文摘

在无线传感器网络(网络)、上下文感知通常是通过上下文感知系统(CASs)。虽然几乎每个CAS遵循sense-decide-adapt周期,上下文的概念是硬连接到应用程序;也就是说,当事件被触发时,sense-decide-actuate周期运行和执行要求的动作。相同的情况下,例如,当事件被触发,通过机械循环产生相同的驱动使用相同的资源,造成相同的处理和时间。在本文中,我们提出了补习,上下文添加系统,驱动一次执行的系统帮助其内部发展作为新的上下文。系统暴露在更多的情况下加班,其上下文存储库是通过这种回顾丰富的上下文,逐渐让它执行内部驱动通过改进内省上下文。这个内部驱动的系统对智能的进化处理降低决定的独立功能sense-decide-actuate周期和合并新的上下文。最后,系统达到一个时刻,复发的每个事件证明了系统响应冲动的刺激,通过启动内存内省的环境中,要实现一个模仿学习反射动作产生的减少时间和能量消耗。

1。介绍

无线传感器网络(网络)由大量相互连接的传感节点被密集的主题的研究在过去的一年半。网络越来越多的应用在人类生活的各个方面或多或少让他们最新的热门研究领域。网络小说的大量应用范围从火山,冰川,和aeroground监测、爬行动物跟踪、海上导航、人体解剖学的研究在更大范围内的监测和防御最终说明了人类大气中无所不在的网络。视觉SensorNetworks轮(VSNs)不同寻常的特色是视觉的网络设备,主要是相机,配备足够的主板支持协作的图像分析处理能力。高度多样化的操作,VSNs与这些功能集成在当地处理控制视频和图像数据采集,消除了跨层相关性,只和聚合等数据传输是至关重要的。罢工在这种最优性能之间权衡,QoS保证在时间同步,存储能力和摄像机实现协作需要自动推理和决策一致在一个高度分布式的方式。

为了达到这种自主推理,VSNs必须授权与视觉环境意识。不管传感类型、上下文感知的能力系统,工件或服务需要注意的物理环境和明智地做出反应。特别是VSNs,视觉环境感知系统增强传感设备等能力,理解用户的实时视觉感知并定义相应的交互与周边地区在特定情况下(1]。为了完成目标任务,这些上下文感知系统遵循sense-decide-actuate他们获取的上下文和适应周期,挖出的情况,原因,决定合适的驱动,然后适应结果的情况。上下文意识系统,经历了多个驱动响应多个,即便如此重复事件不学习的模式出现的事件。它意味着当一个事件被触发,重新处理,系统总是回应通过执行sense-decide-actuate周期和执行必要的任务。然而,有趣的是观察,对场景的事件是重申sense-decide-actuate周期再次全部执行。换句话说,一个上下文意识到系统处理相同的事件一次又一次,但它没有能力建立一个这样的复发的事件之间的联系,以执行其内部功能的适应。这种限制加剧了上下文感知系统的VSNs因为视觉的复发事件本身总是作为一个新场景的到来或视频。自一个上下文没有预定义metaevent等视觉事件的复发,上下文意识到系统成为静态和性能有限。相同数量的图像处理复制在每个协作节点在每个新的发生相同的事件和积累的处理结果是相当高的。这overprocessing导致相应的时间和精力支出可以通过知识的限制,也就是说,存储上下文相关驱动学习由系统根据其之前遇到相同的事件。 This associative learning as a metaevent context helps the system to respond impulsively against the recurrence of an event emulating a conditioned reflex arc (reflex arc is the impulsive response of a biological system that bypasses the brain through conditioned behavior). Simultaneously, the actuation once performed by the system helps the system to internally evolve by acting as a new context. As the system is exposed to more situations where the same context occurs over time, its context repository is enriched through such retrospective contexts, gradually letting it perform internal actuation through improved introspective contexts which are learnt-and-stored actuations. Finally, it reaches a juncture where a new situation demands minimal external actuation, hence transforming it into a上下文添加系统最终,一个模仿一个自治系统。

在本文中,我们提出了补习,小说直通式处理当代视觉环境感知系统范式。补习提出了基于内存的视觉上下文之外通过学习反射弧的实现。反射动作是意识到通过tenon-mortise分层架构,使用启动内存将之前的经验与新的上下文。使用一种分析模型和底层试验台基于VISTA -贾巴尔et al。2),我们表明,补习导致显著减少图像处理负载,提供能源效率,改善符合最终用户延迟边界和视觉精度的要求。

本文的组织如下:部分2简要介绍了当代相关工作。部分3详细描述了建议的体系结构。部分4处理补习的内存层次结构及其与人类相似的记忆。部分5通过仿真结果,而部分显示了性能评估6提出了一种分析模型来验证本研究工作。部分7总结了纸。

2。文献调查

本节是tetrapartite。第一部分介绍背景和情况。第二部分介绍了上下文感知系统特别是在通用和视觉环境感知系统。第三部分提出了环境感知系统的构建块。最后的最后一部分探讨了当代应用bioinspired反射弧计算系统。

2.1。环境和情况

的主要挑战之一是研究人员面临的是定义上下文和表现出不同的表达情况。巴尔et al。3瑞安,et al。4),Abowd et al。5],Cheverst et al。6]指上下文作为用户的身份,当前位置、环境和时间说明明确non-all-inclusive描绘的上下文。戴伊(7]形容上下文用户的关注的焦点,情绪状态,日期和时间,位置和取向以及琐碎和用户的附近。它开辟了一个新的omnidimensional性质的上下文感知,认知,情绪和意图的焦点车型所测量的基本问题。布朗(8)定义了上下文的元素位于用户的环境哪个电脑的信息。这些类型的定义往往过于宽泛。可以想象,提供了最常用的定义Abowd et al。9]。这些作者将上下文称为“任何信息,可以用来描述实体的情况(即。,a person, place, or object) that are considered relevant to the interaction between a user and an application including the user and application themselves.” It is generally agreed upon that no single definition of the context even in the contemporary research has been reached. Hull et al. [10)尝试建立关系背景和形势前者是后者的特点。自情况非常密切相关的概念上下文的概念,不同的作者继续将两人联系起来。齐默尔曼et al。11]表明,情况可以作为一个瞬时的和结构化表示上下文的一部分可能是直接而采取的快照照相机。死胡同(12言论的情况可以被视为比上下文在更高层次的抽象。贝克et al。13)将这一情况形容为“宇宙的完整状态的一个实例。“其他研究状态,传感器可以用来捕获的上下文和构建高水平的上下文模型真实世界的一部分。这些模型可以进一步用于识别情况及其相应的推理。

2.2。环境意识和环境意识系统

背景的用户日益增长的期望从其环境适应自己,上下文感知系统已成为强大的手段加强上下文生成传感器,无线网络,和随之而来的上下文的利用率。从互动的角度来看,如前所述,施密特(14),上下文感知系统显示的两个行为,自适应或主动。自适应卡斯代表用户,试图适应用户的上下文,并且常常单触发的基础,同时,另一方面,积极的卡斯multitriggered时需要用户的参与和互动。从架构的角度来看,卡斯可以独立,集中式或分布式。独立的体系结构是最简单、容易部署,但不允许节间的共享上下文限制只对小领域特定应用程序。在集中式系统中,传感器和设备的连接到一个上下文服务器配备必要的计算和存储能力使它简单的添加和交换上下文提供设备。Chatterjea等人,金和李15,16)提出,虽然作为一个单点故障,集中式方法尤其不适合卡斯因为延误参与背景更新可能会改变环境本身的来源,而Zafeiropoulos et al。17)认为分布式系统提供使用locality-based上下文获取和处理。一个全面的分类也已由Žontar et al。18)的基础上,这种类型的架构。

2.3。上下文感知系统的构建块

中科院是一个复杂的系统,通常是定义和组合来满足所需的上下文处理。通常,上下文的关键信息是卡斯的重点收购,建模、推理和传播。有什么不同在不同方法的操作流程和范围。

佩雷拉et al。(19]目前基于循环路径遍历上下文层次结构如图的构建块1(一)。上下文可以通过来源的多样性。这些来源包括物理、虚拟和逻辑传感器。物理传感器是实实在在的来源原始上下文收购提供低级上下文,那么有意义,吵了。虚拟传感器不直接资源背景,但他们从不同来源获取不同类型的数据(例如,电话目录,社交网站,配置文件,和数据库)和发布它的上下文。软件逻辑传感器(传感器)结合物理和虚拟传感器产生高水平和更有意义的上下文(例如,天气预报web服务将数据从温度、湿度和风力传感器和相应的天气地图和季节性生产日历天气信息)。背景建模的过程定义背景的特点,与先前的环境方面,质量和相互关系和它对应的查询。上下文推理包括预处理、融合和上下文的推理。它处理缺陷和原始数据来推断的不确定性信息,在最好的情况下知识高度上下文(20.]。最后,上下文传播或分布是其传播到其他实体。

许多研究人员(13,21,22)是一个分层的方法来阐述卡斯的基本要素,如图1 (b)。上下文收购的主要流程、建模和推理共同融入环境,其语义层。上下文和情况工作凝聚力实现上下文感知能力。最后,情况为高水平实现上下文感知上下文传播通过驱动层。

基于上述讨论的层次结构,提出了以下卡斯。陈等人。23当前上下文代理架构(眼镜蛇)支持上下文感知系统在聪明和活跃的空间。眼镜蛇维护当前上下文的一个模型库的知识所有的组件之间共享相同的聪明的地方。这个共享模型的耦合与推理的存在提供了一个用户在智能会议室。罗马et al。24想出一个metaoperating盖亚支持便携式应用程序的开发和执行活动的空间。它实现上下文文件系统(CFS)使用建模和推理的联合应用程序定义的属性和环境上下文信息实现活跃的空间。MobiLife [25]遵循类似的概念框架实现上下文意识到平台联系任何人,随时随地。香料(26)演示了一个tetralayered架构包括一个特定层他们术语知识层提供丰富的背景下采集和知识处理的机制。知识层确保上下文意识到服务实现的通过这些知识。以用户为中心的服务创建和执行开放平台(OPUCE) [27)强调设计的集成架构基于上下文周期通信特性的社交网络应用程序和Telco-IT实现互操作的应用程序在一个无缝的事件驱动的方式。Lamorte et al。28)展示类似的平台支持上下文感知在电信服务。贝克et al。13]在实际复杂的映射上下文的生命周期概念基于上下文的情况下,感知、决策,驱动,和适应的过程。他们进一步讨论的角色上下文感知和卡斯基于此层次结构在未来网络实现智能社会和解决其含义。Barrenechea et al。29日)提出一个上下文意识和自适应方法在分布式基于事件的系统模型和实现上下文意识到积极的应用程序涉及的结合上下文和分布式事件。佩雷拉et al。(19卡斯]提供了一个物联网paradigm-based详细分析和强调每个上下文意识到系统遵循sense-decide-actuate周期。

2.4。环境感知系统和Bioinspired反射弧

直观的注意,上下文之间可能存在一个类比意识到系统和反射行为过失和自动反应的生物引起的感官刺激。虽然已经开始增加力量,没有当代工作最好的我们的知识真正试图模仿自然完整的反射弧。最近的一项研究项目题为“reflex-tree”[30.]试图实现反射弧天然气管道维护城市环境中。作者提出了四个层次的反射弧。然而低于纸详细说明如何这反射弧模仿自然的反射弧。他们不揭示本质的任何生物反射如果他们的弧线本能的或学会了。深入洞察各种研究[31日- - - - - -33)对人类和动物提供了融合的证据存在的两个最重要的属人类的反应:首先,天生的或内在的反应执行其所需功能没有记忆或经验的经济基础,这些本能反应是主体有意识或者无意识,从来没有学过的,其次,学会了或条件反射,而进行必要的业务的基础上,一些前的经验的基础上,信息项存储在非陈述或隐含的无意识记忆的一部分。内隐记忆是这个特定的部分启动内存商店的要求通过重复的经历。这个商店帮助他们反应非常迅速。

上面所引的文学的全面回顾的基础上,我们对环境感知系统的相应的直觉sense-decide-actuate周期,和关联上优于条件反射动作,我们总结以下:(1)每个CAS操作通过一次sense-decide-actuate周期的驱动由系统对一个特定事件不能帮助系统对待同一事件智能的再现动态metacontext。因此,中科院执行相同的周期来获得相同的驱动导致表现不佳导致相应的时间和精力支出。(2)在当代CAS,没有这样的机制,支持保留和回忆的冲动表现到目前为止。这种限制限制了系统采用自我联想学习能力,因此不能反应条件反射的事件再次发生。在本文中,我们提出了补习,小说直通式处理当代视觉环境感知系统范式。补习提供了一个有凝聚力的方法整合视觉上下文加法和联想上优于条件反射行动,减少视觉上下文处理以中科院发展到极简主义驱动的自主状态。反射动作是物理实现的内存模块通过补充到中科院启动每次事件发生。上下文之外和条件反射实现为一个覆盖在中科院导致减少节点和网络级图像处理,提高全网能量效率,推迟削减。

3所示。补习的架构

在本节中,我们目前的概念化的行为基于上下文加法和反射弧,随后形成了体系结构的基础。然后通过tenon-mortise分层体系结构的实现。

3.1。概念化的行为

四层的设想行为卡斯图所示2。

补习提供移动对象(MO)检测、跟踪和识别机制,通过一个分布式上下文添加系统。传感层第一和最低层是由相关的传感装置。只要检测到莫传感过程发生。感应过程总是发生在每个节点在整体和它不接受任何随时间变化的。然而,其他层的行为改变随着时间的推移图2。

处理层,通常实现上下文语义在传统卡斯改变其行为在补习的上下文之外。当检测到密苏里州第一个节点时,它在整个上下文处理。随着MO的后续节点的轨迹,上下文处理开始减少。这是由于驱动由每个前任节点作为metacontext其继任者。处理和决策逐渐达到渐近极小值。

随着时间的推移,相应的驱动一旦执行的系统帮助系统内部发展,作为一个新的上下文。随着系统暴露在更多的情况下适时的时间包括复发的事件,它的上下文存储库是通过这种回顾丰富的上下文,逐渐让它执行内部驱动通过改进内省上下文。最后,到达一个时刻,一个新形势要求最小的外部动作,真正实现的操作上下文添加系统。当上下文添加系统完全实现内部驱动,它开始本能地回应莫复发。

3.2。Tenon-Mortise架构

这部分是由两部分构成的。第一部分阐述了摄像头部署和迁移模型,确定钼的物理拓扑和产生的流动模式感兴趣的区域(RoI)。第二部分由分层实现架构的补习实现上下文之外,通过跨层模块反射弧。

3.2.1之上。摄像机部署和迁移模型

我们制定以下假设tenon-mortise分层模型的实现:(我)RoI的蓝图是预定义的,每个外部或边缘节点(EN)配备了声纳和相机而每个内部节点(在)只提供相机。(2)所有SNs在RoI预排程序的位置,这样每个节点知道它的位置和相对位置的每一单的邻居。(3)所有内部节点有相同的计算和内存资源。外部节点提供一个额外的内存模块,作为启动(模仿)。(iv)实体展览三个州基于能源消耗对声纳、相机、计时器和收发器操作,如表所示1,而INs表现出两种状态的激活对相机,计时器和收发器中描述表2。(v)视图的字段在声纳和相机校准是完全相同的。因为我们现在的移动目标检测、跟踪和识别系统,重要的是要制定的物理部署声波和相机和顺向迁移方面的考虑。像莫流动性约束的道路段(图3),我们发现曼哈顿流动模型最适合一个RoI的密苏里州。

补习是两个传感器节点阶层组成的。外部层由两层ENs.双重边缘节点层次结构的部署,以确保检测和识别入侵莫以可靠和节能的方式。声波在两集的操作重叠(FoV)提出了确保覆盖而声波在三胞胎的操作实现能源效率。

考虑相机部署存在。每条边的长度的外部层节点的总数,每视野(FoV)的宽度,需要覆盖和总数量的实体必须确保完整的周长=。

同样,内部层,。实体的总数必须安全完整的周长=。

很明显,视场。

考虑相机INs的部署。为了探测和跟踪MOs,曼哈顿模型,两种类型的INs部署。第一种是相机节点的节点部署在这样一种方式,每个相机覆盖”“水平道路段和数量”“垂直道路段的RoI。例如,在图3,IN_1视觉覆盖三个水平道路段RS_H4 RS_H5, RS_H6。同样,IN_8提供视觉RS_V7的报道,RS_V8, RS_V9。这些道路段一起形成行和列在RoI是一个网状结构。INs的总数必须提供完整的RoI报道给出: 在哪里行和总数吗列的总数。

第二种类型的INs家乐福节点部署在家乐福(家乐福是法国人字路口)。家乐福节点提供覆盖MOs接近或离开一个十字路口的四个公路段。家乐福相机的总数必须覆盖整个RoI可以给出

3.2.2。分层体系结构

我们现在tenon-mortise模块的实现架构的实现基于跨层方法如图补习4。

物理层处理必要的硬件基础设施和提供信号信息网络和处理层使用声纳和定时器,通过摄像头关闭帧。网络层是在物理层之上。它实现了声纳和定时器模块管理传感,睡觉,和同步操作。它也管理收发模块通过路由决定。内存管理模块的网络层允许管理内存之间在同一SN或一组SNs。图像处理层,最高的一层,执行图像检测,识别,通过相互作用的数据库管理和跟踪,图像处理和路由决定操作。

物理层。的物理部署硬件设备比如声纳,计时器,相机,和在物理层收发器的定义:(我)存在监控一个入侵的密苏里州的存在声纳。因此,相机只是激活后发现莫声波定位仪。(2)计时器是用来传播时间信息的同步图像采集活动通过及时激活下一个相邻的SNs预期节点。(3)的关键功能相机捕获的图像是一个干涉RoI莫。打开相机就在密苏里州的到来在SNs和关闭图像采集后不久,节约能源。然后应用多种图像处理算法。(iv)内存提供工作空间和存储功能。非易失存储器是用来存储和更新拓扑表,轮廓表,和其他类型的预存储的信息。易失存储器提供了运行时环境中执行更多的知识密集型操作在上层。(v)收发器用于通过信息的传播和接收来自上层的消息。

网络层。网络层由sonar-sensing、sonar-based睡觉,时间同步,和内存管理模块。内存管理模块管理补习内存层次结构与主要集中处理显式和隐式内存产品。这个模块在运行时处理期间确保图像提取的位置启动MO的记忆,进一步发挥主要作用的实现反射动作(部分4)。

Sonar-sleeping模块合并有关注这一事实死记硬背假定只有声波在ENs.变得不可能再次检测莫RoI如果声波失败或缓慢地这样做。为了提供更强的检测手段,两层部署如图声波定位仪5(一个)。存在外部和内部层定位在这样一个背景节点驻留,两个前台实体之间形成一个三联体的视场内EN是外部EN(图的两倍5 (b))。

这样的三联体的形成导致改善容错和故障恢复能力。例如,当一个三联体失败,两个相邻三胞胎自动覆盖备用。为了确保这个报道,intersonar距离的背景存在遵循以下著名的立体角的关系: 作为或 ,或 这样在,其覆盖面应该等于两个实体的报道。

功耗分析,我们假设存在的数量在每一层的外层(非常大的网络)。如果由每个节点功率消耗的数量,平均功率消耗的外部层外部层是吗。

由于每三个一组一个前景背景节点操作的两个节点,总数在内部层对应的实体节点的外部层三胞胎必须。现在,如果由每个节点消耗的电量,然后由所有节点的电力消费总量的三胞胎在内部层可以吗。

如果内部实体之间的距离是三联体(必要的)翻了一倍,功耗变成了四倍。然后,上面的关系可以被修改。最后,如果平均功率消耗的两层三联体形式,那么它可以证明以下关系:。

因此, 因此,功耗nontriplet格式和三联体格式的区别。显然,三重态形成的电力税,但这种力量增加了征收边境为我们提供了几乎完全违反回避系统[34在系统执行同样即使50%的节点失败。表3显示失败的弹性补习通过三重态的形成。

电力消耗的存在可以有效地管理通过一个分布式节点睡眠调度中前景和背景的三联体的方式如果前景EN失败,背景节点可以被激活。亦然,两个前景存在故障可以被激活的背景。前景和背景之间的睡眠时间节点共享通过SMAC协议(35)的背景节点扮演某个浏览器的角色和前景的在每个三联体扮演追随者的角色。

Sonar-sensing模块确定RoI的密苏里州的入口在收到移动对象从声纳检测(MOD)消息。在部署时,基于距离反映的指纹接收信号强度指示器(RSSI)计算和存储在每一个。边界的EN RoI定期发送信标意义上可能存在。一个在响应检测只有当收到RSSI测量大于的。在接待的回声在外部层在灯塔,前景存在的搭档,的基础上接收到的两节点RSSI,相互通信的选择一个合适的EN启动莫检测工作。如果接收到信号的背景在三个一组,则莫识别本身的任务。为保证莫现在和RoI中发现,我们建议三个读数必须采取根据表和分析4相机前激活。

避免不必要的相机激活通过预测莫轨迹的网络导致网络寿命。例如,如果一个移动对象的方法一个声纳,然后回头或远离其定义的轨迹,没有相机被激活。这个模块,在传感中的任何莫RoI的存在,生成国防部消息激活的下一跳。

时间同步模块。每个在莫图像相关信息发送给下一跳有一个关联的当地时间收购提供时间基准的同步(35]。这样的同步需要准确性和及时性,这样其他INs肯定只被激活,当莫在这附近。为了实现紧密耦合的INs定时器的时钟同步,我们礼物避免Camera-Activation延迟时间同步(学员)计划在时间同步模块(图6),这是根据相机激活的独特序列和图像处理。这里,同步活动相关部门发起的RoI检测的密苏里州的实体通过信标连续INs更新时间信息。这次信息进一步利用INs参考时钟和同步时间的后续INs的广播范围之前传播上层信息图像处理模块。

内存管理模块尤其是管理内存的内部通信模块和数据库管理模块。这个模块的主要功能之一是管理内存模块,由陈述性记忆的形式拓扑表,轮廓表,通过中心和压缩图像。内存模块还包括与非陈述记忆(启动内存)的形式启动表由纵横比整体的金属氧化物半导体。内存管理模块详细工作一直在讨论部分4。

处理层。它包含并执行的逻辑和算法段塞处理对象跟踪和识别的任务。它由数据库管理模块、图像处理模块和路由决策模块。每一个模块的业务贡献如下阐述。

数据库管理模块。基于区域方面,分布式数据库应用程序的限制,和要求正确地探测、跟踪和识别莫已经部署在整个RoI。

数据库的组织。考虑以下:(我)每个在维护一个数据库记录在内存被称为拓扑表来存储你的邻居SN的位置和他们的相机方向。这个表提供关键支持基于视角的移动对象跟踪如表所示5。(2)每个SN维护另一个表的陈述性记忆叫做轮廓表。此表包含轮廓的可能的金属氧化物半导体与各自的标识符(id),轮廓方面比率对他们的片段,类分配给这些轮廓,八位位组,定义视图、角度、和阿桑奇对这些存储剪影如表所示6。在补习中,两个类已经分配给存储剪影。一班二班代表车辆而对应于人类。每个轮廓分割的基础上,其明显的突出的视觉特性,然后方面比率计算轮廓的每一部分。这个计算详细讨论在本节的结束。八隅体是一个ASCII代码分配给一个公认的密苏里州角是相机的角度对莫虽然观点是密苏里州的角度对相机。保证人代表获得图像的百分比匹配每个存储的存储轮廓和轮廓可以由以下关系: 在哪里是一个对象的轮廓的总数与不同方面的形式分布于整个RoI。(3)存储的静态背景图像轮廓也存储在数据库的进一步使用图像处理程序。

数据库部署。考虑以下:(我)拓扑表部署:密苏里州的成功跟踪,每个SN配备了一个拓扑表,包含所有邻国SN的位置和方向。表7显示了表在IN_4部署拓扑。(2)部署轮廓表:存储轮廓表在每个SN主要取决于它的位置。例如,IN_1、IN_2 IN_5预计将覆盖一个独奏的莫,所以必要的维度为每个预期莫的一个轮廓是足以被存储在其轮廓表通过表所示8IN_2。相反,作为一个家乐福相机定位获取图像通过多个(,前面,后面,倾斜的视图)方面,其表将提供所有可能的维度可能莫剪影如表所示9IN_9。(3)博学,轮廓的数量在整个网络上升增加RoI如果SNs是安装在一个恒定的距离彼此如果部署在变量的距离时,轮廓的总数取决于SNs部署在RoI的数量。(iv)轮廓表是受几个因素的影响照相机的方向就在初级水平。每个SN存储的轮廓有较高的匹配概率与收购莫轮廓IN_2一边莫匹配概率最高的观点。其次,增加类型的密苏里州通过RoI,轮廓表放大它的大小。第三,以防高斯马尔可夫移动模型,它将需要存储轮廓的所有可能的方面在整个网络和相应担保的数量取决于轮廓存储一个对象如表所示10。

轮廓分割和长宽比的计算。多个金属氧化物半导体的轮廓匹配概率最高的是用于标识存储在SNs莫通过匹配运行时获得的。轮廓分割过程是基于著名的总数功能;例如,人类的前视图分割与五个突出的特点头,脖子,肩膀,躯干和下肢。图7(一)说明了人类的不同分段的观点。同样,图7 (b)展示了著名的基于特征的图像分割掀背车和轿车的不同的观点。

比率的计算方面是由width-to-height比例分割部分。例如,图8阐述了人类在五个部分的分割基于突出的特性和计算纵横比存储在数据库表中。

图像处理模块。IP模块直接发起声纳中断在EN或在任何SN在国防部消息的接收。补习的中心部分,IP模块在图像捕捉和处理中扮演关键的角色。它抓住了莫瞬时图像,通过不同的图像处理算法来处理它转换成莫剪影,匹配这个提取的轮廓与存储,认识到密苏里州,并提出其结果以百分比的形式担保。操作上继续进行以下假设:(我)预存储和提取的轮廓都是相同的。(2)背景减法算法应用的限制条件只有在当道路段之间的距离和进步党是相同的。图像处理模块包含一些子是谁的作用阐述如下。

图像采集子模块负责采集的瞬时图像。国防部消息接收后,相应的SN触发的相机时间和捕捉固定大小的莫的形象。最基本的关心的是在密苏里州到达时间存在差异影响总”快门的”时间。图像采集频率必须每秒25帧车辆交通领域(36]。的帧被SN,每一个帧莫识别和跟踪处理。图9演示了SNs的时间轴顺序相机激活秒。

收购后图像采集子模块,通过捕获的图像处理图像变化检测模块找到任何改变预存储图像静态背景检测MO的存在。我们使用高斯混合模型(GMM)变化检测对于给定数量的高斯组件“进化”的背景。变化检测的过程会受到很多因素的影响,每个节点包括摇曳背景对象,缓慢移动的前景,和阴影或照明光源的本地化的特殊性。这强调适应图像的变化检测模块对每个在变得更加敏感的激活局部后台进程,否则太敏感。更多的敏感性导致计数器通过更多的活动背景的影响流程高斯组件通过相应的混合高斯模型和较小的数量当背景更平稳。然而,利用大量的高斯组件不建议死记硬背,因为更高的间接能源消耗数量增加了复杂性。

优化的图像变化检测,提出一种自适应变化检测方案是由一个反馈回路up-trajectory和down-trajectory节点之间的桥梁。up-trajectory节点指的是一个在激活或中激活另一个虽然down-trajectory节点代表一个中被激活或EN。在操作执行这个方案中,当一个对象由up-trajectory感知节点,它将国防部消息转发到down-trajectory邻居期待它的同行要检测。成功检测、down-trajectory节点回复与正反馈暗示up-trajectory节点的变化检测是足够敏感或足够数量的高斯组件使用。的处境down-trajectory节点没有检测到密苏里州,它响应消极代表up-trajectory节点不恰当地敏感或更多的高斯组件需要推动。这些假阳性也可以引发的故障或家乐福的节点,可以减轻通过练习一组相邻之间的共识和投票算法内部的磁滞回线的节点在整个网络与递归地避免此类故障(37]。

捕获的图像通过图像获取模块细化和调整图像变化检测模块和压缩和存储图像压缩和存储模块。为了优化压缩和存储,我们使用Quality-Aware转码(38)提供一个基于quality-versus-size权衡方案动态改变图像大小。我们进一步提出的压缩和存储方案基于相应的图像压缩和存储莫命名为保证人的水平基于担保的图像压缩和存储(中心)。在这个方案中,莫获更多的担保水平,其图像转换更多的水平升高和存储在降低图像质量水平减少能量消耗与转码操作的功耗降低图像质量下降的水平。我们检查,作为进一步的低质量图像存储足够的足够的图像处理和莫识别,莫识别过程不被低质量的图像存储。此外,这些低质量图像存储在内存占用更少的空间最终将消耗更少的计算能力进行进一步的图像处理和密苏里州的识别过程。我们通过表证明该方法11。

当莫穿透首次RoI,形象不是转换按建议的中心和存储以其原始大小更好的识别。随后,当它穿过更多的SNs啤酒花在RoI (IP),因此获得担保水平升高。在莫的情况达到担保水平超过25%,它与相应的分配代码转换水平。例如,在50%的担保,实现代码转换1级,在75%的肯定,这是转换在2级,当它到达75%以上担保,它被转换级别3和储存在75年,50岁,分别和图像质量水平的25%。整个权力支出通过图像采集、压缩和存储模块可以作为 在哪里总功率消耗而吗,,权力被图像捕获、压缩和存储模块,分别。每一种成分的功耗如下独立取决于所使用的算法。

图像减法子模块用于提取钼减去其形象的轮廓剪影的静态背景存储在SN通过背景减法子模块。背景减法可以优化的功率和时间成本通过应用背景图像上不关心操作而不影响轮廓提取。为了应用不在乎操作背景图像选择部分,acquired-and-then-stored图像的轮廓信息是必需的。然后改变和不变区域可以被应用以下方程,提出了徐et al。39]: 像素变化检测过程执行一次在第一次进入密苏里州的RoI而连续变化检测啤酒花。RoI基于曼哈顿模型,可能的背景图像在四个部分提出了几个都不关心,而且很少有用于背景减法。发现可能存在四个病例,包括变化检测区域和位置的变化改变了地区如表所示12。基于变化区域的总数和他们的立场,我们独特的代码分配给每一个可能的组合,进一步用于背景减法信息转移到邻居SNs。背景减法操作应用到一个,两个,或各地SNs中检测到变化。我们还建议实名分割背景图像减法适用背景减法操作部分的背景图像的基础上以前SN的ID。这些场景的基础上,选择部分条目地区信息场景指的是移动对象导航条目信息最后SN莫在哪里最后看到的入口方向并提供莫SN。SNs这一幕入口区域信息存储在拓扑表,参照他们的邻居SNs id。我们现在IN_4从图3作为一个例子来演示的适当部分背景图像接近从邻居SNs在假设变化中发现一分所以减法应当采取相应的单部分(表13)。

进一步分析表明,总时间消耗在一分的图像减法是小于4.5倍的时间减去整体形象。

轮廓比较器子模块最后比较了提取的轮廓与预存储剪影轮廓表中。为了优化能源利用,我们现在feature-dependent轮廓分割(装饰)过程。在这个分割技术,获得轮廓分割等与存储轮廓对应这两个拥有完全相同的和相同数量的部分。此外,每个段提取轮廓的比例计算,而相应的存储段轮廓的纵横比。轮廓比较过程是通过以下表达式: 在哪里是提取的轮廓的比例,是存储轮廓的长宽比,轮廓段总数,是剪影部署在SN的总数。

直观地说,这个关系是轮廓提取和存储的长宽比不同一个接一个,然后返回至少差值。存储的轮廓,它显示了最小差异声明类似于提取一个相似的程度在百分比计算通过以下关系: 拟议的机制提供了一个范例场景图10。未知的密苏里州的轮廓提取和匹配四个存储人类不同观点的剪影。运行及时收获轮廓分割在同一通信和存储在数据库中。例如,当这是匹配站人的侧面,分段由6个部分组成的,因此在五个部分,相比之下,男人的武装视图与相同的宽度和高度的比率。

与匹配任务完成后,生成一个数据包的IP模块的所有字段的从数据库中提取除了保证人如图11。

路由决策模块。这个模块命运产生的数据包的IP模块。sonar-sleeping sonar-sensing,时间同步,图像处理模块负责调用它。表14这个模块可以显示不同的决定。

当路由决策模块由sonar-sleeping召见模块,它传播背景EN的睡眠时间表生成注定前景存在三联体。进一步对sonar-sleeping模块生成的国防部决定目的地,国防部称最优SN的相机及时采集图像帧和密苏里州的认可。

4所示。补习内存管理和处理

在本节中,我们提出一个人类记忆结构和死记硬背记忆组成之间的映射。人类是内置的三级记忆形成如图12。记忆的第一阶段在人体解剖学与外部世界的交互通过感官受体是感官记忆。

在补习,类似于触觉和标志性的感官记忆,我们用声纳作为机电传感受体MO的RoI。sonar-sensing模块(节中讨论3.2。2必要的地区),声纳发送信标不断但反应只有当莫检测到存在的基础上信息提交事件进行进一步处理或不注意。

短期记忆是人类记忆的第二阶段结构拥有项目的进一步从感觉记忆提取的兴趣。简称补习使用类似的方法存储当SICS-based转换图像提取图像压缩和存储模块(部分3.2。2)。

永久存储的物品,人体解剖学定义长期记忆。长期记忆是进一步细分为声明(显式)和非陈述(隐性)的记忆。陈述性记忆或外显记忆是指那些记忆,可以有意识地回忆如事实和知识(40]。陈述性记忆进一步组成的语义和情景记忆(41]。情景记忆是陈述性记忆的一个重要组成部分,是集先前经历过事件的发生率在特定地点,时间,情感,和额外的上下文来形象地记住事件发生在特定的时间和地点(42]。类似于人类情景记忆,死记硬背使用预存储拓扑和轮廓表id,位置,镜头方向,类,八位字节,视图、角度、和保证人。这些信息是回忆和利用时间信息在学员通过图像处理模块(部分3.2。2)。由此产生的担保和识别类钼的提取图像传播的驱动。同时操作的情景(声明)的一部分内存,长宽比提取的轮廓变得感兴趣的项目是随后传给和非陈述所使用的内存(隐)。

补习利用非陈述的存在记忆中以前的经验援助任务的性能没有这些以前经历的意识。这种内隐记忆启动内存商店的“影射”通过重复的经验称为模仿或最近的经验,它让人类反应非常迅速43,44]。前面的讨论中提到的情景记忆,死记硬背同时启动非陈述记忆(启动内存)的比例提取的轮廓。当检测到新莫,轮廓的长宽比与存储方面比以前的莫的启动内存。在一场比赛的情况下,识别消息传播到水槽没有进一步激活下游节点。这是反射弧的实现,让第一个节点观察莫回复只有指启动内存如图13。

以后,与此同时,情景记忆的过程也在计算和比较各个领域的新发现的纵横比,结果声明(情景)和非陈述(启动)的记忆是确定误差评估。在差异的情况下,非陈述记忆过程可能会调整产量结果的陈述性记忆。

5。补习绩效评估

在本节中,我们评估的性能补习对上下文加法和反射弧通过原型实现和比较其性能和VISTA。重要的是要注意,一个端到端比较只能存在于VISTA和补习,因为常见的视觉环境循环的执行。表15显示了试验台的系统规格和特性。表16轮廓参数和情况下的图像。

5.1。反射性能的补习

为了分析上下文添加行为和补习的脉冲响应,12的轨迹啤酒花实施为密苏里州密苏里州的首次亮相,塞满了整个轨迹从上下文之外第二个节点,然而,在再现同样的莫在同一节点,补习的决定只在第一个的基础上启动内存节点说明一个明显的模仿学习反射动作。进一步观察到在特定情况下的再现补习所花的时间比VISTA(表11次较小17)。正是由于VISTA没有宣布其识别结果完成处理之前的情景记忆中的所有节点的轨迹。

5.2。补习的准确性

启动实施的内存时,它就变成重要的质量保证的反射弧提供识别。表18表明,莫识别多个迭代,塞给了80%的准确率,VISTA一样。在这两种情况下,1和4补习错由于背景物体的存在增加噪音。也可能指出,补习执行比VISTA在照明条件差(9)因为每个情景记忆前过程增加了自己的图像处理噪音的成功过程。

6。补习分析模型

本文提供的分析发展的理解上下文感知系统对处理的执行和延迟合并,等等。本节分析这些方面的包含上下文之外和反射弧。

6.1。补习提供次线性延迟界限

为了验证补习的时间延迟敏感和有效的方法,我们认为一个轨迹节点检测到密苏里州,在那里如图14。每个节点包含一组的元素是块轮廓等信息元素,例如,剪影,长宽比,八位字节,角度,和保证值。的子集范围从1到的元素。然后,

时间在第一个节点。假设,在节点、担保比例水平计算发现莫的一个值。的计算,一组的轮廓信息是比较的遍历。考虑到一个单位的时间为每个比较消耗。

最好的时间就是复杂性如果检测到莫匹配的轮廓信息在第一个比较。是实现反射弧的复发性系统的元素是重复的连续检测。

平均情况的时间复杂度 在哪里是最后的对象吗。

最坏时间复杂度的比较 如果检测到莫匹配的轮廓信息在其最后的比较。

时间在第二个节点。在节点轮廓信息和担保价值计算节点收到作为一个新的背景根据我们的背景模型。因此,在这个阶段,比较操作不遍历整个轮廓信息集合的节点。相反,通过新的上下文添加之前的节点,只有比较是在相关的轮廓信息的部分,整个集合的一个子集在节点屈服。

在这个阶段最好的时间复杂度的比较又简单密苏里州,如果检测到匹配的轮廓信息在第一个比较。

平均情况的时间复杂度 在哪里是最后的对象吗。

最坏时间复杂度的比较 如果检测到莫匹配的轮廓信息在其最后的比较。

总时间直到第二个节点。结论两个节点,最好的时间复杂度。

同样,平均情况时间复杂度 最坏时间复杂度 在极少数情况下,如果比较操作产生不正确的结果,错误的对象识别消息发送到第二个节点,随后与一个子集将产生不匹配。因此,第二个节点再次遍历整个轮廓信息集合的节点。

在这种情况下,最坏时间复杂度

时间到 th节点。同样,对于遍历的节点数量的保证水平的时间复杂度模型可以推导出通过归纳如下。

最好的时间复杂度是如果定义的轮廓信息是匹配的和所有(迭代从2到)在他们的第一个比较。

平均情况时间复杂度是 最坏的时间 在非常罕见的情况下,如果比较操作产生不正确的结果,错误的对象识别消息被发送到每个节点,后续的比较相关的子集将产生不匹配。因此,每个节点再次遍历整个轮廓信息集的节点。

在这种情况下,最坏时间复杂度 方程(18)和(19)表达的总时间被一个上下文添加系统在平均和糟糕的环境,分别,(20.)显示所消耗的时间系统在一种非常罕见的情况下。然而,在这种情况下,系统不会产生一个有效的担保值。我们会看到,这几乎是结果的当代语境意识到系统在正常情况下。

当代语境意识到系统在平均情况的情况下,时间复杂度 当代环境感知系统在最坏的情况下,时间复杂度 方程(23)描述的比较(18)和(21)。同样的,(24)描述的比较(19)和(22)。很明显,总时间消耗的上下文添加系统组成节点跟踪和识别莫远小于一个上下文意识系统。

6.2。上下文之外是递归的

为了评估上下文之外的行为,我们认为通过同一组MO的轨迹的节点在前一节中讨论。假设,在节点、担保比例水平发现莫计算的值。在节点,当地担保价值通过增加计算接收到的担保价值吗的节点。上下文添加我们的架构收益以这种递归方式。的递归方程收到节点如下:

7所示。结论和未来的工作

在本文中,我们目前的环境感知系统演变成自主,智能处理系统通过结合上下文之外。我们提出了概念、架构和部署方面的上下文添加系统。通过建立一个类比上下文添加系统和人体解剖学的内存,我们提出了合并的反射弧到上下文意识到系统中。我们已经证明,上下文感知和反射弧可以嵌入到视觉上下文感知系统原型实现。

作为我们未来工作的一部分,递归CARM的行为会更特别的计算分析和比较的平均性能方差上下文添加与上下文意识到系统和一个可能的延迟之间的权衡,精密,autonomicity。最后,作者非常乐观的自学和反射响应特性研究和分析该模型在物联网领域做出贡献的倡议智能文明。

相互竞争的利益

作者宣称没有利益冲突。