CN105898765A - 一种适用于感知方向可调的视频传感器网络区域覆盖优化的方法 - Google Patents

Abstract

本发明公开了一种适用于感知方向可调的视频传感器网络区域覆盖优化的方法，通过提取视频传感器节点的感知方向、感知半径、坐标位置等参数建立有向型传感器节点的数学模型；对网络的监控区域进行网格化后，建立监控区域模型；基于传感器节点的感知范围有限的特点，建立传感器节点感知区域模型。所建立的区域覆盖模型以提高网络覆盖率为优化目标，采用粒子群算法对问题进行求解。本发明针对感知方向可调的视频传感器网络提出一种基于粒子群算法的区域覆盖优化方法，实现最大化区域覆盖率，从而有效提高视频传感器网路的资源利用率和服务质量。

Description

一种适用于感知方向可调的视频传感器网络区域覆盖优化的 方法

技术领域

本发明属于多媒体传感器网络领域，特别涉及一种适用于感知方向可调的视频传感器网络区域覆盖优化方法。

背景技术

视频监控***越来越受到人们的关注，也成为当前学术领域研究的热点。覆盖问题是视频传感器研究中最重要的问题之一，覆盖率在很大程度上影响着监控网络的性能和质量，已经发展成为一个研究热点并得到大量关注。

但是目前视频传感器网络中仍存在问题。视频传感器网络的部署大都采用随机部署的方式，随机部署无法形成有效的覆盖，因为传感器节点的位置和感知方向无法预知，往往存在大量重叠覆盖区域和覆盖盲区，造成资源浪费，影响了网络的服务质量。

传感器按照感知区域的形状的特点可以分为有向感知型传感器节点、全向感知型传感器节点和三维感知模型，传统传感器节点大都是全向感知模型，该类节点感知角度为360°。有向感知模型具有方向特性，该类型传感器的感知方向可以调整，感知角度小于360°，感知区域范围是一个扇形区域。属于三维感知模型的传感器节点的感知范围为球形。视频传感器节点属于有向感知型。视频传感器节点属于有向感知型，目前有关传感器网络区域覆盖优化问题的研究大都针对全向感知型传感器，因此并不适用于视频传感器网络。针对视频传感器网络区域覆盖优化问题，典型的方法是基于虚拟势场和泰森多边形的方法，但这些方法在传感器节点数目多时的作用并不明显。

综上，目前针对通过调整视频传感器节点的感知方向来提高网络覆盖率的问题研究较少，而随着视频传感器网络规模的不断扩大，节点数目的增多，需要一种可扩展性良好的优化方法。

发明内容

本发明针对现有技术不足，提供一种适用于感知方向可调的视频传感器网络区域覆盖优化的方法，对网络中的区域覆盖问题进行优化，对于提高视频传感器网络区域覆盖率，提高资源利用率和网络服务质量具有重要意义。

实现本发明上述目的所采用的技术方案为：

一种适用于感知方向可调的视频传感器网络区域覆盖优化的方法，包括以下步骤：

1)根据视频传感器节点的特征和网络监控区域的特征建立区域覆盖模型，具体包括：

(1-1)根据传感器节点的感知方向、感知半径以及坐标位置这些特征参数建立有向型视频传感器节点的数学模型；其中所述的传感器节点为有向感知型传感器节点，节点的感知区域是一个以自身坐标位置为圆心，感知半径为半径的扇形区域，实际的感知区域由感知方向决定，而且节点的感知方向可以调整；

(1-2)对视频传感器网络的监控区域进行网格化，网格化后的监控区域可以看作是一系列点的集合，传感器节点的坐标位置是集合中的一个点，将监控区域视为众多点的集合，每个传感器节点覆盖的区域是集合的一个子集，从而建立视频传感器网络中的监控区域模型；

(1-3)以传感器节点的自身坐标位置为圆心，以传感器节点的感知半径为半径，创建一个圆形区域，此区域即为传感器节点的感知区域模型，计算出每个传感器节点所对应圆形区域的上下边界和左右边界，并判断该点是否被传感器节点覆盖，并更新该点的状态值；

2)根据所建立的区域覆盖模型，以区域覆盖率为优化目标，建立优化模型；所述视频传感器网络的区域覆盖率是被传感器节点覆盖的区域面积与监控区域总的面积的比值，在对监控区域网格化后，区域覆盖率转化为被传感器节点覆盖的点的数目与点的总数目的比值；

3)结合监控区域中的点的状态检验算法，采用粒子群算法求解区域覆盖优化问题；

4)根据求得的解调整视频传感器网络中各个传感器节点的感知方向，使得区域覆盖率最大化。

步骤2)中所述区域覆盖率的计算方法如下：

$P_{area}=\frac{\left(U_{i=1}^n{S}_i\right)IS}{S},i=1,2,...,n,$

其中n表示监控区域内视频传感器节点的总数，P_area满足0＜P_area≤1，S_i为任一传感器节点监控区域的面积，且S_i＝αR²，α是传感器节点的扇形监控区域的边界线与中轴线的夹角，R表示传感器节点的感知半径，为各个传感器节点覆盖面积的并集，即为所有传感器节点覆盖的总面积，S为监控区域的总面积。

步骤3)中所述的粒子群算法具体步骤为：a、设粒子群中的粒子数为num，粒子的空间维度与传感器节点个数相同为n，每个粒子的位置用一个n维向量β_i＝(β_i1,β_i2,...,β_in)表示微粒i的位置向量，1≤i≤num，每一维表示网络中的一个传感器的感知方向，粒子的速度向量即视频传感器网络中传感器节点的感知方向每次改变的角度大小向量记为ε_i＝(ε_i1,ε_i2,...,ε_in)；

b、粒子群中各粒子的速度和位置的迭代更新计算方法如下所示：

ε_id(t+1)＝ω·ε_id(t)+c₁·r₁·(P_bestid-β_id(t))+c₂·r₂·(G_bestd-β_id(t))

β_id(t+1)＝β_id(t)+ε_id(t+1)

其中：0≤j₁≤m₁,0≤j₂≤m₂；ε_id表示粒子i在第d维空间的速度，即是传感器节点V_d感知方向角度调整的大小；c₁和c₂是学习因子，r₁＝r₂＝rand(1)；ω为惯性权重系数；P_bestid为粒子i个体极值中的第d维元素，即个体极值中传感器节点V_d的感知方向大小，G_bestd为全局极值的第d维元素，即全局极值中传感器节点V_d的感知方向大小；

c、定义粒子i的适应度，用函数f_i表示，f_i代表传感器节点按照向量β_i调整感知方向时所得到的监控区域的覆盖率，f_i由下式确定：

$f_i=P_{area}=\frac{{\mathrm{\Σ}}_{j_1=0}^{m_1}{\mathrm{\Σ}}_{j_2=0}^{m_2}C\[j_1\]\[j_2\]}{(m_1+1)\·(m_2+1)}$

其中，0≤j₁≤m₁,0≤j₂≤m₂；C[j₁][j₂]记录了表示点坐标为(j₁,j₂)的点A_j是否在传感器节点的监控范围内的状态，是用来统计所有处于传感器节点覆盖范围的点的数目，而监控区域的点的总数目为(m₁+1)·(m₂+1)；

d、粒子群算法最终求得的全局最优解即是一个n维向量，当视频传感器网络中的传感器节点分别按照这个向量布置各自的感知方向时，整个网络的区域覆盖率达到最大值。

与现有技术相比，本发明所具有的有益效果为：本发明将覆盖率的面积求解公式转化为了点求解公式，简单易行；本发明的区域覆盖模型中包括根据视频传感器节点的感知区域模型，针对每个传感器节点只验证在其感知区域内的点的状态，降低了求解覆盖率过程中的时间复杂度，对传感器节点个数没有限制，具有良好的可扩充性；采用粒子群算法求解视频传感器网络中的区域覆盖问题，根据求得的解来调整传感器节点的感知方向，具有通用性，并具有良好的可扩展性。本发明对于提高视频传感器网络区域覆盖率，提高资源利用率和网络服务质量具有重要意义。

附图说明

图1是本发明提供的优化方法的步骤图；

图2是视频传感器节点示意图；

图3是有向感知型传感器感知方向示意图；

图4是传感器节点感知区域界定示意图；

图5是粒子群算法的流程图；

图6是采用粒子群算法优化前后区域覆盖情况示意图；

图7是覆盖率曲线的收敛过程示意图。

具体实施方式

下面结合附图及具体实施例对本发明做详细具体的说明，但是本发明的保护范围并不局限于以下实施例。

本实施例所提供的适用于感知方向可调的视频传感器网络区域覆盖优化的方法，其步骤图如图1所示，第一步，需要根据视频传感器网络中的感知节点特点、监控区域特点等建立区域感知模型。

首先建立传感器节点的数学模型，视频传感器有向感知模型如图2所示。V(x,y)表示节点V的二维坐标，R表示视频传感器的感知半径，节点感知范围即是以R为半径的扇形感知区域，向量为传感方向，表示该传感器节点感知区域的中轴线方向，α是扇形区域的边界线与中轴线的夹角，θ＝2α的表示节点监控区域的边界线的夹角即感知视角，0＜α≤π。视频传感器节点V能够覆盖的监控区域为αR²。

监控区域中任意一点A被点V覆盖的条件是：

(1)点A和传感器节点V之间的距离|PA|≤R，两点之间没有障碍物或阻隔；

(2)点A和传感器节点V的连线与中轴线向量的夹角不超过α，即向量和向量的夹角在[-α,α]之间；

即且此外，如果区域s能够被视频传感节点V覆盖，其充分必要条件是s中的所有点都能被节点V覆盖。

设监控区域内部署有n个视频传感器节点，用六元组1≤i≤n来表示节点，x_i,y_i表示在二维平面内节点V_i的横纵坐标，参数R表示节点的感知半径，参数为节点的感知方向，参数α_i为节点感知视角大小的一半。S_i此时表示当节点的感知方向为时能够被该节点覆盖和监测的点的集合，S_i随的变化而变化。

用极坐标的形式表示传感器节点的感知方向， 表示传感器节点V_i的感知方向角，如图3所示，且A_j与V_i之间的距离Dis_ij为

${\mathrm{Dis}}_{ij}=\sqrt{{(j_1-x_i)}^2+{(j_2-y_i)}^2}---\left(1\right)$

A_j如果被V_i监测到则必须满足下列条件，即其充分必要条件是：

$\left\{\begin{array}{c}{\mathrm{Dis}}_{ij}<R\\ (j_1-x_i)\&CenterDot;R\&CenterDot;\cos {\&part;}_i+(j_2-y_i)\&CenterDot;R\&CenterDot;\sin {\&part;}_i\&GreaterEqual;{\mathrm{Dis}}_{ij}\&CenterDot;\cos \mathrm{\&alpha;}\end{array}\right.---\left(2\right)$

然后建立监控区域模型。监控区域记为S。进行网格化后，监控区域可以看作是一系列点的集合。监控区域记为m₁×m₂的长方形区域，记为S＝m₁×m₂，监控区域上的任意一点的坐标记为A_j＝(j₁,j₂)，0≤j₁≤m₁,0≤j₂≤m₂。监控区域内点的总数是m＝(m₁+1)×(m₂+1)，定义(m₁+1)×(m₂+1)维数组C代表点被传感器节点覆盖的状态，定义如下：

其中0≤j≤m，m为监控区域网格化后得到的网格的数量，A_j能被传感器节点监测到的条件是两者之间关系满足式(2)，不满足则点A_j不在该传感器节点的监控范围内。

最后，根据视频传感器感知区域特点和监控区域模型特点建立传感器节点感知区域模型，节点感知区域模型如图4所示。监控区域内共有(m₁+1)×(m₂+1)个点，坐标为V(x,y)的传感器节点其所有可能的感知范围的是图中虚线圆形区域，可以采用一个矩形区域对该范围进行说明。

四个顶点分别是圆形区域四条相互垂直的切线的相交点，四个点的坐标分别是(x-R,y-R)，(x+R,y-R)，(x-R,y+R)，(x+R,y+R)，传感器节点V所有可能覆盖的点都在以这四个点为顶点的矩形区域内，对于传感器节点V，只需要检验这个矩形区域内的点被其覆盖的情况。

j_1l和j_1h分别表示传感器节点V＝(x_i,y_i)所能覆盖的矩形区域的左边界和右边界。

j_1l＝max{x_i-R,0} (4)

j_1h＝min{m₁,x_i+R} (5)

其中j_2l和j_2h分别表示矩形区域的下边界和上边界。

j_2l＝max{y_i-R,0} (6)

j_2h＝min{y_i+R,m₂} (7)

第二步，根据已经建立的区域覆盖模型，建立优化目标函数。

监控区域内每个点都只能有一个状态，被覆盖或者未被覆盖，数组C[j₁][j₂]中存储了各个节点的状态，因此二维数组C[j₁][j₂]应满足其中m＝(m₁+1)×(m₂+1)，此外是用来统计被传感器节点覆盖的点的数目。监控区域被极限网格化后，区域可以用点的集合得形式进行描述，此时的覆盖率也近似为被传感器节点覆盖的点的数目与点的总数目的比值，如式(8)。

$P_{area}=\frac{{\mathrm{\&Sigma;}}_{j_1=0}^{m_1}{\mathrm{\&Sigma;}}_{j_2=0}^{m_2}C\&lsqb;j_1\&rsqb;\&lsqb;j_2\&rsqb;}{(m_1+1)\&CenterDot;(m_2+1)}---\left(8\right)$

覆盖优化问题形式化定义为如下优化问题

max P_area (9)

s.t.

0≤j₁≤m₁ (10)

0≤j₂≤m₂ (11)

第三步，采用粒子群算法对问题进行求解。

当监控区域里面随机部署了n个视频传感器时，粒子群中的粒子数为num，粒子的空间维度应与传感器节点个数相同为n，每个粒子的位置用一个n维向量β_i＝(β_i1,β_i2,...,β_in)表示微粒i的位置向量，1≤i≤num，每一维表示网络中的一个传感器的感知方向，例如β_i2表示粒子i的中传感器节点V₂的感知方向，β_i1,β_i2,...,β_in依次表示传感器节点V₁到V_n的感知方向。粒子的速度向量，即网络中传感器节点感知方向每次改变的角度大小向量记为ε_i＝(ε_i1,ε_i2,...,ε_in)。

粒子群中各粒子的速度和位置的迭代更新公式如式(12)和(13)所示，其中1≤i≤num,1≤d≤n。

ε_id(t+1)＝ω·ε_id(t)+c₁·r₁·(P_bestid-β_id(t))+c₂·r₂·(G_bestd-β_id(t)) (12)

β_id(t+1)＝β_id(t)+ε_id(t+1) (13)

其中：1≤i≤num,1≤d≤n；ε_id表示粒子i在第d维空间的速度，即是传感器节点V_d感知方向角度调整的大小；c₁和c₂是学习因子，r₁＝r₂＝rand(1)；ω为惯性权重系数；P_bestid为粒子i个体极值中的第d维元素，即个体极值中传感器节点V_d的感知方向大小，G_bestd为全局极值的第d维元素，即全局极值中传感器节点V_d的感知方向大小；

定义粒子i的适应度，用函数f_i表示，f_i代表传感器节点按照向量β_i调整感知方向时所得到的监控区域的覆盖率，f_i由下式确定：

$f_i=P_{area}=\frac{{\mathrm{\&Sigma;}}_{j_1=0}^{m_1}{\mathrm{\&Sigma;}}_{j_2=0}^{m_2}C\&lsqb;j_1\&rsqb;\&lsqb;j_2\&rsqb;}{(m_1+1)\&CenterDot;(m_2+1)}---\left(14\right)$

其中，0≤j₁≤m₁,0≤j₂≤m₂；C[j₁][j₂]记录了表示点坐标为(j₁,j₂)的点A_j是否在传感器节点的监控范围内的状态，是用来统计所有处于传感器节点覆盖范围的点的数目，而监控区域的点的总数目为(m₁+1)·(m₂+1)。

粒子群算法的流程图如图5所示，f(x)为目标函数即适应值函数。粒子群算法最终求得的全局最优解即是一个n维向量，当视频传感器网络中的传感器节点按照这个向量各自的感知方向时，整个网络的覆盖率达到最大值。

第四步，根据第三步求得的最优解来调整网络中传感器节点的感知方向。

区域覆盖中，覆盖率的求解问题可以归纳为求解一组使得当传感器网络中各节点的感知方向按此调整时，网络的覆盖率P_area能够达到最大值。在第三步中求得的全局最优解即是网络覆盖率最大时各传感器节点感知方向的取值。

实施例

本实施例中所有仿真实验均在Matlab软件环境下进行。仿真实验中设置监测区域的形状大小为边长250×200的矩形区域，传感器节点个数为n＝200，节点感知视角为θ＝2α＝60°，感知半径为R＝20。传感器节点的坐标分布满足随机正态分布，模拟传感器节点的随机部署，横轴坐标之间不关联，彼此相互独立，横坐标的均值为监控区域长的一半，纵坐标的均值为监控区域纵坐标的一半。传感器节点随机部署后的初始感知方向是在[0,2π]之间随机均匀分布。

粒子群算法中的参数设置为粒子个数为100，粒子速度最大值为ε_max＝2π，最大迭代次数为Maxnumber＝1600。c₁和c₂取值为c₁＝c₂＝1.494，r₁＝r₂＝rand(1)；惯性权重系数ω取值为0.5+rand(1)/2。

从图6中可以看到经过对节点感知方向进行调整后，区域的覆盖率明显提高不少，主要因为对节点感知方向进行调整后，网络中的覆盖重叠区和覆盖盲区都显著减少，区域覆盖率增大。

图7为采用粒子群算法的仿真曲线图，表现了覆盖率随迭代次数变化情况。由图可知算法在迭代到600次左右的时候已经开始收敛，而且曲线平滑，覆盖率优化前为0.56，优化后变为0.71，区域覆盖率得到了明显的提高，结果表明基于粒子群算法的区域覆盖优化方法能够有效地提高视频传感器网络的区域覆盖率。

由实验结果可知采用粒子群算法覆盖优化方法能够效减少区域中的重叠覆盖区域，提高覆盖率，而且算法的收敛性能良好。

Claims (3)

1.一种适用于感知方向可调的视频传感器网络区域覆盖优化的方法，其特征在于包括以下步骤：1)根据视频传感器节点的特征和网络监控区域的特征建立区域覆盖模型，具体包括：

(1-1)根据传感器节点的感知方向、感知半径以及坐标位置这些特征参数建立有向型视频传感器节点的数学模型；其中所述的传感器节点为有向感知型传感器节点，节点的感知区域是一个以自身坐标位置为圆心，感知半径为半径的扇形区域，实际的感知区域由感知方向决定，而且节点的感知方向可以调整；

(1-2)对视频传感器网络的监控区域进行网格化，网格化后的监控区域可以看作是一系列点的集合，传感器节点的坐标位置是集合中的一个点，将监控区域视为众多点的集合，每个传感器节点覆盖的区域是集合的一个子集，从而建立视频传感器网络中的监控区域模型；

(1-3)以传感器节点的自身坐标位置为圆心，以传感器节点的感知半径为半径，创建一个圆形区域，此区域即为传感器节点的感知区域模型，计算出每个传感器节点所对应圆形区域的上下边界和左右边界，并判断该点是否被传感器节点覆盖，并更新该点的状态值；

2)根据所建立的区域覆盖模型，以区域覆盖率为优化目标，建立优化模型；所述视频传感器网络的区域覆盖率是被传感器节点覆盖的区域面积与监控区域总的面积的比值，在对监控区域网格化后，区域覆盖率转化为被传感器节点覆盖的点的数目与点的总数目的比值；

3)结合监控区域中的点的状态检验算法，采用粒子群算法求解区域覆盖优化问题；

4)根据求得的解调整视频传感器网络中各个传感器节点的感知方向，使得区域覆盖率最大化。

2.根据权利要求1所述的视频传感器网络区域覆盖优化的方法，其特征在于：步骤2)中所述区域覆盖率的计算方法如下：

$P_{area}=\frac{\left(U_{i=1}^n{S}_i\right)IS}{S},i=1,2,\mathrm{...},n,$

其中n表示监控区域内视频传感器节点的总数，P_area满足0＜P_area≤1，S_i为任一传感器节点监控区域的面积，且S_i＝αR²，α是传感器节点的扇形监控区域的边界线与中轴线的夹角，R表示传感器节点的感知半径，为各个传感器节点覆盖面积的并集，即为所有传感器节点覆盖的总面积，S为监控区域的总面积。

3.根据权利要求1所述的视频传感器网络区域覆盖优化的方法，其特征在于：步骤3)中所述的粒子群算法具体步骤为：a、设粒子群中的粒子数为num，粒子的空间维度与传感器节点个数相同为n，每个粒子的位置用一个n维向量β_i＝(β_i1,β_i2,...,β_in)表示微粒i的位置向量，1≤i≤num，每一维表示视频传感器网络中的一个传感器的感知方向，粒子的速度向量即视频传感器网络中传感器节点的感知方向每次改变的角度大小向量记为ε_i＝(ε_i1,ε_i2,...,ε_in)；

b、粒子群中各粒子的速度和位置的迭代更新计算方法如下所示：

ε_id(t+1)＝ω·ε_id(t)+c₁·r₁·(P_bestid-β_id(t))+c₂·r₂·(G_bestd-β_id(t))

β_id(t+1)＝β_id(t)+ε_id(t+1)

其中：1≤i≤num,1≤d≤n；ε_id表示粒子i在第d维空间的速度，即是传感器节点V_d感知方向角度调整的大小；c₁和c₂是学习因子，r₁＝r₂＝rand(1)；ω为惯性权重系数；P_bestid为粒子i个体极值中的第d维元素，即个体极值中传感器节点V_d的感知方向大小，G_bestd为全局极值的第d维元素，即全局极值中传感器节点V_d的感知方向大小；

c、定义粒子i的适应度，用函数f_i表示，f_i代表传感器节点按照向量β_i调整感知方向时所得到的监控区域的覆盖率，f_i由下式确定：

$f_i=P_{area}=\frac{{\mathrm{\&Sigma;}}_{j_1=0}^{m_1}{\mathrm{\&Sigma;}}_{j_2=0}^{m_2}C\&lsqb;j_1\&rsqb;\&lsqb;j_2\&rsqb;}{(m_1+1)\&CenterDot;(m_2+1)}$

其中，0≤j₁≤m₁,0≤j₂≤m₂；C[j₁][j₂]记录了表示点坐标为(j₁,j₂)的点A_j是否在传感器节点的监控范围内的状态，是用来统计所有处于传感器节点覆盖范围的点的数目，而监控区域的点的总数目为(m₁+1)·(m₂+1)；

d、粒子群算法最终求得的全局最优解即是一个n维向量，当视频传感器网络中的传感器节点分别按照这个向量布置各自的感知方向时，整个网络的区域覆盖率达到最大值。