ECPGA:UMALGORITMOPARAMAXIMIZAÇÃODACOBERTURAREDUNDANTEEMREDES DESENSORESVISUAISSEMFIO
TASSALON FERREIRA DA SILVA1,DANIEL G.COSTA2.
1. PGCA, Universidade Estadual de Feira de Santana, Feira de Santana, Brasil E-mail: tassalonfs@hotmail.com
2. DTEC, Universidade Estadual de Feira de Santana, Feira de Santana, Brasil E-mail: danielgcosta@uefs.br
AbstractThis paper proposes a new algorithm to maximize coverage in Wireless Visual Sensor Networks, the ECPGA (Enhanced Centralized Prioritized Greedy Algorithm), aimed at optimizations of coverage and visual redundancy in these networks. It is also discussed the current state of the art and the most important concepts about this subject. Moreover, results and comparisons are provided to validate the developed algorithm.
Keywords Wireless Sensors Network, Visual Sensors, Maximizing Redundant Coverage.
Resumo Este trabalho propõe um novo algoritmo para maximização de cobertura em Redes de Sensores Visuais Sem Fio, o ECPGA (Enhanced Centralized Prioritized Greedy Algorithm), visando o aumento da cobertura e da redundância visual nessas redes. É discutido também o estado atual da arte e os conceitos mais importantes a cerca desse tema. Além disso, resultados e comparações são apresentados para validar o algoritmo desenvolvido.
Palavras-chave Redes de Sensores Sem Fio, Sensores Visuais, Maximização da Cobertura Redundante.
1 Introdução
As redes de sensores ganharam a atenção do mundo nos últimos anos. Sensores sem fio são pequenos dispositivos com baixo custo e que possuem proces-samento e recursos computacionais limitados. Eles podem monitorar e coletar informações do ambiente, além de transmitir tais informações para um disposi-tivo remoto (YICK; MUKHERJEE; GHOSAL, 2008).
Estes sensores possuem uma interface de rede sem fio, permitindo que se comuniquem formando uma rede. Uma Rede de Sensores Sem Fio (RSSF), também conhecida como Wireless Sensor Network (WSN), consiste de vários nós sensores trabalhando em conjunto para um determinado propósito. As principais aplicações desses sensores são em monito-ramento de ambientes e rastreamento de alvos, porém há um grande leque de possibilidades (AKYILDIZ et al., 2002).
Quando nós em uma rede de sensores são equi-pados com câmeras é possível capturar, processar e transmitir informações visuais (imagens e vídeos), surgindo as Redes de Sensores Visuais Sem Fio (RSVSF). Porém, sensores equipados com câmeras necessitam de maior poder de processamento, mais memória e consomem mais energia, gerando novos desafios a serem enfrentados (YAP; YEN, 2014). Assim, diversos trabalhos estão focados na melhoria da eficiência no consumo de energia, na segurança da transmissão, na exploração das características de
codificação de vídeos e imagens e do fornecimento de diferentes níveis de qualidade de serviço (QoS) (COSTA; GUEDES, 2010). Além disso, em muitos casos, a disponibilidade será frequentemente deseja-da para aplicações críticas de monitoramento visual. E uma das questões chaves da disponibilidade é a redundância (COSTA; GUEDES, 2014).
Muitos trabalhos foram desenvolvidos nos últi-mos anos visando a otimização da cobertura visual, onde a redundância é explorada para diminuir o nú-mero de nós ativos e, assim, reduzir o consumo de energia. Porém, embora a otimização de cobertura seja uma importante questão de projeto, aplicações críticas demandam a maximização da cobertura re-dundante, onde múltiplos sensores se mantêm ativos quando estão monitorando o mesmo alvo ou região. Dessa forma, é possível obter melhorias na disponibi-lidade da rede, com rápida resposta a eventos críti-cos. Por fim, a ativação simultânea de sensores re-dundantes oferece múltiplas perspectivas dos alvos monitorados, aumentando a precisão dos resultados obtidos pela aplicação (COSTA; GUEDES, 2014).
Portanto, este trabalho tem como objetivo o de-senvolvimento do algoritmo de cobertura ECPGA (Enhanced Centralized Prioritized Greedy Algori-thm), visando o aumento da cobertura e da redundân-cia visual das Redes de Sensores Visuais Sem Fio. Além disso, análises e comparações serão realizadas para demonstrar as vantagens e o potencial das adap-tações desenvolvidas.
sua cobertura. A seção 3 apresenta o algoritmo pro-posto. A seção 4 exibe os testes e as comparações realizadas para validação da solução proposta. Na seção 5, é feita uma breve conclusão do trabalho dis-cutindo os principais pontos e, em seguida, são apre-sentadas as referências.
2 Redes de Sensores Visuais Sem Fio
Um aspecto que diferencia as redes de Sensores
Vi-suais Sem Fio das RSSF está relacionado a região de cobertura dos sensores. Nos sensores
vi-suais a região de cobertura se limita ao campo de visão das câmeras acopladas, diferentemente das RSSF onde a cobertura é onidirecional. Esse campo de visão é conhecido como FoV (Field of View) e os dados visuais capturados pelo sensor depende da direção e do ângulo de posicionamento da câmera (YAP; YEN, 2014). A Figura 1 ilustra a diferença da região de cobertura dos dois tipos de redes.
Figura 1. Comparação entre a região de cobertura das Redes de Sensores Sem Fio (RSSF) e das Redes de Sensores Visuais Sem Fio (RSVSF)
A Figura 1(a) indica que o alvo monitorado está dentro da região de alcance dos sensores A, B, C e D de forma que estes podem capturar informações a cerca do objeto de interesse da aplicação, enquanto que a Figura 1(b) mostra que apenas os sensores vi-suais E e F podem capturar informações do alvo de-vido a direção do FoV destes sensores. Além disso, as informações visuais capturadas pelos sensores da RSVSF são diferentes, apesar de serem do mesmo alvo, uma vez que os sensores estão posicionados em locais distintos e a direção do campo de visão das câmeras é diferente. A depender da aplicação, coletar dados visuais do alvo monitorado em diferentes ân-gulos possibilita além de maior disponibilidade para a rede, maior precisão dos resultados obtidos pela aplicação (COSTA; GUEDES, 2014).
Entretanto, nas redes de sensores visuais sem fio, os nós acoplados com câmeras tem seu campo de visão (FoV) limitado. Esse campo de visão é influen-ciado por vários fatores como, por exemplo, qualida-de da câmera, resolução, ângulo qualida-de visão, zoom e etc. Quanto maior for o ângulo e o raio de alcance do campo de visão mais dados visuais a rede de sensores poderá obter, consequentemente o consumo de ener-gia e o custo desse hardware serão mais altos. O raio de comunicação entre os sensores visuais permanece onidirecional e assim como ocorre nas redes de
sen-sores sem fio tradicionais, as imagens coletadas pelos sensores visuais são enviadas para o sink através da rede e por fim transmitidas a um dispositivo final (COSTA; GUEDES, 2011).
2.1 Cobertura das RSVSF
Um desafio das RSVSF é o desenvolvimento de técnicas para a otimização da cobertura dos sensores visuais, uma vez que diversos fatores podem influen-ciar na cobertura dos alvos monitorados. Assim, vá-rios estudos propõem diferentes técnicas para a me-lhoria da cobertura de sensores visuais levando em consideração características como a limitação do FoV dos sensores visuais, a forma na qual os senso-res são implantados (aleatório ou determinístico) e a mobilidade do FoV dos sensores visuais (COSTA; GUEDES, 2010). Além disso, uma demanda pouco explorada ainda é a maximização da cobertura re-dundante para aumentar a disponibilidade das RSVSF e obter diferentes perspectivas do alvo moni-torado (COSTA; GUEDES, 2014).
A cobertura de um sensor visual é definida como a área efetiva na qual sua câmera consegue capturar imagens, sendo esta área também chamada de campo de visão (FoV - Field of View). Outra característica dos sensores visuais é a profundidade do campo de visão (DoF - Depth of Field), que é a distância entre o ponto mais perto e o mais longe que pode ser de fato visualizado pela câmera. Essa profundidade do campo de visão das câmeras, ou raio de alcance, é limitado devido as restrições de resolução e de dis-torção das lentes. Além disso, as câmeras também têm um limitado ângulo de visão (AoV – angle of View), que é o ângulo máximo que um objeto pode ser observado pela câmera. Todas essas característi-cas são importantes para a determinação do real campo de visão (FoV) dos sensores visuais (COSTA, 2013). A Figura 2 ilustra uma representação gráfica em duas dimensões (2D) da região de cobertura de um sensor visual.
região de cobertura é simplificada por um triângulo isósceles (COSTA et al., 2014).
Muitos trabalhos exploram os recursos de mobi-lidade usando nós móveis capazes de alterar a região de monitoramento e maximizar a área de cobertura. Há também sensores estáticos com câmeras ajustá-veis do tipo PTZ (Pan-Tilt-Zoom) que podem rota-cionar sobre seu eixo horizontal e vertical alterando o seu campo de visão (FoV) para cobrir os alvos de interesse da aplicação, como mostra a Figura 3 (MUNISHWAR; KOLAR; ABU-GHAZALEH, 2014).
Figura 3. Exemplo de Camera PTZ
Uma câmera PTZ (Pan-Tilt-Zoom), como ilus-trado na Figura 3, apresenta três propriedades bási-cas: Pan, responsável pelo movimento horizontal da câmera; Tilt, que torna possível o movimento verti-cal; e Zoom, que permite alterar a profundidade do campo de visão (HATANAKA; WASA; FUJITA, 2013). Dessa forma, as câmeras do tipo PTZ permi-tem maiores possibilidades de cobertura para as apli-cações das RSVSF. Porém, a maioria dos estudos propõe técnicas de melhoria da cobertura e da redun-dância visual considerando apenas a característica Pan desses sensores visuais, o que permite reduzir o problema para duas dimensões (TEZCAN; WANG, 2008). Isso acontece devido a complexidade que há em se trabalhar em três dimensões, caso fosse consi-derado as demais características das câmeras PTZ (MUNISHWAR; ABU-GHAZALEH, 2013). A Figu-ra 4 ilustFigu-ra a vantagem do uso de câmeFigu-ras PTZ em uma rede de sensores visuais sem fio para melhoria da cobertura.
Figura 4. Câmera PTZ ajustando seu campo de visão (FoV) Quando câmeras PTZ são utilizadas nas redes de sensores visuais sem fio, como ilustrado na Figura 4, os nós podem ser implantados de forma aleatória (Figura 4(a)) e usar um algoritmo de otimização de cobertura para determinar a melhor posição das câ-meras visando cobrir todos os alvos da aplicação (Figura 4(b)) (MUNISHWAR; KOLAR; ABU-GHAZALEH, 2014). Isso permite que aplicações em ambientes de alto risco possam ter mecanismos para
aumentar a cobertura da rede após uma implantação de forma aleatória (COSTA; GUEDES, 2014). 2.2 Redundância Visual
Recentes trabalhos tentam desenvolver algorit-mos de cobertura para ampliar a redundância visual entre os sensores e com isso obter diferentes perspec-tivas dos alvos ou da região monitorada. Estas dife-rentes perspectivas possibilitam a aplicação obter mais detalhes do que está sendo monitorado, dando maior precisão aos resultados obtidos, mesmo que para isso seja necessária a implantação de mais sen-sores. Outra vantagem da sobreposição da região de cobertura pelos sensores visuais é o fato de aumentar a disponibilidade da RSVSF. O aumento da disponi-bilidade permite que mesmo com a perda de alguns sensores (por mau funcionamento ou esgotamento de energia) a rede continue funcionando atendendo às necessidades da aplicação ao ter outros sensores vi-suais (os sensores redundantes) que podem continuar monitorando a região ou os alvos de interesse da a-plicação devido a sobreposição visual que há (COS-TA; GUEDES, 2014).
A redundância nas RSVSF pode ser considerada como a sobreposição do campo de visão de dois ou mais sensores visuais, o que pode indicar que estes sensores estão obtendo informações equivalentes (COSTA; GUEDES, 2010). Porém, por se tratar de informações visuais, essa equivalência pode não ser adequada para determinadas aplicações. Isso aconte-ce, por exemplo, quando a orientação dos sensores visuais sobrepostos são tão diferentes a ponto de um dos sensores capturar uma imagem do alvo em um determinado ângulo que não contribui para o objetivo da aplicação. Em resumo, o problema de cobertura redundante está concentrado sobre quão bem uma área de interesse é coberta por sensores visuais sem fio e, para áreas densamente implantadas, como o tempo de vida da rede pode ser prolongado pela troca de sensores ligados e desligados, aumentando o tem-po de coleta de dados no ambiente monitorado (COSTA; GUEDES, 2014).
2.3 Algoritmo CPGA
O algoritmo guloso proposto inicia sua execução tentando encontrar, para cada sensor visual, a melhor orientação capaz de cobrir a maior quantidade de alvos ainda não cobertos. Para isso, o algoritmo usa as informações sobre a localização e orientação de todos os sensores bem como a posição dos alvos no ambiente e retorna, ao final de sua execução, a me-lhor orientação para todos os sensores visuais im-plantados. Essa informação deve então ser transmiti-da, através da rede, para os sensores ajustarem seu FoV e cobrir os alvos com a maior redundância pos-sível. Esse aumento na redundância visual dos alvos monitorados permite, por exemplo, que aplicações de localização e de reconhecimento facial possam obter múltiplas visões do mesmo alvo para melhorar a qua-lidade dos resultados obtidos (COSTA et al., 2014).
Porém, o desenvolvimento de um algoritmo gu-loso, visando o aumento da cobertura das redes de sensores visuais sem fio, apresenta uma desvantagem. A depender da disposição inicial dos sensores visuais e dos alvos a serem monitorados, é possível que o algoritmo guloso não consiga cobrir todos os alvos da aplicação, mesmo que isso seja teoricamente viá-vel. A Figura 5 ilustra quando isso pode acontecer. Percebe-se que, após a execução do algoritmo gulo-so, um dos alvos não foi coberto por nenhum sensor visual, como mostra a Figura 5(b). Isso acontece de-vido às características próprias de um algoritmo gu-loso, que busca sempre a melhor orientação para ca-da sensor visual de forma independente.
Figura 5. Problema do algoritmo guloso na cobertura de alvos
3 Algoritmo ECPGA
Visando um melhor desempenho na descoberta de uma configuração ótima para cobertura redundante em RSVSF, o algoritmo ECPGA foi criado, a partir da adaptação de outro algoritmo. A adaptação reali-zada tomou como base o algoritmo guloso desenvol-vido por Costa et al. (2014), nomeado de CPGA (Centralized Prioritized Greedy Algorithm). Buscou-se, primeiramente, aumentar a quantidade de possí-veis regiões ou setores com que esse algoritmo de-termina a melhor posição dos sensores visuais. Dessa forma é possível posicionar os sensores em uma ori-entação, não disponível anteriormente, que possa cobrir mais alvos e consequentemente aumentar a cobertura redundante da rede. A segunda adaptação feita no algoritmo de Costa et al. (2014) consiste em tratar os possíveis problemas gerados pelos algorit-mos gulosos. Assim, o algoritmo foi adaptado para localizar e cobrir, quando possível, os alvos que não foram cobertos após a execução do algoritmo
origi-nal. Com a implementação dessas duas melhorias tem-se o algoritmo adaptado nomeado de ECPGA (Enhanced Centralized Prioritized Greedy Algori-thm), proposto nesse trabalho.
3.1 1ª Melhoria: Aumento do Número de Regiões de Cobertura
O trabalho desenvolvido em Costa et al. (2014) considera que os sensores são fixos, ou seja não po-dem se deslocar após a implantação, porém são equi-pados com câmeras ajustáveis do tipo PTZ que po-dem alterar seu campo de visão (FoV). Também é considerado que a implantação é aleatória, podendo um sensor ser posicionado em qualquer local da regi-ão de monitoramento. Além disso, o algoritmo pro-põe que haja um conjunto de finitos setores, diferen-tes entre si, para o ajuste do FoV dos sensores visu-ais. A quantidade de setores é definida pelo ângulo de visão dos sensores. Para um sensor visual com ângulo de visão de 45º haverá 8 diferentes setores no qual o sensor pode ser ajustado, como ilustra a Figura 6.
Figura 6. Diferentes setores para ajuste do FoV dos sensores
Entretanto, é importante ressaltar que os senso-res visuais do tipo PTZ podem, teoricamente, ajustar seu ângulo de visão em infinitas posições diferentes. Porém, computacionalmente se torna inviável tratar as infinitas possibilidades de ajuste das câmeras sen-do, portanto, necessário impor tais limites no desen-volvimento do algoritmo. Outro detalhe importante do algoritmo desenvolvido por Costa et al. (2014) é que o campo de visão (FoV) de cada setor cobre ape-nas uma região totalmente exclusiva dos outros seto-res, ou seja, não há intersecções de FoV entre os dife-rentes setores que cada sensor visual pode ser ajusta-do.
Figura 7. Novos setores para ajuste do FoV dos sensores visuais
3.2 2ª Melhoria: Ampliando a Quantidade de Alvos Cobertos
O algoritmo proposto por Costa et al. (2014) é um algoritmo guloso que busca a melhor solução para cada sensor de forma individual. Por isso, em alguns casos, o algoritmo não consegue cobrir todos os alvos da aplicação mesmo quando isso é possível, como podemos ver na Figura 8(b). Esse é um pro-blema típico dos algoritmos gulosos e que pode ser tratado realizando alguma adaptação. Nesse caso, para resolver o problema buscou-se desenvolver um algoritmo que verifique quando um alvo não foi co-berto e que realize as medidas necessárias para rever-ter a situação.
Então, a segunda adaptação consiste em verifi-car, após a execução do algoritmo original, se há algum alvo ainda não coberto e analisar as possibili-dades de cobrí-lo. Quando é identificado um alvo ainda não coberto, um novo passo do algoritmo de-senvolvido nessa adaptação verifica se existe algum sensor visual que pode alterar sua orientação para cobrir esse alvo sem, no entanto, fazer com que alvos anteriormente cobertos percam essa cobertura devido às mudanças de orientação do sensor. Ou seja, um sensor visual só vai mudar sua orientação para cobrir um alvo ainda não coberto caso existam outros senso-res com campo de visão (FoV) redundantes que pos-sam manter a cobertura dos alvos já cobertos. A Fi-gura 8(c) ilustra o resultado esperado com a adapta-ção desenvolvida.
Figura 8. Comparação do resultado obtido entre CPGA e ECPGA
4 Resultados iniciais
A fim de validar o algoritmo proposto, testes compu-tacionais foram realizados baseados em simulação. O Primeiro teste realizado consistiu em uma simples verificação do desempenho do algoritmo ECPGA,
quando comparado com o algoritmo desenvolvido por Costa et al. (2014), nomeado de CPGA. Foram testados ambos os algoritmos partindo inicialmente os sensores visuais de um ângulo de visão aleatório e considerando a mesma disposição, também aleatória, dos alvos para os dois algoritmos. Os algoritmos e os testes foram implementados em um simulador espe-cializado que desenvolvemos na linguagem de pro-gramação Java. A Figura 9 mostra o resultado obtido.
Figura 9. Comparação entre os algoritmos CPGA e ECPGA Os pontos pretos da Figura 9 representam os sensores visuais e os triângulos pretos demarcam a região de cobertura dos sensores visuais, ou seja, o FoV de cada sensor. Os algoritmos realizam altera-ções no ângulo de visão dos sensores visuais que por consequência mudam seu FoV para cobrir os alvos. Já os pontos vermelhos representam os alvos de inte-resse da aplicação que devem ser cobertos pelos sen-sores visuais. Esse teste foi composto por 16 sensen-sores visuais e 10 alvos. Os sensores visuais tinham ângulo de visão de 60º, raio de alcance de 30 metros e a re-gião de monitoramento considerada foi de 120m x 120m.
dos setores adicionais juntamente com a verificação final da cobertura, realizado pela segunda melhoria, uma vez que esses foram os fatores determinantes para o aumento da quantidade de alvos cobertos nes-se teste.
Em seguida foi realizado um conjunto de testes para avaliar, no geral, o percentual do aumento da cobertura redundante sobre os alvos da rede de sen-sores quando o algoritmo adaptado, ECPGA, é usado em relação ao algoritmo original, CPGA. Foram fei-tos dez testes sobre o mesmo cenário e foram utiliza-dos 100 sensores visuais e 80 alvos espalhautiliza-dos alea-toriamente pela região de monitoramento. A Figura 10 apresenta um resumo do resultado obtido em cada um dos dez testes realizados.
Figura 10. Desempenho do ECPGA em relação o CPGA Nota-se que em todos os testes houve uma me-lhoria na cobertura redundante quando o algoritmo adaptado é utilizado frente o algoritmo original CP-GA. O resultado mais favorável foi encontrado no teste de número 6 onde o algoritmo ECPGA conse-guiu cobrir 216 vezes todos os 80 alvos da aplicação contra 174 vezes obtido pelo algoritmo CPGA. Isso significa um aumento da cobertura redundante sobre os alvos de 24,13%. Na média, a melhoria na redun-dância visual obtida foi de 14,23%.
5 Conclusão
As adaptações propostas buscaram aumentar a cober-tura e a redundância visual sobre os alvos para me-lhorar os resultados das aplicações das Redes de Sen-sores Visuais Sem Fio de forma geral. Os testes reali-zados puderam constatar um desempenho superior do algoritmo adaptado (ECPGA) frente o algoritmo ori-ginal (CPGA) tanto com relação à redundância visual quanto a quantidade de alvos cobertos. Porém, é im-portante salientar que existem casos em que o algo-ritmo e as adaptações desenvolvidas não conseguem cobrir determinados alvos. Isso vai depender da quantidade e da disposição dos sensores e alvos ao longo da região de monitoramento. Entretanto, aque-les casos em que há a possibilidade dos alvos serem cobertos, a adaptação desenvolvida fará com que os sensores visuais necessários alterem sua orientação para cobrí-los.
Como trabalhos futuros, novos algoritmos serão desenvolvidos baseados em outras abordagens, sendo posteriormente comparados com o ECPGA.
Agradecimentos
Gostaríamos de agradecer ao suporte da agência de fomento CNPq (projeto no. 441459/2014-5), que parcialmente financiou esse trabalho.
Referências Bibliográficas
AKYILDIZ, I. F. et al. (2002). Wireless sensor net-works: a survey. Computer Networks 2002. COSTA, D. G. and GUEDES, L. A. (2010). The
coverage problem in video-based wireless sensor networks: A survey. Sensors, 2010.
COSTA, D. G. et al. (2014). Enhancing redundancy in wireless visual sensor networks for target cov-erage. XX Brazilian Symposium on Multimedia and the Web - Webmedia 2014.
COSTA, D. G. (2013). Otimizações da Transmissão de Imagens em Redes de Sensores Visuais Sem Fio Explorando a Relevância de Monitoramento dos Nós Fontes e Codificação DWT. UFRN, Na-tal - RN, 2013.
COSTA, D. G; GUEDES, L. A. (2011). A survey on multimedia-based cross-layer optimization in visual sensor networks. Sensors, 2011.
COSTA, D. G.; GUEDES, L. A. (2014) Selecting redundant nodes when addressing availability in wireless visual sensor networks. INDIN, 2014. 2014.
HATANAKA, T.; WASA, Y.; FUJITA, M. (2013). Cooperative environmental monitoring for ptz visual sensor networks: A payoff-based learning approach. CoRR, 2013.
MUNISHWAR, V. P.; ABU-GHAZALEH, N. B. (2013). Coverage algorithms for visual sensor networks. ACM Trans. Sen. Netw., 2013. MUNISHWAR, V.; KOLAR, V.;
ABU-GHAZALEH, N. (2014). Coverage in visual sensor networks with pan-tilt-zoom cameras: The maxfov problem. In: INFOCOM, 2014.
TEZCAN, N.; WANG, W. (2008). Self-orienting wireless multimedia sensor networks for max-imizing multimedia coverage. In: Communica-tions, 2008. ICC ’08. IEEE International Confe-rence on, 2008.
YAP, F. G. H. and YEN, H.-H. (2014). A survey on sensor coverage and visual data captur-ing/processing/transmission in wireless visual sensor networks. Sensors, 2014.
