传感器网络中不确定性下的复杂事件识别

从传感器网络中自动提取语义信息以进行认知分析和类人推理，是未来地面监视系统所需的能力。我们解决了网络信息环境中不确定性下的复杂决策问题，其中缺乏有效的视觉处理工具和不完整的领域知识经常导致视觉原语中的不确定性，从而导致次优决策。虽然现有的最先进视觉技术能够检测图像中的视觉实体（人、车辆和场景元素），但缺少的功能是将这些信息融合以揭示用于高层推理的有意义信息。在这项工作中，我们开发了一种基于概率一阶谓词逻辑 (FOPL) 的推理系统，用于识别从具有非重叠视场的传感器获取的同步视频流中的复杂事件。我们采用马尔可夫逻辑网络 (MLN) 作为工具来建模观测中的不确定性，并以概率一致的方式融合从异构数据中提取的信息。MLN 通过 Incorporating 领域知识（以用户定义的规则及其相关置信度的形式），克服了对纯经验学习的强烈依赖。这项工作表明，基于 MLN 的决策控制系统可扩展至对各种实体之间的统计关系以及长视频序列进行建模。在多种设置下使用真实世界数据进行的实验，说明了我们方法的数学严谨性和广泛适用性。