基于稀疏表示的多智能体视觉传感器网络车辆检测与跟踪技术研究

Vehicle detection and tracking is a key technique in the intelligent traffic surveillance systems.But the conventional video based vehicle detection and tracking systems are architecture inflexibility, bad tolerance and with inefficient cooperative among cameras, the traditional wireless sensor networks (WSN) are lack of rich visual information. Aiming at these problem,this project plans to research systematically on vehicle detection and tracking theories and techniques of multi-agent Visual Sensor Networks based on sparse representation from the levels of theories,algorithms and application. The main research content include: research on the model of intelligent traffic surveillance model based on VSN and multi-agent techniques;research on the multi-agent dynamic coalition formation camera selection theories and algorithms based on distributed particle swarm optimization(DPSO);research on the algorithms of distributed vehicle detection and tracking based on sparse representation in VSN. And in the end,we will validate the related theories and algorithms by simulation and field experiment. The project aims at the research frontier both at home and abroad.It is significantly in theory and has a broad application future and will provides some theories and design guidiance for the practical application of vehicle detection and tracking in the power limited,bandwith limited and the node computation capacity limited VSNs.

车辆检测与跟踪是智能交通监控的关键技术。但传统的视频车辆检测与跟踪系统结构不灵活、容错性差、相机间不能有效协作，传统的无线传感器网络(WSN)交通监控系统缺少信息量丰富的视觉信息、不能实现细粒度及精准的环境监控。对此，本项目拟从理论、算法、应用三个层次开展基于稀疏表示的多智能体(MA)视觉传感器网络(VSN)车辆检测与跟踪的理论与技术研究。具体包括：1）基于多智能体的VSN智能交通监控系统模型研究；2）基于分布式量子粒子群优化的多智能体动态联盟形成相机选择理论与算法研究；3）基于稀疏表示的分布式车辆检测及跟踪算法研究。最后通过仿真及现场实验，验证理论与算法的有效性及性能。本项目瞄准国内外研究前沿，将为能源有限、带宽有限、节点计算能力有限的VSN在车辆检测与跟踪中的实际应用提供一定的理论和设计指导，具有重要的理论意义和应用前景。

智能交通监控系统是智能交通系统的重要组成部分及研究热点。本项目从多智能体交通监控系统模型、多智能体联盟形成以及车辆检测与跟踪方法等方面对此进行了系统研究。主要内容包括：（1）研究了为完成监控任务所需的各类Agent及其形式化表示，建立了Agent间的逻辑关系结构以及基于多Agent的VSN智能交通监控系统模型。（2）研究了多智能体联盟形成的理论与技术，提出了基于经验推进的DPSO算法的单任务联盟形成策略和一种基于改进遗传算法的单任务联盟形成策略，提出了基于评价因子行为等级更新的多agent联盟效用分配策略以及基于忠诚度的多智能体联盟效用分配策略。（3）研究图像的压缩感知与稀疏表示理论与技术，提出了基于压缩感知的图像融合方法以及基于小波高频信息的无参考图像质量评价方法。（4）研究了基于压缩感知、Mean Shift以及字典学习的检测与跟踪算法，提出了基于压缩感知的互补特征加权、在线矩形特征选择的压缩跟踪方法，基于边界沙包核函数的Mean Shit跟踪算法与镜像Mean Shift的目标跟踪算法以及基于蚁群优化的边缘粒子滤波跟踪算法。通过以上研究，为建立具有动态、协作、高效、智能的VSN交通监控系统提供了良好的理论和技术基础。在项目执行期间，发表了与项目相关中文核心期刊论文14篇，英文SCI期刊论文1篇，EI期刊论文2篇，国际会议论文3篇，培养硕士研究生9人，较好地实现了预期研究目标。