CN115879181A - 基于三维感知模型的视频传感器覆盖优化方法及装置 - Google Patents

Abstract

本发明公开了一种基于三维感知模型的视频传感器覆盖优化方法及装置，涉及机器学习技术领域，包括：获取待监测区域A，待监测区域A内包括L个摄像机；构建第i个摄像机的三维感知模型，获取该摄像机在待监测区域A中的覆盖范围；获取L个摄像机在待监测区域A中的覆盖范围；将待监测区域A进行离散化，获取离散后的目标点集Ω；获取待监测区域中被L个摄像机覆盖的目标点集合H(t)；根据目标点集Ω和目标点集合H(t)，获取待监测区域A的覆盖率；根据粒子群算法和梯度算法，优化待监测区域的覆盖率；其中，使用精英反向学习产生粒子群算法的初始种群；获取优化后的待监测区域的覆盖率。本申请能够快速获取优化的摄像机覆盖率。

Description

基于三维感知模型的视频传感器覆盖优化方法及装置

技术领域

本发明属于机器学习技术领域，具体涉及一种基于三维感知模型的视频传感器覆盖优化方法及装置。

背景技术

随着大规模视频监控系统的不断部署，智能布局算法的开发已成为计算机视觉的一个重要研究领域。视频监控在环境监控、医疗卫生、交通枢纽和关键基础设施等领域有广泛的应用。在自然场景中，如何科学合理地部署摄像机提高其覆盖率，受到了许多研究学者的关注。

监控摄像机是从物理环境中监测并采集视觉信息的视频传感器，主要包括基于传感器的全向感知模型和有向感知模型，并且以上模型均在二维空间进行，如此，当摄像机处于三维空间时，传统的二维感知模型受空间因素的影响，对应的覆盖算法不能直接应用到实际应用中，对布置摄像机造成不利影响。

因此，亟需改善现有技术中感知模型受二维空间的影响。

发明内容

为了解决现有技术中存在的上述问题，本发明提供了一种基于三维感知模型的视频传感器覆盖优化方法及装置。本发明要解决的技术问题通过以下技术方案实现：

第一方面，本发明提供一种基于三维感知模型的视频传感器覆盖优化方法，包括：

获取待监测区域A，待监测区域A内包括L个摄像机；

构建第i个摄像机的三维感知模型，获取该摄像机在待监测区域A中的覆盖范围；获取L个摄像机在待监测区域A中的覆盖范围；

将待监测区域A进行离散化，获取离散后的目标点集Ω；获取待监测区域中被L个摄像机覆盖的目标点集合H(t)；

根据目标点集Ω和目标点集合H(t)，获取待监测区域A的覆盖率；

根据粒子群算法和梯度算法，优化待监测区域的覆盖率；其中，使用精英反向学习产生粒子群算法的初始种群；

获取优化后的待监测区域的覆盖率。

第二方面，本发明还提供一种基于三维感知模型的视频传感器覆盖优化装置，包括：

数据获取模块，用于获取待监测区域A，待监测区域A内包括L个摄像机；

模型构建模块，用于构建第i个摄像机的三维感知模型，获取该摄像机在待监测区域A中的覆盖范围；获取L个摄像机在待监测区域A中的覆盖范围；

数据处理模块，用于将待监测区域A进行离散化，获取离散后的目标点集Ω；获取待监测区域中被L个摄像机覆盖的目标点集合H(t)；

数据计算模块，用于根据目标点集Ω和目标点集合H(t)，获取待监测区域A的覆盖率；

数据优化模块，用于根据粒子群算法和梯度算法，优化待监测区域的覆盖率；其中，使用精英反向学习产生粒子群算法的初始种群；

结果获取模块，用于获取优化后的待监测区域的覆盖率。

本发明的有益效果：

本发明提供的一种基于三维感知模型的视频传感器覆盖优化方法及装置，针对视频传感器覆盖问题，利用三维感知模型对单个摄像机的覆盖范围进行描述，并提出了一种粒子群和梯度的混合优化算法；首先，使用精英反向学习产生初始种群和增加自适应惯性权重改进传统粒子群算法；然后，根据覆盖优化模型构造新的梯度迭代公式，并给出一种计算偏增量的方法降低时间复杂度；最后将改进的梯度算法嵌入到粒子群迭代中，具体方法是用每个个体在粒子群迭代过程中的历史最优点作为改进梯度算法的初始值进行迭代优化，提升粒子群的局部搜索能力，加快算法收敛速度。

以下将结合附图及实施例对本发明做进一步详细说明。

附图说明

图1是本发明实施例提供的基于三维感知模型的视频传感器覆盖优化方法的一种流程图；

图2是本发明实施例提供的三维感知模型的一种示意图；

图3是本发明实施例提供的基于三维感知模型的视频传感器覆盖优化装置的一种示意图；

图4(a)是本发明实施例提供的摄像机的初始随机部署图；

图4(b)是本发明实施例提供的标准粒子群算法部署图；

图4(c)是本发明实施例提供的蜂群算法部署图；

图4(d)是本发明实施例提供的PSG部署图；

图5是本发明实施例提供的三种算法迭代曲线图；

图6(a)是本发明实施例提供的仿真结果随机部署的一种示意图；

图6(b)是本发明实施例提供的仿真结果JABC的一种示意图；

图6(c)是本发明实施例提供的仿真结果PSO的一种示意图；

图6(d)是本发明实施例提供的仿真结果PSG的一种示意图；

图7是本发明实施例提供的摄像机数量与覆盖率关系的一种示意图。

具体实施方式

下面结合具体实施例对本发明做进一步详细的描述，但本发明的实施方式不限于此。

现有技术中，如Ma等人在2009年首次提出基于传感器节点位置、主感知方向、水平方向感知和垂直方向感知范围的三维感知模型，并提出基于虚拟势场分析的区域覆盖增强算法。肖甫等人将主感知方向正交分解为俯仰角和偏向角，并根据节点自身位置及监测区域调整节点的俯仰角，基于粒子群优化调整节点偏向角，减少节点感知重叠区及感知盲区，实现监测场景的区域覆盖增强。Fu等人提出了一种基于概率启发的二进制粒子群优化算法来解决摄像机网络布局问题，将摄像机部署在三维空间，监视区域限制在二维地平面上。Altahir等人针对摄像机布局问题，分别用圆、等腰梯形、三角形和扇形作为传感器覆盖范围，基于所提出的模型进行布局并对结果进行评估。庄曜铭等人基于传感器三维模型，引入Levy flight策略和多维度优化策略对摄像机的旋转角度进行优化，用改进的布谷鸟算法来优化，通过和其他算法比较，证明改进的算法实验效果更好，但摄像机覆盖仍存在较大重叠区域和覆盖盲区。目前基于视频传感器节点分布方式的随机性较大，难以达到预期的覆盖质量，存在较多区域覆盖重叠。

有鉴于此，本发明提供一种基于三维感知模型的视频传感器覆盖优化方法，通过调节摄像机的位置和主感方向，能够有效提高监控区域的覆盖率。

请参见图1，图1是本发明实施例提供的基于三维感知模型的视频传感器覆盖优化方法的一种流程图，本申请所提供的一种基于三维感知模型的视频传感器覆盖优化方法，包括：

S101、获取待监测区域A，待监测区域A内包括L个摄像机；

S102、构建第i个摄像机的三维感知模型，获取该摄像机在待监测区域A中的覆盖范围；获取L个摄像机在待监测区域A中的覆盖范围；

S103、将待监测区域A进行离散化，获取离散后的目标点集Ω；获取待监测区域中被L个摄像机覆盖的目标点集合H(t)；

S104、根据目标点集Ω和目标点集合H(t)，获取待监测区域A的覆盖率；

S105、根据粒子群算法和梯度算法，优化待监测区域的覆盖率；其中，使用精英反向学习产生粒子群算法的初始种群；

S106、获取优化后的待监测区域的覆盖率。

具体而言，请继续参见图1所示，本实施例中，针对视频传感器覆盖问题，利用三维感知模型对单个摄像机的覆盖范围进行描述，并提出了一种粒子群和梯度的混合优化算法；首先，使用精英反向学习产生初始种群和增加自适应惯性权重改进传统粒子群算法；然后，根据覆盖优化模型构造新的梯度迭代公式，并给出一种计算偏增量的方法降低时间复杂度；最后将改进的梯度算法嵌入到粒子群迭代中，具体方法是用每个个体在粒子群迭代过程中的历史最优点作为改进梯度算法的初始值进行迭代优化，提升粒子群的局部搜索能力，加快算法收敛速度。

在本发明的一种可选地实施例中，请参见图2，图2是本发明实施例提供的三维感知模型的一种示意图，构建第i个摄像机的三维感知模型包括：

获取第i个摄像机在三维空间中的位置S(x,y,z)；

获取第i个摄像机的主感知方向C＝(γ,θ)；其中，γ为俯仰角，θ为旋转角；其中，将主感知方向分解成在水平方向的分量和垂直方向的分量；

获取第i个摄像机的水平方向视场角2α和垂直方向视场角2β；

使用三维空间中的位置S(x,y,z)、主感知方向C＝(γ,θ)、水平方向视场角2α和垂直方向视场角2β构建第i个摄像机的三维感知模型。

在本发明的一种可选地实施例中，获取第i个摄像机在待监测区域A中的覆盖范围A_i(t)包括：

根据第i个摄像机的三维感知模型，获取环形扇形的覆盖范围，即该摄像机在待监测区域A中的覆盖范围；

根据环形扇形的覆盖范围，获取该摄像机的覆盖范围的目标点，其表达式为：

其中，p为空间中任一点p(x₀,y₀)，r₁为环形扇形的第一半径，r₂为环形扇形的第二半径，s'为第i个摄像机在水平面上的投影点s'(x,y)，

为主感知方向在水平方向的分量。

在本发明的一种可选地实施例中，获取待监测区域的覆盖率包括：

获取待监测区域A离散后的目标点集Ω＝{1,2,…,G}，G为目标点个数；判断目标点集Ω中的第j个目标点是否被任意摄像机覆盖，如果被覆盖，表示为1，否则，表示为0，其表达式为：

其中，i∈{1,2,…,L}，t为第i个摄像机的状态变量；

获取所述待监测区域A中被i个摄像机覆盖的目标点集合H_i(t)，其表达式为：

H_i(t)＝{j|a_ij(t)＝1,j∈Ω}；

获取待监测区域A中被L个摄像机覆盖的目标点集合H(t)，其表达式为：

获取待监测区域A的覆盖率，其表达式为：

将待监测区域A的覆盖率优化问题进行转化，其表达式为：

其中，Q为状态变量t的可行域。

在本发明的一种可选地实施例中，使用精英反向学习产生粒子群算法的初始种群包括：

在解空间，随机生成N个粒子作为初始种群，种群个体为X_o，(o＝1,2,…,N)：

获取初始种群对应的反向种群

将初始种群X_o的适应度值与反向种群

的适应度值进行比较，将适应度值高的种群作为最终的初始种群，其表达式为：

/>

其中，f(X_o)为初始种群的适应度值，

为反向种群的适应度值。

在本发明的一种可选地实施例中，还包括：将自适应惯性权重引入粒子群算法；

获取每个种群粒子的自适应惯性权重，其表达式为：

其中，

为第k次迭代粒子o对应的惯性权重，/>

为第k次迭代所有个体最大适应度值，/>

为第k次迭代所有个体的平均适应度值，/>

为第k次迭代粒子o的适应度值，w_max为惯性权重的最大值，w_min为惯性权重的最小值；

获取每一次迭代过程中，种群粒子更新自身的速度和状态变量，其表达式为：

其中，o为任一种群粒子，(o＝1,2,…,N)，n为任一摄像机参数，w为惯性权重，h₁和h₂分别为加速因子，b₁和b₂为0到1之间均匀分布的随机数，

为第k+1次迭代时种群粒子o的速度，/>

为第k+1次迭代时第o个粒子的状态变量，/>

为种群粒子的历史最优点，/>

为种群粒子迄今找到的全局最优点。

在本发明的一种可选地实施例中，梯度算法的表达式为：

其中，t^(e)为当前点，t^(e+1)为下一点，λ为迭代步长，Δf(t^(e))为偏增量，其中，Δf(t^(e))＝(Δf₁(t^(e)),Δf₂(t^(e)),…,Δf_s(t^(e)))，s为偏增量的维度，第c个偏增量的表达式为：

Δf_c(t^(e))＝f(t^(e)+Δt_cz_c)-f(t^(e))；

其中，Δt_c为自变量中各分量的增量，z_c为第c个分量为1、其他分量均为0的s维向量，

Q′为待监控区域范围。

在本发明的一种可选地实施例中，第c偏增量Δf(t^(e))的获取表达式为：

Δf_c(t^(e))＝Y₁(t^(e))-Y₂(t^(e))

其中，Y₁(t^(e))为t＝t^(e)时未被任何摄像机覆盖的目标点、且t＝t^(e)+Δt_cz_c时被第l个摄像机覆盖的目标点数量，即为覆盖净增加的数量；Y₂(t^(e))为仅仅被第l个摄像机覆盖的目标点在t＝t^(e)+Δt_cz_c时不被其覆盖，即为覆盖净减少的目标点数量，Ω_un(t^(e))为没有被任意摄像机覆盖的目标点，

为仅仅被第l个摄像机覆盖的目标点，a_lj为被第l个摄像机覆盖的目标点，j为第j个目标点。

基于同一发明构思，请参见图3，图3是本发明实施例提供的基于三维感知模型的视频传感器覆盖优化装置的一种示意图，本发明还提出一种基于三维感知模型的视频传感器覆盖优化装置，应用于本发明上述实施例提供的基于三维感知模型的视频传感器覆盖优化方法，具体实施方式请参考上述，在此不再赘述；该装置包括：

数据获取模块201，用于获取待监测区域A，待监测区域A内包括L个摄像机；

模型构建模块202，用于构建第i个摄像机的三维感知模型，获取该摄像机在待监测区域A中的覆盖范围；获取L个摄像机在待监测区域A中的覆盖范围；

数据处理模块203，用于将待监测区域A进行离散化，获取离散后的目标点集Ω；获取待监测区域中被L个摄像机覆盖的目标点集合H(t)；

数据计算模块204，用于根据目标点集Ω和目标点集合H(t)，获取待监测区域A的覆盖率；

数据优化模块205，用于根据粒子群算法和梯度算法，优化待监测区域的覆盖率；其中，使用精英反向学习产生粒子群算法的初始种群；

结果获取模块206，用于获取优化后的待监测区域的覆盖率。

在本发明的一种可选地实施例中，通过以下的过程实现视频传感器覆盖优化。

构建三维感知模型；

具体而言，获取待监测区域A，待监测区域A内包括L个摄像机，每个摄像机共有K个变量，例如，摄像机位置、旋转方向、俯仰角等参数，L个摄像机共有m＝K·L个变量，t＝(t₁,t₂,…,t_m)为摄像机的状态变量，其中，t_(i-1)K+1,t_(i-1)K+2,…,t_iK为第i个摄像机在待监测区域A中的覆盖范围A_i(t)，以第一个摄像机为例，给出其空间感知模型，其中，摄像机感知模型是在针孔成像原理,透视投影等原理的基础上简化形成的模型。

获取第i个摄像机在三维空间中的位置S(x,y,z)；获取第i个摄像机的主感知方向C＝(γ,θ)；其中，γ为俯仰角，θ为旋转角；其中，将主感知方向分解成在水平方向的分量和垂直方向的分量；获取第i个摄像机的水平方向视场角2α和垂直方向视场角2β；使用三维空间中的位置S(x,y,z)、主感知方向C＝(γ,θ)、水平方向视场角2α和垂直方向视场角2β构建第i个摄像机的三维感知模型。

需要说明的是，现有技术中，摄像机的覆盖范围为等腰梯形，而本实施例中的摄像机覆盖范围为环形扇形；可以理解的是，将三维感知模型的主感知方向分解成在水平方向的分量和竖直方向的分量；只考虑水平方向的分量时，模型退化为方向可调的二维扇形感知模型；由于考虑主感知方向在竖直方向的约束,则其对二维水平面上形成的扇形覆盖区域切割成两部分，一部分是盲区,一部分是覆盖区域；本实施例中盲区是以r₁为半径的扇形区域，覆盖区域是环形扇形D₁D₂D₃D₄，对应坐标分别为：

D₁(x+r₁cos(θ+α),y+r₁sin(θ+α))

D₂(x+r₁cos(θ-α),y+r₁sin(θ-α))

D₃(x+r₂cos(θ-α),y+r₂sin(θ-α))；

D₄(x+r₂cos(θ+α),y+r₂sin(θ+α))

其中，环形扇形区域的内半径r₁和外半径r₂分别为：

r₁＝z×tan(γ-β)

r₂＝z×tan(γ+β)；

对于空间中的任一目标点p(x₀,y₀)，如果该目标点在任意时刻被摄像机覆盖，需要满足以下两个条件，分别为：

1、点p(x₀,y₀)与摄像机在水平面的投影点s'(x,y)的欧氏距离不大于r₂且不小于r₁；即，r₁≤d(s',p)≤r；

2、

与主感知方向在水平方向分量/>

的夹角不大于α；即，/>

其中，/>

通过对目标点的限制，获取第i个摄像机在待监测区域A中的覆盖范围A_i(t)，其表达式为：

同理，根据上述方法，可以获取L个摄像机的总覆盖范围。

获取待监测区域A的覆盖率；

具体而言，为高效地计算摄像机的覆盖率，将连续区域覆盖问题转化为区域离散目标点集的覆盖；即把待监测区域A进行离散化，获取离散后的目标点集Ω，G为目标点个数。如果目标点落在任一摄像机感知区域内时，该目标点至少被一个摄像机覆盖，则该目标点被监测到的概率为1，反之为0。当摄像机状态变量为t时，目标点j被摄像机覆盖的状态用a表示为：

其中，i∈{1,2,…,L}；

获取待监测区域A中被i个摄像机覆盖的目标点集合H_i(t)，其表达式为：

H_i(t)＝{j|a_ij(t)＝1,j∈Ω}；

获取待监测区域A中被L个摄像机覆盖的目标点集合H(t)，其表达式为：

获取待监测区域A中被第i个摄像机覆盖、且不能被其他摄像机覆盖的目标点集合

其表达式为：

当摄像机状态变量为t时，整个待监测区域A的覆盖率f采用被覆盖目标点个数的总和与待监测区域A中的总目标点的比值表示，其表达式为：

其中，|·|为集合中元素个数；

进一步，将覆盖优化问题进行转化，其表达式为：

其中，Q为状态变量t的可行域。

改进粒子群算法和梯度算法；

具体而言，由于覆盖优化问题中变量维数大，求解该优化问题困难；本实施例中，通过改进粒子群算法并嵌入改进梯度法对本问题进行求解。

标准粒子群算法(Particle Swarm Optimization)是一种优化算法，在解决优化问题中，问题的每个可行解就是搜索空间中的每只鸟，称之为粒子，每一次迭代粒子通过跟踪个体极值点(pbest)和群体极值点(gbest)来更新自己。

首先，使用精英反向学习产生粒子群算法的初始种群；

在优化算法迭代之前，通常使用随机方式产生种群个体信息，由于没有先验知识，随机初始种群分布混乱，具有一定的盲目性，在一定程度上影响了寻优速度；为解决因为初始种群随机分布对算法性能的影响问题，本实施例使用精英反向学习的策略产生新的初始种群，以提高算法的求解性能。

在解空间，随机生成N个粒子作为初始种群，种群个体为X_o，(o＝1,2,…,N)：

获取初始种群对应的反向种群

将初始种群X_o的适应度值与反向种群

的适应度值进行比较，将适应度值高的种群作为最终的初始种群，其表达式为：

其中，f(X_o)为初始种群的适应度值，f(X_o ^*)为反向种群的适应度值。

其次，将自适应惯性权重引入所述粒子群算法；

标准粒子群算法惯性权重通常取定值常数，当惯性权重w较大时，有利于全局搜索；当惯性权重w较小时，有利于局部搜索，合适的惯性权重能起到平衡全局搜索和局部搜索能力的作用。本实施例中粒子群算法引入自适应惯性权重，使惯性权重的取值和适应度值有关。当个体的适应度值小于平均适应度值时，表示个体距离最大值较远，需要扩大搜索范围，此时惯性权重取较大的值；当个体的适应度值大于平均适应度值时，表示个体距离最大值较近，需要缩小搜索范围进行局部搜索，此时惯性权重取较小的值。在每一次迭代过程中，每个粒子都对应一个自适应惯性权重，其表达式为：

其中，

为第k次迭代粒子o对应的惯性权重，/>

为第k次迭代所有个体最大适应度值，/>

为第k次迭代所有个体的平均适应度值，/>

为第k次迭代粒子o的适应度值。/>

获取每一次迭代过程中，种群粒子更新自身的速度和状态变量，其表达式为：

其中，o为任一种群粒子，(o＝1,2,…,N)，n为任一摄像机参数，n＝(1,2,…,m)，w为惯性权重，h₁和h₂分别为加速因子，b₁和b₂为0到1之间均匀分布的随机数，

为第k+1次迭代时种群粒子o的速度，/>

为第k+1次迭代时第o个粒子的状态变量，/>

为种群粒子的历史最优点，/>

为种群粒子迄今找到的全局最优点，v_o＝(v_o1,v_o2,…,v_om)，u_o＝(u_o1,u_o2,…,u_om)。

最后，改进梯度算法；

具体而言，本实施例中在当前解的基础上，给自变量赋予增量，并计算目标函数的偏增量，根据偏增量的正负，确定迭代的方向。

设置当前点为

其中，Δt_c为自变量中各分量的增量，z_c为第c个分量为1、其他分量均为0的s维向量，则第c个偏增量可表示为Δf_c(t^(e))＝f(t^(e)+Δt_cz_c)-f(t^(e))，为了避免迭代过程超出可行域，规定当

时，Δf_c(t^(e))＝0，并构造迭代算法如下：

Δf_c(t^(e))＝f(t^(e)+Δt_cz_c)-f(t^(e))；

其中，上述公式中的f(t^(e)+Δt_cz_c)和f(t^(e))可采用上述的待监测区域A直接计算出结果，但每次迭代计算每一个偏增量时需要对每一个目标点进行判断(是否被覆盖)，用此方法计算Δf的时间复杂度较高；而本申请使用以下方法计算偏增量Δf_c，首先设自变量的第c个分量是第l个摄像机的一个参数，其中，

计算以下两部分的差值：一部分是初始时刻没有被任意摄像机覆盖的目标点，设初始时刻摄像机各参数为t^(e)，在t_c有增量Δt_c后，这些目标点被第l个摄像机覆盖的个数是Y₁，此时摄像机各参数是t^(e)+Δt_ce_c；另一部分是在初始时刻仅仅被第个l摄像机覆盖的目标点，在t_c有增量后，这些目标点没有被第l个摄像机覆盖的个数是Y₂。

由此可得，Ω_un(t^(e))为没有被任意摄像机覆盖的目标点，H_l ⁰(t^(e))为仅仅被第l个摄像机覆盖的目标点。

第c偏增量Δf(t^(e))的获取表达式为：

Δf_c(t^(e))＝Y₁(t^(e))-Y₂(t^(e))

/>

其中，Y₁(t^(e))为t＝t^(e)时未被任何摄像机覆盖的目标点、且t＝t^(e)+Δt_cz_c时被第l个摄像机覆盖的目标点数量，即为覆盖净增加的数量；Y₂(t^(e))为仅仅被第l个摄像机覆盖的目标点在t＝t^(e)+Δt_cz_c时不被其覆盖，即为覆盖净减少的目标点数量。

改进后的梯度算法请参考以下过程：

输入参数：最大迭代次数mb，适应度值增量阈值η＝0.0001，步长阈值ε＝0.01，适应度函数已知。

输出：摄像机的各个参数和适应度值。

函数[t^*,f^*]＝Igradient(t)是摄像机的参数t作为改进梯度算法的初始值，进行迭代优化后的各个参数值。

步骤1、e＝0，t⁽⁰⁾＝t。

步骤2、如果e<mb，执行后转步骤3；否则，转步骤6。

步骤3、计算Δf(t^(e))。

步骤4、

步骤5、若f(t^(e+1))>f(t^(e))+η，则t^(e+1)＝t^(e)，e＝e+1，执行后转到步骤2；否则λ＝λ/2，若λ＞ε，满足条件转步骤4，若λ≤ε，转步骤6。

步骤6、输出摄像机的参数t^*＝t^(e+1)和适应度值f^*＝f(t^*)。

综上所述，使用改进的粒子群算法和改进的梯度算法(PSG)进行最优覆盖率的寻找的过程参考以下。

利用改进粒子群算法进行全局搜索，当满足粒子群算法设置的条件(一定迭代次数或一定精度)，把当前求得的个体历史最优点(或群体最优点)作为改进梯度算法的初始值进行迭代寻优，满足改进梯度算法的设定条件后，把当前更新的个体历史最优点(或群体最优点)进行粒子群迭代；再次满足粒子群算法设置的条件后，把粒子群的结果作为改进梯度算法的初始值进行寻优，把改进梯度算法的结果进行粒子群迭代，按此方法不断循环进行，直到满足粒子群算法的终止条件，把当前的群体极值作为目标函数的最优值输出。混合算法的具体步骤如下：

步骤1、初始化目标点包括G个，L个摄像机的状态变量为t，种群规模有N个粒子，随机初始化种群初值，使用公式(2)产生新的初始种群，设置种群最大迭代次数mc，it＝0，阈值μ＝0.01。

步骤2、使用公式(1)计算各粒子当前的适应度值，找出每个个体历史最优点pbest_o(o＝1,2,…,N)和全局最优点gbest。

步骤3、如果it≤mc，执行后转步骤4；否则，转步骤7。

步骤4、对于粒子序号o从1到N。

步骤4.1、使用公式(3)更新粒子的状态变量，计算粒子当前的适应度值，并更新pbest_o和gbest。

步骤4.2、把pbest_o作为改进梯度算法的初始值迭代优化，

/>

步骤5、

用种群个体历史最优点求出此时全局最优点为/>

比较/>

和gbest的适应度值，若/>

则/>

否则，pbest_o＝pbest_o，gbest＝gbest。

步骤6、it＝it+1，执行后转到步骤3。

步骤7、输出全局最优点gbest。

在本发明的一种可选地实施例中，为了验证上述实施例提供的PSG算法在摄像机覆盖中的效果，用MATLAB R2018b进行仿真实验，并与随机部署、改进人工蜂群(JABC)算法和粒子群(PSO)算法进行对实验，进而说明本实施例所提供的算法在摄像机覆盖优化中具有有效性。

由于三维模型优化参数多，考虑到摄像机安装高度通常不低于3.5m，一般相同型号的摄像机安装高度一样，在实验中将固定每个摄像机的高度z和俯仰角γ，所用摄像机参数如表1所示；以下实验中每个摄像机要优化的参数包括3个，在xoy平面有两个参数与位置有关，另一个是旋转角θ，对应λ取值是(0.75,0.75,0.09)。实验用不规则的四边形和规则的圆环作为监控区域，在监控区域随机部署同构的摄像机，每个摄像机初始的位置和方向都是随机的，本发明将通过调整每个摄像机的感知方向和位置，进而提高摄像机的覆盖率。

表1摄像机参数

实验一场景是用不规则的四边形作为监控区域；在边长为40m×40m的矩阵内找四个点作为不规则四边形顶点，实验中四个顶点分别是(9，3)，(35，0)，(37，40)，(2，37)。在矩形区域随机投放10个摄像机，放在高为5m的水平面上；由r₂＝5×tan(γ+β)知，(γ+β)＜90°，所选摄像机垂直视场角2β为53°，因此俯仰角不应超过63.5°，实验取俯仰角为45°，旋转角θ∈[0,2π]。实验仿真结果如图4所示，图4(a)是本发明实施例提供的摄像机的初始随机部署图，图4(b)是本发明实施例提供的标准粒子群算法部署图，图4(c)是本发明实施例提供的蜂群算法部署图，图4(d)是本发明实施例提供的PSG部署图。

从图4(a)～4(d)所示，相比初始条件下，经过粒子群算法和蜂群算法优化后的摄像机在监测区域覆盖的范围得到一定的改善，但仍存在因摄像机分布不均匀导致的监测区域中出现重叠覆盖区域和覆盖盲区，而通过本实施例算法优化后，摄像机分布会更加均匀，重复覆盖区域和覆盖盲区都大大减少。本实施例提供的PSG算法的覆盖率是94.96％，与JABC算法相比提高了11.04％，与PSO算法相比提高了14.22％。从图4(d)可以明显看出，改进后算法的区域覆盖效果相比另外两个算法有着明显的改善。此外，为了比较算法的收敛速度，请参见图5，图5是本发明实施例提供的三种算法迭代曲线图，由图可见，本实施例提供的算法法收敛速度最快，算法精度最高。

实验二场景是用规则的圆环作为监控区域；圆环的内圆半径，即盲区半径r₁，外圆半径是r₂，设置摄像机的水平视场角2α为60°；圆环区域用6个圆心角为60°的环形扇覆盖，最理想状态下可以达到百分之百覆盖。为验证本实施例提供的算法在摄像机覆盖中的效果，将随机投放6个摄像机，用PSG算法优化随机投放的摄像机参数，其覆盖情况一方面与理想状态下比较，另一方面与随机部署、JABC算法和PSO算法比较。请继续参见图6(a)～6(d)所示，图6(a)是本发明实施例提供的仿真结果随机部署的一种示意图，图6(b)是本发明实施例提供的仿真结果JABC的一种示意图，图6(c)是本发明实施例提供的仿真结果PSO的一种示意图，图6(d)是本发明实施例提供的仿真结果PSG的一种示意图，并参见表2所示。

表2不同算法相同节点数量的覆盖率

在摄像机数量和参数相同及迭代次数一致的条件下，有图6所示，PSG算法几乎覆盖整个监测区域，相比于PSO算法和JABC算法，PSG算法具有对区域覆盖面积更大、覆盖效果更佳的优势。

为了进一步验证PSG算法在摄像机覆盖中的效果，再次用实验一场景，通过实验比较PSG算法与另外两种算法在不同摄像机数量下的覆盖率，其他参数不变,得到的实验结果如表3所示。为方便对比在数量变化情况下算法覆盖优化效果的变化差异，将摄像机数量与覆盖率的关系变化绘制成曲线图，请参见图7，图7是本发明实施例提供的摄像机数量与覆盖率关系的一种示意图。

表3不同数量的覆盖率

从表3和图7均可以看出，摄像机数量较少时覆盖率较低，随着数量增多，覆盖率在提高；无论摄像机数量多与少，PSG算法的覆盖率均高于JABC算法和PSO算法。由图7所示，折线斜率表现摄像机的利用率，随着摄像机数量增多，摄像机的利用率均减弱，覆盖率上升速率缓慢，因为监控区域不变，节点数量增加，会造成较多覆盖重叠区域，这一现象符合实际情况。但PSG算法的利用率下降速率要小于JABC和PSO的下降速率，说明PSG算法的整体搜索能力更强，在同等条件下摄像机具有更优的利用率，摄像机覆盖效果更好。

本实施例中，结合摄像机特有的三维有向感知模型，将改进粒子群和改进梯度的混合算法应用到解决视频传感器覆盖增强问题中；该算法利用粒子群算法的全局搜索和梯度算法的局部搜索特点，用每个个体的历史极值点作为改进梯度算法的初始值进行迭代，提升粒子优化算法的局部搜索能力，加快算法收敛速度；此外，实验结果表明，本实施例提供的算法在提高视频传感器的覆盖率及算法的收敛性方面均优于传统算法，能有效改善摄像机的覆盖率。

应当说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的物品或者设备中还存在另外的相同要素。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。此外，本领域的技术人员可以将本说明书中描述的不同实施例或示例进行接合和组合。

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (9)

1.一种基于三维感知模型的视频传感器覆盖优化方法，其特征在于，包括：

获取待监测区域A，所述待监测区域A内包括L个摄像机；

构建第i个摄像机的三维感知模型，获取该摄像机在所述待监测区域A中的覆盖范围；获取L个摄像机在所述待监测区域A中的覆盖范围；

将所述待监测区域A进行离散化，获取离散后的目标点集Ω；获取所述待监测区域中被L个摄像机覆盖的目标点集合H(t)；

根据目标点集Ω和目标点集合H(t)，获取所述待监测区域A的覆盖率；

根据粒子群算法和梯度算法，优化待监测区域的覆盖率；其中，使用精英反向学习产生粒子群算法的初始种群；

获取优化后的待监测区域的覆盖率。

2.根据权利要求1所述的基于三维感知模型的视频传感器覆盖优化方法，其特征在于，所述构建第i个摄像机的三维感知模型包括：

获取第i个摄像机在三维空间中的位置S(x,y,z)；

获取第i个摄像机的主感知方向C＝(γ,θ)；其中，γ为俯仰角，θ为旋转角；其中，将主感知方向分解成在水平方向的分量和垂直方向的分量；

获取第i个摄像机的水平方向视场角2α和垂直方向视场角2β；

使用三维空间中的位置S(x,y,z)、主感知方向C＝(γ,θ)、水平方向视场角2α和垂直方向视场角2β构建第i个摄像机的三维感知模型。

3.根据权利要求1所述的基于三维感知模型的视频传感器覆盖优化方法，其特征在于，所述获取第i个摄像机在所述待监测区域A中的覆盖范围A_i(t)包括：

根据第i个摄像机的三维感知模型，获取环形扇形的覆盖范围，即该摄像机在所述待监测区域A中的覆盖范围；

根据环形扇形的覆盖范围，获取该摄像机的覆盖范围的目标点，其表达式为：

其中，p为空间中任一点p(x₀,y₀)，r₁为环形扇形的第一半径，r₂为环形扇形的第二半径，s'为第i个摄像机在水平面上的投影点s'(x,y)，

为主感知方向在水平方向的分量。

4.根据权利要求1所述的基于三维感知模型的视频传感器覆盖优化方法，其特征在于，所述获取所述待监测区域的覆盖率包括：

获取所述待监测区域A离散后的目标点集Ω＝{1,2,…,G}，G为目标点个数；判断目标点集Ω中的第j个目标点是否被任意摄像机覆盖，如果被覆盖，表示为1，否则，表示为0，其表达式为：

其中，i∈{1,2,…,L}，t为第i个摄像机的状态变量；

获取所述待监测区域A中被i个摄像机覆盖的目标点集合H_i(t)，其表达式为：

H_i(t)＝{j|a_ij(t)＝1,j∈Ω}；

获取所述待监测区域A中被L个摄像机覆盖的目标点集合H(t)，其表达式为：

获取所述待监测区域A的覆盖率，其表达式为：

将所述待监测区域A的覆盖率优化问题进行转化，其表达式为：

其中，Q为状态变量t的可行域。

5.根据权利要求1所述的基于三维感知模型的视频传感器覆盖优化方法，其特征在于，所述使用精英反向学习产生粒子群算法的初始种群包括：

在解空间，随机生成N个粒子作为初始种群，种群个体为X_o，(o＝1,2,…,N)：

获取初始种群对应的反向种群

将初始种群X_o的适应度值与反向种群

的适应度值进行比较，将适应度值高的种群作为最终的初始种群，其表达式为：

其中，f(X_o)为初始种群的适应度值，

为反向种群的适应度值。

6.根据权利要求1所述的基于三维感知模型的视频传感器覆盖优化方法，其特征在于，还包括：将自适应惯性权重引入所述粒子群算法；

获取每个种群粒子的自适应惯性权重，其表达式为：

其中，

为第k次迭代粒子o对应的惯性权重，/>

为第k次迭代所有个体最大适应度值，/>

为第k次迭代所有个体的平均适应度值，/>

为第k次迭代粒子o的适应度值，w_max为惯性权重的最大值，w_min为惯性权重的最小值；

获取每一次迭代过程中，种群粒子更新自身的速度和状态变量，其表达式为：

/>

其中，o为任一种群粒子，(o＝1,2,…,N)，n为任一摄像机参数，w为惯性权重，h₁和h₂分别为加速因子，b₁和b₂为0到1之间均匀分布的随机数，

为第k+1次迭代时种群粒子o的速度，/>

为第k+1次迭代时第o个粒子的状态变量，/>

为种群粒子的历史最优点，

为种群粒子的全局最优点。

7.根据权利要求1所述的基于三维感知模型的视频传感器覆盖优化方法，其特征在于，所述梯度算法的表达式为：

其中，t^(e)为当前点，t^(e+1)为下一点，λ为迭代步长，Δf(t^(e))为偏增量，其中，Δf(t^(e))＝(Δf₁(t^(e)),Δf₂(t^(e)),…,Δf_s(t^(e)))，s为偏增量的维度，第c个偏增量的表达式为：

Δf_c(t^(e))＝f(t^(e)+Δt_cz_c)-f(t^(e))；

其中，Δt_c为自变量中各分量的增量，z_c为第c个分量为1、其他分量均为0的s维向量，

Q′为待监控区域范围。

8.根据权利要求7所述的基于三维感知模型的视频传感器覆盖优化方法，其特征在于，所述第c偏增量Δf(t^(e))的获取表达式为：

其中，Y₁(t^(e))为t＝t^(e)时未被任何摄像机覆盖的目标点、且t＝t^(e)+Δt_cz_c时被第l个摄像机覆盖的目标点数量，即为覆盖净增加的数量；Y₂(t^(e))为仅仅被第l个摄像机覆盖的目标点在t＝t^(e)+Δt_cz_c时不被其覆盖，即为覆盖净减少的目标点数量，Ω_un(t^(e))为没有被任意摄像机覆盖的目标点，

为仅仅被第l个摄像机覆盖的目标点，a_lj为被第l个摄像机覆盖的目标点，j为第j个目标点。

9.一种基于三维感知模型的视频传感器覆盖优化装置，其特征在于，包括：

数据获取模块，用于获取待监测区域A，所述待监测区域A内包括L个摄像机；

模型构建模块，用于构建第i个摄像机的三维感知模型，获取该摄像机在所述待监测区域A中的覆盖范围；获取L个摄像机在所述待监测区域A中的覆盖范围；

数据处理模块，用于将所述待监测区域A进行离散化，获取离散后的目标点集Ω；获取所述待监测区域中被L个摄像机覆盖的目标点集合H(t)；

数据计算模块，用于根据目标点集Ω和目标点集合H(t)，获取所述待监测区域A的覆盖率；

数据优化模块，用于根据粒子群算法和梯度算法，优化待监测区域的覆盖率；其中，使用精英反向学习产生粒子群算法的初始种群；

结果获取模块，用于获取优化后的待监测区域的覆盖率。

Images