能报警,无法通过现有的方案。

1。介绍

公共安全是一个棘手的问题隐藏几乎无处不在,随时威胁到我们的人身安全。威胁是受到一些不可预测的原因,如不守规矩的突发事件或自然灾害引起的人群。不幸的是,据说最悲惨的灾难是由于人类,和根深蒂固的无形的恐怖分子总是找到一种方法来打破社会监管生活。在这种情况下,任何泄漏可能导致各种有形和无形的损失。因此,有一个关键的需要提供早期检测和报警,和这样的保证可能使即时反应赢得大多数时间疏散和部署,也将减少损失的可能性。

信息融合,生于1970年代以来军事需求,显示了巨大的潜力,后来多传感器数据融合(自卫队)应运而生1]。自卫队的过去的经验表明,它有助于集成和分析的传感器数据和更准确的了解情况和如何应对它2,3),使灾害预防成为可能。主要是限于结合大量相关传感器数据在某些特定的检测,和一些感兴趣的话题是火灾探测4,5),监测交通情况(6,7小说,专业的数据管理(8,9]。另一方面,方法是致力于消除冗余的传感器网络(10]。考虑到公共安全的复杂性,最大化相关多媒体传感器数据以及排除冗余应参与。这意味着强烈的时空相关性多媒体传感器数据需要有效地重新部署一个多视图和multisense监控系统(11]。等效的意图,协调调度方法(12)提出了可分割后负载理论(DLT)最小完成时间和消费在传感器网络。还拓扑重建算法(交易)13)是解决数据传播的解决方案,满足指定的需求的工作负载。

视觉传感器承受连续的视频帧隐瞒一些相关语义知识转让系列相互影响的目标运动要素(14,15]。除此之外,该系列多媒体传感器可以用来检测相关信息,如噪音造成的人群,气味,可能是一些有毒气体的线索,甚至一些检测到可疑的单词被声音传感器。结果,融合层次的环境数据下有可能对任何情况下发生在该地区没有在这里。此外,警报是如果任何隐患。因此,追求目标,技术要求立即实现智能报警,包括以下:从不同的角度捕捉multisense环境数据在一个场景;挖掘背后的空间关系和互动多媒体传感器;实现多媒体传感器数据融合的决定。

2。相关的工作

最近的信息融合研究显示了表达活动和突出显示。其中大部分集中在综合传感器资源的最大利用,基于多传感器信息的合理处置,包括几个独特的使用的相关性和独立性,不同传感器之间的上下文信息和模式选择(16,17]。所需的方法是健壮的和并行处理能力。此外,互补和冗余信息来自不同传感器的不同形式和空间性要求的优化描述目标对象的一致性。

融合各种形式通常表现在功能层面(早期融合)和决策水平(后期融合)16]。特征级融合(18,19)从原始信息提取的特性称为传感器,然后分析和流程提取的形态信息,在我们的案例中可能包括视觉特征(颜色、形状或纹理),音频特性(频率或纹理),和运动功能(运动跟踪或运动模式)。特征级融合也达到令人印象深刻的压缩实时处理和信息为决策分析提供了相当大的特性,但它可能不会执行之间的时间同步多通道特性。决策级融合(20.,21雇佣了许多传感器观察一个对象,每个传感器完成自己的本地处理(例如:预处理、特征提取和识别),然后当地决策结合融合决策基于相关性。这种方法是有利的,它利用独特的表现为不同的形态特征。除了伟大的可伸缩性在融合过程中而不是在功能层面上,花费额外的时间获取当地的决定造成的。

根据不同的具体应用背景,有许多广泛使用的融合方法参与或涉及相关研究。在信息检索领域中,数据融合为一个等级提供/得分函数(22,23]。在当前的应用趋势,几种方法采用温度、红外、和烟雾传感器环境数据检测(24,25)和视频传感器网络(VSN)是利用智能交通系统或监测系统(26,27),而信息融合领域的广泛应用机器人技术,图像处理,或一些相互关联的字段28,29日]。例如,环境数据(温度和湿度)采用攷虑底层数据,每个传感器节点的变化可以观察到一个选择阈值,然后火的概率是证实了使用Dempster-Shafer证据推理(d - s)保险丝VSN数据5]。然而,视觉传感器的供应是有限的,证实了提出的假设是第一步;相关的视频语义知识几乎没有有效的及时的预警,从而被浪费了。此外,结合卡尔曼滤波(KF)和d - s [30.]征服两种算法的不足,导致匹配模型。摄像机拓扑估计的策略提出了防止重叠的概率发生的现实,以及动态特性的融合连续视频帧之间的目标理论仍被排除在外。此外,一个致力于跟踪和定位的信息融合模型材料是采用自动识别和位置估计(31日]。作者提供了一个基于修改后的金的多级数据融合模型模型,加入了d - s理论和加权平均数。混合融合方法成功地融合不同的传感器节点的数据在一个嘈杂的和动态环境和先进的不确定和不精确。

最近的信息融合研究显示了表达活动和突出显示。研究集中于综合传感器资源的最大利用,基于多传感器信息的合理处置,也着重于独特的使用相关,独立,上下文信息,和传感器之间的模式选择16,17]。方法需要改善健壮和并行处理能力。此外,补充和冗余信息来自不同传感器的不同形态和空间性要求的优化描述目标对象的一致性。

3所示。多传感器网络和有向图

至于而言,我们将开始通过观察一些最小的公共安全模型的人群。无论来自不同传感器的数据是如何组织的,底层融合算法最终必须融合输入数据。公共安全融合应用的目的是处理一些数据相关的挑战。因此,我们将研究数据融合算法从数据驱动方面,寻求最优网络中传感器节点的传感范围和目标。假设一个传感器能够动态地调整其任意数量的传感数据。

一般而言,不同的情况下会分散每个传感器的工作条件,可能会导致许多传感器直接应对变化。这意味着,在影响传感器的范围,它捕获大量的相关信息检测环境。同时,考虑到空间关系,作为一个传感器检测环境因素和其他因素不同,企业传感器也应对即时现场。在本文中,我们定义为两个传感器之间的交互,当一个传感器被触发的概率解释而其他响应相同的引发剂。和量化方法用于动态定义的交互关系,采用有向图来描述这个相关的趋势,导致最大关联信息来自不同传感器,并最终传感器数据为最优融合自适应地派出旨在动态环境。

3.1。多传感器属性节点

多传感器属性主要代表了多通道数据,如通过视频传感器捕获的图像信息。相互作用的统一描述的目的是寻求多通道传感器的状态分析和量化数据。除了时间和空间因素的影响,我们还定义和说明所涉及的相关概念元素,因此写下面的问题。

定义1(传感器状态)。传感器是不同模态传感器的状态数据,多认为一个场景,是给一个条件从一个传感方法的描述。摘要多传感器状态定义如下:状态= {分贝,熏烟浓度测定,凝聚力},分别表明结果音频传感器、气味传感器和视频传感器探测距离的量化的基本状态。具体来说,分贝和熏烟浓度测定量化实时环境,而凝聚力措施密实度指数在视频图像的运动元素。

定义2(空间相关性)。测量空间关系旨在衡量两个实体元素之间的空间尺度。在这种情况下,空间相关性与分布范围相关传感器的保险,而不是它们之间的直线距离,在物理学,它可能是指任意两个传感器(图的重叠区域1)。显然,重叠区域直接揭示了一个传感器的依赖,既可以检测到目标的重叠区域。因此,重叠覆盖的比例占的一个传感器的覆盖范围表明其他传感器可以探测到目标的概率在同一时间。因此,描述的依赖可以缩放的比例重叠区域在一个传感器的几何覆盖在统一的地理空间。因此,我们假设任何两个传感器保险两个非空的空间元素,集基础上,我们利用数学方法来描述空间相关性程度如下。

重叠区域的传感器A和BA和B的传感器保险,分别,。根据定义我们空间相关性(SD),我们可以测量SD A和B之间的值: 在他们中间表示传感器A到B的空间相关性;同样的a是B的空间关系的影响在这种情况下,比例的两个传感器的覆盖重叠面积相当大的传感器覆盖,等于高的SD值,它代表了强大的空间相关性。

因此任何多传感器属性节点可以定义如下:=(时间、状态、SD),这表明在颞时空传感器在国家和SD ()指的是空间关系与另一个传感器。

3.2。交互的多传感器

根据传感器的定义属性,两个传感器之间的交互主要是受到国家和SD的影响。因此,值作为传感器B相关传感器的概率在时间的基础上可以计算实时多传感器节点属性。

考虑的速度变化和状态二维随机变量(,),当量化的价值状态趋于无穷,交互概率唯一的限制(3),是一个线性关系。类似地,两个空间元素集完全匹配接近无穷,只取决于状态(4)。表达式可以贺如下: 因此我们可以定义交互概率作为二维分布函数,,作为随机参数和是相互独立的,因此概率函数表示如下: 在哪里和分别表示基于边际函数和分别和有关概率公式表示如下: 因此,(3)= 和,和。因此它可以实现,在任何时候,如果传感器A和B之间保持不变和传感器的状态变化,那么B传感器概率相关。

3.3。有向图

3.3.1。图进化规则

图被定义为,在那里是一个顶点集,是一套边缘,是概率空间。任意两个传感器连接的概率而传感器与传感器这意味着,。作为不同的时间,在时间图演化规则可以表示为如图2。

3.3.2。图语法

就像上面提到的图进化规则,多传感器网络可能图解图。图中,传感器节点作为顶点,和任意两个传感器构造一个互动关系结合独立执导的边缘,和边缘概率。自影响传感器状态,也随时间动态变化因素,图形语法基于多传感器网络和传感器节点之间的交互可以被定义为五个网格: 在哪里是初始顶点节点触发的事件,和最初的一个是排斥;顶点集代表所有的传感器节点参与多传感器网络;量化两个传感器之间的相互作用两个节点的概率,也可以构造关联关系;在随机图表明初始节点的聚类系数这意味着大量的初始节点相关的传感器节点;表示聚类顶点集从节点。

4所示。多传感器数据处理框架

框架包含了有用的上下文和时间线索为公安报警,构成一个完整的平台相关的传感器和计算基础设施的能力提供有价值的实时信息关于公共安全的自然灾害。在这种情况下,每个涉及传感器作为一个独立的本地数据处理单元,其中每个输出表示一组个人决策,据报道,融合中心,导致self-interaction融合过程中或与他人合作。在这个过程中有两个部分:首先是局部融合中心,负责单一形态融合数据,以判断identity-sensor周围的变化。输出可以利用当地其他融合中心的确认结果或与他人合作的能力来实现最终的判决结果在接下来的部分,融合中心。这一部分有能力的全球估计基于多峰性数据,最终给出一个环境的全面审查。

之前的数据融合过程中,所有的传感器的信息需要一个统一的表达式,这意味着决定互相之间可以获得同构或异构传感器。在这种情况下,所有的传感器数据首先量化,然后转移到信息决策,从各种媒体获得的语义。与公众监督系统,运动元素之间的相关性凝聚力的量化表达的语义知识视频流从每个视频传感器节点。在我们的例子中,声学传感器和气味传感器的数据融合检测同一场景的不同方面。图3描述了融合过程和多传感器数据流,和每个通道节点拥有独家的判断标准。

4.1。音频传感器

传感器感知的声音出现在检测区域和主要旨在捕捉奇怪的声音或不规则的声音变化,获取最优数据部署这些传感器在一个分散的模式。同时,鲁棒性和同步功能冗余消除数据冗余是必需的声音捕获过程中,如果数据阻塞或能量限制(32]。

音频信息执行时间变化的模拟信号,因为声音的多样性是改变环境。例如,在同一地点,上午10点声音不同于晚十点。,since the first one in the rush hour may contain the noise of busy crowd, while the other is usually a peaceful night and any isolated voice can be easily caught by sensors. Thus, measuring the voice in one region is designed to collect the mean per hour然后比较它与实时的值,不寻常的情况下可以排除如果差异不超过一个合理的范围内。表示的意思是环境声音每小时12。因此,两个值的差距降落在显示正常的情况下,这是可控性,否则节点将发出一个警告。

此外,声音也传递的潜在语义。因此,认识到隐藏的语义环境听起来可以实现认识的场景。与这个目的,在每个传感器节点的处理包括两个步骤:消除背景噪声和语音识别。特别是语音去噪作为成熟的技术已相当学术成绩(33,34),也用于不同的领域。相比之下,作为提高语音识别提出了一个分析相关的语义。演讲由大脑让音素流参数和实际上是一个双重随机过程。与此同时,语音信号是一个可观测的时变序列。嗯是建立的统计模型的时间序列的结构模拟这个过程。它是一个合适的模型对语音识别的矢量量化(VQ)语音信号和大量训练模型,最终实现了语音识别的过程。

我们打算捕捉这些特定的词可能会导致不必要的结果,识别速度的过程主要是对提取的背景声音。考虑到不确定性的日常语言,不知何故,语音语义分析可能不是一个决定性的事件检测但扮演重要角色的属性系数属性与其他特性加强判断。

4.2。气味传感器

气味传感器环境数据监测设备部署以及音频传感器作为烟雾检测和观察实时环境数据范围。自从气味在特定的环境大多呆在一个层次上,从丰富的统计数据和研究未知的环境变化,它可以通过正态分布分析方法异常事件信息的感觉到周期输出,它假定服从正态分布。概率密度函数是描述如下: 在哪里是给定的气味值的平均值和标准偏差表示σ,然后测试统计数据显示了概率分布律的气味。没有突发事件占据了最概率,而罕见的事件是应注意的事项。如果传感器捕捉气味样本,从山巅的正常事件的概率分布,从而判断是否事件触发目标。

4.3。视频传感器

视频传感器设置在不同角度观测区域的监测可以提供连续的视频帧视频数据传输和分析相关的语义知识。这些信息立即向检测不安全问题的潜力,提供实质性的随机因素,整个运动元素可以归结于一个可分析的模型。在这种情况下,采用凝聚力测量运动元素的密实度(35),随着激烈的活动指导高凝聚力,显示了活跃的群众运动。

运动的实体对象显示在视频监控系统被描述为视频运动元素(VME),如行人出现在观测区域。他们通常包括相关国家(出现,消失,停止,和移动)、空间关系(测量、方向、和拓扑结构),视觉特性(颜色、纹理、形状、和大小),和行为属性(位置和速度矢量)系列。特别是,出现,消失,停止,移动代表了四种基本的运动元素。我们观察相关影响互动对象的关系获得这种交互作为线索来表达这些元素之间的内在联系,最后估计改变运动状态的可能性。

在本例中,我们使用顶点集来描述运动实体和独立的边缘定义为任意两个顶点连接概率的关系。因此,互动空间关系的运动过程中动态改变随着时间的推移可以接近在一个统一的表示模型在特定的地区。顶点集表示在该地区的所有对象;和通过联系对方。将在这些相关系数,这些运动元素在观测区域的相关信息可以从视频流中提取,然后指定为一些特定的描述。两个对象(显示为一个顶点)和表明他们的动态拓扑关系如图4,代表的交互概率,价值与密实度控制的两个物体之间的距离和其他行为属性。我们定义初始值距离和在空间不。的包含了和因时间而异。

运动元素之间的链接显示了活动的加剧和障碍程度的帧中的元素和表示的凝聚力。让和,然后的凝聚力可以表示为 凝聚力范围从0到1的值。

5。模拟

在本节中,我们将提出一个具体的实现方案基于概念模型的仿真结果和分析假设的场景。我们假设节点感知范围内的所有目标以同等速度采样,独立的传感器节点的距离。帧图显示在图的进展5。

的场景是基于假设有一个已知的现场部署命令多传感器包括声音、气味和视频传感器,其中,传感器检测目标事件构成一组,。在场景中,我们地图的范围传感器覆盖到一个二维坐标平面,从而覆盖的传感器可以被视为收有界点集。与此同时,我们认为每个传感器的采样周期,因此可以表示为状态变化的平均利率周期时间吗计算的

5.1。模拟

在这个模拟中,我们假定影响保险的音频,气味,和视频传感器可以由圆半径为4、3和5,分别和部署的参数在表中列出的坐标平面1。

称为定义2之间的空间相关性,我们可以任意两个传感器的像素比例和重叠比例根据(1);因此,我们可以获得空间相关性测量值整个列为矩阵: 的在矩阵等于价值整个传感器之间的空间关系,也可以由一般如图6。

在这种情况下,我们假定传感器是服从正态分布的数据和仿真可以对应于传感器的状态变化,我们期望和方差的定义各类传感器基于实际情况如表2。

特别是为例图所示7在图的顶部图片表示的分贝值的仿真结果音频传感器探测到在一段时间(等于200 ms,女士,)除了外出离散点下半部分显示其状态变化的平均利率值在每一个采样周期。

基于可测量的参数和,建立了两个传感器之间的关联关系概率在时间可以接洽(6),和图8显示了这种关联关系在特定的时间点。

每个连续的线路图8表示一个传感器的连接概率有关他人(包括自己)。根据图进化规则定义之前,这种相互关联关系可以表示为图(图9(a))。另一方面,我们可以很容易地估计的平均聚类系数(ACC)网络节点集,和时间,它等于0.1625,每个传感器的聚类系数是显示在图9(b)。

5.2。场景

5.2.1。场景1

在这个场景中,我们创建一个目标事件,发生在传感器的球体,其坐标位于(7、17)在映射二维坐标。同时报道事件的影响随着时间的变化,然后逐渐扩大缩小,显然是入侵的传感器领域将会改变这些传感器的状态参数,这个过程就像图什么10所示。

因此我们定义事件E覆盖半径的影响 表示初始半径和效果意味着影响时间事件E作品。因此传感器的期望随并且可以表示为 在哪里是最初的期望和事件将影响传感器吗,,在其影响时间,和图11显示之间的关联关系13传感器采样时间点的这段时间。也算12是指每个传感器在采样时间的聚类系数,相应的传感器节点集的ACC ()和集群影响节点集()表中列出3。

5.2.2。场景2

这个场景模拟目标的事件作为一种有效的点以一个恒定的速度移动整个球体的传感器;运动显示如图13。

同样,当我们定义了事件,它作用于影响传感器的期望。将整个传感器的有效点,和,先后,这些相关传感器的工作状态会改变相应的事件。因此,的价值花车期间,可以表示为函数(14),从来当事件作用于传感器。考虑 在这个过程中,传感器网络的关联关系可以证明是在图14在采样时间在每个时间点,同时在这段时间,我们可以方法每个传感器的聚类系数,结果显示在图15。

我们提出的方法,获得聚类顶点集(整个传感器网络集()和与相应的ACC)可以计算。表4演示了ACC指数特定增强的结果与原来的完全图。

5.3。分析

显示的结果数据和记录数据表明,关联关系指数和有向图参数显著改变事件代理期间。传感器显示多样性之间的互动关系,而一般情况下,图8影响,特别是在传感器节点集。ACC一般从0.1625增加到0.18,它指向传感器之间的强烈的相互作用影响。然而,在集群节点集的影响ACC(约0.22)显示了更强烈的互动相比,整个传感器网络节点集,这也意味着该方法排除多余的冗余节点和获得最大的关联信息。

作者在36)突出传感器节点的空间相关性和测量传感器之间的相关性及其邻近的传感器节点数据聚合方法。拓扑结构是图的使用传感器的分布,因此在这个图表,我们可以获得相关图参数记录和比较的索引方法获得的场景1和2(如图16)。由于实时传感器的排斥状态,空间相关性不变;我们可以推断出涉及传感器国家可以更好的发展肯定的函数来分析多个传感器之间的相互作用。

在图16,和行表示整个传感器网络的ACC指数的一般条件和事件代理条件,分别。图表明有效的索引是相似的,除了事件的过程;的线清楚地表明,影响集群节点的索引增加整个网络的指数相比,这意味着我们的节点方法密切相关。此外,所有的索引显示实时改变传感器除了之间的互动关系与这个常数相比,也显示一定的增长。

因此,基于关联关系,这让它可行的方法相关的最优传感器所派生事件。此外,传感器的空间范围提高了感知数据的依赖,而最终的可行性价值融合的过程。

6。结论和未来的工作

我们引入一个新的传感器异构多媒体传感器网络的数据融合方法,探索相关的框架和算法将有用的上下文和时间线索为公安报警,从而分析了目标运动要素之间的相关性在多媒体传感器流。我们研究一个多媒体智能处理方法基于空间关系的异构传感器,能够实现可伸缩的识别。我们也开发多媒体传感器的动态结构表示形式,从而实现多媒体流的快速生成,高度异构网络,复杂的报警需要公共安全。

我们进一步提出建立一个通用框架,将有用的上下文和时间线索公安报警,从而分析目标运动要素的相关性在多媒体传感器流。基于框架将成为一个有用的工具来设计多媒体网络在msn处理方案。仿真结果验证了提出的分析技术。

这种新的多传感器数据融合方案将激发许多有趣的主题为未来的研究在这个领域。例如,模糊集理论被广泛认为是一个关键问题对于多传感器融合的公共安全,但是在本文中,我们有一个轻触。在未来,我们的目标是促进实现融合算法通过整合替代组合规则。我们也试图应对公共事件的报警进行优化多媒体感知数据和设置适当的融合参数报警阈值,融合权重等等。同时,进一步通过实际数据验证是极端重要的,也会在未来的工作进行验证。

利益冲突

作者宣称没有利益冲突有关的出版。

确认

支持的工作是由中国国家自然科学基金(41201378和41201378号),中国博士后科学基金会(没有。2014 m561212),重庆市自然科学基金项目CSTC(没有。2011 jja30014)。