基于移动智能的混合视觉传感器网络自定位和目标检测研究

The development of wireless sensor network is an effective and strategic measure for object detection in complex large environment such as national defense, environmental monitoring, space exploration and so on. With the broadest application potential, miscellaneous visual sensor network (MVSN) will become one of the main future orientation of sensor networks. MVSN is a class of highly nonlinear and strong coupling hybrid dynamical system consisting of interacting continuous-time and discrete-event dynamics. The optimization of MVSN can be concluded as a class of constrained nonlinear uncertain optimization problem with multiple objectives, which is difficult to be solved by using traditional control approach. Therefore, it is very urgent to establish new theory and methods to resolve it. Starting from the multi-view multi-source data fusion, many key problems will be studied here. The feature extraction methods based on the data fusion of the depth and the 2D images will be studied, the object description model based on the multi-view multi-source (including features and object motion parameters) data fusion will be established, the distributed object detection algorithm based on OS-ELM classifier for visual sensor network in complex large environment will be presented, and the active optimal movement strategy based on immune evolution algorithm for improving self-localization accuracy of mobile visual sensors will be developed. This proposal is the frontier research involved in multi-disciplines of robotics, sensor network, machine vision, and artificial intelligence. This research not only makes great sense for overcoming the key bottleneck in the practical application process of VSM, but also significantly promotes the development of theory and application of certain related subjects.

发展无线传感器网络是解决国防军事、环境安全监测、空间探索等复杂大场景监测行之有效的重大举措。混合视觉传感器网络（MVSN）最具应用前景，必将是主流方向之一。MVSN是一类典型的连续和离散动态并存且交互作用的高度非线性、强耦合混杂动态系统，其面向自定位和目标检测的优化控制可归结为一类有约束的非线性不确定性多目标优化问题，常规控制方法难以解决，亟待寻求新理论和新方法予以突破。本项目拟从多视角多源信息融合出发，基于深度和二维图像信息融合研究目标特征选取、基于多视角目标特征融合研究目标特征模型建立、利用OS-ELM分类器研究分布式目标检测算法、基于免疫进化算法研究移动节点主动优化策略等问题，并搭建试验平台验证新理论方法的有效性。本项目属机器人学、传感器网络、机器视觉、人工智能等多学科交叉的前沿研究，不仅对突破VSM实用进程关键瓶颈具有重要作用，而且对相关学科的理论和应用研究有显著促进作用。

一、移动传感器网络主动感知综述.综述了移动传感器网络在自定位、覆盖、目标检测、目标跟踪、大规模区域内时空动态特性检测等方面，利用移动性进行主动感知国内外研究现状。.二、移动传感器网络主动定位算法.提出了基于信息度量的移动传感器网络主动定位方法，首先借助于扩展卡尔曼滤波器，根据视觉传感器观测得到的角度观测量估计周围普通节点的位置，然后求解使得普通节点位置估计和种子节点移动方向之间的互信息最大的种子节点的移动方向，普通节点获得一定精度的位置估计后，作为伪种子节点定位其他普通节点。与其它启发式或随机移动辅助的移动传感器网络定位算法相比，基于信息驱动的移动传感器网络主动定位方法能够使得种子节点以较少的移动步数，使周围普通节点获得精度较高的位置估计。.三、基于视觉的目标检测和目标识别.1、比较了基于三个不同的颜色空间（RGB、HSV、CIE-XYZ）的目标识别算法在精度和实时性等方面的性能，实验表明，基于CIE-XYZ颜色空间的目标识别算法具有较高的精度和实时性，即使在光照不理想情况下也能够满足精度、实时性要求。.2、利用低成本深度摄像头采集的深度图像获取人体轮廓，提取人体轮廓的曲率尺度空间特征，创建基于曲率尺度空间特征的词包模型表示人的行为；提出了基于变长度粒子群优化算法的极限学习机，利用变长度粒子群优化算法自动地选择隐元个数，及相应的输入权重和隐元偏置，使ELM分类器的泛化性能最大化，将此分类器用于跌倒行为检测。.3、提出基于在线序贯极限学习机的递增式人体行为识别方法，能够在训练样本很少的情况下，以较少训练时间，获得较为精确的人体行为识别结果，且具有在线学习能力，即当环境和识别对象发生变化时，只需在现有分类器上继续在线学习。.四、多移动机器人的路径规划问题.1、提出了能够在复杂环境中快速高效地搜索到最优路径的基于单链序贯回溯Q学习的移动机器人路径规划算法。.2、提出用于多机器人动态路径规划的多克隆人工免疫网络算法，考虑机器人之间的相互影响以及移动障碍物对机器人的影响，定义了抗体浓度的计算公式，通过克隆、交叉、变异和选择算子，增加了抗体的多样性，解决了传统人工免疫网络的早熟收敛问题；引入记忆单元，保存特定环境抗原对应的特异性抗体，增加特异性抗体的初始浓度，减少了响应时间，有效地实现了未知环境下多移动机器人动态路径规划。