基于壓縮感知與能量聚合視覺傳感器數據傳輸系統*

鄧曉軍，李玉龍，滿君豐，歐陽旻

(湖南工業大學 計算機與通信學院，湖南 株洲412007)

0 引 言

傳統的視頻編碼器［1～3］(例如:H.264)不適合無線視覺傳感器網絡，因為無線視覺傳感器網絡具有較高的編碼復雜度，而且無線視覺傳感器網絡的壽命受限于儲存在電池中的初始能量［4，5］。隨著環境能量采集技術的不斷發展，無線視覺傳感器網絡的壽命可以得到更好的延長［6～8］。

Islam T 等人［9］針對無線視覺傳感器網絡當前的趨勢和未來發展方向進行了研究，對無線視覺傳感器網絡的架構進行了全面的討論。Khursheed K 等人［10］提出無線視覺傳感器網絡遠程應用的高效數據壓縮技術，改變編碼來適用于進一步減少數據量，通過采用合適的編碼方法來實現高效的數據壓縮。Pinto A 等人［11］提出一種無線多媒體傳感器網絡能源消耗和延遲分析算法，通過采用三種不同的操作方案用于無線視覺傳感器網絡的分析。向輝等人［12］提出視覺傳感器網絡兼顧區域覆蓋的目標多重覆蓋算法，基于有向感知模型，利用虛擬勢場使節點在待監測區域自組織地進行位置移動和感知方向轉變，優先覆蓋的同時最大程度地覆蓋整個待監測區域，有效地利用了網絡資源。

本文提出的無線視覺無線傳感器網絡采用了壓縮感知的技術，可以有效解決編碼復雜度高的問題，并利用能量聚合方案來有效地延長網絡的壽命。

1 系統模型

1.1 視覺傳感器失真和功耗模型

視覺傳感器采用壓縮感知模式將收集到的視覺信息編碼成視頻，它可利用兩個各幀中的空間冗余和相鄰幀之間的時間冗余［13，14］。幀圖象組的模式是IPP...PIPP...，如圖1 所示。

圖1 幀圖象組Fig 1 Frame image group

假定該視頻的I 幀被表示為xI∈G，xI可以通過一個M×N矩陣的算子進行測量，并且yI=ΨxI，yI∈G。xI的一個稀疏表示xI在某些轉換域中使用N×N 的轉換矩陣H，因此，在測量向量中可以采用凸優化問題［15，16］來得到vI

P 幀是首先采用差值公式dxi=xI－xP來進行編碼，其中xI是I 幀中的最后一個。由于時間相關性，dxi較xP稀疏得多，可以用較少的測量值來得出。從視覺傳感器i 所接收到的視頻由于壓縮所引起的源失真可以被建模為

其中，ri為傳感器i 的壓縮感測的測量速率，而ω，Di和r'i則由視頻特性來確定。

考慮到每個傳感器在壓縮上和感測上的功率消耗，得到測量速度的線性函數

式中 α 為傳感器i 的常系數。

圖2 為基于壓縮傳感的視覺器將得到的數據隊列傳輸到數據匯聚中心的系統模型。

圖2 數據匯聚的系統模型Fig 2 System model of data aggregation

1.2 視頻數據傳輸模型

假設存在n 個視覺傳感器節點，并在網絡中有一個數據的匯聚節點，參考圖2 的系統模型。網絡中存著n 數據鏈路，定義速度向量V={v1，…，vn}，考慮一個時間時隙系統且假定一個持續時間為T，在其每一個時隙t 中，在數據傳輸過程中每個節點花費給它的上行鏈路的能量假設為Pi(t)＜Pmax，假設總帶寬為W，且在時隙中分配給傳感器i的帶寬為

式中 s(t)為在時間的信道狀態，傳感器i 的傳輸速率用v(i)來表示，其取決于所分配的帶寬和功率以及信道狀態。Gi(t)表示在時間間隔t 中傳感器i 的視覺數據隊列的壓縮，表達式如下

1.3 能量聚合模型

在視覺傳感器網絡中假設每個節點通過收集到的能量進行供電，并且搭載了最大存儲量的可充電電池，在時隙中t 傳感器i 的可用能源為

總能量消耗取決于傳感器節點i 在進行數據傳輸和壓縮上的消耗量，且須滿足如下約束

式中 Pv，i(t)為用于數據傳輸所消耗的能量，Pr，i(t)為用于數據壓縮所消耗的能量。

定義在時隙t 中通過傳感器i 所收集到的能量大小為ES(i，t)，在時隙t 中收集到的能量能夠在下一個時隙中使用，并且在傳感器i 的能量隊列的演變如下

2 數據傳輸技術

2.1 能量控制下的虛擬數據隊列

在視覺傳感器網絡中，為了合理利用電池的能量，避免傳感器能源的過度消耗，引入了能量控制下的虛擬數據隊列

虛擬數據隊列表示在用盡電池能量的情況下，除了視覺傳感器正常工作狀態下所能收集到的數據隊列外，還能用剩余的能量所采集到的數據隊列。在下一節中將應用于數據傳輸的控制算法中。

2.2 傳感器的傳輸控制

數據傳輸控制技術包括了三部分:感測速率和壓縮功率控制;數據傳輸的功率和帶寬分配;數據隊列的更新。

每一個時隙的大小取決于系統狀態的瞬時值，對于感測速率和壓縮功率控制，假設在時隙t 中選擇一個感測速率ri，可以得到下列問題的最優解

式中 H(·)為一個在最優化和視覺數據隊列的平均長度之間用來控制權衡的系統參數。

在時隙t 中對于所有傳感器選擇一個發送功率和帶寬，可以得到下列問題的最優解

3 實驗仿真結果分析

為了驗證本文提出的基于壓縮感知與能量聚合的視覺傳感器數據傳輸技術的效果，通過Matlab 7.0 軟件進行算法仿真，其中仿真網絡由視覺傳感器所組成，網絡節點有200 個，能夠收集的最大視覺數據隊列大小為400 bytes，節點的接收能耗設定為10 nJ/bit，發射能耗設定為40 nJ/bit，設置節點進行信號處理和功率放大的能耗為20 nJ/bit。在進行數據采集的過程中，設定其他節點干擾而產生的能量消耗為5 nJ/bit，視頻數據的采集范圍為500 m×500 m，傳感器的感測半徑都為50 m。所有算法的仿真條件與仿真平臺一致，在沒說明的情況下仿真實驗的配置保持不變。

在實驗中采用對比算法有文獻［10］中Khursheed K 提出的算法，文獻［11］中Pinto A 所提出的算法，進行了數據傳輸速率、數據壓縮率、網絡能量消耗量的實驗對比。

圖3 顯示了在持續時間T=600 s 的過程中，本文方法與對比文獻的方法在數據傳輸速率上的大小。本文采用基于壓縮感知的數據傳輸技術，進行了感測速率和壓縮功率的控制，在一定程度上提升了網絡的數據傳輸速率，相比較文獻［10，11］的方法，本文的方法最終得到的數據傳輸速率為2.86 kbps/s，文獻［11］的數據傳輸速率為2.16 kbps/s，而文獻［11］的數據傳輸速率為2.21 kbps/s。相比之下，本文的方法在提升數據傳輸速率上具有明顯的優勢，而且數據傳輸速率隨著時間的增長有較為明顯的增長趨勢。

圖4 顯示了在持續時間T=600 s 的過程中，本文方法與對比文獻的方法在壓縮率上的大小。從圖中可以看出:隨著時間的增長，文獻［10，11］在500 s 前壓縮率都有逐漸增長的趨勢，當持續時間過了500 s 之后，文獻［10］的壓縮率的增長趨勢逐漸減緩，而文獻［11］的壓縮率則開始下降，本文的方法在整個過程中壓縮率都有明顯地增長趨勢，而且相比另外兩種算法平均數據壓縮率分別提升了43%，76%。因此，本

其中，W(t)為在時隙t 中的帶寬，Pmax(t)為時隙t 中的最大功率，D(W(t)，P(t)，s(t))為在時隙t 中的網絡容量函數。

根據方程解最終得到的最優感測速率ri表示為文的方法在數據壓縮上也具有一定的優勢。

圖3 數據傳輸速率Fig 3 Data transmission rate

圖4 數據壓縮率Fig 4 Data compression ratio

圖5 是網絡的能量消耗情況，在進行這個實驗時，是通過逐漸增加網絡的節點數量，再得到整個網絡的能量消耗量，從而比較算法的節能效果。從圖中可以看出，從能量消耗總量來說，文獻［11］最多，本文的能量消耗量最少，因為本文采用了能量融合的方法，通過能量采集和能量約束方法來進行節能調度。本文方法的最終能量消耗量最大達到了426 J，文獻［10，11］則分別為553，612 J，與本文方法的比值分別為130%，144%，因此，本文的方法可以為網絡節省更多的能量。

圖5 網絡能量消耗總量Fig 5 Total network energy consumption

4 結 論

本文提出一種基于壓縮感知與能量聚合的視覺傳感器數據傳輸技術，介紹了視覺傳感器失真和功耗模型、視頻數據傳輸模型，以及能量聚合模型，對本文所采用的數據傳輸和數據壓縮方法進行了建模。在文中數據傳輸技術主要針對感測速率和壓縮功率控制、數據傳輸的功率和帶寬分配以及數據隊列的更新進行展開，提升了視覺數據的傳輸速率和壓縮率。

［1］ You L，Su X，Han Y T.Dynamic resource allocation for compressive－sensing－based wireless visual sensor networks with energy harvesting［J］.Applied Mechanics and Materials，2013，303:187－190.

［2］ Pudlewski S，Melodia T.The Art of Wireless Sensor Networks［M］.Berlin/Heidelberg:Springer，2014:529－565.

［3］ Xiang S，Cai L.Transmission control for compressive sensing video over wireless channel［J］.IEEE Transactions on Wireless Communications，2013，12(3):1429－1437.

［4］ Marwah K，Wetzstein G，Bando Y，et al.Compressive light field photography using overcomplete dictionaries and optimized projections［J］.ACM Transactions on Graphics (TOG)，2013，32(4):46.

［5］ Xu J，Jiang X L，Yu X Y.Based on compression sensing of video coding in robot servo system［J］.Applied Mechanics and Materials，2013，241:1913－1917.

［6］ Liu H，Song B，Qin H，et al.Dictionary learning based reconstruction for distributed compressed video sensing［J］.Journal of Visual Communication and Image Representation，2013，24(8):1232－1242.

［7］ Kuriyakose N，DivakaraMurthy H S，Jose A.Energy efficiency analysis of compressed sensing video streaming for wireless multimedia sensors［J］.IJRCCT，2013，2(8):667－672.

［8］ Kavitha P.Compressed－sensing－enabled video streaming for wireless multimedia sensor networks［J］.Middle－East Journal of Scientific Research，2014，20(1):108－113.

［9］ Almalkawi I T，Guerrero Zapata M，Al－Karaki J N，et al.Wireless multimedia sensor networks:Current trends and future directions［J］.Sensors，2010，10(7):6662－6717.

［10］Khursheed K，Imran M，Ahmad N，et al.Efficient data reduction techniques for remote applications of a wireless visual sensor networks［J］.International Journal of Advanced Robotic Systems，2013，10:1－9.

［11］Pinto A，Zhang Z，Dong X，et al.Energy consumption and latency analysis for wireless multimedia sensor networks［C］∥Global Telecommunications Conference，GLOBECOM 2010，IEEE，2010:1－5.

［12］向 輝，彭 力，劉 剛，等.視覺傳感器網絡兼顧區域覆蓋的目標多重覆蓋［J］.計算機學報，2012，29(9):3428－3431.

［13］Mirza M J，Anjum N.Association of moving objects across visual sensor networks［J］.Journal of Multimedia，2012，7(1):2－8.

［14］Pandremmenou K，Kondi L P，Parsopoulos K E.Optimal power allocation and joint source－channel coding for wireless DS－CDMA visual sensor networks using the Nash bargaining solution［C］∥2011 IEEE International Conference on Acoustics，Speech and Signal Processing(ICASSP)，IEEE，2011:2340－2343.

［15］Karakaya M，Qi H.Distributed target localization using a progressive certainty map in visual sensor networks［J］.Ad Hoc Networks，2011，9(4):576－590.

［16］Jang S W，Cha S H.An approach to segmenting initial object movement in visual sensor networks［J］.International Journal of Distributed Sensor Networks，2014，7(2):1－12.