theses.univ-oran1.dztheses.univ-oran1.dz/document/15201543t.pdfDEPARTEMENT D'INFORMATIQUE THESE...

DEPARTEMENT D'INFORMATIQUE

THESE

Présentée par

BENDIMERAD Nawel

Pour obtenir

LE DIPLOME DE DOCTORAT

Spécialité Informatique

Option : Réseaux

Intitulé :

Soutenue le : 01/10/2015 à la salle de conférences de la Faculté des Sciences Exactes et Appliquées

Devant les membres du jury :

Président du jury : HAFFAF Hafid, Professeur, Université d’Oran 1 Ahmed Ben Bella

Directeur de thèse : KECHAR Bouabdellah, MC-A, Université d’Oran 1 Ahmed Ben Bella

Examinateurs : BOUNCEUR Ahcène, MC-HDR , Université de Brest- France

MEKKAKIA MAAZA Zoulikha, MC-A, Université d’USTO-MB

CHOUARFIA Abdellah, Professeur, Université d’USTO-MB

KADDOUR Mejdi, MC-A, Université d’Oran 1 Ahmed Ben Bella

Système de surveillance d’infrastructures publiques à l’aide des réseaux de capteurs vidéo sans fil

A mes parents,

ma sœur et mon époux

Remerciements

ii

Remerciements

Je remercie en premier lieu Monsieur B. KECHAR mon directeur de thèse pour m’avoir

proposée ce sujet de doctorat, pour sa disponibilité, ses critiques constructives, ses

explications et suggestions et surtout pour son aide précieuse tout au long de la réalisation de

ce projet.

Je remercie très sincèrement Monsieur H. HAFFAF d’avoir accepté de présider le jury de

cette thèse.

J’exprime ma plus profonde gratitude à Monsieur A. BOUNCEUR d’avoir accepté de

participer au jury.

J’adresse mes remerciements les plus distingués à Madame Z. MEKKAKIA MAAZA,

Monsieur A. CHOUARFIA et Monsieur M. KADDOUR pour l’immense honneur qu’ils

m’ont fait en acceptant d’évaluer ce modeste travail.

Je tiens à remercier également tous les membres du laboratoire RIIR (Recherche en

Informatique Industrielle et en Réseaux) étudiants et enseignants. Je remercie particulièrement

Monsieur M. F. KHELFI et Monsieur L. SEKHRI pour leurs conseils et encouragements.

Enfin et surtout, merci à mes parents, ma sœur et mon mari dont les encouragements et la

générosité sont inestimables.

Résumé

iii

Résumé

Les Réseaux de capteurs vidéo sans fil (RCVSF) ont récemment émergé comme une

nouvelle classe de réseaux de capteurs dans lesquels de grandes quantités de données

visuelles sont collectées et traitées en temps réel. Ils sont constitués d’un ensemble de

capteurs vidéo à faible coût avec des capacités limitées de capture, de traitement et de

communication. Grâce aux avancées dans la miniaturisation des composants électroniques

avec des prix relativement accessibles, ce type de réseaux dotés de capacité de rotation

associée à chaque capteur vidéo, est prévu pour être déployé dans un environnement physique

en vue de contrôler avec une grande flexibilité de multiples phénomènes réalistes, comme la

surveillance des frontières et les opérations de sauvetage après les désastres.

Contrairement aux capteurs scalaires, le champ de couverture d’un capteur vidéo est limité

à son champ de vision (CdV) et dépend de son orientation courante, ce qui complique

d’avantage la configuration d’un RCVSF après un déploiement aléatoire.

L’objectif de cette thèse est de traiter le problème de couverture à l’aide de capteurs vidéo

rotationnels afin d’assurer une surveillance efficace d’une zone d’intérêt. Dans le modèle de

couverture élaboré, nous proposons une approche distribuée dont le but est d’orienter chaque

capteur vidéo vers la direction la plus adéquate pour offrir une meilleure couverture.

Le déploiement des capteurs vidéo dans des endroits stratégiques tels que les

environnements de désastre peut entraîner leur défaillance. Afin d’assurer une tolérance aux

pannes et d’économiser de l’énergie, nous avons utilisé le principe de construction

d’ensembles couvrants (cover set en anglais). De nouvelles stratégies ont été proposées dont

l’objectif est d’exploiter la redondance des capteurs vidéo pour assurer la couverture du CdV

des capteurs défaillants.

La présence éventuelle d’obstacles dans la zone de surveillance a également été prise en

considération afin de maximiser la couverture tout en évitant le problème d’occlusion des

CdV des capteurs vidéo.

Les performances du modèle proposé ont été validées à l’aide du simulateur OMNeT++ à

travers plusieurs évaluations effectuées en comparaison avec des modèles existants.

Mots-clés : Réseaux de capteurs vidéo sans fil, champ de vision, couverture, ensemble

couvrant, tolérance aux pannes, occlusion, modélisation et simulation.

Abstract

iv

Abstract

Wireless video sensor networks (WVSNs) have recently emerged as a new class of sensor

networks in which large amounts of visual data are sensed and processed in real-time. They

consist of several low-cost video sensors with sensing, processing and communication

capabilities. This kind of networks, strengthened with rotation capability for each video

sensor node due to dramatic advances in miniature electronic components and its accessible

prices, is envisioned to be deployed in the physical environment to monitor with a great

flexibility a plethora of real-world phenomena such as border surveillance and disaster

recovery.

Different from scalar sensors, the sensing range of a video sensor is limited to its Field of

View (FoV) and depends on its current orientation, which increases the WVSN configuration

complexity after a random deployment.

The aim of this thesis is to carry out the coverage problem with rotational video sensors to

ensure an effective surveillance of an area of interest. In the developed coverage model, we

propose a distributed approach with the purpose to enable every video sensor to switch toward

the most adequate direction in order to offer a better coverage.

Video sensors deployment in critical locations such as disaster environment can cause

sensors failure. In order to ensure fault tolerance and energy efficiency, we have used the

cover sets construction approach. Other strategies have been proposed with the objective of

exploiting redundancy of video sensors to unsure FoV’s coverage of failed nodes.

We also consider the existence of obstacles in the surveillance area in order to maximize

coverage while avoiding occlusion problem of video sensors’ FoV.

Performances of the proposed model were validated using OMNeT++ simulator through

several evaluations made in comparison with existing models.

Keywords: Wireless video sensor network, field of view, coverage, cover set, fault tolerance,

occlusion, modeling and simulation.

Table des matières

v

Table des matières

Remerciements ........................................................................................... ii

Résumé ........................................................................................................ iii

Abstract ...................................................................................................... ii

Table des matières ...................................................................................... i

Liste des figures .......................................................................................... x

Liste des tableaux ....................................................................................... xiii

Liste des abréviations ................................................................................. xii

Introduction générale ................................................................................. 1

1. Problématique et motivation ......................................................................................1

2. Objectifs ....................................................................................................................2

3. Principales contributions de la thèse...........................................................................2

4. Organisation de la thèse .............................................................................................3

Partie I : Etat de l’art

Chapitre I : Généralités sur les Réseaux de Capteurs Vidéo Sans Fil (RCVSF)

I.1 Introduction ..............................................................................................................6

I.2 Historique d’évolution des réseaux de capteurs sans fil .............................................6

I.3 Types de réseaux de capteurs sans fil ........................................................................7

I.3.1 RCSF terrestre ................................................................................................8

I.3.2 RCSF souterrain ..............................................................................................8

I.3.3 RCSF aquatique ..............................................................................................9

I.3.4 RCSF multimédia............................................................................................9

I.3.5 RCSF mobile ..................................................................................................11

I.4 RCVSF .....................................................................................................................11

I.4.1 Définition .......................................................................................................11

I.4.2 Architecture ....................................................................................................12

I.4.3 Systèmes d’exploitation ..................................................................................13

I.4.4 Dispositifs de capture vidéo ............................................................................11

I.4.4.1 Caméras basées sur des composants commerciaux .............................11

I.4.4.2 Caméras conçues pour les réseaux de capteurs....................................16

I.5 Caractéristiques et contraintes d’un RCVSF ..............................................................17

I.6 Classification des RCVSF selon le modèle de surveillance ........................................19

I.7 Domaines d’application des RCVSF .........................................................................21

I.8 Concept de redondance dans les RCVSF ...................................................................22

Table des matières

vi

I.8.1 Types de redondance......................................................................................22

I.8.2 Rôle de la redondance dans les RCVSF ..........................................................23

I.8.3 Redondance basée sur le chevauchement des CdV ..........................................23

I.8.4 Redondance basée sur la similitude de la capture ...........................................21

I.8.5 Redondance basée sur la pertinence de la capture ...........................................21

I.9 Conclusion ...............................................................................................................26

Chapitre II : Surveillance et problématique de la couverture

II.1 Introduction.............................................................................................................27

II.2 Concept de surveillance...........................................................................................27

II.3 Historique sur les approches de surveillance ............................................................28

II.4 Réseaux de surveillance ..........................................................................................29

II.4.1 Réseaux de surveillance à base de capteurs scalaires .....................................29

II.4.2 Réseaux de surveillance à base de capteurs multimédias ...............................29

II.4.3 Réseaux de surveillance à base de capteurs Hybrides ....................................31

II.5 Principes de la couverture vidéo ..............................................................................31

II.6 Catégories de couverture .........................................................................................32

II.6.1 Couverture de cibles prédéterminées .............................................................33

II.6.2 Couverture de barrière ..................................................................................31

II.6.3 Couverture de zone .......................................................................................31

II.7 Couverture suivant la stratégie de déploiement ........................................................31

II.7.1 Couverture avec déploiement déterministe ....................................................31

II.7.1.1 Placement optimal des caméras .......................................................36

II.7.1.2 Placement optimal des capteurs .......................................................38

II.7.2 Couverture avec déploiement aléatoire .........................................................11

II.7.2.1 Localisation des nœuds capteurs après déploiement.........................40

II.7.2.2 Algorithmes de couverture ..............................................................42

II.7.2.3 Métriques de couverture ..................................................................47

II.8 Conclusion ..............................................................................................................18

Partie II : Contributions

Chapitre III : Proposition d’un modèle de couverture fiable pour la surveillance

III.1 Introduction ...........................................................................................................11

III.2 Modèle de représentation du CdV d’un capteur vidéo à une seule direction ............11

III.3 Notions de géométrie pour le modèle de couverture ...............................................11

III.3.1 Coordonnées cartésiennes et polaires d’un point ........................................11

III.3.2 Norme d’un vecteur ...................................................................................12

III.3.3 Produit scalaire ..........................................................................................12

III.3.4 Aire d’un triangle ......................................................................................12

III.3.5 Test d’inclusion d’un point dans un triangle ..............................................13

III.3.6 Génération d’un point aléatoire à l’intérieur d’un triangle ..........................11

III.4 Définition d’un ensemble couvrant.........................................................................11

Table des matières

vii

III.5 Stratégie de base de construction d’un ensemble couvrant ......................................11

III.6 Pourcentage de couverture d’un ensemble couvrant ...............................................17

III.7 Modèle de couverture avec capteurs vidéo rotationnels ..........................................17

III.7.1 Mécanismes de rotation d’un capteur vidéo ...............................................17

III.7.2 Modèle de représentation des CdV d’un capteur vidéo rotationnel .............18

III.7.3 Formules de calcul géométriques des différents CdV .................................19

III.7.4 Fonction de sélection d’un CdV .................................................................19

III.8 Nouvelles stratégies de construction d’ensembles couvrants...................................61

III.8.1 Couverture avec tolérance aux pannes .......................................................61

III.8.1.1 Fonction de construction d’ensembles couvrants avec

tolérance aux pannes ...................................................................................61

III.8.1.2 Exemple de modèle de construction d’ensembles couvrants avec

tolérance aux pannes ...................................................................................62

III.8.2 Couverture avec haute précision ................................................................63

III.9 Ordonnancement de l’activité dynamique des capteurs vidéo .................................61

III.9.1 Algorithme d’ordonnancement ..................................................................61

III.9.2 Ajustement en fonction de la criticité de l’application ................................66

III.9.2.1 Vitesse de capture d’un nœud vidéo ...........................................66

III.9.2.2 Approche par ajustement statique ...............................................67

III.9.2.3 Approche par ajustement dynamique ..........................................68

III.10 Implémentation et évaluation des performances ...................................................71

III.10.1 Le simulateur OMNeT++ ........................................................................71

III.10.1.1 Définition .................................................................................71

III.10.1.2 Construction d’un modèle de simulation OMNeT++ ................71

III.10.2 Présentation du modèle de simulation du RCVSF .....................................72

III.10.3 Implémentation des algorithmes du nouveau modèle de couverture .........71

III.10.3.1 Programme implémentant le calcul des coordonnées des

triangles représentant les CdV du capteur vidéo .........................................71

III.10.3.2 Programme implémentant la fonction de sélection d’un CdV ....71

III.10.3.3 Programmes implémentant les nouvelles stratégies de

construction d’ensembles couvrants ...........................................................76

III.10.4 Evaluation des performances ...................................................................78

III.10.4.1 Paramètres de simulation..........................................................78

III.10.4.2 Métriques de performances ......................................................81

III.10.4.3 Résultats de simulation et interprétation ...................................81

III.11 Conclusion ...........................................................................................................81

Chapitre IV : Modèle de couverture fiable avec prise en considération d’obstacles

IV.1 Introduction ...........................................................................................................81

IV.2 Notion d’occlusion ................................................................................................81

IV.3 Autres formes géométriques d’un obstacle .............................................................87

IV.4 Modèle de couverture avec évitement d’obstacles ..................................................88

Table des matières

viii

IV.5 Fonction de sélection d’un CdV avec évitement d’obstacles ...................................89

IV.6 Fonction de construction d’ensembles couvrants avec évitement d’obstacles .........91

IV.7 Applications visées pour l’exploitation du modèle de couverture proposé ..............91

IV.7.1 Applications pour l’économie d’énergie ....................................................92

IV.7.2 Applications pour la tolérance aux pannes .................................................92

IV.8 Implémentation des algorithmes ............................................................................93

IV.8.1 Programme implémentant la fonction de sélection d’un CdV avec

évitement d’obstacles .............................................................................................93

IV.8.2 Programme implémentant la fonction de construction d’ensembles

couvrants avec évitement d’obstacles .....................................................................95

IV.9 Evaluation des performances .................................................................................91

IV.9.1 Résultats de simulation des modèles RCVSFROb et RCVSF ........................96

IV.9.1.1 Pourcentage moyen de couverture avec variation de la

densité du réseau .......................................................................................96

IV.9.1.2 Pourcentage moyen de couverture avec variation du champ

de communication .....................................................................................97

IV.9.1.3 Nombre moyen d’ensembles couvrants ......................................97

IV.9.1.4 Pourcentage moyen de nœuds actifs ...........................................98

IV.9.2 Résultats de simulation des modèles RCVSFROb et DVSA ..........................99

IV.9.2.1 Pourcentage moyen de couverture avec variation de la

densité du réseau .......................................................................................99

IV.9.2.2 Pourcentage moyen de couverture avec variation du champ

de capture ..................................................................................................99

IV.10 Conclusion ...........................................................................................................100

Conclusion générale ................................................................................... 101

Perspectives ................................................................................................ 102

Bibliographie .............................................................................................. 103

Annexe A : Le simulateur OMNeT++ : Aperçu du logiciel

A.1 Introduction ............................................................................................................110

A.2 Définition ...............................................................................................................110

A.3 Propriétés du simulateur OMNeT++ .......................................................................111

A.4 Etapes d’installation du simulateur OMNeT++ .......................................................111

A.5 Architecture d’OMNeT++ ......................................................................................112

A.6 Les principaux fichiers d’OMNeT++......................................................................113

A.6.1 Fichier .ned .................................................................................................113

A.6.2 Fichier .ini ..................................................................................................115

A.6.3 Fichier .msg ................................................................................................116

A.7 Exécution d’une simulation sous OMNeT++ ..........................................................116

A.8 Les plateformes d’OMNeT++ ................................................................................117

A.8.1 Mobility Framework ...................................................................................117

Table des matières

ix

A.8.2 Mixim .........................................................................................................118

A.8.3 Castalia .......................................................................................................118

A.9 Conclusion .............................................................................................................119

Annexe B : Modèle de simulation d’un RCVSF sous OMNeT++

B.1 Introduction ............................................................................................................120

B.2 Etapes d’installation du modèle de simulation ........................................................120

B.3 Présentation de quelques fichiers et répertoires du modèle ......................................121

B.4 Exécution d’un scénario de simulation ....................................................................123

B.5 Analyse des résultats ..............................................................................................126

Liste des figures

x

Liste des figures

I.1 Evolution des capteurs .........................................................................................7

I.2 RCSF terrestre......................................................................................................8

I.3 RCSF souterrain ...................................................................................................9

I.4 RCSF aquatique ...................................................................................................9

I.5 Architecture de référence d’un RCMSF [2] ..........................................................10

I.6 RCSF mobile .......................................................................................................11

I.7 Exemple d’un RCVSF ..........................................................................................11

I.8 Architecture d’un nœud capteur vidéo ..................................................................13

I.9 Prototype de l’architecture MeshEye ....................................................................15

I.10 Cyclops connecté à un capteur Mica2 ...................................................................16

I.11 CMUcam3 ...........................................................................................................16

I.12 ALOHA connecté à un capteur Mica2 ...................................................................17

I.13 Principaux modèles de surveillance ......................................................................20

I.14 Exemples d’application des RCVSF .....................................................................21

I.15 Redondance basée sur le chevauchement des CdV ................................................24

I.16 Redondance basée sur la similitude de la capture .................................................24

I.17 Redondance basée sur la pertinence de la capture [51] .........................................25

II.1 Système de prévention de catastrophes dans les ponts ..........................................29

II.2 Exemple d’un réseau de capteurs multimédias......................................................30

II.3 Couverture de la surface [53] ...............................................................................31

II.4 Modèle de capture directionnelle ..........................................................................31

II.5 Différence de capture entre RCSF et RCVSF ........................................................32

II.6 Catégories de couverture avec un RCVSF.............................................................33

II.7 Couverture avec RCVSF.......................................................................................33

II.8 Stratégies de couverture selon le déploiement des capteurs vidéo .........................35

III.1 Modèle de CdV d’un capteur vidéo ......................................................................51

III.2 Coordonnées cartésiennes et polaires d’un point M ..............................................51

III.3 Norme d’un vecteur .............................................................................................52

III.4 Aire d’un triangle .................................................................................................53

III.5 Test d’inclusion d’un point dans un triangle [99] ..................................................53

III.6 Points aléatoires non uniformément distribués à l’intérieur d’un triangle [100].....54

III.7 Points aléatoires uniformément distribués à l’intérieur d’un triangle [100] ...........54

III.8 Exemple de couverture d’un CdV .........................................................................55

III.9 Fonction de construction d’ensembles couvrants ..................................................56

III.10 Modèle d’un capteur vidéo rotationnel .................................................................58

III.11 Fonction de sélection d’un CdV ............................................................................60

Liste des figures

xi

III.12 Fonction de construction d’ensembles couvrants avec tolérance aux pannes .........62

III.13 Exemple de modèle de construction d’ensembles couvrants pour tolérance aux

pannes ..................................................................................................................63

III.14 Algorithme d’ordonnancement d’un nœud v [101] ...............................................66

III.15 Approche par ajustement statique [101] ...............................................................67

III.16 Approche par ajustement dynamique [101] ..........................................................69

III.17 Fonction de comportement [102] ..........................................................................69

III.18 Organigramme récapitulatif du processus de simulation sous OMNet++ ...............71

III.19 Exemple d’un fichier coverage-nbr_nodes.ned .....................................................73

III.20 Exemple d’un fichier omnetpp.ini ........................................................................74

III.21 Exemple d’un fichier coverage-nbr_nodes.sca ......................................................74

III.22 Programme implémentant le calcul des coordonnées des triangles représentant les

CdV du capteur vidéo ...........................................................................................75

III.23 Programme implémentant la fonction de sélection d’un CdV ................................76

III.24 Programme implémentant la fonction de construction d’ensembles couvrants avec

tolérance aux pannes ............................................................................................77

III.25 Programme implémentant la fonction de construction d’ensembles couvrants avec

haute précision .....................................................................................................78

III.26 Pourcentage moyen de couverture ........................................................................81

III.27 Nombre moyen d’ensembles couvrants ................................................................82

III.28 Pourcentage moyen de nœuds actifs .....................................................................82

III.29 Impact de l’angle de vue AdV sur le nombre moyen d’ensembles couvrants .........83

III.30 Impact de l’angle de vue AdV sur le pourcentage moyen de couverture ................83

IV.1 Occlusion du CdV d’un capteur vidéo ..................................................................86

IV.2 RCVSF avec présence d’obstacles ........................................................................86

IV.3 Combinaison de plusieurs formes d’obstacles pour représenter des obstacles plus

complexes [109]...................................................................................................87

IV.4 Modèle d’un capteur vidéo rotationnel avec présence d’obstacle ..........................88

IV.5 Fonction de sélection de CdV avec évitement d’obstacles .....................................90

IV.6 Fonction de construction d’ensembles couvrants avec évitement d’obstacles ........91

IV.7 Déploiement d’un RCVSF pour une gestion post-désastre ....................................93

IV.8 Programme implémentant la fonction de sélection d’un CdV avec évitement

d’obstacles ...........................................................................................................94

IV.9 Programme implémentant la fonction de construction d’ensembles couvrants avec

évitement d’obstacles ...........................................................................................95

IV.10 Pourcentage moyen de couverture avec variation de la densité du réseau .............97

IV.11 Pourcentage moyen de couverture avec variation du champ de communication ....97

IV.12 Nombre moyen d’ensembles couvrants ................................................................98

IV.13 Pourcentage moyen de nœuds actifs .....................................................................98

IV.14 Pourcentage moyen de couverture avec variation de la densité du réseau .............99

IV.15 Pourcentage moyen de couverture avec variation du champ de capture ................100

Liste des figures

xii

A.1 Architecture modulaire d’OMNeT++ ...................................................................113

A.2 Exemple simple d’un réseau de communication ...................................................114

A.3 Exemple d’un fichier NED ...................................................................................114

A.4 Editeur graphique d’un fichier NED .....................................................................115

A.5 Exemple d’un fichier .ini ......................................................................................115

A.6 Exemple d’un fichier .msg....................................................................................116

A.7 Construction et exécution d’une simulation sous OMNeT++................................117

A.8 Connexion des modules sous Castalia..................................................................118

B.1 Message de position .............................................................................................122

B.2 Message d’activité ...............................................................................................122

B.3 Message d’épuisement de la batterie ....................................................................122

B.4 Fenêtre graphique pour l’affichage des capteurs vidéo avec leurs CdV .................123

B.5 Exécution du modèle de simulation sous OMNeT++ ...........................................125

B.6 Présentation du modèle de simulation sur la fenêtre graphique .............................126

B.7 Exemple d’un fichier AWK...................................................................................127

Liste des tableaux

xiii

Liste des tableaux

II.1 Synthèse des principales contributions dans la couverture des RCVSF..................45

III.1 Paramètres de simulation .....................................................................................79

B.1 Description des icones du modèle de simulation ...................................................125

Liste des abréviations

xiv


RCSF Réseau de Capteurs Sans Fil

RCVSF Réseau de Capteurs Vidéo Sans Fil

RCMSF Réseau de Capteurs Multimédias Sans Fil

WSN Wireless Sensor Network

WVSN Wireless Video Sensor Network

WMSN Wireless Multimedia Sensor Network

QdS Qualité de Service

CMOS Complimentay Metal Oxide Silicon

CdV Champ de Vision

SB Station de Base

CAN Convertisseur Analogique/Numérique

OS Operating System

IoT Internet of Things

ADCM Attitude Data Collection Module

ATMEL Advanced Technology for Memory and Logic

MMC/SD MultiMedia Card / Smart Digital

RAM Random Access Memory

SRAM Static Random Access Memory

CCTV Closed-Circuit Televison

DVR Digital Video Recorder

IP Internet Protocol

BIP Binary Integer Programming

PTZ Pan-Tilt-Zoom

ILP Integer Linear Programming

GPS Global Positioning System

MCMS Maximum Coverage Minimum Sensors

MDCS Multiple Directional Cover Sets

CGA Centralized Greedy Algorithm

DGA Distributed Greedy Algorithm


xv

Rc Rayon de communication

Rs Rayon de couverture

AdV Angle de Vue

Co(v) Ensemble des ensembles couvrants du nœud v

Coi(v) Ensemble couvrant du nœud v

r0 Variable décrivant le niveau de criticité

OMNeT++ Objective Modular Network Test-bed in C++

NED Network Description

RCVSFR Réseau de Capteurs Vidéo Sans Fil avec capteurs rotationnels

NS2 Network Simulator 2

OPNET Optimum Network Performance

RCVSFROb Réseau de Capteurs Vidéo Sans Fil avec capteurs rotationnels et prise en

considération d’obstacles

DVSA Distributed Voronoi-Based Self-Redeployment Algorithm

JRE Java Runtime Environment

LAN Local Area Network

Mixim Mixed Simulator

MAC Media Access Control

TDMA Time Division Multiple Access

BAN Body Area Network

SDL Simple DirectMedia Layer

Introduction générale

1


1. Problématique et motivation

Les progrès technologiques réalisés dans les domaines de la miniaturisation des

composants électroniques, la micro-électromécanique et de la standardisation des

communications sans fil ont conduit à l’émergence des réseaux de capteurs sans fil (RCSF)

(WSN : Wireless Sensor Networks en anglais) [1], dont les caractéristiques intrinsèques ne

cessent de susciter le développement de nouvelles perspectives applicatives dans de

nombreux domaines (militaires, environnementaux, médicaux, etc.).

Plus récemment, avec les avancées en micro-électronique qui ont conduit à l’émergence de

petites caméras (de type Complimentary Metal Oxide Silicon (CMOS)) et de microphones

accessibles qui peuvent être intégrés sur les capteurs, a donné naissance à une nouvelle

catégorie de RCSF, il s’agit des réseaux de capteurs multimédias sans fil (RCMSF) (WMSN :

Wireless Multimedia Sensor Networks en anglais) [2].

La catégorie de RCMSF à laquelle nous nous intéressons dans cette thèse est celle des

réseaux de capteurs vidéo sans fil (RCVSF) (WVSN : Wireless Video Sensor Networks en

anglais) [3] qui peuvent nous projeter un grand éventail d’applications surtout dans le

domaine de la surveillance en réponse aux catastrophes naturelles dévastatrices qui ont sévi

ces dernières années à l’échelle planétaire : séismes, tsunamis, inondations, glissements de

terrain, incendies de forêt, éruptions volcaniques, etc.

Contrairement aux capteurs scalaires utilisés dans les RCSF classiques qui sont de type

omnidirectionnel, et peuvent donc capter des signaux en provenance de toute direction, les

capteurs vidéo sont de type directionnel, donc le champ de capture est limité à une région

donnée de la zone de déploiement. Cette particularité des capteurs vidéo engendre de

nouvelles problématiques pour la configuration et la planification des RCVSF. Les modèles et

algorithmes développés pour les RCSF ne peuvent donc pas être appliqués pour les RCVSF,

d’autant plus que la quantité de données générées par un capteur vidéo diffère de plusieurs

ordres de grandeur par rapport à une valeur scalaire (température, humidité, etc.). Et par

conséquent, un certain niveau de qualité de service (QdS) est exigé pour la mise en œuvre de

protocoles adéquats dédiés aux RCVSF.

Parmi les nombreuses problématiques abordées sur les RCVSF, telles que la localisation, le

routage et la compression des données, la notion de couverture peut être considérée comme

l’une des métriques de la QdS d’un RCVSF. Malgré les nombreux travaux de recherche

consacrés à ce sujet, la problématique de la couverture reste une problématique de grande


2

envergure vu l’ampleur des exigences des différentes applications critiques de surveillance

par les RCVSF [4].

2. Objectifs

Dans cette thèse, nous nous sommes intéressés au problème de couverture dans les RCVSF

avec pour objectif de satisfaire certaines exigences en QdS des applications critiques de

surveillance.

Notre principal objectif consiste à proposer un modèle de couverture fiable pour la

surveillance à l’aide d’un RCVSF. Contrairement aux capteurs vidéo utilisés dans la majorité

des travaux de recherche qui sont munis que d’une seule direction, dans notre travail, nous

avons opté pour des capteurs plus sophistiqués dotés de la fonction de rotation. Cette dernière,

nous donnera la possibilité d’étendre le champ de capture des nœuds utilisés dans le réseau,

dans le but d’offrir une couverture de meilleure qualité.

Afin de réduire la consommation d’énergie et remédier au problème de défaillance des

capteurs vidéo, suite au déploiement aléatoire ou encore l’environnement de surveillance en

« outdoor » qui peut causer un dysfonctionnement des capteurs, nous avons utilisé l’approche

de construction d’ensembles couvrants proposée par [5] mais avec des stratégies différentes.

Le premier objectif de cette approche est d’économiser de l’énergie en minimisant le nombre

de nœuds actifs dans le réseau. Le deuxième objectif est de bénéficier de la redondance des

capteurs vidéo afin de pouvoir remplacer un nœud défaillant par un sous-ensemble de ses

nœuds voisins qui peuvent assurer la couverture de son champ de vision (CdV).

Avec un déploiement aléatoire d’un RCVSF, on peut avoir des régions dans la zone de

surveillance qui sont mal couvertes ou souffrent d’occlusions. Par exemple, un CdV d’une

caméra peut devenir inutile si son orientation courante aboutit à la couverture d’un mur. Et

par conséquent, si l’orientation de cette caméra est susceptible d’être changée, cette dernière

pourra couvrir une zone pertinente de la région de surveillance. Dans cette perspective, nous

avons apporté d’autres extensions sur le premier modèle de couverture avec capteurs vidéo

rotationnels dans le but de proposer un nouveau modèle capable de fonctionner même dans un

environnement difficile en prenant en compte les obstacles qui pourraient se trouver sur

l’espace de déploiement.

3. Principales contributions de la thèse

La présente thèse forme une contribution au problème de couverture dans les RCVSF

constitués de capteurs vidéo rotationnels.

La première partie de nos contributions consiste en premier lieu à modéliser les CdV du

capteur vidéo à l’aide de fondements géométriques en deux dimensions avec la possibilité de

rotation vers trois directions au maximum [6]. Ce choix a été motivé par le fait que les RCVSF

sont étroitement contraints en termes d’énergie, mémoire et capacité de traitement. En effet,


3

adopter plus de trois directions est tout à fait possible, mais ceci nécessite un calcul beaucoup

plus complexe au niveau de chaque nœud capteur. En second lieu, nous proposons une

solution au problème de couverture en prenant en considération les trois directions de chaque

capteur vidéo. Cette approche a été réalisée à l’aide d’un algorithme distribué pour analyser le

voisinage de chaque capteur vidéo afin de faire transiter ce dernier vers une direction plus

appropriée qui nous permettra d’offrir une meilleure couverture de la zone de surveillance [7].

Nous proposons également deux stratégies de construction d’ensembles couvrants [8]. La

première stratégie nous permet de générer un nombre considérable d’ensembles couvrants,

dans le but d’économiser de l’énergie et d’assurer une tolérance aux pannes. La deuxième

stratégie a été envisagée dans le but d’apporter plus de précision dans la fonction de capture.

Dans ce cas les ensembles couvrants doivent être composés des nœuds capteurs qui assurent

le maximum de couverture du CdV du nœud défaillant. Après la construction d’ensembles

couvrants, nous avons adopté l’approche proposée par [5] pour l’ordonnancement des

capteurs vidéo devant être actifs pour une période donnée permettant ainsi aux autres nœuds

de passer en mode veille, jugé moins consommateur en énergie.

Dans la deuxième partie de nos contributions, nous avons pris en considération la présence

éventuelle d’obstacles dans la zone de surveillance dans tous les algorithmes proposés pour la

mise en œuvre du premier modèle de couverture avec capteurs vidéo rotationnels et la

réalisation de scénarios d’applications qui s’approchent plus de la réalité [8].

Enfin, l’implémentation des algorithmes des deux propositions et l’évaluation des

performances ont été réalisées à l’aide du simulateur OMNeT++.

4. Organisation de la thèse

Ce manuscrit s’articule autour de quatre chapitres suivis d’une conclusion générale et des

perspectives de recherches futures. Le positionnement de nos travaux sera présenté sur les

deux premiers chapitres et nos contributions seront détaillées dans les deux derniers.

Le premier chapitre de ce manuscrit présente un état de l’art sur les RCVSF. Nous

commençons par un aperçu sur les RCSF en général avant d’aborder les caractéristiques et

contraintes des RCVSF en particulier avec leurs différents domaines d’application. Le concept

de redondance sur lequel se base le modèle de couverture proposé sera également détaillé

dans ce chapitre.

Le deuxième chapitre est une étude bibliographique sur le concept de surveillance ainsi

que les différentes stratégies de couverture. Ce chapitre permet de positionner notre

contribution au problème de la couverture par rapport aux approches proposées dans la

littérature.

Le troisième chapitre constitue le cœur de notre travail de thèse. Nous présenterons tout

d’abord le modèle de représentation du CdV d’un capteur vidéo à une seule direction avec les

différentes notions de géométrie utilisées et le principe de construction d’ensembles


4

couvrants. Le modèle de couverture proposé avec capteurs vidéo rotationnels sera détaillé par

la suite avec les nouvelles stratégies de construction d’ensembles couvrants.

L’implémentation et l’évaluation des performances seront traitées dans la dernière partie de ce

chapitre où l’environnement de simulation et les différents résultats de performances seront

illustrés.

Le quatrième chapitre constitue notre deuxième contribution dans cette thèse. Il s’agit

d’une amélioration du modèle de couverture proposé dans le chapitre précédent avec prise en

considération d’obstacles dont la présence est imminente dans les applications de surveillance

envisagées dans notre travail. Nous décrirons dans ce chapitre les extensions apportées aux

différents algorithmes du modèle de couverture original dans le but de minimiser l’effet

d’occlusion. Nous présenterons par la suite des exemples d’applications de surveillance

réelles concrétisées à l’aide du modèle de couverture avec évitement d’obstacles. Enfin, la

dernière section de ce chapitre sera consacrée à la partie implémentation et évaluation des

performances où différents cas de figure seront traités pour la gestion d’obstacles dans

l’environnement de simulation. Différentes comparaisons de performances avec des modèles

existants seront effectuées pour valider l’approche de couverture proposée.

Partie I : Etat de l’art

5

Partie I

Etat de l’art

Chapitre I. Généralités sur les Réseaux de Capteurs Vidéo Sans Fil (RCVSF)

6

Chapitre I

Généralités sur les Réseaux de Capteurs Vidéo Sans Fil

(RCVSF)

I.1 Introduction

Les réseaux de capteurs sans fil (RCSF) représentent une révolution technologique qui

change radicalement la façon de concevoir les systèmes de surveillance de très grandes

échelles. En effet, les progrès croissants de la microélectronique et des communications par

ondes radio permettent de fabriquer des nœuds capteurs de plus en plus petits, embarquant

une unité de traitement de données, un module de transmission sans fil et une batterie. Ces

capteurs déployés sur le terrain vont s’organiser en réseau de manière spontanée et collaborer

entre eux pour capter des données et les acheminer à l’aide d’un schéma de routage multi-

sauts jusqu’à un point de collecte, appelé Station de Base (SB ou Sink)

Parmi toutes les applications potentielles des RCSF, celles utilisant des capteurs vidéo sont

appréciables pour tout ce qui concerne la reconnaissance, la localisation et le dénombrement

d’objets par la vision. L’émergence des réseaux de capteurs vidéo sans fil (RCVSF) suscite le

développement de nouveaux protocoles pour le transfert des données multimédias et de

mécanismes de gestion de l’énergie qui soient adaptés aux exigences sévères requises.

Dans ce chapitre, nous présentons les principes de conception des RCVSF ainsi que leurs

différentes caractéristiques et domaines de recherches.

I.2 Historique d’évolution des réseaux de capteurs sans fil

Au fil des années, avec la disponibilité du matériel et dispositifs de prix abordable, des

capteurs de plus en plus sophistiqués ont été proposés, permettant de capturer des données

scalaires ou encore multimédias dans le but de satisfaire une grande panoplie d’applications

sur les RCSF.

Dans ce qui suit, nous présentons une évolution au cours du temps des capteurs les plus

utilisés ces dernières années.


7

Figure I.1: Evolution des capteurs

Comme l’illustre la figure I.1, plusieurs capteurs ont été proposés par différentes

universités comme celle de Berkeley qui a présenté plusieurs travaux sur les RCSF. Les plus

utilisés sont les capteurs fabriqués par l’entreprise Xbow (aussi appelé Crossbow) qui est née

au sein de la célèbre université californienne. Cette entreprise a revendu en 2010 son activité

réseau de capteurs à la société sino-américaine MEMSIC. Ces capteurs conçus pour collecter

des données scalaires telles que la température ou l’humidité se basent sur le composant

Chipcon CC2420 qui est devenu le standard au niveau des modules de transmission utilisant

le protocole de communication IEEE 802.15.4 [9].

Avec les exigences des applications critiques de surveillance, une nouvelle catégorie de

capteurs dotés de capacités multimédias a vu le jour, Cyclops [10] et Stargate [11] sont deux

exemples concrets de ce type de capteurs. Les capteurs conçus initialement pour collecter des

donnés scalaires peuvent contribuer à la mise en œuvre des capteurs multimédias. Pour la

transmission sans fils, par exemple, l’émetteur/récepteur des capteurs Mica2 ou MicaZ peut

être utilisé via l’interface du capteur d’images Cyclops afin de transmettre les images

capturées.

Plus récemment, le capteur Seed-Eye [12] a vu le jour, développé par la société Evidence

Embedding Technology, il a été conçu pour l’implémentation des RCMSF à faible coût, il est

constitué de plusieurs interfaces de communication telles que Ethernet, IEEE 802.15.4/Zigbee

et USB. Il contient de plus une caméra CMOS pour la capture d’images.

I.3 Types de réseaux de capteurs sans fil

Actuellement, plusieurs RCSF sont déployés sur terrain, sous terre et sous l’eau. Ils font

face à différents challenges et contraintes dépendant de leur environnement. Nous pouvons

distinguer les cinq types de RCSF suivants [13] :


8

I.3.1 RCSF terrestre

Un RCSF terrestre consiste en un grand nombre (centaines à milliers) de nœuds à faible

coût qui sont déployés sur terrain dans une zone donnée, de manière ad hoc (déployé à partir

d’un hélicoptère par exemple). Dans les RCSF terrestres [14], les nœuds capteurs doivent être

capables de transmettre des données à une SB dans un environnement dense. Puisque

l’énergie de la batterie est limitée et la plupart du temps inaccessible, les nœuds capteurs

terrestres peuvent être équipés d’une source d’énergie secondaire telle que les cellules

solaires. Les applications communes des RCSF terrestres sont la capture et le monitorage

environnemental (voir figure I.2), le monitorage industriel et les explorations de surfaces.

Figure I.2: RCSF terrestre

I.3.2 RCSF souterrain

Un RCSF souterrain comporte un ensemble de nœuds capteurs qui sont déployés sous

terre, dans des caves ou des mines pour contrôler les conditions souterraines [15, 16]. Afin de

transmettre des données à partir des nœuds capteurs souterrains jusqu’à la SB, des nœuds

Sinks additionnels seront situés à la surface (voir figure I.3). Ces nœuds capteurs coûtent plus

cher que les capteurs terrestres car ils nécessitent des équipements appropriés pour assurer une

communication fiable à travers la terre, les rochers et l’eau. La communication sans fil est un

challenge dans de tels environnements à cause de la forte atténuation et perte du signal. De

plus, il est difficile de recharger ou de remplacer les batteries des capteurs sous terre, ce qui

nécessite l’utilisation de protocoles de communication à économie d’énergie pour prolonger

la durée de vie du réseau. Les capteurs souterrains sont utilisés dans plusieurs applications

telles que le monitorage agricole, le monitorage souterrain du sol et de l’eau et la surveillance

des frontières militaires.


9

Figure I.3: RCSF souterrain

I.3.3 RCSF aquatique

Un RCSF aquatique se compose de capteurs déployés sous l’eau, par exemple, dans un

environnement océanique [17, 18]. Comme ces nœuds coûtent très cher, donc très peu de

nœuds capteurs seront déployés et des véhicules aquatiques autonomes seront utilisés pour

explorer ou récupérer les données capturées. Les communications sans fil aquatiques utilisent

des ondes acoustiques (voir figure I.4), qui présentent différentes contraintes telles qu’une

bande passante limitée, un délai de propagation plus long, une haute latence et des problèmes

d’affaiblissement du signal. Ces nœuds doivent être capables de s’auto-configurer et de

s’adapter aux conditions extrêmes de l’environnement océanique. Les applications des RCSF

aquatiques incluent le contrôle de la pollution, la surveillance et l’exploration sous-marine, la

prévention et le monitorage de désastres tels que les séismes.

Figure I.4: RCSF aquatique

I.3.4 RCSF multimédia

Il s’agit d’un ensemble de nœuds capteurs à faible coût équipés de caméras ou de

microphones, déployés de manière prédéterminée ou aléatoire pour garantir une couverture

[2]. Les dispositifs de capteurs multimédias sont capables de stocker, traiter et de récupérer

des données multimédias telles que la vidéo, l’audio et l’image. Ils doivent faire face à

différents challenges tels qu’une forte demande de bande passante, une grande consommation

d’énergie, une garantie de QdS et des techniques de traitement et de compression des données.

Il est nécessaire alors de développer des techniques de transmission qui supportent une bande

passante assez élevée et une faible consommation d’énergie pour la délivrance fiable de


10

contenu multimédia tel qu’un streaming vidéo. Les RCMSF améliorent les applications de

RCSF existantes comme le suivi et la surveillance.

Une architecture de référence d’un RCMSF proposée par I. F. Akyildiz et al. [2] est

présentée sur la figure I.5 où trois types de RCSF avec différentes caractéristiques sont

illustrés. Les capteurs multimédias peuvent être déployés dans un réseau à un seul niveau,

comme indiqué sur les figures I.5(a) et I.5(b), ou d’une manière hiérarchique, comme le

montre la figure I.5(c). Les propriétés des deux types de niveaux sont détaillées sur la figure

I.5. Les hubs de traitement multimédia sont utilisés dans cette architecture car ils disposent de

ressources importantes en calcul, et sont appropriés pour l’agrégation des flux multimédia à

partir des nœuds capteurs. Ils permettent la réduction de la dimension et le volume des

données transmises au Sink et les dispositifs de stockage. Enfin, une architecture plus

complexe d’un RCMSF peut être implémentée en fonction des besoins de l’application.

Figure I.5: Architecture de référence d’un RCMSF [2]

I.3.5 RCSF mobile

Un RCSF mobile se compose de nœuds capteurs mobiles (voir figure I.6), qui peuvent se

déplacer et interagir avec un environnement physique [19]. Les nœuds mobiles peuvent se

repositionner et s’auto-organiser dans le réseau de plus de leur capacité de capturer, traiter et

de communiquer. Un algorithme de routage dynamique doit être utilisé au lieu du routage fixe

approprié aux RCSF statiques. Les RCSF mobiles doivent faire face à plusieurs challenges

tels que le déploiement, la gestion de la mobilité, la localisation avec mobilité, le contrôle et

la navigation des nœuds mobiles, le maintien de la couverture et de la connectivité et la

Un seul niveau,

Topologie plate,

Capteurs homogènes,

Traitement distribué,

Stockage centralisé

Un seul niveau,

Topologie en étoile,

Capteurs hétérogènes,

Traitement centralisé,

Stockage centralisé

Multi-niveau,

Topologie en étoile étendue,

Capteurs hétérogènes,

Traitement distribué

Stockage distribué


11

minimisation de la consommation d’énergie dans la locomotion. Les applications des RCSF

mobiles concernent le monitorage environnemental, la surveillance militaire, le suivi de cibles

et l’assistance aux opérations de secours. Un plus grand degré de couverture et de connectivité

peut être assuré avec les nœuds capteurs mobiles comparé aux nœuds statiques.

Figure I.6: RCSF mobile

I.4 RCVSF

I.4.1 Définition

Un RCVSF est un réseau composé d’un ensemble de nœuds capteurs autonomes dotés

d’une petite caméra embarquée à faible coût. Ces capteurs vidéo sont interconnectés de

manière sans fil, comme illustré sur la figure I.7, et collaborent entre eux pour atteindre un

objectif commun qui est d’assurer la surveillance de la zone de déploiement. Ces capteurs

vidéo sont de puissants capteurs multidimensionnels qui permettent de capturer une vue

directionnelle d’un terrain ou d’une région d’intérêt, généralement appelée champ de vision

(CdV ou FoV : Field of View) et de la transmettre à une SB (Sink). Les informations collectées

peuvent être traitées soit localement ou encore être envoyées à un utilisateur final via Internet

par exemple.

Figure I.7: Exemple d’un RCVSF


12

I.4.2 Architecture

En plus de sa fonction initiale qui est de collecter des données, un capteur est doté d’une

unité de traitement embarquée à faible coût avec des capacités de calcul, de mémoire et de

communication. La capacité d’un capteur est néanmoins limitée, ceci à cause en partie de la

miniaturisation de ses composants. Un capteur se compose en général de quatre unités

fondamentales (illustrées sur la figure I.8) [1] :

Unité de capture : contient le ou les capteurs embarqués sur le nœud afin d’assurer la

collecte des données de l’environnement. Les signaux provenant du capteur sont convertis

à l’aide d’un convertisseur analogique/numérique (CAN) en signaux compréhensibles par

l’unité de traitement.

Unité de traitement : se charge d’exploiter, de traiter et de conserver les données capturées

à l’aide d’un processeur associé à un microcontrôleur. Il s’agit du module principal du

capteur du moment qu’il contrôle le bon fonctionnement des autres unités.

Unité de communication : elle permet au capteur de communiquer en sein du réseau à

l’aide d’un couple émetteur/récepteur qu’on appelle aussi transceiver. Elle utilise

essentiellement des technologies sans fil telles que le 802.11 et le 802.15.4.

Unité d’alimentation : il s’agit de la source d’énergie qui alimente toutes les unités du

capteur. Elle correspond généralement à une batterie ou une pile dont les ressources

limitées en font l’une des contraintes majeures des RCSF.

Par ailleurs, il est possible d’ajouter d’autres modules à cette architecture en fonction de

l’application qu’on voudra réaliser. Nous pouvons avoir une unité de localisation afin de

déterminer la position géographique du capteur, en utilisant un récepteur GPS ou une

technique de triangulation. Certaines applications peuvent aussi avoir besoin d’un

mobilisateur pour le déplacement des capteurs [20]. Un générateur d’énergie permet de

prolonger la durée de vie du capteur en le dotant d’un dispositif pour recharger sa batterie, par

exemple l’énergie provenant des cellules solaires, des vibrations, de la lumière, etc. Dans le

cadre de notre étude, nous pouvons envisager d’intégrer une unité spécifique de capture vidéo

telle qu’une caméra avec un dispositif de rotation.


13

Figure I.8: Architecture d’un nœud capteur vidéo

I.4.3 Systèmes d’exploitation

Les avancées récentes dans le domaine de la microélectronique permettent de nos jours de

faire embarquer un système d’exploitation au sein d’un capteur afin de développer d’avantage

le caractère intelligent des capteurs.

Nous présentons dans ce qui suit, en premier lieu le système d’exploitation TinyOS qui est

le plus utilisé dans les RCSF. Nous citerons ensuite d’autres catégories de systèmes

d’exploitation qui ont été proposés dans la littérature.

TinyOS

TinyOS [21] est un système d’exploitation open source pour les RCSF développé au sein

du laboratoire d’informatique de l’université de Berkeley en Californie (USA).

Ce système d’exploitation a été développé dans le but de réduire au maximum la taille

d’allocation mémoire nécessaire à son installation et à son fonctionnement. Afin de permettre

l’extension des capteurs par d’autres fonctionnalités, TinyOS est structuré en plusieurs

composants avec interfaces bidirectionnelles.

Nous pouvons trouver deux types de fichiers dans un composant :

- un fichier configuration qui détermine les interfaces proposées par le composant et

les interfaces des autres composants nécessaires à ce dernier. Ce fichier doit aussi

expliciter les connexions qui existent entre ces différents composants (opération de

linkage).

- un fichier module qui contient l’implémentation des interfaces du composant.

TinyOS est écrit en NesC qui est un langage dérivé du C pour les systèmes embarqués [22].


14

Un programme sous TinyOS ne doit comporter que les composants nécessaires à son

exécution, ce qui permet de réduire la taille du programme à insérer dans l’unité de traitement

du capteur.

Afin de prolonger la durée de vie du capteur, TinyOS opte plutôt pour une programmation

événementielle, dans ce type de programmation, l’exécution des instructions s’effectue en

fonction des événements enregistrés par l’unité de traitement. L’avantage de cette technique

est de laisser les capteurs en mode veille dans le cas où il n’y a aucun évènement.

Les capteurs qui utilisent le système d’exploitation TinyOS sont essentiellement

développés par la société Xbow, comme les capteurs Mica2, MicaZ, TelosB, TelosA, etc.

Autres systèmes d’exploitation

D’autres systèmes d’exploitation connus pour les réseaux de capteurs sont décrits dans la

liste non exhaustive suivante :

- SOS [23] : il a été développé par l’université de Los Angeles en Californie (UCLA)

écrit en langage C et qui reprend le système de programmation événementielle de

TinyOS.

- FreeRTOS [24] : ce n’est pas un système d’exploitation à proprement dit, mais un

noyau de système d’exploitation pour systèmes embarqués.

- Mantis OS [25] : c’est un système d’exploitation dédié aux réseaux de capteurs,

développé par l’université du Colorado (USA) et écrit en langage C. Contrairement

à TinyOS qui est basé sur un modèle de programmation événementielle, Mantis OS

s’articule autour d’un modèle commandé par l’exécution de processus [26].

- Nut/OS [27] : il s’agit d’un système d’exploitation multitâche pour systèmes

embarqués avec une pile TCP/IP.

- Contiki [28] : ce système d’exploitation est open-source, léger et flexible,

développé pour les systèmes embarqués [29]. Contiki propose les principales

caractéristiques et fonctionnalités d’un système d’exploitation tout en favorisant

une consommation énergétique et une empreinte mémoire minimales. Ses

principaux avantages sont le support des protocoles IPv6 et 6LoWPAN et sa

portabilité. Contiki est considéré comme le futur OS pour le déploiement d’un

Internet des Objets [30] (IoT : Internet of Things en anglais) fiable, robuste et

efficace.

I.4.4 Dispositifs de capture vidéo

Plusieurs prototypes de capteurs d’images ont été proposés dans la littérature. Nous

pouvons en distinguer deux catégories : d’un côté, ceux qui se sont basés sur des composants

commerciaux à faible consommation énergétique. Par exemple, les auteurs dans [31] ont

utilisé un capteur d’image ADCM 1670 de Agilent pour fournir des capacités de vision dans

une application de suivi de cibles. D’un autre côté, on trouve les développeurs de dispositifs

de caméras conçus spécialement pour les RCSF. La plupart se basent sur le principe de


15

modularité des composants technologiques proposés par les fabricants commerciaux de

capteurs.

Quelques exemples de prototypes proposés dans les deux catégories sont présentés dans les

deux sous-sections suivantes.

I.4.4.1 Caméras basées sur des composants commerciaux

Voici une liste non exhaustive parmi les dispositifs de capture d’images qui ont été

développés en utilisant des composants électroniques commerciaux.

MeshEye

Conçue pour la surveillance distribuée, l’architecture MeshEye [32, 33] (voir figure I.9)

intègre un microcontrôleur Atmel AT91SAM7S, une mémoire flash MMC/SD, deux capteurs

ADNS-3060 à basse résolution comme ceux qui ont été utilisés à l’origine pour des souris

optiques, une caméra CMOS ADCM-2700 et un module radio CC2420 de Texas Instruments

qui respecte la norme 802.15.4.

Figure I.9: Prototype de l’architecture MeshEye

Cyclops

Les caméras Cyclops [10] ont ouvert un grand espace de recherche dans le domaine des

réseaux de capteurs d’image. La caméra Cyclops a été développée par les laboratoires Agilent

et le CENS (Center for Embedded Network Sensing) de l’UCLA. Elle permet la capture et le

traitement d’images de faible résolution avec une consommation d’énergie relativement

faible. Plusieurs versions de Cyclops ont été développées : Cyclops1, Cyclops2A, Cyclops2B

et Cyclops2C (cette dernière version intègre des améliorations significatives par rapport aux

versions antérieures). Cyclops est composé d’un module CMOS de capture d’images de

moyenne qualité ADCM-1700 (Agilent), un microcontrôleur ATmega128L de Atmel avec

128Ko de mémoire flash pour le stockage du code d’application et 4Ko de mémoire RAM (la

même qui est utilisée dans les capteurs Mica de chez Crossbow), une mémoire SRAM

TC55VCM208A de Toshiba avec 64Ko et une mémoire flash AT29BV040A d’Atmel pour le

stockage de données. Cyclops a aussi un connecteur de 51 pins qui lui permet de se connecter

à un capteur Mica2 ou Micaz de Crossbow (voir figure I.10). L’inconvénient de Cyclops est le

temps de traitement qui est relativement long à cause de la faible vitesse du processeur.


16

Figure I.10: Cyclops connecté à un capteur Mica2

CMUcam3

Il s’agit de la troisième version des systèmes CMUcam. Dans une carte caméra CMUcam3

[34] (voir figure I.11), nous pouvons trouver une caméra CMOS Omni vision OV6620 ou une

OV7620 comme module de capture d’image, un microcontrôleur NXP LPC2106 (ARM7TDMI

de 60MHz) avec 64Ko de mémoire RAM et 128Ko de mémoire flash, et un frame buffer de

vidéo FIFO Averlogic AL4V8M440 de 1Mo. Ce dispositif peut être connecté à un capteur

Telos de Berkeley. Afin d’économiser l’énergie, la caméra peut fonctionner selon trois modes

d’opérations : actif, en veille et inactif.

Par rapport à la caméra Cyclops, la CMUcam consomme beaucoup plus d’énergie,

cependant, elle offre un temps de traitement plus rapide.

Figure I.11: CMUcam3

I.4.4.2 Caméras conçues pour les réseaux de capteurs

Concernant les caméras conçues spécifiquement pour les réseaux de capteurs, nous

pouvons trouver dans la littérature les propositions suivantes :

ALOHA [35], illustré sur la figure I.12 est un capteur prototype CMOS conçu spécialement

pour des applications de réseaux de capteurs. ALOHA intègre une représentation de

l’information basée sur des évènements. L’idée de base est la suivante : des évènements sont

exécutés quand des pixels individuels atteignent un seuil de tension déterminé. Le pixel

exécute une requête au circuit récepteur, en manipulant son adresse sur le bus par activation

d’une cellule ROM sur l’intersection des lignes et colonne.

Pour le moment, deux versions du capteur d’images ALOHA ont été développées:

ALOHAim1 avec une grille de 32×32 pixels et un détecteur de contention

analogique pour les collisions,


17

ALOHAim2 avec une grille de 64×64 pixels organisés comme 4 quadrants de 32 ×

32 pixels indépendants et un détecteur de contention numérique.

ALOHA intègre une nouvelle philosophie dans le domaine du développement des réseaux

de capteurs, selon laquelle l’information est captée et transmise seulement quand il y a besoin,

et tout le traitement des données est exécuté au niveau du capteur matériel lui-même, ce qui

permet des économies d’énergie très importantes en laissant de côté la nécessité d’intégrer des

composants supplémentaires comme c’est le cas pour les architectures commerciales.

Figure I.12: ALOHA connecté à un capteur Mica2

I.5 Caractéristiques et contraintes d’un RCVSF

Avec des données vidéo, la QdS devient désormais une exigence fondamentale pour la

transmission dans un environnement contraint en ressources. En effet, il existe plusieurs

caractéristiques et contraintes dans les RCVSF dont nous citons les plus importantes :

Efficacité énergétique : les capteurs se caractérisent par une limitation de ressources en

termes de calcul, de stockage et d’autonomie d’énergie. Cependant, l’énergie demeure la

contrainte majeure des RCSF car les capteurs sont alimentés par des batteries à capacité

limitée, la plupart du temps irremplaçables due à la difficulté d’accès de l’environnement

de déploiement. Contrairement aux données scalaires, la transmission de flux vidéo

provoque un trafic intense et un traitement plus coûteux. Ce phénomène conduit à une

consommation énergétique importante pouvant occasionner le dysfonctionnement

prématuré du réseau. Par conséquent, l’utilisation de nouveaux algorithmes contribuant à

la prolongation de la durée de vie du réseau est indispensable.

Auto-organisation : Dans le cas où les RCVSF sont déployés aléatoirement, où aucune

intervention humaine n’est envisageable ; il est nécessaire de maintenir une structure qui

répond de manière efficace aux besoins de l’application. Ceci peut être réalisé grâce à

l’auto-configuration des capteurs vidéo, sans contrôle centralisé, uniquement avec des

interactions locales entre les capteurs.

Bande passante : le streaming de flux vidéo nécessite une bande passante très élevée par

rapport à la capacité actuelle des capteurs. En effet, alors qu’un streaming vidéo peut

nécessiter des débits supérieurs à l’ordre de 500 kbps, le débit maximal d’un nœud capteur

est de 250 kbps avec le standard 802.15.4. Des études ont montré que le débit réel utile est

de l’ordre de 70 kbps [36]. Par conséquent des solutions matérielles et logicielles sont

nécessaires pour une fourniture suffisante en bande passante afin de supporter la

transmission de flux vidéo.


18

Latence : la sensibilité aux délais est également une préoccupation majeure dans les

applications multimédias temps réel. Les données émises doivent être correctement reçues

au Sink dans les délais exigés par l’application ; sinon elles deviendront obsolètes. Les

applications de streaming vidéo temps réel requièrent des garanties strictes de délai bout à

bout, de bande passante et de gigue [37].

Topologie dynamique : La topologie du réseau est en constante évolution à cause du

changement de l’état d’activité des capteurs (actif, en veille et inactif) ou bien suite à la

défaillance ou l’épuisement d’énergie des capteurs. Par conséquent, il faudrait que ces

derniers soient capables de communiquer et de collaborer entre eux en utilisant des

protocoles d’auto-organisation afin de maintenir la topologie du réseau.

Scalabilité : Les applications de surveillance dans des environnements hostiles peuvent

nécessiter un déploiement très dense des capteurs vidéo. Lorsque le nombre de capteurs

augmente, ceci ne doit en aucun cas influencer sur les performances du réseau. Les

différents algorithmes et protocoles proposés pour les RCVSF doivent prendre en

considération le facteur de passage à l’échelle.

Tolérance aux pannes : La défaillance de certains capteurs vidéo peut être la

conséquence de l’épuisement de leur batterie ou encore suite à un endommagement

physique du capteur dans l’environnement de surveillance (après un largage à partir d’un

avion par exemple). Le RCVSF doit pouvoir remédier aux défaillances d’une partie de ses

capteurs et continuer à fonctionner même avec des performances réduites. La tolérance

aux pannes est la capacité de soutenir les fonctionnalités d’un réseau de capteurs sans

causer d’interruption lorsqu’un capteur cesse de fonctionner. La tolérance aux pannes

dépend aussi de l’environnement de déploiement du RCVSF, dans le cas où le réseau est

déployé dans un habitat, la tolérance aux pannes exigée peut être basse car le degré

d’endommagement des capteurs est réduit. Cependant, si le RCVSF est déployé dans un

environnement hostile de surveillance, la tolérance aux pannes doit être plus importante à

cause de la criticité de l’application.

Sécurité : Concernant les applications de surveillance qui nécessitent un niveau de

sécurité plus élevé telles que les applications militaires, les données collectées par les

capteurs vidéo doivent être sécurisées. Des mécanismes d’authentification, de

confidentialité, et d’intégrité peuvent être utilisés dans ce type d’applications. Cependant,

les algorithmes de cryptographie conçus pour les réseaux de capteurs doivent tenir compte

des ressources restreintes des capteurs vidéo.

Couverture : La couverture peut être considérée comme l’une des métriques de la QdS

d’un réseau de capteurs. Une mauvaise répartition des capteurs vidéo peut rendre certains

nœuds inutilisables s’ils ne sont plus en mesure de communiquer avec les autres capteurs

pour atteindre à la fin la SB. La stratégie la plus adoptée dans la problématique de

couverture est l’exploitation de la redondance issue du déploiement aléatoire des capteurs

vidéo et de procéder à leur mise en veille en alternance. L’intérêt de cette technique que


19

nous avons adopté dans cette thèse est de prolonger la durée de vie du réseau et d’assurer

également une tolérance aux pannes dans le RCVSF.

Qualité des images capturées : Dans un contexte d’applications critiques, la capacité à

exploiter les informations visuelles d’une image à la réception est capital. Pour ce faire, la

vitesse de capture associée à chaque capteur doit être satisfaisante. De plus, afin de réduire

la quantité de données visuelles collectées nous devons faire appel à la technique de

compression d’images. Cette dernière peut s’effectuer de plusieurs manières : avec ou

sans perte de données, centralisée ou distribuée. La compression avec perte de données

demeure la plus pertinente pour des transmissions à bas débit et pour la réduction des

coûts en termes de mémoire et de transmission. Malgré que la compression participe à

l’amélioration des performances du réseau, un taux de compression maximal peut

dégrader fortement la qualité de l’image restituée [20, 38].

Routage multi-chemins : Le transfert de données vidéo doit respecter certaines métriques

de QdS, par exemple, les applications de surveillance de données critiques sont sensibles

au temps de réponse (délai) et exigent une certaine fiabilité dans la livraison des données

(taux d’erreur) [39]. Afin de palier ces problèmes, de nouvelles formes de routage sont

utilisées, comme le routage multi-chemins pouvant garantir une communication de qualité

entre les différents nœuds dans le réseau. Un protocole de routage multi-chemins permet

de construire et de maintenir plusieurs chemins entre la source et la destination. Son

objectif est d’augmenter la robustesse et la disponibilité des chemins. La stratégie

d’équilibrage de charge sur les chemins multiples nous permet d’assurer plus de fiabilité

et d’économiser l’énergie consommée dans le réseau [40,41].

I.6 Classification des RCVSF selon le modèle de surveillance

Les RCVSF peuvent être utilisés pour la collecte des données dans plusieurs modèles de

surveillance, classifiés de la manière suivante :

Surveillance périodique : Tous les capteurs envoient périodiquement leurs mesures à la

SB (Sink) (voir figure I.13(a)). Le type d’application visé concerne les applications de

surveillance où le but principal est de récupérer des informations de manière régulière de

la zone surveillée [42].

Surveillance à la demande : Les capteurs ne transmettent pas spontanément les données

collectées, ils les envoient seulement après avoir reçu des requêtes explicites de la SB

(voir figure I.13(b)). Ces requêtes peuvent être dirigées (sollicitation d’un capteur ou un

groupe de capteurs) ou diffusées (requête de type conditionnel) [13].

Surveillance sur déclenchement d’évènements : Les capteurs envoient les données

collectées seulement lorsqu’il y a un évènement qui se produit, comme le dépassement

d’un seuil par exemple. Ce modèle est bien adapté par exemple à la détection d’intrusion.

La surveillance sur déclenchement d’évènements peut à son tour être divisée en deux

catégories en fonction du type d’évènement [43] :


20

- Evènements internes : Les évènements sont détectés par le capteur vidéo.

- Evènements externes : Les évènements sont des messages reçus d’autres capteurs,

qui notifient ainsi qu’un certain phénomène (évènement) s’est produit dans leur

zone de surveillance. Comme nous pouvons le constater sur la figure I.13(c), un

capteur scalaire B (de vibrations, par exemple) détecte un évènement déclenché par

un objet qui traverse sa zone de perception. En sachant que le capteur vidéo A peut

prendre une photo de cette région, il lui envoie alors un message de notification.

Finalement, le nœud A saisit une image et la transmet par paquets de données vers

la SB.

Applications hybrides : toute alliance des modèles de fonctionnement précédents.

(a) Surveillance périodique (b) Surveillance à la demande

(c) Surveillance sur déclenchement d’évènements

Figure I.13: Principaux modèles de surveillance

I.7 Domaines d’application des RCVSF

Les RCVSF sont adoptés dans divers domaines d’application. Nous pouvons même

imaginer dans le futur que les capteurs seront embarqués dans la plupart des objets afin de les

rendre intelligents (ce qu’on appelle « smart objects ») pour être utilisés dans les maisons et

villes intelligentes (appelées « smart homes & cities »). Ces derniers pourront explorer

l’environnement, communiquer avec d’autres objets intelligents et interagir avec les humains

[13].


21

Parmi les applications potentielles des réseaux de capteurs, celles exigeant l’emploi de

capteurs de vision sont appréciables dans de nombreuses applications sur la surveillance telles

que le besoin d’identifier exactement le ou les objets qui traversent le champ du réseau de

capteurs.

Dans d’autres applications, nous pouvons combiner des capteurs scalaires avec des

capteurs vidéo, dans ce cas-là, la prise d’images peut servir à compléter et enrichir les

mesures initiales. Dans la surveillance des feux de forêt par exemple, les capteurs scalaires

collectent des mesures de température pour détecter les départs de feux, mais la prise

d’images permettra d’avoir une idée plus précise de la situation.

Figure I.14: Exemples d’application des RCVSF

Dans cette sous-section, nous présentons quelques applications sur les RCSF et plus

particulièrement celles utilisant des capteurs vidéo. Les exemples d’applications abordés sont

synthétisés sur la figure I.14.

Applications militaires : Les réseaux de capteurs vidéo peuvent être utilisés dans les

applications militaires pour la surveillance des champs de bataille grâce à la

reconnaissance et la classification des cibles [44]. Le déploiement d’un réseau de capteurs

sur les champs de bataille peut se faire de manière déterministe ou aléatoire. Comme les

capteurs sont, par définition, des dispositifs très petits, ils seront a priori faciles à

dissimuler. L’orientation des caméras doit être effectuée soigneusement afin de couvrir

toute la zone à observer. Ceci peut engendrer un problème si les capteurs vidéo sont

déployés aléatoirement, largués à partir d’un avion par exemple. Du moment que l’angle

de vue des caméras est limité, le risque que des capteurs tombent dans une mauvaise

position (pointant vers le sol, le ciel, etc.) est fort probable. Cependant, le déploiement

aléatoire peut s’avérer indispensable surtout dans le cas de la surveillance de zones

infectées par un virus par exemple.

Surveillance environnementale : Des capteurs vidéo peuvent être déployés pour de

longues périodes sur de larges zones géographiques dans le but d’obtenir des informations

sous forme d’images qui sont plus explicites pour l’observation et l’analyse du

comportement de diverses espèces animales. Par exemple, un réseau de capteurs

infrarouges Cyclops a été installé dans la réserve des Montagnes James San Jacinto en

Californie pour étudier la nidification d’une espèce particulière d’oiseaux [22]. De même,


22

un RCSF équipé de caméras a été déployé dans le parc Ni’iinlii Njike au Canada pour

étudier le comportement des ours grizzly [45].

Sûreté et sécurité des zones sensibles : Les RCVSF peuvent être utilisés pour la

surveillance des espaces privés et publics. Cependant, l’utilité des RCVSF n’est pas dans

la surveillance d’infrastructures fermées telles que les aéroports, les industries, les

résidences, etc. Pour les applications de vidéosurveillance, des produits de plus en plus

sophistiqués existent sur le marché comme les micro-caméras et les webcams sans fil. Des

systèmes de surveillance sans fil limités en énergie pourraient être mis en place pour

protéger des parcs, des zones sauvages, et d’autres zones liés à la protection des

ressources naturelles. Un RCVSF peut servir aussi pour la surveillance de frontières

terrestres, ou encore être exploité pour l’assistance aux opérations de recherche et de

sauvetage après une catastrophe accidentelle ou naturelle comme un tremblement de terre

par exemple. Ceci permet une intervention beaucoup plus rapide et efficace des secours

[46].

Surveillance et suivi d’objets : Les RCVSF suscitent un intérêt manifeste par leur fort

potentiel en termes d’applications de surveillance. De plus, ils nous permettent de

diminuer considérablement les dépenses financières consacrées à la sécurisation des lieux

et des êtres humains. Les applications visées concernent en particulier la détection

d’intrusions, le dénombrement et le pistage (tracking) d’objets par la vision [47].

Suivi du trafic routier : Des RCVSF peuvent être exploités aussi pour le suivi et le

contrôle du trafic routier. Avec des techniques de traitement et d’analyse d’images, il est

possible de faire le dénombrement des véhicules afin d’estimer d’une manière plus rapide

le niveau du trafic en fonction des heures de la journée [48].

I.8 Concept de redondance dans les RCVSF

La redondance représente pour les réseaux de capteurs une caractéristique qui est à la fois

rentable et pénalisante. Elle peut être utilisée pour améliorer la fiabilité de la détection,

l’exactitude des données collectées ou encore augmenter la durée de vie du réseau. Par contre,

elle engendre un transfert de données plus important qui entraîne une charge de trafic

supplémentaire.

Nous présentons dans ce qui suit les différents types et propriétés de ce concept, afin

d’expliciter le rôle important de la redondance dans l’élaboration d’un RCVSF.

I.8.1 Types de redondance

La redondance peut être spatiale (duplication de composant), temporelle (traitement

multiple) ou d’information (code et signature) [49].

La redondance spatiale (physique) : Signifie la possibilité d’obtenir l’information d’une

position spécifique à partir de différentes sources et elle se base sur le positionnement


23

géographique des nœuds capteurs dans la zone d’intérêt. Ce type de redondance implique

la réplication des ressources dans la surface de couverture du réseau.

La redondance temporelle : Elle est utilisée pour augmenter la précision des données

collectées par le capteur et à masquer les erreurs dans la détection ou la communication,

en exécutant une action plus d’une fois dans le temps [50].

La redondance d’information : Elle introduit une redondance dans la représentation de

l’information, en ajoutant des données redondantes telles que les bits de parité qui

permettent de détecter les erreurs ou bien des extra-bits qui permettent de reconstruire

l’information perdue.

I.8.2 Rôle de la redondance dans les RCVSF

La redondance est fortement utilisée dans le cas où le déploiement des capteurs se fait de

manière aléatoire, ce qui nous permet d’améliorer certains aspects des RCSF, tels que les

caractéristiques suivantes :

La fiabilité : Pour obtenir des résultats fiables essentiellement lorsque les nœuds sont

défectueux ou rencontrent un dysfonctionnement, ce qui permet d’assurer une tolérance

aux pannes.

La sécurité : Pour faire face aux attaques, la redondance spatiale peut être utilisée pour

comparer les lectures locales avec celles obtenues des capteurs redondants, ensuite un

système de décision à base de connaissances est construit pour exclure les nœuds

malicieux du réseau.

L’économie d’énergie : Comme la plupart des applications utilisent un déploiement

aléatoire des capteurs, il est alors judicieux d’exploiter la redondance spatiale engendrée

par ce type de déploiement afin d’économiser de l’énergie. Ceci est réalisé par

ordonnancement de l’activité des capteurs redondants qui consiste à alterner l’activité des

capteurs afin de maximiser la durée de vie du réseau.

Le recouvrement de la couverture de surface : L’utilisation des capteurs dans des zones

sensibles rend impossible un déploiement déterministe. Une façon de rétablir la

couverture de surface est de déplacer les capteurs redondants vers les régions non

couvertes. Cette solution contribue également à renforcer la tolérance aux pannes dans les

réseaux de capteurs [50].

I.8.3 Redondance basée sur le chevauchement des CdV

Lors de la prise de vue de cibles ou de scènes, les CdV des capteurs vidéo peuvent se

chevaucher. En d’autres termes, lorsque nous avons une intersection des CdV de deux

caméras ou plus, le même objet ou scène peut être vu par plusieurs nœuds capteurs, la plupart

du temps à partir de directions et de perspectives différentes.

Du moment que les capteurs dont le CdV se chevauche capturent la même cible mais à

partir de perspectives différentes donc ils peuvent extraire des informations différentes.


24

Cependant, dans plusieurs applications de surveillance, deux capteurs vidéo sont considérés

comme redondants s’ils vérifient un minimum taux de chevauchement du CdV (par exemple

30 %), peu importent les orientations des caméras [51]. La figure I.15 présente un exemple de

chevauchement de capture visuelle où deux capteurs sont considérés comme étant redondants.

Figure I.15: Redondance basée sur le chevauchement des CdV

I.8.4 Redondance basée sur la similitude de la capture

Comme il a été mentionné précédemment, le chevauchement des CdV peut être exploité

pour indiquer que différents capteurs peuvent fournir des informations d’une certaine manière

corrélées et donc, sont considérés comme redondants. Cependant, quelques applications de

surveillance peuvent exiger une haute similitude entre les capteurs vidéo en définissant la

redondance, où les capteurs vidéo sont considérés comme similaires lorsqu’ils ont des

perspectives très proches sur la même cible ou scène. Par exemple, deux capteurs peuvent ne

pas être considérés comme redondants même s’ils ont un chevauchement de CdV élevé (par

exemple 90 %) et qu’ils ont aussi une orientation similaire (c’est-à-dire, moins de 10 % de

différence d’angle entre les orientations des caméras). Ceci est en fait, un cas particulier de

surveillance visuelle basée sur la similitude de la capture, illustrée sur la figure I.16 [51].

Figure I.16: Redondance basée sur la similitude de la capture

Dans ce type d’applications, en définissant la redondance, nous devons définir comme

seuil un minimum taux de chevauchement du CdV et un angle maximal acceptable entre les

orientations des caméras. Ce paradigme de surveillance visuelle nécessite un déploiement

déterministe des capteurs visuels pour atteindre une couverture optimisée.


25

I.8.5 Redondance basée sur la pertinence de la capture

Que la surveillance visuelle soit basée sur le chevauchement des CdV ou la similitude de la

capture, les nœuds vidéo peuvent avoir différentes pertinences pour les applications. La

pertinence de la capture est définie par la capacité des capteurs à extraire des informations

significatives pour l’application de surveillance [4]. Puisque la pertinence de la capture n’est

pas associée à la topologie du réseau et la position du capteur, le même réseau peut contenir

des nœuds avec différentes pertinences selon les exigences de l’application considérée. Les

nœuds capteurs avec pertinences de capture différentes leurs seront assigné un niveau de

priorité qui peut être exploité de différentes manières, comme dans la transmission de données

vidéo, contrôle d’erreur et routage de paquets par exemple.

Les auteurs dans [4] proposent le concept de la pertinence de capture dans les RCVSF, ils

en définissent cinq groupes différents de pertinence associés à l’importance générale des

nœuds capteurs dans les applications : groupes sans pertinence, de faible pertinence, de

pertinence moyenne, de haute pertinence et de pertinence maximale. Chaque capteur vidéo est

associé à un groupe unique de pertinence, selon ses potentialités à fournir des informations

vidéo significatives. De cette façon, la notion de redondance est valide uniquement à

l’intérieur du même groupe de pertinence.

La pertinence de la capture doit être établie conformément à la surveillance des zones

d’intérêt. Les applications doivent définir les régions où les données pert inentes ont plus de

chance d’être extraites et les capteurs qui peuvent couvrir ces régions leur seront assigné un

degré particulier de relevance. En utilisant la position du nœud capteur vidéo et la direction de

la caméra, nous pouvons identifier si le CdV des capteurs est (partiellement) à l’intérieur des

régions par trigonométrie.

La figure I.17 illustre un scénario de surveillance en assumant différentes relevances en

adéquation avec les zones d’intérêts surveillées.

Figure I.17: Redondance basée sur la pertinence de la capture [51]

Pour l’application considérée sur la figure I.17, les capteurs qui peuvent voir des parties

spécifiques de la route recevront le maximum de relevance, tandis que la surveillance visuelle


26

sur la partie restante recevra une haute relevance. Pour les régions environnantes, une faible

relevance sera assignée aux nœuds capteurs vidéo. Il faut noter que le même réseau peut

définir d’autres régions d’intérêt selon les exigences de la surveillance.

Tous les capteurs qui appartiennent au même groupe de pertinence et qui peuvent voir les

régions d’intérêt avec la même relevance sont équivalents pour l’application de surveillance.

Un nœud redondant inactif peut remplacer un capteur vidéo défaillant seulement s’ils peuvent

couvrir une région d’intérêt avec la même relevance pour l’application. De cette manière,

l’évaluation de la disponibilité et l’amélioration deviennent plus complexes, nécessitant des

analyses appropriées des exigences des applications de surveillance actuelles.

I.9 Conclusion

Dans ce premier chapitre, nous avons donné un aperçu sur les RCVSF en abordant

brièvement leurs différentes spécificités, nous avons présenté le principe de leur

fonctionnement avec leurs caractéristiques et contraintes inhérentes. Vu que le principe de

redondance est utilisé dans la majorité des travaux de recherche sur les RCVSF et que nous

avons aussi exploité dans notre étude, nous avons alors consacré une partie de ce chapitre

pour présenter ce concept. Dans le chapitre suivant, une étude détaillée sur la notion de

surveillance et la problématique de couverture dans les RCVSF sera présentée où les

principaux travaux existants sur les différentes stratégies de couverture seront évoqués.

Chapitre II. Surveillance et problématique de la couverture

27

Chapitre II

Surveillance et problématique de la couverture

II.1 Introduction

Le nombre croissant de catastrophes naturelles, de menaces terroristes ou accidentelles

suscite le développement de plusieurs types de réseaux de surveillance qui peuvent contenir

des capteurs multimédias pour une collecte plus précise de l’information. Ces derniers

peuvent contribuer à la prévention, le contrôle, mais aussi pour l’organisation des secours et le

suivi après une catastrophe environnementale.

Dans ce chapitre, nous abordons en premier lieu le concept de la surveillance avec ses

différentes approches et applications, en second lieu, nous introduisons la notion de

couverture en général et plus particulièrement dans les RCVSF. Cette partie permet de

positionner nos contributions au problème de couverture par rapport aux travaux existants.

II.2 Concept de surveillance

La surveillance est la fonction d’observer toutes activités humaines, animales, artificielles

ou environnementales dans le but de superviser, contrôler ou même réagir sur un cas

particulier, on parle en termes techniques de supervision ou monitoring. Ces dernières années,

les avancées technologiques et surtout dans le domaine informatique et électronique ont

apporté de nouveaux champs d’application à la surveillance et surtout une nouvelle vision d’y

procéder [49].

Un système de surveillance comporte un réseau de postes de surveillance équipés chacun

de moyens de détection de type scalaire ou multimédia, ces derniers sont mis en place selon

une configuration en réseau filaire ou sans fil sous le contrôle d’un centre de gestion qui fait

partie du réseau et qui se trouve en liaison radio permanente avec les postes de surveillance.

La position initiale de chaque poste de surveillance est déterminée automatiquement par un

calcul prenant en compte des caractéristiques préenregistrées dans le centre de gestion. Cette

position peut être mise à jour automatiquement par le centre de gestion sur la base des

informations relatives au positionnement effectif et au fonctionnement des postes de

surveillance que le centre de gestion reçoit en temps réel.

http://www.conforama.fr/seau.html


28

II.3 Historique sur les approches de surveillance

Les systèmes de vidéosurveillance existent depuis quelques décennies, alors qu’ils étaient

entièrement analogiques au départ, ils ont évolué progressivement au fil des années vers la

technologie numérique. Les systèmes actuels ne ressemblent plus aux anciennes caméras

analogiques branchées sur des magnétoscopes traditionnels. Aujourd’hui, ils utilisent des

caméras connectées en réseau avec des serveurs pour l’enregistrement vidéo qui peuvent être

contrôlés à distance [52]. Nous présentons dans ce qui suit cette transition de l’analogie vers

le numérique des différents systèmes de vidéosurveillance qui existent.

Vidéosurveillance classique CCTV : Dans ce type de système, des caméras analogiques

sont utilisées avec sorties coaxiales qui sont reliées au moniteur. Un opérateur doit être

présent en permanence devant le moniteur afin de contrôler et d’intervenir en cas de

détection d’une anomalie.

Vidéosurveillance analogique avec magnétoscopes traditionnels : Ici, les caméras

analogiques ne sont pas connectées directement au moniteur. Ces caméras sont reliées à

un magnétoscope via un multiplexeur permettant alors d’enregistrer le contenu de

plusieurs caméras sur un même magnétoscope, mais selon une fréquence d’image

inférieure.

Vidéosurveillance analogique avec enregistreurs numériques (DVR) : Ce type de

vidéosurveillance analogique permet l’enregistrement numérique des images,

contrairement à l’utilisation des multiplexeurs, l’enregistrement vidéo ne se fait plus sur

bandes magnétiques mais sur des disques durs, où les séquences sont numérisées et

compressées de manière à conserver le maximum d’images.

Vidéosurveillance analogique avec enregistreurs numériques réseau : Il s’agit d’une

vidéosurveillance en partie numérique comprenant un enregistreur numérique réseau

connecté via un port Ethernet. La vidéo est numérisée et compressée sur un enregistreur

numérique et un réseau informatique est utilisé pour transporter des images à des fins de

surveillance sur PC distant. Il existe des systèmes qui permettent à la fois la visualisation

des séquences en direct et des séquences enregistrées ; et d’autres qui se limitent aux

images enregistrées. Sur certains systèmes, la surveillance vidéo requiert en outre un

client Windows spécifique, tandis que d’autres nécessitent un simple navigateur Web

standard, ce qui est plus flexible pour une visualisation à distance.

Vidéo sur IP avec serveurs vidéo : Pour réaliser de la vidéo sur IP associée à un serveur

vidéo, il nous faut un serveur vidéo, un commutateur réseau et un PC équipé d’outils de

gestion vidéo. Nous devons alors brancher la caméra analogique sur le serveur vidéo, ce

dernier assure la numérisation ainsi que la compression des séquences vidéo qui seront

transportées sur le réseau via un commutateur vers un PC ou un serveur. La vidéo est

alors enregistrée sur le disque dur du PC. Il s’agit alors d’un véritable système de vidéo

sur IP.


29

Vidéo sur IP avec cameras réseau : Il s’agit de l’association d’une caméra avec un

ordinateur, permettant ainsi la numérisation et la compression vidéo. Une caméra réseau

est équipée d’un connecteur réseau, la vidéo est alors acheminée sur réseau IP via les

commutateurs réseau, pour être à la fin enregistrée sur un PC/serveur standard à l’aide

d’outils de gestion vidéo. Ce type de systèmes est entièrement numérique n’utilisant

aucun composant analogique. L’un des avantages d’utiliser des caméras vidéo pour

réaliser de la vidéo sur IP est d’intégrer dans le système des caméras à haute résolution

(méga pixels), une alimentation par câble Ethernet (Power over Ethernet) et réseau sans

fil, avec des fonctions panoramiques, d’inclinaison et de zoom et une grande flexibilité.

II.4 Réseaux de surveillance

Les différents réseaux de surveillance peuvent être classifiés selon le type de nœuds qui les

constituent. Nous pouvons distinguer trois classes de réseaux de surveillance, ceux à base de

capteurs scalaires, d’autres à base de capteurs multimédias ou encore une hybridation des

deux types précédents.

II.4.1 Réseaux de surveillance à base de capteurs scalaires

Un réseau de surveillance à base de capteurs scalaires réalise la détection grâce à des

capteurs de mouvements, de température, de pression barométrique ou d’autres grandeurs

physiques, il s’agit alors de collecter des données de grandeurs scalaires.

On trouve ce type de réseaux de surveillance dans plusieurs domaines d’application, tels

que la détection de l’influence de l’activité sismique sur un pont (figure II.1) où on place

généralement des capteurs de distance pour mesurer les fissures et donc alerter en cas de

risques majeurs.

Figure II.1: Système de prévention de catastrophes dans les ponts

II.4.2 Réseaux de surveillance à base de capteurs multimédias

Un capteur sans fil multimédia est celui qui détecte et transmet des données multimédias

telles que la vidéo, l’image et le son comme les caméras Wifi, les capteurs ultrason et


30

d’imagerie infrarouge forment des réseaux de capteurs multimédias et sont surtout utilisés

dans le domaine de la surveillance environnementale, sécuritaire et médicale.

Un réseau de capteurs multimédias se compose de nœuds caméra (type de nœud

multimédia) comme présenté dans la figure II.2. Les réseaux de surveillance les plus répondus

sont ceux qui utilisent des capteurs vidéo, ceci est dû à la pertinence de l’information

collectée.

Figure II.2: Exemple d’un réseau de capteurs multimédias

II.4.3 Réseaux de surveillance à base de capteurs hybrides

Il s’agit d’une hybridation entre les deux types précédents. Un réseau de surveillance à

base de capteurs hybrides se compose à la fois de capteurs à grandeurs scalaires et des

capteurs multimédias qui peuvent communiquer entre eux via des

transmissions WiFi ou ZigBee. Cette approche garantit à la fois la détection rapide fournie par

les capteurs à grandeurs scalaires puisque les données transférées sont simples (comme la

position d’un intrus détecté par un capteur de mouvement) et aussi une détection plus

pertinente comme la vidéo fournie par des capteurs multimédias. Cependant, la capture de

données multimédias nécessite de nouveaux mécanismes de routage et une agrégation

particulière des données.

II.5 Principes de la couverture vidéo

Le problème de couverture revient à poser une question fondamentale : « Dans quelle

mesure les capteurs observent et surveillent-ils l’espace physique ? » La notion de couverture

est définie comme étant la mesure de la QdS de la détection. L’objectif est d’avoir tous les

points de la zone d’intérêt surveillés au moins par un capteur [53].


31

Figure II.3: Couverture de la surface [53]

Dans les RCSF traditionnels, les capteurs typiquement sont omnidirectionnels, c’est-à-dire

qu’ils sont capables de capturer des signaux qui proviennent de toutes les directions autour

d’eux. Les capteurs multimédias, et en particulier les capteurs vidéo, sont de type

directionnel. Pour ce type de capteurs, l’aire de captage est limitée à un secteur donné d’un

plan tridimensionnel défini par le CdV du capteur vidéo. D’autres caractéristiques des

capteurs vidéo telles que la qualité de la lentille, les capacités de zoom et le coût de la caméra

intégrée peuvent influencer également sur la qualité de la couverture [54]. Cependant, due à la

résolution limitée, en réalité, les caméras utilisées dans les RCVSF possèdent une profondeur

de vue limitée [55]. Comme chaque caméra a une direction de vue bien distincte donc chaque

capteur vidéo dans le RCVSF possède une perception unique de la région surveillée [56].

L’orientation du CdV de la caméra est un paramètre clé pour la couverture du réseau. La

figure II.4(a) illustre une configuration des CdV de sept capteurs pour la couverture de huit

cibles. Nous remarquons clairement que le fait de changer l’orientation de la caméra, influe

sur la couverture de la région comme le démontre la figure II.4(b). Sur cette figure, la

configuration des CdV des capteurs vidéo a été modifiée (uniquement l’orientation des

caméras sans avoir à changer la position des capteurs) de telle sorte à couvrir les huit cibles

avec uniquement quatre capteurs. Ceci nous permet de réduire le coût du réseau déployé et

d’exploiter également les nœuds redondants afin de prolonger la durée de vie du réseau.

(a) Sept capteurs couvrant huit cibles (b) Orientations optimales des capteurs vidéo

Figure II.4: Modèle de capture directionnelle

Dans les RCVSF, le concept de voisinage reste valide uniquement pour la communication,

du moment que le champ de capture dans les RCSF est remplacé par le CdV dans les RCVSF.


32

En effet, deux nœuds capteurs peuvent collecter des données vidéo du même objet/scène,

même s’ils sont relativement éloignés de plusieurs sauts l’un de l’autre. Contrairement aux

RCSF traditionnels, dans un RCVSF un objet très proche du capteur peut être en dehors du

CdV de sa caméra.

La figure II.5(a) illustre un exemple de champ de capture dans les RCSF traditionnels. c1 et

c2 sont des capteurs scalaires voisins qui sont en train de capturer la même cible. c3 ne peut

pas capturer la cible surveillée du moment que cet objet est en dehors de son champ de

capture [54].

Un modèle de capture différent est présenté sur la figure III.5(b). v1 et v2 sont des capteurs

vidéo qui peuvent voir le même objet à partir de deux points de vue différents alors qu’ils sont

relativement éloignés l’un de l’autre. D’autre part, v3 ne peut pas voir la cible surveillée alors

qu’il est plus proche de la cible par rapport aux deux autres capteurs vidéo.

(a) Capture traditionnel avec RCSF [54] (b) Capture directionnelle avec RCVSF

Figure II.5: Différence de capture entre RCSF et RCVSF

Enfin, à partir des principes qui ont été cités précédemment, les modèles mathématiques

développés pour le placement des RCSF conventionnels ne peuvent pas être appliqués dans le

cadre de la configuration et de la planification des RCVSF. De nouveaux modèles sont donc

nécessaires pour la prise en compte des principaux paramètres caractérisant les capteurs

vidéo.

II.6 Catégories de couverture

L’objectif d’un RCVSF est de surveiller une scène ou des cibles, qui peuvent être placées

de manière statique ou bien mobile à travers la zone de surveillance. Comment un tel contrôle

sera exécuté peut influencer sur le déploiement des capteurs. Nous pouvons distinguer trois

catégories de couverture : la couverture de cibles, la couverture de barrière et la couverture de

zone (voir figure II.6) détaillées dans les sous-sections suivantes.


33

Figure II.6: Catégories de couverture avec un RCVSF

(a) Couverture de cibles (b) Couverture de barrière (c) Couverture de zone

Figure II.7: Couverture avec RCVSF

II.6.1 Couverture de cibles prédéterminées

L’objectif de ce type de couverture est de trouver un sous-ensemble de nœuds capteurs

connexes avec la configuration optimale des paramètres du CdV de chaque capteur qui

peuvent assurer la surveillance d’un ensemble de cibles dont la position est connue à l’avance

(voir figure II.7(a)).

Pour réaliser ce genre de couverture, nous pouvons déployer les capteurs de deux manières

différentes, soit par placement manuel ou encore largage des capteurs à partir d’un avion par

exemple à des endroits proches des cibles prédéfinies. Pour le premier type de déploiement, la

solution proposée est l’optimisation de la couverture tout en minimisant les coûts de

conception. Pour le second, l’approche la plus utilisée est l’ordonnancement de l’activité des

capteurs pour assurer une meilleure couverture et maximiser la durée de vie du réseau.

Dans la couverture de cibles, chaque cible est surveillée d’une manière continue par au

moins un capteur. Cependant, quelques applications sur les réseaux de capteurs directionnels

peuvent nécessiter au moins k capteurs pour chaque cible afin d’assurer plus de fiabilité dans

le réseau, ce problème est appelé k-couverture [57].


34

II.6.2 Couverture de barrière

La couverture de barrière a pour but d’éviter les intrusions non-détectées à travers la

barrière conceptuelle formée par les capteurs (voir figure II.7(b)).

La qualité de la couverture est estimée par la capacité du réseau de capteur vidéo à détecter

les cibles qui traversent une ligne préalablement définie. Les capteurs seront déployés pour

couvrir uniquement un chemin qui traverse complètement une zone de surveillance. Le réseau

restera opérationnel tant que la barrière est maintenue même si quelques capteurs vidéo

deviennent défaillants.

La couverture de barrière peut être classifiée en couverture faible ou forte [58]. Dans la

couverture faible, les capteurs doivent détecter un objet qui traverse le long de la barrière,

tandis que dans la couverture forte, nous devons détecter n’importe quel type de

comportement suspect.

On peut trouver aussi la couverture k-barrière [58] qui est utilisée pour détecter un objet

qui pénètre une région protégée. Dans ce cas, le RCSF doit détecter chaque objet suspect par

au moins k capteurs distincts avant que celui-ci traverse la barrière du RCSF [51].

II.6.3 Couverture de zone

Dans ce type de couverture, une zone d’intérêt doit être surveillée. Un sous-ensemble de

nœuds capteurs connexes doit assurer la surveillance de toute la zone de déploiement (voir

figure II.7(c)).

La couverture de zone peut prendre plusieurs formes suivant la nature des applications. Par

exemple, dans les applications les moins sensibles telles que la surveillance des champs

agricoles, nous pouvons concevoir des protocoles de couverture tel que chaque point dans la

zone d’intérêt soit surveillé par un seul capteur et dans certains cas ne garantissant pas

forcément la couverture totale de la zone d’intérêt. Dans ce cas, il s’agit de la 1-couverture ou

de couverture simple. Cependant, dans les applications sensibles telles que les applications

militaires ou liées à la sécurité, il est nécessaire d’assurer la couverture de chaque point dans

la zone d’intérêt par plus d’un capteur pour permettre la tolérance aux pannes. Il s’agit alors

de la k-couverture ou de couverture multiple [59].

II.7 Couverture suivant la stratégie de déploiement

La qualité de la couverture est étroitement liée à la stratégie du déploiement des RCVSF.

Ces derniers peuvent être déployés de deux manières différentes (une synthèse est présentée

sur la figure II.8). Dans le déploiement déterministe, les capteurs vidéo sont soigneusement

placés suivant un plan préétabli à l’avance. Dans cette approche, la couverture est maximisée

avec un nombre minimal de capteurs, réduisant ainsi le coût final du réseau de capteurs [60].

Dans le déploiement aléatoire d’autre part, les capteurs sont dispersés dans la zone de

surveillance, typiquement, sans planification ni aucune connaissance de la région. Par


35

exemple, les capteurs sans fil peuvent être déployés à partir d’un avion sur une zone hostile,

difficilement accessible [60].

Chaque type d’application requiert une approche de déploiement spécifique. Par exemple,

un RCVSF peut être déployé sur le plafond d’un aéroport pour la surveillance et le suivi

d’individu. D’autres applications optent pour un placement aléatoire des capteurs dans la zone

de surveillance puisqu’un déploiement déterministe est quasiment impossible dans les régions

hostiles et dangereuses. Par conséquent, on peut déduire que la stratégie de déploiement des

capteurs sans fil a un impact direct sur la couverture finale du réseau.

Figure II.8: Stratégies de couverture selon le déploiement des capteurs vidéo

II.7.1 Couverture avec déploiement déterministe

Le déploiement déterministe peut être divisé en deux groupes. Dans le déploiement

statique/offline, les éléments déployés (capteurs traditionnels et capteurs vidéo) ne peuvent

pas changer leur position après déploiement [61]. L’algorithme d’optimisation de la

couverture sera exécuté juste une seule fois, généralement dans une station centrale. Si les

éléments ont la possibilité de changer leur position ou leur CdV, on aura à traiter alors un

déploiement dynamique/online. Dans cette situation, la couverture optimale doit être

recalculée plusieurs fois, puisque l’optimisation calculée à partir des positions initiales ne sera

plus valable après une nouvelle configuration du réseau.

Plusieurs travaux existants concernent la planification des positionnements des capteurs, la

plupart d’entre eux explorent le domaine de la géométrie appliquée à l’informatique. Avec

l’émergence des capteurs de vision, la couverture à l’aide de caméras est devenue un

problème majeur, nécessitant de nouvelles problématiques de recherche afin de satisfaire les

besoins imposés par l’utilisation de ces caméras embarquées à faible résolution dans les

réseaux de capteurs. Les travaux sur la vision assistée par ordinateur (appliquée à


36

l’informatique) fournissent une base pour le traitement de la couverture dans le domaine des

réseaux de capteurs.

II.7.1.1 Placement optimal des caméras

Ces dernières années, de plus en plus de travaux s’intéressent de près au problème de

placement optimal des caméras en considérants des configurations plus réalistes. Leurs

résultats et conclusions ont apporté des contributions significatives pour la recherche en

couverture dans les RCVSF. Par conséquent, avant d’aborder les solutions proposées pour le

placement optimal des capteurs vidéo dans la couverture d’un RCVSF, il serait judicieux de

revoir brièvement les travaux qui ont été réalisés uniquement avec des caméras.

Le positionnement optimal des caméras est un problème assez complexe, associé

directement à la couverture d’une région et la qualité attendue d’une application, telle que la

surveillance et le suivi d’individus. Le nombre minimal de caméras, le type des caméras, leur

position physique, leur orientation et la densité du placement sont les principaux paramètres

de déploiement qui doivent être étudiés et optimisés.

Parmi les travaux qui ont traité le problème du placement optimal des caméras, nous

pouvons citer les propositions suivantes :

Le problème du « musée », dont le but est de trouver le minimum de caméras avec leur

position statique tel que chaque point dans une pièce du musée peut être vu par au moins

une caméra [62]. Ce problème a été prouvé NP-complet dans une modélisation en trois

dimensions, favorisant le développement d’algorithmes approximatifs.

Dans [63], les auteurs se sont concentrés sur le placement déterministe des caméras sur

une scène dynamique avec occlusion. Ils ont proposé un positionnement optimal avec un

nombre minimal de caméras pour couvrir une région en considérant des caméras qui ne

changent pas d’orientation après déploiement. Ils ont pris en compte la présence

d’obstacles (arbre, meubles, colonnes, déplacement des gents, etc.) qui génèrent des

occlusions dans le CdV des caméras ce qui pourrait affecter la couverture finale de la

région de surveillance. Les auteurs ont aussi examiné des scénarios compliqués, tels que

des cibles qui se déplacent d’une manière imprédictible. Afin de calculer une couverture

optimale, ils ont proposé un algorithme stochastique qui utilise une méthode probabiliste

pour analyser la visibilité des caméras, où la probabilité qu’un objet soit vu est calculée en

considérants plusieurs contraintes (position physique, CdV, résolution, zones dangereuses,

etc). La configuration optimale est celle qui réduit la fonction coût définie dans ce travail.

Une recherche similaire a été proposée par [64], où une méthode de placement de caméras

statiques est présentée. En plus des analyses effectuées dans [63], des contraintes du

monde réel comme le coût des caméras et le budget du réseau ont été pris en

considération. Ils ont considéré également que le type et la qualité des caméras déployées

peuvent être choisis par l’application, tandis que les auteurs dans [63] utilisent des

caméras homogènes.


37

Le placement optimal de caméras a été également étudié dans [65, 66]. Un concept clé de

ces travaux est la restriction du coût, proposant des solutions pour un besoin minimal en

couverture pour des réseaux à faible coût, aussi bien qu’une couverture maximale lorsque

le coût n’est pas pris en considération. Dans [65], la zone de surveillance est modélisée en

grille, une idée intéressante qui a été exploitée dans plusieurs travaux. Dans [66], deux

approches différentes pour le calcul optimal des caméras ont été proposées. Pour des

calculs précis, la programmation linéaire a été employée. Lorsque l’énergie et le temps de

traitement doivent être pris en considération, une solution raisonnable est d’utiliser des

heuristiques.

Dans [67], les auteurs ont proposé aussi une stratégie de placement de caméras en utilisant

une grille itérative basée sur la programmation en entiers binaires.

Une configuration optimale de caméras/capteurs a été présentée dans [68]. Un modèle de

visibilité général a été proposé résolvant le problème d’optimisation en utilisant une

approche de programmation en entiers binaires (Binary Integer Programming (BIP)). Le

modèle de caméra proposé est plus réaliste car il prend en considération la présence

d’occlusions dans un environnement en trois dimensions.

Dans [69], les auteurs désirent trouver la couverture la plus défavorable dans un réseau de

caméras. L’algorithme proposé permet de calculer en temps polynomial la distance

maximale à partir de laquelle un élément mobile peut se situer pour qu’il soit vu par la

caméra. Les résultats présentés peuvent être exploités afin de détecter des régions non

couvertes dans les applications de suivi.

Dans [70], un placement optimal avec des caméras de 360° a été examiné. Le problème du

musée a été traité en utilisant ce type de caméras dans les sommets du polygone qui

représente la zone surveillée.

Dans le travail présenté dans [71], des caméras directionnelles et omnidirectionnelles ont

été utilisées afin d’assurer une couverture optimale. Les auteurs affirment qu’une

approche hybride permet de réduire le coût global et de maximiser la couverture des

caméras déployées.

La plupart des travaux que nous avons cités précédemment considèrent uniquement un

placement déterministe des caméras qui ne peuvent pas changer leur orientation après

déploiement. Cependant, pour des scènes dynamiques, un placement déterministe de caméras

statiques suivant un plan prédéfini peut engendrer un problème de couverture lorsque nous

avons des cibles mobiles qui doivent être couvertes ou dans le cas où nous avons des

obstacles qui changent de position. Pour ces scénarios particuliers, des stratégies d’auto-

configuration de CdV des caméras peuvent être appliquées pour une optimisation de

couverture dynamique/online. Parmi les auteurs qui ont pris en considération cette contrainte,

nous pouvons distinguer :

Hörster et Lienhart [72] qui présentent un algorithme de programmation linéaire pour

calibrer automatiquement les orientations des caméras dans le but de maximiser la

couverture en réduisant le chevauchement.


38

Ram et al. [73] qui ont proposé une méthodologie hétérogène qui suppose que les CdV de

caméras sont configurables, où des caméras PTZ peuvent être déployées avec des caméras

statiques dans la zone de surveillance.

Yu et Sharma [74] qui ont étudié la couverture avec calibration en gérant le zoom des

caméras.

Les travaux présentés précédemment ont apporté leurs contributions dans le placement

optimal des caméras afin de couvrir une zone de surveillance. En analysant leurs algorithmes

et expérimentations, nous pouvons retirer les conclusions suivantes :

Tout d’abord, lorsque les caméras vont être déployées (en considérant des nœuds sans

capacités de calcul), l’algorithme de traitement doit se faire au niveau d’un ordinateur

centralisé. De plus, de tels algorithmes doivent faire face aux problèmes de scalabilité lorsque

le nombre de caméras déployées augmente.

Une autre conclusion intéressante concerne le type des caméras déployées, qui peut être

statique ou permet de changer d’orientation. Les caméras statiques ne permettent pas de

changement dans la couverture après déploiement, ce qui nécessite des algorithmes « offline »

pour le calcul du placement optimal, qui doit être exécuté avant le déploiement déterministe.

Lorsque les caméras peuvent changer d’orientation, des algorithmes « online » peuvent gérer

la couverture en ajustant les différentes directions des caméras en fur et à mesure (dans le

temps).

Enfin, ces différents travaux ont introduit plusieurs modèles pour représenter une zone

d’intérêt. La plupart d’entre eux considèrent la région de surveillance comme un champ en

deux dimensions, simplifiant ainsi l’évaluation expérimentale des solutions proposées. D’un

autre côté, il existe quelques travaux qui s’intéressent aux algorithmes pour l’optimisation de

la couverture en considérant un modèle en trois dimensions de la zone de surveillance.

Cependant, la couverture d’un champ en trois dimensions est NP-complet [62].

Tous les travaux décrits ci-dessus ne peuvent pas être appliqués directement pour résoudre

le problème de couverture dans les RCVSF, mais ils influencent énormément sur les

investigations spécifiques sur les RCVSF.

II.7.1.2 Placement optimal des capteurs

Le placement optimal des caméras est une exigence fonctionnelle dans plusieurs

applications, principalement dans les zones de surveillance en indoor sans restriction

d’énergie telles que les applications de surveillance, suivi et reconnaissance d’objets dans des

régions préalablement connues (aéroports, immeubles, musées, etc.).

Les travaux présentés précédemment ont apporté plusieurs contributions dans le traitement

visuel, le calcul de la couverture et l’estimation du chevauchement, mais ils supposent que les

caméras déployées sont connectées en filaire et disposent d’une énergie en continu et sans

restriction, rendant les algorithmes proposés impraticables pour les RCVSF. De plus, ils


39

considèrent les caméras déployées avec des capacités de calcul limitées ou encore

inexistantes.

Les capteurs vidéo dans le monde réel sont limités en ressources de calcul et d’énergie et

communiquent en sans-fil. De telles caractéristiques compliquent d’avantage le placement

optimal des capteurs vidéo.

La plupart du temps, les RCVSF sont déployés de manière aléatoire, avec des capteurs

dispersés dans une région de surveillance. Cependant, de tel type de RCSF peut aussi suivre

un déploiement déterministe en assurant la préservation d’énergie et la maintenance de la

connectivité. Nous pouvons citer dans cette catégorie, les travaux suivants :

Les auteurs dans [61] ont proposé un état de l’art sur plusieurs stratégies de déploiement

déterministes pour les RCSF traditionnels. Bien qu’ils aient considéré des nœuds dotés de

capteurs omnidirectionnels, leurs analyses peuvent contribuer dans le déploiement

déterministe des capteurs vidéo avec quelques adaptations. Ils ont proposé une

classification des stratégies de déploiement en prenant en considération la couverture, la

fiabilité des données, la durée de vie du réseau et la connectivité entre les capteurs.

Dans [60], en se basant sur plusieurs travaux présentés dans la sous-section précédente,

les auteurs proposent des algorithmes centralisés en « offline » pour calculer le placement

optimal des capteurs vidéo afin de couvrir une zone de surveillance. Ils ont pris en

considération également les problèmes d’énergie et de connectivité. Les auteurs affirment

qu’un déploiement déterministe est très approprié pour plusieurs applications des RCVSF,

puisqu’un déploiement aléatoire peut engendrer un endommagement des capteurs (par

exemple, après un parachutage) et une couverture non optimale de la région de

surveillance. Et par conséquent, un plan de déploiement peut être réalisé par un ingénieur

pour déployer avec précision les capteurs vidéo ainsi que les SB. Ceci est réalisé dans le

but de prolonger la durée de vie du réseau tout en réduisant le nombre de nœuds

nécessaires pour la couverture de la zone d’intérêt. Le travail présenté dans [60] utilise un

algorithme ILP pour calculer la configuration du placement optimal. La solution globale

indique les paramètres désirés du capteur, qui sont la portée de capture, le CdV et

l’orientation ainsi que le nombre et l’emplacement des SB. Des réseaux avec différentes

densités (nombres de capteurs et de SB déployés) ont été examinés à travers des

expérimentations, dans le but de réduire le nombre de capteurs nécessaires pour surveiller

une zone d’intérêt et par conséquent, le coût final du RCVSF.

Les auteurs dans [75] ont aussi proposé des solutions pour une couverture optimale des

réseaux de capteurs directionnels avec des capteurs placés dans des endroits précis de la

zone de surveillance. Les investigations conduites dans [75] tentent aussi de découvrir un

nombre optimal de capteurs à déployer mais en considérant la connectivité des capteurs

comme principal aspect à préserver et optimiser. Leurs résultats d’expérimentations

montrent la relation entre le rayon de capture, le rayon de transmission et le nombre

nécessaire de capteurs déployés pour une couverture optimale. Dans les expérimentations,


40

en considérant tous les algorithmes proposés, ils ont pu conclure que le nombre de

capteurs nécessaires diminue lorsque le rayon de capture ou le rayon de transmission

augmente. Le taux d’un tel décroissement défini la performance de chacun des

algorithmes proposés.

II.7.2 Couverture avec un déploiement aléatoire

Les RCSF ont été envisagés initialement comme une technologie qui permettrait de réaliser

des applications de capture dans des régions dont l’infrastructure est limitée ou quasiment

absente, telles que les zones dangereuses, hostiles ou difficilement accessibles, utilisant des

capteurs à faible coût. Dans la majorité des applications des RCSF, les capteurs sont déployés

de manière aléatoire, du moment que c’est plus simple et relativement moins cher pour les

RCSF denses [76]. Cependant, le déploiement des RCVSF est différent par rapport aux RCSF

car le modèle de capture directionnel des RCVSF impose de nouveaux challenges qui

nécessitent de nouvelles recherches dans la maintenance de la couverture et la préservation de

l’énergie.

Afin de compenser le manque du positionnement exact dans le déploiement aléatoire et

d’assurer une tolérance aux pannes, les nœuds sont typiquement déployés de manière très

dense, avec plus de capteurs qu’il en faut contrairement au placement optimal. Le réseau

résultant sera composé de plusieurs nœuds redondants, qui peuvent être utiles aussi bien pour

économiser l’énergie que pour maintenir la couverture et la connectivité. La densité du

déploiement permet de réduire également le champ de communication et par conséquent

diminuer la consommation d’énergie [77].

Les auteurs dans [78] affirment que le fait d’utiliser un grand nombre de capteurs vidéo à

faible résolution est plus judicieux pour les applications environnementales avec occlusion

par rapport à l’utilisation d’un nombre limité de capteurs à haute résolution. Ce qui nous

permet de prolonger la durée de vie ainsi que la couverture du réseau déployé [76].

Le déploiement d’un RCVSF est un problème crucial qui a un impact direct sur la

couverture et la connectivité du réseau. En considérant une zone de surveillance difficilement

accessible pour les humains, les capteurs sont dispersés à partir d’un avion, ce qui donne lieu

à un grand nombre de capteurs non contrôlés déployé tout au long de la région cible. Une

approche intéressante est d’améliorer la configuration initiale des nœuds déployés, en utilisant

d’autres stratégies telles que le redéploiement et les nœuds mobiles [79]. Des difficultés

additionnelles concernant la mobilité des nœuds et l’accès à la zone de surveillance doivent

être considérées lorsque des stratégies de déploiement et de post-déploiement sont planifiées

[60].

II.7.2.1 Localisation des nœuds capteurs après déploiement

Après un déploiement aléatoire, les capteurs peuvent être placés n’importe où dans la zone

de surveillance et leur localisation et densité peuvent être connues préalablement. Donc, il est


41

attendu à ce que les capteurs découvrent leur position courante puisque c’est nécessaire pour

plusieurs applications telles que la surveillance et le suivi et également pour les algorithmes

d’optimisation de la couverture, maintenance de la connectivité et préservation d’énergie. Une

solution de localisation doit être appliquée puisque la connectivité des nœuds et leur

couverture doivent être correctement calculées avec les coordonnées spatiales des nœuds. La

plupart des applications sur les RCVSF se concentrent sur la connaissance des positions des

capteurs ainsi que les directions courantes des caméras. La localisation des nœuds déployés

aléatoirement est aussi définie comme un problème d’extraction de la topologie après

déploiement.

Quelques algorithmes de localisation pour les RCSF traditionnels peuvent être trouvés dans

[80]. Comme les RCVSF fonctionnent en suivant un modèle de capture directionnel, la

direction courante de chaque capteur est aussi inconnue, ce qui nécessite des algorithmes

spécifiques pour la localisation des nœuds. Par exemple, le GPS (Global Positioning System)

ne peut pas être utilisé pour la découverte de la couverture dans les RCVSF à cause du

manque d’information concernant l’orientation des caméras, en plus du coût et la perte

d’énergie.

Les algorithmes de localisation peuvent être exécutés de manière centralisée ou distribuée.

Les algorithmes centralisés sont exécutés dans le Sink ou dans un serveur central,

économisant l’énergie en évitant un calcul additionnel au niveau des nœuds. De plus, comme

le Sink est considéré comme un dispositif sans contrainte en ressources, des algorithmes

complexes peuvent facilement y être exécutés. L’inconvénient est la faible scalabilité des

algorithmes centralisés. Pour les algorithmes distribués, la découverte de la localisation est

exécutée par chaque nœud, de manière indépendante, utilisant des informations sur le

voisinage. Les algorithmes distribués supportent mieux la scalabilité mais demande un calcul

au niveau du nœud capteur sans fil.

Pour la localisation des nœuds dans les RCVSF, la plupart des solutions considèrent les

zones de chevauchement du CdV des capteurs, utilisant des algorithmes inspirés du domaine

de la vision assistée par ordinateur pour estimer la position des nœuds. Nous abordons dans ce

qui suit quelques solutions qui ont été proposées dans la littérature :

Dans [81], des images capturées à partir de différents nœuds sont traitées dans un serveur

central, qui calcule la superposition des CdV. L’algorithme centralisé proposé calcule des

paramètres tels que la translation des coordonnées, l’angle de rotation et le facteur

d’échelle. Ces paramètres sont ensuite diffusés à travers tout le réseau utilisant un

protocole approprié. La dernière étape de localisation des nœuds est basée sur l’estimation

de ces paramètres entre chaque paire de nœuds voisins.

Les auteurs dans [82] ont présenté quatre méthodes de localisation distribuées pour les

réseaux de capteurs visuels. Dans la première méthode, l’observation des nœuds voisins

est utilisée pour la localisation des nœuds en identifiant le chevauchement contenu dans

les images extraites. Les trois autres méthodes sont basées sur l’observation simultanée


42

d’une cible mobile qui peut avoir un mouvement arbitraire, une vitesse constante et

connaît ses propres coordonnées.

Dans [83], une cible mobile est aussi utilisée pour découvrir la position des caméras. Ce

travail définit le problème de la localisation et le suivi simultané (Simultaneous

Localization and Tracking (SLAT)), où les directions des caméras sont estimées tout au

long de la trajectoire de la cible mobile, utilisant un algorithme distribué « online ».

La localisation des capteurs directionnels a également été étudiée dans [84]. La méthode

proposée identifie automatiquement les zones de chevauchement des CdV des caméras

pour estimer la localisation et la direction des nœuds et permet en cas de changement de

topologie une mise à jour « online » des informations sur la topologie du réseau. Elle peut

aussi traiter des types hétérogènes de capteurs vidéo. La redondance des différentes prises

de vues des caméras est exploitée pour assurer de meilleures performances par rapport aux

algorithmes similaires.

Les auteurs dans [85] ont présenté un algorithme distribué pour la localisation et l’auto-

calibration d’un RCVSF déployé aléatoirement. Le réseau de capteur est modélisé en

utilisant deux graphes non-orientés. Le premier concerne le graphe de communication,

représentant la communication sans fil ad hoc entre les nœuds. Le second graphe

représente la relation en termes de vision entre les caméras, où deux nœuds sont associés

si et seulement s’ils voient la même scène ou objet (même sous différents points de vue).

Le voisinage dans le graphe de vision est utilisé pour la calibration. Le travail présenté

dans [86] a poursuivi cette recherche, en traitant plus de détails et proposant des résultats

d’expérimentations.

Dans [87], des informations sur le CdV des caméras sont utilisées pour la localisation des

nœuds en trois dimensions, traitée avec différentes méthodes pour obtenir la position des

nœuds. Ils ont également abordé brièvement une solution pour la localisation distribuée

d’un très grand nombre de capteurs vidéo, puisque dans la majorité des travaux, les

expérimentations sur la localisation des nœuds considèrent uniquement peu de nœuds

déployés.

II.7.2.2 Algorithmes de couverture

Plusieurs travaux ont traité le problème d’optimisation du placement des caméras et plus

récemment des capteurs en considérant un déploiement déterministe. Lorsque les capteurs

sont déployés aléatoirement, la couverture peut également être optimisée, en se basant sur les

positions, les orientations et le nombre de capteurs. Les algorithmes pour le placement

optimal des caméras/capteurs suivant un déploiement déterministe sont des principes de base

pour l’optimisation de la couverture dans un RCVSF déployé aléatoirement mais avec

quelques adaptations.

Lorsque des capteurs vidéo qui ne peuvent pas changer leurs orientations courantes sont

déployés aléatoirement dans une zone de surveillance, la région de couverture sera définie par

les positions et orientations courantes des capteurs juste après le déploiement. Dans ce cas, un


43

algorithme peut calculer uniquement les nœuds redondants afin de tenter de prolonger la

durée de vie du réseau, du moment que la région de couverture ne peut pas être changée (mais

épuisée au fil du temps).

Si les orientations courantes des capteurs sont reconfigurables, des algorithmes peuvent

calculer des orientations optimisées pour une couverture maximisée d’une zone avec le

minimum de nœuds actifs. Dans ce qui suit, nous présentons différents algorithmes et

méthodes pour l’amélioration de la couverture après un déploiement aléatoire des capteurs.

Ai et Abouzeid [76] ont proposé deux algorithmes centralisés et un algorithme distribué

pour calculer les orientations initiales des capteurs directionnels afin de couvrir le

maximum de cibles en activant le minimum de capteurs. Les orientations calculées sont

utilisées pour changer les directions des capteurs vidéo actifs, en gardant les capteurs

inactifs pour remplacer les nœuds défaillants, ou qui ont épuisé leur énergie dans le but de

prolonger la durée de vie du réseau. Ceci a été défini par les auteurs comme le problème

de couverture maximale avec le minimum de capteurs (Maximum Coverage with

Minimum Sensors (MCMS)). Ce problème peut être résolu avec deux algorithmes

centralisés (ILP et greedy) et l’algorithme distribué « greedy ». Les algorithmes proposés

ont été validés par expérimentations. Ils ont pu déduire que l’approche centralisée « ILP »

a fourni de meilleurs résultats (couverture plus large avec moins de capteurs actifs) par

rapport aux algorithmes « greedy » centralisés et distribués. Cependant, les algorithmes

« ILP » exigent plus de ressources d’énergie et de calcul par rapport aux algorithmes

« greedy ». Enfin les solutions centralisées n’assurent pas de scalabilité ce qui rend

l’algorithme distribué « greedy » le plus approprié pour les RCVSF.

Cai et al. [88] ont aussi étudié le déploiement aléatoire des capteurs avec des orientations

configurables, mais se concentrent sur l’activation des nœuds pour la surveillance de

cibles. La solution proposée tente de couvrir toutes les cibles en définissant les

orientations de chaque capteur et en désactivant les nœuds redondants. Cette approche est

définie comme le problème des ensembles de couverture directionnels multiple (Multiple

Directional Cover Sets (MDCS). Les directions des capteurs sont organisées en sous

ensembles non-disjoints (ensembles couvrants), permettant à un capteur de faire partie de

plusieurs ensembles. Afin de calculer les ensembles couvrants, plusieurs algorithmes

centralisés et distribués ont été proposés, basés sur la programmation linéaire et les

heuristiques. L’un d’entre eux, l’algorithme « Feedback », a pour objectif de générer le

minimum d’ensembles couvrants pour que le temps de transition entre les différents

ensembles couvrants soit moins important. Ceci, afin de réduire le lapse de temps pendant

lequel les cibles ne sont pas couvertes.

Des caméras avec mobilité angulaire ont été étudiées dans [89]. Les réseaux de capteurs

visuels avec des nœuds capteurs équipés de caméras avec une mobilité angulaire peuvent

assurer dynamiquement la couverture d’une région en évitant les espaces déjà couverts et

le risque de chevauchement. Les auteurs ont proposé l’algorithme « Face-Away » qui est


44

une solution « greedy » pour atteindre un taux de couverture maximal dans la région

d’intérêt.

Les auteurs dans [5] ont traité le problème d’ordonnancement adaptatif de l’activité des

nœuds capteurs avec une seule direction. Leur objectif est de prolonger la durée de vie du

réseau tout en prenant en compte la criticité des applications de surveillance. Un

algorithme distribué a été proposé pour maintenir la couverture et la connectivité de la

zone de surveillance en utilisant les ensembles couvrants.

Sung et Yang [90] ont proposé un algorithme distribué d’auto-redéploiement pour

améliorer le taux de couverture global dans le champ de capture d’un réseau de capteurs

directionnels qui est composé de capteurs mobiles et rotationnels. Les auteurs ont utilisé le

diagramme de Voronoï pour déterminer les positions ainsi que les directions de capture

des capteurs. L’algorithme proposé est appelé DVSA (Distributed Voronoi-Based Self-

Redeployment Algorithm).

Dans [91], les auteurs se sont concentrés sur les réseaux de capteurs d’images pour

proposer une méthode basée sur la reconnaissance d’images floues et un champ potentiel

virtuel en considérant la direction et le mouvement des capteurs pour l’amélioration de la

couverture.

Les auteurs dans [92] proposent une méthode distribuée pour changer l’orientation des

nœuds sans fil afin de minimiser l’effet d’occlusion. Chaque nœud découvre

indépendamment ses voisins et analyse les régions qui contiennent des obstacles ou des

chevauchements. Selon les informations découvertes à partir du voisinage, les nœuds

peuvent ajuster automatiquement les orientations des caméras pour changer leur CdV. Les

auteurs dans [92] ont présenté un résultat intéressant sur les régions avec de fortes

occlusions, il s’agit du fait d’utiliser plusieurs caméras à faible résolution serait une

meilleure solution par rapport au choix de quelques caméras à forte résolution, ce qui a été

certifié également dans [78].

Nous proposons dans le tableau II.1 une synthèse sur les principaux travaux de recherche

sur la couverture dans les RCVSF selon les différentes approches abordées dans les sous-

sections précédentes.


45

Approches Catégorie

de

couverture

Approche de

déploiement

Objectifs Solutions

proposées

Références

de base

ILP Couverture

de zone

Déploiement

déterministe - Améliorer la

couverture

- Maximiser la durée

de vie du réseau

- Ajustement des

directions des

caméras

- Ordonnancement

des capteurs

[60]

Greedy Couverture

de cibles

Déploiement

déterministe

Améliorer la

connectivité avec le

minimum de capteurs

Déploiement à base

de modèle

[75]

- ILP

- CGA:

Centralized

-Greedy

Algorithm

- DGA:

Distributed-

Greedy

Algorithm

Couverture

de cibles

Déploiement

aléatoire - Maximiser la

couverture avec le

minimum de

capteurs

- Prolonger la durée

de vie du réseau

- Ajustement des

directions des

caméras

- Ordonnancement

des capteurs

[76]

- Progressive

- Feedback

- MDCS-

Greedy

- MDCS-

Distributed

Couverture

de cibles

Déploiement

aléatoire - Couverture de

toutes les cibles

- Prolonger la durée

de vie du réseau

- Ajustement des

directions en

fonction de

l’énergie

résiduelle

- Ajustement des

directions en

fonction de la

priorité des cibles

[88]

Face-Away Couverture

de zone

Déploiement

aléatoire

Maximiser la

couverture - Utiliser des

cameras avec

mobilité

angulaire

- Eviter le

chevauchement

[87]

Algorithme

distribué

Couverture

de zone

Déploiement

aléatoire - Améliorer la

couverture

- Maximiser la durée

de vie du réseau

Ordonnancement

adaptatif

[5]

DVSA Couverture

de zone

Déploiement

aléatoire - Améliorer la

couverture

Utiliser le

diagramme de

Voronoï

[90]

Self-orienting Couverture

de zone

Déploiement

aléatoire - Maximiser la

couverture

Ajustement des

directions en minimisant les

occlusions et le

chevauchement

[92]

Tableau II.1: Synthèse des principales contributions dans la couverture des RCVSF

Une première lecture du tableau que nous avons élaboré, nous permet de déduire les points

suivants afin de positionner nos contributions par rapport aux travaux existants.


46

La plupart des approches existantes sont orientées optimisation comme les travaux

présentés dans [60], [76], etc.

Certaines approches traitent bien la technique d’ordonnancement des capteurs,

comme celles présentées dans [60], [76] et [5]. Afin de bénéficier des avantages

offerts par cette technique, nous avons exploité l’algorithme d’ordonnancement

adaptatif proposé dans [5]. Cependant, contrairement à la solution présentée dans

[5], où les capteurs utilisés sont limités à une seule direction, dans notre

proposition, les capteurs employés sont dotés de plusieurs directions avec la

possibilité de transition d’une direction vers une autre pour étendre leur CdV.

Dans certains travaux [92], bien que la technique de rotation ait été prise en

considération, les auteurs proposent toujours des solutions qui évitent le risque de

chevauchement entre les CdV avec un parcours de tous le périmètre du capteur

vidéo de 0° jusqu’à 360°. Cette approche nécessite un traitement complexe au

niveau de chaque nœud capteur. Par conséquent, dans notre solution, nous avons

limité le nombre de directions à trois au maximum afin de minimiser le temps de

calcul.

La plupart des travaux existants qui utilisent la fonction de rotation, visent un seul

objectif qui est l’optimisation de la couverture. Cependant, dans l’approche

proposée dans cette thèse nous visons plusieurs objectifs. La technique de rotation

est exploitée afin de maximiser la couverture, alors que la redondance et

l’ordonnancement de l’activité des capteurs vidéo sont utilisés pour la tolérance aux

pannes et économiser de l’énergie.

Concernant la prise en considération de l’existence d’obstacles dans l’élaboration

d’un algorithme de couverture, peu de travaux ont été proposés dans la littérature.

Les auteurs dans [92] ont traité le problème d’occlusion en minimisant le

chevauchement des CdV des capteurs vidéo. Dans la solution proposée, nous

prenons en compte la présence d’obstacles dans la zone de surveillance pour

minimiser l’effet d’occlusion. Cependant, Contrairement à l’approche proposée

dans [92], nous tirons profit du risque de chevauchement des CdV des capteurs

vidéo pour obtenir des nœuds redondants. Ces derniers seront exploités dans l’étape

d’ordonnancement de l’activité des capteurs vidéo.

Par rapport aux différents travaux de recherche présentés précédemment, le modèle

de couverture proposé dans cette thèse appartient à la catégorie de la couverture de

zone. Comme notre objectif principal est la couverture des endroits stratégiques et

sensibles donc le déploiement adéquat des capteurs vidéo est un déploiement

aléatoire. L’approche adoptée dans la solution proposée est complètement

distribuée, ce qui favorise l’utilisation des réseaux de grandes tailles et nécessite

moins de traitement par rapport à une approche centralisée.


47

II.7.2.3 Métriques de couverture

Plusieurs travaux se sont intéressés aux métriques de couverture aussi bien pour les RCSF

traditionnels que pour les RCVSF plus récemment.

Dans [93], le taux de couverture et de connectivité d’un RCSF traditionnel a été mesuré,

avec une classification en trois différents groupes : couverture complète avec connectivité,

couverture partielle avec connectivité et couverture avec connectivité restreinte. L’auteur

affirme que la couverture sans connectivité est insensée pour les RCSF, puisque les données

collectées ne peuvent pas être récupérées à partir d’un nœud en « offline ». La même idée est

valable pour les RCVSF.

Les auteurs dans [79] ont défini une métrique intéressante pour mesurer la qualité du

déploiement en termes de couverture en considérant des capteurs vidéo. Dans ce travail, le

champ du nœud (Node Area « NA ») est défini comme un cercle centré sur le nœud, et le

champ de couverture du réseau (Network Coverage Area « NCA ») comme l’union de tous les

NA. Le champ de capture de chaque nœud est seulement un secteur de ce cercle, représentant

une intersection entre le CdV et le champ du nœud. La qualité de la couverture du

déploiement résultante (Deployement Coverage Quality « DCQ ») est le ratio entre la somme

de tous les champs de capture (Network Relevant Sensing Areas « NRSA ») et le NCA. Les

résultats d’expérimentation présentés dans [79] montrent que le DCQ augmente lorsque le

nombre de nœuds déployés est plus important. Une métrique similaire est aussi décrite dans

[94] :

(II.1)

La métrique K-couverture (K-coverage) peut être aussi exploitée pour mesurer la

couverture après déploiement, dont le principe est que chaque point dans la région de

déploiement soit à l’intérieur des champs de couverture d’au moins K capteurs. Par exemple,

si une région de déploiement est de 3-couverture, chaque point est couvert au moins par trois

capteurs, et la défaillance d’un ou de deux nœuds qui capturent la même région maintient

toujours que cette dernière soit couverte (mais pas nécessairement connectée).

Les auteurs dans [95] ont proposé une K-couverture directionnelle (Directional K-

Coverage « DKC ») pour mesurer la qualité de la couverture dans les RCVSF. Les auteurs ont

vérifié que pour un déploiement aléatoire des capteurs vidéo avec une densité uniforme, il est

très difficile (voir impossible) de garantir une couverture à 100 %. Par conséquent, DKC est

définie comme une garantie de probabilité. La DKC est une fonction de la somme des

probabilités des points de vue des capteurs vidéo de la région de surveillance, considérant le

nombre de nœuds déployés N et le facteur K (nombre de capteurs couvrant la même

région/cible). Pc est la probabilité de couverture d’une cible par une caméra C, en considérant

le CdV de la caméra, l’angle entre la cible et la direction de la caméra, ainsi que le rayon de

capture. La probabilité finale de couverture est donnée par :


48

(II.2)

Cette métrique peut être utile pour valider le déploiement d’un RCVSF concernant des

applications qui requièrent plus d’une caméra qui visualise la même cible, telles que la

détection de l’orientation du visage [96].

D’autres métriques peuvent aussi mesurer la couverture dans les RCVSF. Dans [68] a été

présenté le chemin critique maximal du CdV, une métrique de calcul centralisé basée sur la

distance de n’importe quel capteur vers le point observé le plus proche. Pour les applications

de suivi, les cibles surveillées vont passer par ce point observé, ce qui rend cette métrique

appropriée pour ce type d’applications. La métrique décrite dans [97] est plus utilisée pour les

applications de surveillance visuelle, l’algorithme distribué proposé permet de mesurer la

qualité de la couverture en indiquant les régions avec une couverture faible ou encore

inexistante.

II.8 Conclusion

Afin de mettre en place un RCVSF pour une application de surveillance, nous devons

apporter tout d’abord une solution au problème de couverture qui reflète la qualité de la

surveillance vidéo dans ce type de réseau. Après avoir présenté un historique sur les

approches de surveillance qui existaient auparavant, nous avons exposé la majorité des

solutions proposées pour traiter le problème de couverture, à l’aide de caméras en premier

temps pour mieux appréhender ensuite les approches de surveillance avec des capteurs vidéo.

Dans le chapitre suivant sera présentée une nouvelle technique de couverture à l’aide de

capteurs vidéo dotés de la capacité de rotation dans le but d’étendre leur CdV. Plusieurs

stratégies de construction d’ensembles couvrants seront également détaillées dans une

perspective de tolérance aux pannes et d’économie d’énergie.

Partie II : Contributions

49

Partie II

Contributions

Chapitre III. Proposition d’un modèle de couverture fiable pour la surveillance

50

Chapitre III

Proposition d’un modèle de couverture fiable pour la

surveillance

III.1 Introduction

Dans la première partie de ce chapitre, nous présentons les principales contributions qui

sont proposées dans cette thèse. Avant d’aborder nos différentes améliorations en termes de

couverture dans les RCVSF, nous définissons d’abord le modèle de représentation classique

du CdV d’un capteur vidéo. Quelques notions de géométrie dont nous avons besoin pour la

modélisation du concept de couverture dans les RCVSF sont également présentées. Nous

exposons par la suite le nouveau modèle de couverture à l’aide de capteurs vidéo rotationnels.

Enfin, de nouvelles stratégies de construction d’ensembles couvrants sont illustrées afin de

satisfaire les différentes exigences des applications de surveillance.

La deuxième partie du chapitre est consacrée à la description de l’environnement de

simulation. Nous présentons ensuite les programmes implémentant les algorithmes du modèle

de couverture proposé sous le simulateur OMNeT++. Ce chapitre s’achève par une étude

comparative sur les différents résultats de performances obtenus.

III.2 Modèle de représentation du CdV d’un capteur vidéo à une seule

direction

Dans les RCVSF, le rayon de capture d’un nœud vidéo est remplacé par le CdV de sa

caméra. Comme illustré sur la figure III.1, nous pouvons définir le CdV d’un nœud capteur

vidéo v par le 5-uplet v(P,Rs, ,α,d), inspiré du modèle présenté dans [5] où :

P représente la position du capteur v, avec les coordonnées (p.x, p.y),

Rs définit le rayon de couverture,

indique le vecteur de direction de la caméra,

α représente le demi-angle de vision du CdV (un Angle de Vue dénoté (AdV) est égal à 2α),

d est la profondeur de vue de la caméra (d=pr).


51

Figure III.1 : Modèle de CdV d’un capteur vidéo

Dans le modèle proposé, nous supposons que tous les nœuds sont identiques (même rayon

de couverture Rs et même valeur α), c’est-à-dire, que le réseau est homogène au sens capture.

L’approche proposée est complètement distribuée : chaque nœud doit assurer sa propre

couverture indépendamment des autres. Un nœud v couvre une surface triangulaire grâce à

son CdV, qui représente en général une scène du monde réel. Cependant son objectif est

d’assurer tant qu’il est opérationnel la couverture de cette surface, soit par lui-même (état

actif), soit par des nœuds redondants (état inactif), ce principe d’alternance est détaillé dans la

section III.9, pp. 64.

III.3 Notions de géométrie pour le modèle de couverture

Cette section présente un rappel sur les principales notions de géométrie exploitées pour la

mise en œuvre du nouveau modèle de couverture proposé.

III.3.1 Coordonnées cartésiennes et polaires d’un point

Il existe deux manières de repérer un point M dans le plan X-Y. La première consiste à le

projeter sur l’axe des X et l’axe des Y, ensuite calculer les distances Oa et Ob (voir figure

III.2). Le point M aura donc pour coordonnées cartésiennes a et b.

La deuxième méthode consiste à calculer la distance séparant le point M de l’origine des

axes O et l’angle qu’il forme avec l’axe des X. Les coordonnées polaires de M sont alors r et

illustrées sur la figure III.2.

Figure III.2: Coordonnées cartésiennes et polaires d’un point M


52

Pour pouvoir passer d’un système à l’autre, nous utilisons les deux fonctions

trigonométriques suivantes:

(III.1)

III.3.2 Norme d’un vecteur

La norme d’un vecteur peut se calculer à l’aide de ses coordonnées dans un repère

orthonormé à l’aide du théorème de Pythagore.

Si les points A et B ont pour coordonnées respectives (xa, ya) et (xb, yb) (voir figure III.3)

alors la norme du vecteur est calculée à l’aide de la formule de la distance entre deux

points de la manière suivante :

(III.2)

Figure III.3: Norme d’un vecteur

Si les points A et B ont pour coordonnées respectives (xa, ya, za) et (xb, yb, zb) alors :

(III.3)

III.3.3 Produit scalaire

Si (x, y, z) et (x’, y’, z’) sont les coordonnées respectives des vecteurs et , par rapport à

une base orthonormée, leur produit scalaire est calculé de la manière suivante :

Dans un plan en deux dimensions, leur produit scalaire est noté . et défini par :

. = xx’+ yy’ (III.4)

Le produit scalaire des vecteurs et dans un plan en trois dimensions est exprimé

comme suit :

. = xx’+ yy’ + zz’ (III.5)

III.3.4 Aire d’un triangle

Soit un triangle quelconque dont la hauteur est égale à h et la longueur de la base est L.

L’aire A de ce triangle est égale à :


53

V1

(III.6)

Dans l’exemple illustré sur la figure III.4, l’aire du triangle est calculée de la manière

suivante :

(III.7)

Figure III.4: Aire d’un triangle

III.3.5 Test d’inclusion d’un point dans un triangle

Etant donné un triangle (v1, v2, v3) et un point p, le test d’inclusion de p dans (v1, v2, v3) est

donné comme suit :

Si nous parcourons les points v1, v2 et v3 dans le sens des aiguilles d’une montre ou le sens

contraire, et le point est à l’intérieur, nous allons toujours voir le point sur le même côté du

segment que nous visitons.

Si le parcours se fait dans le sens contraire des aiguilles d’une montre tel que le montre la

figure III.5, le point à l’intérieur est toujours à gauche des segments. Si le point est à

l’extérieur, pour au moins d’un des segments, le point sera à droite [98].

Figure III.5: Test d’inclusion d’un point dans un triangle [99]

Si le parcours se fait dans le sens des aiguilles d’une montre, le raisonnement est identique,

sauf qu’un point qui est à l’intérieur du triangle sera toujours à droite du segment que nous

visitons.

Ainsi, pour déterminer si le point p est à l’intérieur du triangle (v1, v2, v3), nous avons

besoin d’obtenir les sens de rotation le long des triplets (v1, v2, p), (v2, v3, p) et (v3, v1, p).

Le point p est à l’intérieur si et seulement si les trois directions sont égales.


54

III.3.6 Génération d’un point aléatoire à l’intérieur d’un triangle

Etant donné un triangle avec un sommet à l’origine et les deux autres aux positions v1 et v2,

on pourrait penser qu’un point aléatoire à l’intérieur du triangle serait donné par :

x = a1v1 + (1-a1) a2v2 (III.8)

Où a1 et a2 sont deux variables aléatoires uniformes dans l’intervalle [0,1].

Cependant, comme nous pouvons le constater dans la figure III.6, les points ne sont pas

uniformément distribués. Une concentration de points dans le coin inférieur droit est visible.

Figure III.6: Points aléatoires non uniformément distribués à l’intérieur d’un triangle [100]

Pour assurer d’avoir des points répartis uniformément à l’intérieur d’un triangle, nous

devons prendre :

x = a1v1 + a2v2 (III.9)

Figure III.7: Points aléatoires uniformément distribués à l’intérieur d’un triangle [100]

Où a1 et a2 sont entre 0 et 1 et v1 et v2 deux vecteurs du triangle. Ceci donne en fait des

points uniformément répartis dans un quadrilatère (polygone à quatre côtés) comme le montre

la figure III.7 (gauche). Les points qui ne sont pas à l’intérieur du triangle seront éliminés ou

transformés en des points correspondants à l’intérieur du triangle.

III.4 Définition d’un ensemble couvrant

Nous définissons l’ensemble couvrant i du nœud v, noté Coi(v), comme étant un sous-

ensemble de nœuds vidéo tel que : (CdV de v ) couvre la surface du CdV de v

[5].

Co(v) = {Coi(v)} désigne tous les ensembles couvrants du nœud v.

Un exemple d’un ensemble couvrant est illustré sur la figure III.8, où les nœuds v1, v2, v3,

v4 et v5 couvrent la surface du CdV du nœud v représentée par le triangle pbc.

La méthode adoptée dans cette approche pour trouver l’ensemble Co(v) est de représenter

la surface du CdV par les quatre points suivants : p, b, c et g (le barycentre de (pbc)) comme le


55

montre la figure III.8. Nous considérons alors que la surface du CdV du nœud v est couverte

par un ensemble Coi(v) Co(v) si les deux conditions suivantes sont vérifiées selon [5] :

1) v Coi (v), v couvre le point g et au moins un des points {p, b, c},

2) p, b, c et g sont tous couverts par les nœuds de Coi(v).

III.5 Stratégie de base de construction d’un ensemble couvrant

Le modèle de construction des ensembles couvrants est défini comme suit :

Pour qu’un nœud v puisse calculer Co(v), il lui suffit de trouver les ensembles P, B, C et G

qui représentent l’ensemble des nœuds v N(v) tels que v couvre le point correspondant. N(v)

indique l’ensemble des nœuds voisins du nœud v (les nœuds avec lesquels il peut

communiquer).

Co(v) est alors formé par le produit cartésien {PG × BG × CG} avec PG= {P ∩ G},

BG= {B ∩ G} et CG= {C ∩ G} [5].

Notons que la complexité du calcul de l’intersection entre deux ensembles s’élève à

O(k+ m) où k et m sont les cardinaux respectifs des deux ensembles. Comme la taille des

ensembles P, B, C et G est réduite, un nœud peut facilement trouver leurs intersections deux à

deux.

Figure III.8: Exemple de couverture d’un CdV

Dans l’exemple illustré sur la figure III.8, les ensembles couvrants sont calculés de la

manière suivante :

P = {v N (v) : v couvre le point p du CdV du nœud v} = {v1, v3}

B = {v N (v) : v couvre le point b du CdV du nœud v} = {v5, v2}

C = {v N (v) : v couvre le point c du CdV du nœud v} = {v4, v5}

G = {v N (v) : v couvre le point g du CdV du nœud v} = {v1, v2, v3, v5}

PG = {P ∩ G} = {v1, v3}

BG = {B ∩ G} = {v5, v2}

CG = {C ∩ G} = {v5}

Co(v) = {{v}, {v1, v5}, {v3, v5}, {v1, v2, v5}, {v3, v2, v5}}.


56

Nous présentons dans la fonction illustrée sur la figure III.9 plus de détails concernant les

étapes de construction des ensembles couvrants:

1: Début

2: Entrées: N(v) : l’ensemble de tous les capteurs voisins appelés v’ du nœud v

3: p, b, c: les sommets du CdV sélectionné, représenté par un triangle

4: g: le barycentre du triangle pbc

5: P, B, C, G, PG, BG, CG: ensemble = { }

6: Sortie: Co(v)

7: //Etape d’initialisation

8: v est inactif

9: //Former les ensembles P, B, C et G

10: //Parcourir tous les nœuds voisins du nœud v

11: pour (i= 0; i< |N(v)|; i++) faire

12: //Vérifier si le point p du CdV du capteur v est à l’intérieur du CdV du nœud voisin v’[i]

13: si (p.is_inside(v’[i]. CdV)) alors

14: P.insert(v’[i]) //Insérer le nœud voisin v’[i] dans l’ensemble P

15: finsi

16: //Vérifier si le point b du CdV du capteur v est à l’intérieur du CdV du nœud voisin v’[i]

17: si (b.is_inside(v’[i]. CdV)) alors

18: B.insert(v’[i]) //Insérer le nœud voisin v’[i] dans l’ensemble B

19: finsi

20: //Vérifier si le point c du CdV du capteur v est à l’intérieur du CdV du nœud voisin v’[i]

21: si (c.is_inside(v’[i]. CdV)) alors

22: C.insert(v’[i]) //Insérer le nœud voisin v’[i] dans l’ensemble C

23: finsi

24: //Vérifier si le point g du CdV du capteur v est à l’intérieur du CdV du nœud voisin v’[i]

25: si (g.is_inside(v’[i]. CdV)) alors

26: G.insert(v’[i]) //Insérer le nœud voisin v’[i] dans l’ensemble G

27: finsi

28: fin pour

29: //calculer les ensembles PG, BG et CG

30: PG={P∩G}

31: BG={B∩G}

32: CG={C∩G}

33: //Calculer le produit Cartésien des ensembles PG, BG et CG

34: Co(v)= {PG×BG×CG}

35: Retourner Co(v)

36: Fin

Figure III.9: Fonction de construction d’ensembles couvrants


57

III.6 Pourcentage de couverture d’un ensemble couvrant

Après avoir calculé les ensembles couvrants constituant le Co(v), il serait judicieux de

vérifier pour chaque ensemble couvrant Coi(v) Co(v) le pourcentage de couverture réalisé.

Ceci dépend en réalité de la stratégie de construction d’ensembles couvrants utilisée qui

permet quelques fois de couvrir toute la surface du CdV du capteur vidéo. Cependant, il existe

des cas où un ensemble couvrant peut ne pas couvrir la totalité de la surface du CdV du

capteur mais un pourcentage plus au moins élevé de celle-ci.

La méthode que nous avons adoptée pour calculer le pourcentage de couverture d’un

Coi(v) Co(v) est de générer aléatoirement à l’intérieur du triangle représentant le CdV du

capteur vidéo un nombre élevé de points (jusqu’à 50 000 points) et de tester ensuite le nombre

de points inclus dans les triangles représentants respectivement les CdV des nœuds du Coi(v).

Le pourcentage de couverture du Co(v) sera alors égal à la moyenne des pourcentages de

couverture des Coi (v).

Afin de tester si un point est inclus dans un CdV particulier nous avons utilisé la fonction

« is_inside( ) » de la bibliothèque graphique du package définie par [5]. Cette méthode a

également été exploitée dans la fonction de la figure III.9 pour vérifier si l’un des points p, b,

c ou g est couvert par le CdV des capteurs vidéo.

III.7 Modèle de couverture avec capteurs vidéo rotationnels

Nous présentons dans les sous-sections suivantes les différentes caractéristiques du modèle

de couverture proposé.

III.7.1 Mécanismes de rotation d’un capteur vidéo

Afin d’assurer une surveillance efficace d’une zone de déploiement, les capteurs vidéo

doivent être déployés de manière appropriée pour atteindre un certain niveau de couverture.

Dans notre proposition, nous considérons qu’un capteur vidéo a la possibilité de s’orienter

vers trois directions différentes. Ce choix a été motivé par le fait que les capteurs vidéo

disponibles sur le marché sont très limités en termes de capacités de calcul, de stockage et

d’énergie. Et par conséquent, afin de minimiser le temps de calcul au niveau de chaque nœud

capteur, nous avons opté pour trois directions distinctes qui sont relativement éloignées les

unes des autres.

Nous présentons dans ce qui suit, les différentes manières qui existent pour étendre le

champ de capture des nœuds composant un RCVSF.

La première méthode est d’intégrer plusieurs capteurs vidéo du même type sur un seul

nœud, donc chaque capteur devra s’orienter vers une direction différente.

La seconde possibilité est d’équiper le nœud capteur avec un dispositif mobile qui permet

au nœud de changer de position [88].


58

Enfin, la troisième approche est celle que nous avons adoptée dans notre étude. Elle

consiste à équiper le nœud capteur d’un dispositif mécanique qui lui permettra de transiter

librement vers différentes directions.

III.7.2 Modèle de représentation des CdV d’un capteur vidéo rotationnel

Afin d’améliorer le modèle de couverture présenté dans la section III.2, pp. 50, nous avons

ajouté à chaque nœud capteur déployé dans la zone de surveillance la capacité de changer son

CdV.

Cette nouvelle fonction est ajoutée à la première étape, il s’agit de la phase d’initialisation

et de configuration des capteurs vidéo. Cette dernière est exécutée juste après le déploiement

des capteurs vidéo et avant la phase de construction des ensembles couvrants [6].

Pour aborder la solution proposée, nous devons adresser les suppositions suivantes :

Nous considérons un réseau dense de capteurs vidéo déployés aléatoirement dans une

zone d’intérêt dans le but de la surveiller. Les images capturées sont envoyées par la

suite à un utilisateur final.

Tous les capteurs vidéo ont les mêmes capacités de détection et de communication,

c’est-à-dire, le même rayon de couverture (Rs), rayon de communication (Rc) et CdV.

Les capteurs vidéo qui se situent à l’intérieur du Rc du capteur sont appelés les nœuds

voisins du capteur.

La direction de capture de chaque capteur vidéo est rotationnelle.

Chaque capteur connaît les informations sur sa localisation et détermine la position de

ses voisins en utilisant des communications sans fil.

La région de surveillance est modélisée sur un plan en deux dimensions.

La figure III.10 illustre un modèle de capteur vidéo rotationnel. Le point P représente la

position du capteur vidéo qui peut transiter vers trois directions possibles 1, 2 et 3.

1 est la direction aléatoire vers laquelle le capteur s’oriente au moment du déploiement et

le triangle associé à ce vecteur représente la région de couverture de cette direction.

Figure III.10: Modèle d’un capteur vidéo rotationnel


59

III.7.3 Formules de calcul géométriques des différents CdV

Les différents points du premier CdV1 sont calculés de la manière suivante [7]:

1/ Tout d’abord, nous devons sélectionner une direction de manière aléatoire de l’angle de

départ t1, où

t1 = uniform (0,1) * 2 * PI ; (III.10)

2/ Puisque nous avons les coordonnées (px, py) du nœud capteur et que nous aurons déjà choisi

au préalable une profondeur de vue d de la caméra, alors nous pouvons calculer les

coordonnées des différents points : r, b et c (illustrés sur la figure III.1, pp. 51) afin d’obtenir

le CdV désiré.

r.x = d*cos(t1) + p.x ; (III.11)

r.y = d*sin(t1) + p.y ; (III.12)

b.x = r.x + d*sin(α)*(r.y - p.y)/ d*cos(α) ; (III.13)

b.y = r.y - d*sin(α)*(r.x - p.x)/ d*cos(α) ; (III.14)

c.x = r.x - d*sin(α)*(r.y - p.y)/ d*cos(α) ; (III.15)

c.y = r.y + d*sin(α)*(r.x - p.x)/ d*cos(α) ; (III.16)

Après le premier déploiement, puisque nous avons la direction du premier CdV1, le capteur

vidéo peut alors calculer la seconde ainsi que la troisième direction avec leur CdV respectifs

comme suit :

t2 = t1 + (2*PI)/3 ; (III.17)

t3 = t1 + (4*PI)/3 ; (III.18)

En utilisant les formules géométriques présentées ci-dessus, nous pouvons calculer le

second CdV2 et le troisième CdV3 du capteur vidéo.

III.7.4 Fonction de sélection d’un CdV

Nous présentons sur la figure III.11 les différentes étapes de la fonction de sélection d’un

CdV. En résumé, tout d’abord, chaque capteur vidéo calcule ses différentes directions avec

leur CdV respectifs détaillés dans la sous-section précédente. Ensuite, après la procédure de

découverte du voisinage, le capteur vidéo calcule le nombre de voisins qui peuvent couvrir le

CdV associé à chaque direction. Enfin, le capteur transite vers la direction dont la surveillance

est assurée par le minimum de voisins afin de garantir la couverture du maximum de points de

la zone de déploiement. Ceci, dans le but d’offrir une meilleure surveillance.


60

1: Début


3: t1: la première direction aléatoire du nœud v

4: Sortie: CdV


6: v est inactif

7: //Calculer les trois CdV du nœud capteur v

8: Calculer le CdV1 en utilisant les formules géométriques

9: //Calculer la deuxième direction

10: t2=t1+(2*PI)/3


12: //Calculer la troisième direction

13: t3=t1+(4*PI)/3


15: //analyser le voisinage pour les trois CdV du nœud capteur v

16: pour chaque CdVi, i=1,3 faire

17: Calculer le nombre de nœuds voisins ϵ N(v) qui couvrent au moins deux points du CdVi

18: fin pour

19: //Chercher le CdV qui assure la couverture de la région la moins couverte

20: si ((nombre de nœuds voisins ϵ N(v) couvrant CdV1) < (nombre de nœuds voisins ϵ N(v)

couvrant CdV2)) alors

21: CdV = CdV1;

22: sinon

23: CdV = CdV2;

24: finsi

25: si ((nombre de nœuds voisins ϵ N(v) couvrant CdV 3) < (nombre de nœuds voisins ϵ

N(v) couvrant CdV)) alors

26: CdV = CdV 3;

27: finsi

28: //Vérifier si le CdV trouvé est différent du premier CdV associé au nœud capteur v

29: si CdV != CdV1 alors

30: Envoyer sa nouvelle direction à ses nœuds voisins

31: finsi

32: Retourner CdV

33: Fin

Figure III.11: Fonction de sélection d’un CdV

La fonction illustrée sur la figure III.11 génère n appels récursifs dans le pire des cas. Par

conséquent, la complexité de cette fonction est de l’ordre de O(n), où n représente le nombre

de capteurs voisins du nœud v.


61

III.8 Nouvelles stratégies de construction d’ensembles couvrants

Afin de satisfaire les exigences des applications de surveillance, nous proposons deux

nouvelles stratégies de construction d’ensembles couvrants qui sont détaillées dans les sous-

sections suivantes.

III.8.1 Couverture avec tolérance aux pannes

Cette approche est utilisée pour assurer une tolérance aux pannes dans le cas où certains

nœuds capteurs deviennent défaillants. Ce qui est inévitable si les capteurs sont déployés

aléatoirement dans un environnement peu fiable comme les zones sinistrées. En effet, les

capteurs vidéo pourraient facilement cesser de fonctionner en raison de l’épuisement de leur

batterie ou de leur panne (blocage logiciel, attaque de sécurité, etc).

III.8.1.1 Fonction de construction d’ensembles couvrants avec tolérance aux pannes

Dans le but de déterminer si le CdV d’un capteur est complètement couvert par un sous-

ensemble de ses nœuds voisins, nous proposons une amélioration de l’approche définie par

[5] (voir section III.5, pp. 55). Dans ce nouveau modèle de construction d’ensembles

couvrants, nous prenons en considération les nœuds voisins qui couvrent les points qui sont

très proches du barycentre (g) associé au capteur qui sera éventuellement inactif. Cette

approche nous permet d’obtenir un nombre plus important d’ensembles couvrants [8].

Ces ensembles couvrants peuvent assurer la couverture d’un grand pourcentage du CdV du

capteur vidéo avec la possibilité que quelques-uns aient des nœuds en communs.

Nous présentons dans la fonction illustrée sur la figure III.12 plus de détails sur cette

nouvelle approche de construction d’ensembles couvrants [8]:

1: Début




5: gp’, gb’, gc’: points proches du barycentre du triangle pbc


7: Sortie: Co(v)


9: v est inactif

10: //Calculer les points intermédiaires gp’, gb’et gc’

11: gp’= le milieu entre le point g et le centre du segment [pg]

12: gb’= le milieu entre le point g et le centre du segment [bg]

13: gc’= le milieu entre le point g et le centre du segment [cg]



16: pour (i= 0; i< |N(v)|; i++) faire


62


18: si (p.is_inside(v’[i]. CdV))

19: alors


21: finsi

22: //Vérifier si le point b du CdV du capteur v est à l’intérieur du CdV du nœud voisin v’[i]

23: si (b.is_inside(v’[i]. CdV))

24: alors


26: finsi


28: si (c.is_inside(v’[i]. CdV))

29: alors


31: finsi

32: //Vérifier si l’un des point gp’, gb’ ou gc’ du CdV du capteur v est à l’intérieur du CdV

du nœud voisin v’[i]

33: si ((gp’.is_inside(v’[i].CdV)) || (gb’.is_inside(v’[i].CdV)) || (gc’.is_inside(v’[i].CdV)))

34: alors


36: finsi

37: fin pour

38: //Calculer les ensembles PG, BG et CG

39: PG={P∩G}

40: BG={B∩G}

41: CG={C∩G}



44: Retourner Co(v)

45: Fin

Figure III.12 : Fonction de construction d’ensembles couvrants avec tolérance aux pannes

III.8.1.2 Exemple de modèle de construction d’ensembles couvrants avec tolérance

aux pannes

Dans l’exemple illustré sur la figure III.13, le CdV du nœud v est représenté par six points

(p, b, c, gp’, gb’et gc’). p, b et c sont les sommets du CdV représenté par un triangle. gp’, gb’

et gc’ représentent le milieu entre le barycentre g et le centre de leur segment respectif [pg],

[bg] et [cg] (plus de détails sont donnés dans la sous-section III.10.3.3, pp. 77).


63

Pour trouver les ensembles couvrants, le nœud v doit former les ensembles suivants

(composés au moins d’un des points (p, b et c) et un autre point gp’, gb’ ou gc’):

PG = {v1, v4} où v1 et v4 couvrent les points p et gp’ du CdV du nœud v,

BG = {v3} où v3 couvre les points b et gb’ du CdV du nœud v,

CG = {v2, v5} où v2 et v5 couvrent les points c et gc’ du CdV du nœud v.

Ensuite, nous pouvons construire l’ensemble contenant tous les ensembles couvrants

calculés par le produit Cartésien de PG, BG et CG comme suit :

Co(v) = {{v}, {v1, v3, v2}, {v4, v3, v2}, {v1, v3, v5}, {v4, v3, v5}}

Si on suppose par exemple que l’ensemble couvrant {v1, v3, v2} est en mode actif et

soudainement, le capteur vidéo v1 épuise son énergie ou bien est devenu défaillant à cause de

facteurs environnementaux, dans ce cas, un autre ensemble couvrant peut être sélectionné, tel

que {v4, v3, v2} qui va changer d’état et transiter au mode actif afin d’assurer la surveillance de

la région non-couverte.

Figure III.13: Exemple de modèle de construction d’ensembles couvrants pour tolérance aux

pannes

III.8.2 Couverture avec haute précision

Les RCVSF ne cessent d’être utilisés par différents types d’applications. Cependant, les

techniques de vision traditionnelles pour le calibrage avec précision des caméras ne sont pas

appropriées pour les déploiements ad hoc des RCSF dans les régions inaccessibles. Et par

conséquent, dans les scénarios où nous devons déployer des capteurs vidéo avec une

résolution très faible, il est quasiment impossible d’utiliser le calibrage avec précision des

caméras. Dans ce genre d’applications, la seule solution envisageable est de déterminer la

relation entre les capteurs vidéo qui sont relativement très proches les uns des autres.


64

Afin d’assurer la surveillance d’une région d’intérêt avec une haute précision des objets

capturés, nous pouvons améliorer la stratégie de construction des ensembles couvrants. Dans

ce cas de figure, la couverture du CdV d’un nœud défaillant doit être assurée uniquement par

les nœuds voisins qui sont très proches du barycentre (g) de ce dernier.

Dans cette approche, nous devons calculer après la procédure de découverte du voisinage,

la distance entre le barycentre (g) du capteur et la position (p) de chaque capteur vidéo inclus

dans l’ensemble de ses voisins.

En premier lieu, nous devons calculer la distance entre le barycentre g et la position p du

capteur vidéo dénotée par d(v.g, v.p), où

d(v.g, v.p) = (III.19)

L’équation (III.19) est ajoutée avant la ligne 16 (c’est-à-dire, avant la boucle) dans la

fonction de la figure III.12, pp. 62, car elle concerne uniquement les coordonnées du capteur

vidéo.

Nous notons la distance entre le barycentre g du capteur vidéo v et la position p de son

nœud voisin v’ par d(v.g, v’.p), où

d(v.g, v’.p) = (III.20)

L’équation (III.20) doit être insérée après la ligne 16 dans la fonction de la figure III.12,

pp. 62, afin que cette distance puisse être calculée pour chaque nœud voisin.

Enfin, les nœuds voisins sélectionnés pour être ajoutés dans l’ensemble couvrant du

capteur vidéo v doivent vérifier la condition suivante :

d (v.g, v’.p)≤ d (v.g, v.p) (III.21)

La condition (III.21) sera ajoutée après l’équation (III.20) afin de garder uniquement les

nœuds voisins qui nous intéressent dans l’ensemble couvrant.

Dans cette stratégie, les capteurs vidéo sélectionnés pour couvrir celui qui va transiter en

mode veille seront toujours les capteurs les mieux positionnés et qui ont le meilleur AdV.

L’objectif final de cette approche est d’améliorer les capacités de détection.

L’inconvénient majeur de cette stratégie de construction d’ensembles couvrants est le

nombre limité d’ensembles couvrants générés comparé à celui obtenu par l’approche

précédente.

III.9 Ordonnancement de l’activité dynamique des capteurs vidéo

La phase d’ordonnancement de l’activité des capteurs vidéo est exécutée après la phase de

construction des ensembles couvrants, c’est-à-dire, après que chaque capteur a choisi une

direction de capture et calculé ses propres ensembles couvrants.


65

Nous présentons dans cette section l’algorithme d’ordonnancement de l’activité des

capteurs que nous avons utilisé dans le modèle de couverture proposé. Nous donnons ensuite,

les différentes approches d’ajustement de la vitesse de capture des capteurs vidéo en fonction

de la criticité de l’application envisagée.

III.9.1 Algorithme d’ordonnancement

L’activité des capteurs vidéo sera exécutée en plusieurs itérations. Dans chacune, le nœud

capteur décide de demeurer en mode actif ou bien de passer en mode veille. Ceci, sera réalisé

d’un côté par rapport à l’activité de ses nœuds voisins et d’un autre côté en fonction de son

niveau d’énergie.

Chaque capteur vidéo commence par ordonner ses ensembles couvrants selon leur

cardinalité. La priorité la plus élevée sera affectée aux ensembles couvrants contenant le

moins d’éléments. Dans le cas où nous aurons des ensembles couvrants avec la même

cardinalité, leur niveau d’énergie sera alors considéré comme un critère de priorité.

Le processus d’ordonnancement commence après que chaque capteur a reçu les messages

d’activité de ses nœuds voisins. Un nœud capteur v doit tester si l’un de ses ensembles

couvrants est satisfait, c’est-à-dire, tous les nœuds qui le constituent sont actifs. Dans le cas

où un Coi(v) est actif, le nœud v passe en mode veille et diffuse sa décision à ses voisins. Dans

le cas contraire, c’est-à-dire, aucun Coi(v) n’est satisfait, v décide de rester actif et diffuse

également sa décision [101].

La procédure d’ordonnancement de l’activité des capteurs est illustrée dans l’algorithme de

la figure III.14 [101] :

1: Début


3: v est actif

4: v ordonne ses ensembles couvrants selon leur cardinalité Coi(v) Co(v) avec

i=1,2,...|Co(v)|

5: i ← 1

6: //Vérification des ensembles couvrants après réception des messages d’activité des

nœuds voisins

7: tantque i ≤ |Co(v)| faire

8: //v commence par l’ensemble couvrant ayant la plus grande priorité Coi(v)

9: si v décide d’être inactif alors

10: si v ∉ Coi(v) alors

11: continuer avec Coi(v)

12: finsi

13: sinon

14: //Dans le cas où les nœuds voisins sont inactif alors passer à l’ensemble couvrants

suivant Coi+1(v)


66

15: v choisit l’ensemble couvrant suivant Coi+1(v)

16: i ← i + 1

17: finsi

18: si v décide d’être actif alors

19: si v Coi(v) alors

20: continuer avec Coi(v)

21: finsi

22: finsi

23: //Dans le cas où tous les nœuds voisins constituant l’ensemble Coi(v) sont actifs alors

le nœud v décide de rester inactif

24: si v , v Coi(v), v est actif alors

25: v devient inactif et diffuse sa décision à ses voisins

26: finsi

27: fin tantque

28: si aucun Coi(v) n’est satisfait alors

29: v reste en mode actif et diffuse sa décision à ses voisins

30: finsi

31: Fin

Figure III.14 : Algorithme d’ordonnancement d’un nœud v [101]

III.9.2 Ajustement en fonction de la criticité de l’application

III.9.2.1 Vitesse de capture d’un nœud vidéo

Dans les applications critiques de surveillance, en plus d’une couverture fiable de la zone

de surveillance, nous devons apporter plus d’importance à la vitesse de capture associée aux

capteurs vidéo. En effet, parmi les différentes contraintes réseau tel que le problème des

interférences, la qualité de l’image capturée dépend fortement de la vitesse de capture. Cette

dernière, peut être considérée comme un indicateur de QdS dans une application.

Cependant, la vitesse de capture influe énormément sur la consommation d’énergie des

capteurs. Par exemple, un nœud qui capture lentement (1 image/seconde) restera actif plus

longtemps par rapport à un autre nœud capturant à une vitesse plus grande (3

images/seconde). Donc, il faut faire un compromis entre autonomie du capteur, couverture et

criticité de l’application.

Dans une application de détection d’intrusions par exemple, nous devons associer aux

capteurs vidéo une vitesse de capture assez élevée afin d’éviter de manquer une intrusion.

Tandis que dans une application de surveillance environnementale, nous pouvons nous

permettre de réduire la vitesse de capture jusqu’à quelques images par jour [101].

Afin d’ajuster la vitesse de capture, nous devons définir la variable qui représente la

criticité r0 ϵ [0,1] pour indiquer le niveau de criticité d’une application. Les bornes inférieure


67

et supérieure de l’intervalle représentent respectivement le niveau le plus faible jusqu’au plus

fort de criticité. Il suffit alors d’initialiser les capteurs vidéo avant leur déploiement par la

valeur de criticité exigée par l’application.

Il existe deux approches pour définir la vitesse de capture associée à chaque capteur :

l’approche par ajustement statique et l’approche par ajustement dynamique qui sont détaillées

dans les sous-sections suivantes.

III.9.2.2 Approche par ajustement statique

Le principe de l’approche par ajustement statique consiste à fixer, en fonction du degré de

criticité de l’application, la vitesse de capture associée au capteur vidéo durant toute sa durée

de vie.

Nous pouvons voir clairement sur le graphe présenté sur la figure III.15 que la vitesse de

capture est proportionnelle au degré de criticité de l’application. Les capteurs vidéo pourront

alors se permettre de capturer au maximum de leur capacité lorsqu’il s’agit d’une application

très critique, ou encore diminuer de leur vitesse de capture s’ils ont à faire à des applications

moins critiques.

L’approche par régulation statique paraît relativement simple à mettre en œuvre,

cependant, elle peut présenter les inconvénients suivants [101] :

Configurer les capteurs vidéo pour capturer des images au maximum de leur capacité,

nous aide à assurer un niveau de surveillance maximal mais la ressource d’énergie des

capteurs sera épuisée rapidement, ce qui affecte directement la durée de vie de réseau.

Si nous affectons une vitesse de capture minimale aux capteurs vidéo, ceci nous permettra

par ailleurs de prolonger la durée de vie du réseau mais avec une qualité de surveillance

insuffisante.

Afin de faire un compromis entre la qualité de la surveillance et la durée de vie du

RCVSF, nous pouvons opter pour une vitesse de capture moyenne. Cependant, les

capteurs vidéo risquent d’être sous-exploités durant toute la durée de vie du RCVSF.

Figure III.15: Approche par ajustement statique [101]


68

III.9.2.3 Approche par ajustement dynamique

Afin de remédier aux inconvénients engendrés par l’approche par ajustement statique, une

approche plus intéressante a été proposée dans [101] dont le but est d’exploiter de manière

optimale les capacités du RCVSF.

Cette méthode consiste à faire varier la vitesse de capture d’un capteur vidéo v en fonction

de la taille de son ensemble couvrant Co(v). Par conséquent, la vitesse de capture d’un nœud v

dépendra de ses nœuds voisins, c’est-à-dire, si le CdV du nœud v est bien couvert par le CdV

de ses nœuds voisins, donc le nœud v pourra augmenter sa vitesse de capture. Dans le cas

contraire, c’est-à-dire, si le CdV du nœud v n’est pas assez couvert par ses voisins, donc ce

dernier devra économiser son énergie afin d’assurer le plus longtemps possible la couverture

de sa région.

L’ajustement dynamique de la vitesse de capture peut être réalisé à l’aide d’une fonction

mathématique cartésienne, appelée « fonction de comportement » (BV pour BehaVior). Cette

dernière nous permet de choisir une vitesse de capture en prenant en considération la

couverture ainsi que le degré de criticité de l’application.

La fonction de comportement (BV) est définie de la manière suivante [101] :

(III.22)

où :

y : est la vitesse de capture du capteur vidéo v, qui indique comme illustré sur la figure

III.17, le résultat de la projection de x sur la courbe représentant le niveau de criticité de

l’application.

x : représente la cardinalité de tous les ensembles couvrants (Co(v)) qui peut prendre des

valeurs dans l’intervalle [0, n] où n indique un haut niveau de couverture.

Comme nous pouvons le distinguer sur la figure III.17, la fonction BV permet de générer

en fonction de r0, soit des courbes concaves ou des courbes convexes. Ce qui donne lieu à

deux classes d’applications définies comme suit [101] :

Classe 1 : correspond à la classe de faible niveau de criticité, appartenant à l’intervalle

[0,0.5[. Comme illustré sur la figure III.16, zone A, la fonction modélisée est de forme

convexe. Les applications visées dans cette classe ne sont pas critiques, donc nous

pouvons utiliser des vitesses de capture relativement faibles, proches de 0.

Classe 2 : correspond à la classe de haut niveau de criticité, où r0 ϵ [0.5, 1]. Utilisée dans

les applications critiques avec des vitesses de captures élevées, proches de Max. Comme

nous pouvons le constater sur la figure III.16, zone B, la fonction modélisée est de forme

concave.


69

Figure III.16: Approche par ajustement dynamique [101]

Pour la modélisation des courbes concaves et convexes, nous pouvons exploiter les

courbes paramétrées de Bézier [102]. Comme nous pouvons le distinguer sur la figure III.17,

la fonction BV pourra dessiner n’importe quelle courbe approchant le point P1 qui se trouve

dans le rectangle délimité par P0 (0, 0) et P2 (hx, hy).

Figure III.17: Fonction de comportement [102]

La fonction BV est alors définie à travers les trois points suivants [102] :

Le point d’origine P0(0, 0),

Le point repère P2(hx, hy), où hx représente la cardinalité maximale de l’ensemble des

ensembles couvrants et hy indique la vitesse maximale de capture qui peut être atteinte par

le capteur.

Le point de comportement P1, se déplace sur l’anti-diagonale afin de transformer la

courbe d’une forme concave en une forme convexe. Ce point change de coordonnées en

fonction de la valeur de r0 ϵ [0, 1]. Donc, le point P1 aura comme coordonnées (hx, 0) si

r0= 0, et inversement, si r

0= 1, alors le point P1 aura les coordonnées (0, hy).


70

III.10 Implémentation et évaluation des performances

Cette section décrit l’environnement de simulation utilisé pour la mise en œuvre du modèle

de couverture proposé. Nous présentons par la suite les paramètres de simulation ainsi qu’une

analyse comparative des différents résultats obtenus.

III.10.1 Le simulateur OMNeT++

L’évaluation des performances de notre proposition est réalisée à l’aide du simulateur

OMNeT++. Nous présentons brièvement dans les sous-sections suivantes le principe

d’exécution d’un modèle de simulation sous OMNeT++ (voir annexe A pour plus de détails).

III.10.1.1 Définition

OMNeT++ est un simulateur réseau orienté objet, modulaire et à évènements discrets, avec

une architecture générique et un code source disponible et gratuit. Ce simulateur peut être

utilisé dans plusieurs domaines tels que la modélisation des réseaux filaires et sans fil, des

protocoles et systèmes distribués, évaluation des performances des systèmes complexes, etc.

[103]. Après comparaison avec les autres simulateurs existants comme NS2 (Network

Simulator) [104] et OPNET (Optimum Network Performance) [105], nous avons choisi

OMNeT++ car il est open-source et plus léger, ce qui nous permet de simuler des réseaux à

large échelle avec un nombre de nœuds important. OMNeT++ fournit une architecture basée

sur des composants programmés en C++ et il permet une réutilisation de modèles existants

facilement.

III.10.1.2 Construction d’un modèle de simulation OMNeT++

Un modèle de simulation sous OMNeT++ est construit à partir de composants (modules)

qui communiquent en échangeant des messages. Les modules peuvent être imbriqués.

Plusieurs modules peuvent être regroupés ensemble pour former un module composé. Le

modèle créé doit constituer une hiérarchie de modules communicants [103]. Les étapes

d’implémentation d’un modèle de simulation OMNeT++ peuvent être résumées comme suit :

1. Coder les composants actifs du modèle, à savoir les modules simples en C++, en

utilisant le noyau de simulation et la librairie de classes.

2. Définir la structure du modèle dans le langage NED (Network Description).

3. Créer le fichier de configuration omnetpp.ini, contenant les paramètres de simulation.

4. Construire l’exécutable de simulation en liant le code avec le noyau de simulation

OMNeT++ et l’une des deux interfaces utilisateur fournies, l’interface en ligne de

commande et l’interface graphique.

5. Exploiter les résultats de la simulation qui sont écrits dans deux types de fichiers de

sortie, scalaire et vecteur (dans notre cas, nous avons utilisé le fichier scalaire).

6. Extraire les résultats que nous voulons interpréter à l’aide d’un script écrit en langage

AWK. Ce dernier nous génère un fichier scalaire que nous pouvons traiter avec des

outils tels que Matlab, Gnuplot, etc.


71

Les étapes du processus de simulation sous OMNeT++ sont illustrées à travers

l’organigramme de la figure III.18.

Figure III.18: Organigramme récapitulatif du processus de simulation sous OMNet++


72

III.10.2 Présentation du modèle de simulation du RCVSF

L’implémentation du modèle de couverture proposé dans cette thèse est réalisée à l’aide du

package développé par le laboratoire LIUPPA (Laboratoire Informatique de l’Université de

Pau et des Pays de l’Adour) [106], dirigé par le Professeur Congduc Pham.

Nous présentons dans ce qui suit les principaux fichiers du code source écrit en C++, que

nous avons traités afin d’apporter les extensions nécessaires pour la réalisation du nouveau

modèle de couverture. Les autres fichiers utilisés sont présentés dans l’annexe B.

1/ videoSensorNode.cc et videoSensorNode.h

Représentent les principaux fichiers où nous avons apporté la majorité de nos extensions.

Les méthodes de base pour définir le comportement du capteur vidéo sont les suivantes :

void initialize( ) : permet d’initialiser les paramètres de la simulation tels que le CdV, la

vitesse de capture, le niveau d’énergie associé à chaque capteur, etc. qui sont entre autres

récupérés à partir du fichier omnetpp.ini.

void handleMessage(cMessage *msg) : est utilisée pour gérer les différents messages

échangés par les nœuds capteurs. Ils peuvent être soit des messages de position pour la

découverte du voisinage, des messages d’activité afin d’indiquer si l’état du capteur est actif

ou en veille, ou encore des messages d’épuisement de la batterie pour avoir une idée sur le

niveau d’énergie de chaque capteur.

void finish( ) : si la simulation se termine avec succès, cette méthode permettra de récupérer

les statistiques collectées durant la simulation pour les afficher ensuite dans le fichier

coverage.sca.

2/ coordNode.cc et coordNode.h

Définissent le nœud coordinateur utilisé pour collecter les statistiques et terminer la

simulation, il permet de donner une vue globale de la simulation.

3/ coverage-nbr_nodes.ned

Permet de générer suivant le nombre de nœuds capteurs qu’on voudra simuler, la position

de chaque capteur vidéo avec leurs différentes connexions. Ce fichier permet aussi de définir

la structure des différents modules de simulation tels que les deux modules simples :

VideoSensorNode et CoordNode ainsi que le module composé de ces deux derniers appelé

VideoSensorNetwork illustrés sur la figure III.19.

4/ omnetpp.ini

Ce fichier est utilisé pour l’exécution de la simulation, il permet la configuration des

paramètres de la simulation (voir figure III.20) en utilisant le fichier coverage-nbr_nodes.ned.

Il génère en sortie un fichier scalaire appelé coverage-nbr_nodes.sca (voir figure III.21) où

nous pouvons récupérer les résultats de simulation. Ce fichier contient entre autres la position

de chaque capteur vidéo, le nombre d’ensembles couvrants et le pourcentage de couverture.


73

simple VideoSensorNode{ //Module1 simple

parameters:

double aov; //Angle de vue

double dov; //Profondeur de vue

double minCaptureRate; //Vitesse de capture minimale

double maxCaptureRate; //Vitesse de capture maximale

double maxBatteryLevel; //Niveau maximal d’énergie

double energyPerCapture; //Energie consommée à chaque capture

…

gates:

input in[]; output out[]; }

simple CoordNode{ //Module2 simple

parameters:

…

double nodesNb; } //Nombre de nœuds dans le réseau

VideoSensorNetwork{ //Module composé

parameters:

double field_x; //Axe x de la zone de déploiement

double field_y; //Axe y de la zone de déploiement

double numNodes; //Nombre de nœuds dans le réseau

submodules:

coordinator: coordNode {

parameters:

…

nodesNb = numNodes;

display("i=block/circle_vs,blue;p=0,0");}

node0: VideoSensorNode {

parameters:

aov=AoV;

dov=DoV;

minCaptureRate= MinCaptureRate;

maxCaptureRate= MaxCaptureRate;

maxBatteryLevel= MaxBatteryLevel;

energyPerCapture= EnergyPerCapture;

gates:

in[37];

out[37];

display("i=block/circle_vs,cyan;p=235,210");

… }

connections:

node0.out[0]-->{delay=0.1ms; datarate=0.0;@display("ls=black,0");} --> node1.in[0];

node0.out[1]-->{delay=0.1ms; datarate=0.0;@display("ls=black,0");} --> node5.in[0];

Figure III.19: Exemple d’un fichier coverage-nbr_nodes.ned

network = SN

num-rngs = 1

seed-0-mt = 1799

output-scalar-file = Coverage-75.sca

output-vector-file = omnetpp.vec

cmdenv-express-mode = true

cmdenv-status-frequency = 10s

**.vector-record-eventnumbers = false

SN.node*.minCaptureRate = 0.5

SN.node*.maxCaptureRate = 6.0


74

SN.node*.aov = 60.0

SN.node*.dov = 25.0

SN.node*.maxBatteryLevel = 100

SN.node*.energyPerCapture = 1

SN.node*.criticalityLevel = 0.9

SN.node*.maxDefinedCoverSetNumber = 12

SN.node*.isCamRotatable = true

SN.field_x = 100

SN.field_y = 100

SN.numNodes = 150

Figure III.20: Exemple d’un fichier omnetpp.ini

run 0 "SN"

…

scalar "SN.coordinator" "nbNodes" 125

scalar "SN.coordinator" "initial_coverage" 92.858

scalar "SN.node34" "pos_X" 995

scalar "SN.node34" "pos_Y" 700

scalar "SN.node34" "num_neighbors" 30

scalar "SN.node34" "mean_numberof_coverset_0" 0

scalar "SN.node34" "mean_coverage_coverset_0" 0

scalar "SN.node76" "pos_X" 881

scalar "SN.node76" "pos_Y" 700

scalar "SN.node76" "num_neighbors" 40

scalar "SN.node76" "mean_numberof_coverset_X" 6

scalar "SN.node76" "mean_coverage_coverset_X" 65.2086666667

…

scalar "SN.coordinator" "**display_stats_time" 10

scalar "SN.coordinator" "**display_stats_percentage_coverage" 98.7723190247

scalar "SN.coordinator" "**display_stats_percentage_active_nodes" 76.8

…


scalar "SN.coordinator" "**display_stats_percentage_coverage" 43.4459066532

scalar "SN.coordinator" "**display_stats_percentage_active_nodes" 12.8


scalar "SN.coordinator" "**display_stats_percentage_coverage" 0

scalar "SN.coordinator" "**display_stats_percentage_active_nodes" 0

…

Figure III.21: Exemple d’un fichier coverage-nbr_nodes.sca

III.10.3 Implémentation des algorithmes du nouveau modèle de couverture

Nous présentons dans cette section la majorité des programmes implémentant les

algorithmes du modèle de couverture proposé.

III.10.3.1 Programme implémentant le calcul des coordonnées des triangles

représentant les CdV du capteur vidéo

Dans le fragment du programme illustré sur la figure III.22, nous présentons

l’implémentation des différentes formules géométriques pour le calcul des trois CdV du

capteur vidéo abordées dans la sous-section III.7.3, pp. 59.


75

void VideoSensorNode::initialize(){

…

this->alpha = PI/10 // α=PI/10 par défaut, 2α=AdV

//Récupérer la profondeur de vue d=pr à partir du fichier omnetpp.ini

this->dov = par("dov");

//Récupérer la position du capteur à partir du fichier .ned

p.x = std::atoi (nodes.getTagArg("p",0));

p.y = std::atoi (nodes.getTagArg("p",1));

//Choisir une direction aléatoire

this->lineOfSight = uniform(0,1) * 2 * PI;

//Calcul des coordonnées du point r

r.x=this->dov*cos(this->lineOfSight)+p.x;

r.y=this->dov*sin(this->lineOfSight)+p.y;

//Calculer la deuxième direction

this->lineOfSight1 = this->lineOfSight+((2*PI)/3);

//Calcul des coordonnées du point r1

r1.x=this->dov*cos(this->lineOfSight1)+p.x;

r1.y=this->dov*sin(this->lineOfSight1)+p.y;

//Calculer la troisième direction

this->lineOfSight2 = this->lineOfSight+((4*PI)/3);

//Calcul des coordonnées du point r2

r2.x=this->dov*cos(this->lineOfSight2)+p.x;

r2.y=this->dov*sin(this->lineOfSight2)+p.y;

// Trouver les points b et c pour chaque CdV

this->findTriangleCoord(p, r, b, c, this->alpha);

this->findTriangleCoord(p, r1, b1, c1, this->alpha);

this->findTriangleCoord(p, r2, b2, c2, this->alpha);

…

// Former le triangle associé à chaque CdV

myFoV=Triangle(p,b,c);

myFoV1=Triangle(p,b1,c1);

myFoV2=Triangle(p,b2,c2);

…}

//Méthode permettant de calculer les coordonnées des points b et c de chaque CdV

void VideoSensorNode::findTriangleCoord(Point p, Point r, Point& b, Point& c,

double alpha) {

double h = this->dov*sin(this->alpha);

double k = this->dov*cos(this->alpha);

b.x = r.x + h*(r.y - p.y)/k;

b.y = r.y - h*(r.x - p.x)/k;

c.x = r.x - h*(r.y - p.y)/k;

c.y = r.y + h*(r.x - p.x)/k;}

Figure III.22: Programme implémentant le calcul des coordonnées des triangles représentant

les CdV du capteur vidéo

III.10.3.2 Programme implémentant la fonction de sélection d’un CdV

Nous présentons dans le programme indiqué sur la figure III.23 la fonction de sélection

d’un CdV qui a été abordée dans la sous-section III.7.4, pp. 60. Pour réaliser ce programme,

nous devons parcourir les nœuds voisins du capteur en utilisant les coordonnées de leur

triangle représentant leur CdV respectifs afin de trouver la direction la moins couverte. Dans

le cas où la première direction est celle qui offre la meilleure couverture, donc le capteur


76

vidéo ne va pas changer son CdV. Dans le cas contraire, le capteur devra transiter vers la

deuxième ou la troisième direction et envoyer un message à ses voisins par l’appel de la

méthode «sendPosition(true)» indiquant sa nouvelle direction.

Triangle VideoSensorNode::direction(){

int i,d=0,d1=0,d2=0,min=0;

Triangle theFoV;

for (i = 0; i<this->nbNeighbors; i++) {

Point PP(this->neighbors[i].p.x,this->neighbors[i].p.y);

Point PB(this->neighbors[i].b.x,this->neighbors[i].b.y);

Point PC(this->neighbors[i].c.x,this->neighbors[i].c.y);

g.x = (this->neighbors[i].p.x + this->neighbors[i].b.x+ this-> neighbors[i].c.x)/3;

g.y = (this->neighbors[i].p.y + this->neighbors[i].b.y+ this-> neighbors[i].c.y)/3;

Point PG(g.x,g.y);

if ((PP.is_inside(this->myFoV) && PG.is_inside(this->myFoV))||

(PB.is_inside(this->myFoV) && PG.is_inside(this->myFoV))||

(PC.is_inside(this->myFoV) && PG.is_inside(this->myFoV))){

d=d+1;

}

if ((PP.is_inside(this->myFoV1) && PG.is_inside(this->myFoV1))||

(PB.is_inside(this->myFoV1) && PG.is_inside(this->myFoV1))||

(PC.is_inside(this->myFoV1) && PG.is_inside(this->myFoV1))){

d1=d1+1;

}

else {if ((PP.is_inside(this->myFoV2) && PG.is_inside(this->myFoV2))||

(PB.is_inside(this->myFoV2) && PG.is_inside(this->myFoV2))||

(PC.is_inside(this->myFoV2) && PG.is_inside(this->myFoV2))){

d2=d2+1;

}}}

if (d<=d1) {if (d<=d2){ min=d;

theFoV=this->myFoV; }

else {min=d2;

theFoV=this->myFoV2;

sendPosition(true); }}

else {if (d1<=d2) {min=d1;


sendPosition(true); }

else {min=d2;


sendPosition(true); }}

Return theFoV;

}

Figure III.23: Programme implémentant la fonction de sélection d’un CdV

III.10.3.3 Programmes implémentant les nouvelles stratégies de construction

d’ensembles couvrants

Les stratégies de construction d’ensembles couvrants proposées sont effectuées après que

chaque capteur vidéo a choisi la direction adéquate pour la couverture de sa région. La

première fonction, présentée sur la figure III.24 et celle que nous avons adoptée dans nos

simulations est réalisée dans un but de tolérance aux pannes. Elle nous permet de générer un

nombre important d’ensembles couvrants. Dans la deuxième proposition, la sélection des


77

nœuds voisins pour la construction d’ensembles couvrants et plus restreinte. En effet, pour

assurer une couverture de meilleure qualité, nous prenons en considération dans ce cas

uniquement les nœuds voisins qui sont très proches du barycentre. Le fragment du programme

implémentant cette deuxième stratégie est illustré sur la figure III.25.

void VideoSensorNode::computeCoverset() {

…

// Calcul du barycentre g

g.x = (p.x + b.x + c.x)/3;

g.y = (p.y + b.y + c.y)/3;

// Point alternatif gp entre g et p

gp.x = (p.x + g.x)/2;

gp.y = (p.y + g.y)/2;

// Point alternatif gpg entre g et gp

gpg.x = (gp.x + g.x)/2;

gpg.y = (gp.y + g.y)/2;

// Point alternatif gc entre g et c

gc.x = (c.x + g.x)/2;

gc.y = (c.y + g.y)/2;

// Point alternatif gcg entre g et gc

gcg.x = (gc.x + g.x)/2;

gcg.y = (gc.y + g.y)/2;

// Point alternatif gb entre g et b

gb.x = (g.x + b.x)/2;

gb.y = (g.y + b.y)/2;

// Point alternatif gbg entre g et gb

gbg.x = (g.x + gb.x)/2;

gbg.y = (g.y + gb.y)/2;

Point PP(p.x,p.y);

Point PB(b.x,b.y);

Point PC(c.x,c.y);

Point PGP(gpg.x,gpg.y);

Point PGB(gbg.x,gbg.y);

Point PGC(gcg.x,gcg.y);

// Construction des ensembles P, B, C et G pour le calcul des ensembles

couvrants

for (int i = 0; i<this->nbNeighbors; i++) {

if (PP.is_inside(this->neighbors[i].fov))

P.insert(this->neighbors[i].id);

if (PB.is_inside(this->neighbors[i].fov))

B.insert(this->neighbors[i].id);

if (PC.is_inside(this->neighbors[i].fov))

C.insert(this->neighbors[i].id);

//Points proches de g

if ((PGP.is_inside(this->neighbors[i].fov))|| (PGB.is_inside(this-

>neighbors[i].fov))|| (PGC.is_inside(this->neighbors[i].fov)))

G.insert(this->neighbors[i].id);}

…}

Figure III.24: Programme implémentant la fonction de construction d’ensembles couvrants

avec tolérance aux pannes


78


…

Point PP(p.x,p.y);

Point PB(b.x,b.y);

Point PC(c.x,c.y);




int ds=0, dsv=0;


//Calcul de la distance entre le point g du capteur et la position p du nœud voisin

dsv=sqrt(((this->neighbors[i].p.x-g.x)*(this->neighbors[i].p.x-g.x))+((this-

>neighbors[i].p.y-g.y)*(this->neighbors[i].p.y-g.y)));

//Calcul de la distance entre les points g et p du capteur vidéo

ds=sqrt(((p.x-g.x)*(p.x-g.x))+((p.y-g.y)*(p.y-g.y)));

if (dsv<=ds){

if (PP.is_inside(this->neighbors[i].fov))


if (PB.is_inside(this->neighbors[i].fov))


if (PC.is_inside(this->neighbors[i].fov))



if ((PGP.is_inside(this->neighbors[i].fov))||(PGB.is_inside(this-

>neighbors[i].fov))||(PGC.is_inside(this->neighbors[i].fov)))

G.insert(this->neighbors[i].id);

}}

Figure III.25: Programme implémentant la fonction de construction d’ensembles couvrants

avec haute précision

III.10.4 Evaluation des performances

Dans cette section nous présentons les paramètres de simulation et l’évaluation des

performances du modèle proposé. Des comparaisons avec le modèle existant [5] sont

effectuées selon différentes métriques de performances.

III.10.4.1 Paramètres de simulation

Nos différentes simulations sont réalisées à l’aide du simulateur OMNeT++ version 4.1,

installé sous le système d’exploitation Ubuntu version 10.04.

Dans toutes nos simulations, les capteurs vidéo sont déployés de manière aléatoire avec le

même rayon de communication (Rc), rayon de couverture (Rs) et CdV.

Initialement, La direction de chaque capteur vidéo est choisie de manière aléatoire.

La simulation commence par une procédure de découverte du voisinage. Après que chaque

capteur vidéo a reçu la position ainsi que la direction de ses nœuds voisins, il pourra alors

sélectionner une direction optimale.


79

Si un capteur vidéo change sa direction initiale, ce dernier doit envoyer un message à ses

nœuds voisins indiquant sa nouvelle direction avant de commencer à calculer ses ensembles

couvrants.

Nous considérons les paramètres de simulation résumés dans le tableau III.1.

Paramètres Valeurs

Champ de communication 30m

Champ de capture 20m

AdV 30°-120°

Profondeur de vue 25m

Capacité de la batterie 100 unités

Vitesse de capture minimale 0,5 images/seconde

Vitesse de capture maximale 6 images/seconde

Nombre de nœuds 75-250

Zone de surveillance 100m * 100m

Tableau III.1: Paramètres de simulation

Les scénarios de simulation se déroulent en plusieurs itérations (rounds) avec une durée de

10 secondes, ainsi à chaque itération les capteurs vidéo décident de rester actifs ou de passer

en mode veille et ceci, selon l’activité de leurs nœuds voisins.

A chaque capture d’image, la capacité de la batterie du nœud sera décrémentée d’une unité.

Un capteur vidéo qui décide de faire une rotation doit décrémenter la capacité de sa

batterie de deux unités.

La vitesse de capture associée à chaque capteur vidéo dépend de la taille de son ensemble

couvrant et la valeur attribuée à la variable représentant la criticité de l’application (voir sous-

section III.9.2.3, pp. 68). Et par conséquent, la vitesse de capture est calculée de manière

dynamique durant la simulation. Pour faire un compromis entre la qualité d’image capturée et

le niveau d’énergie, nous avons opté pour une valeur de criticité moyenne (r0=0,5).

A la fin de chaque itération, les capteurs actifs décrémentent leur batterie d’une unité.

Le scénario de simulation se termine lorsque les capteurs actifs du réseau n’auront plus de

nœuds voisins. Cependant, il est aussi possible de considérer un nombre limite de nœuds

actifs (un certain seuil) comme un critère d’arrêt de la simulation.

Dans les scénarios de simulation présentés dans cette section, nous supposons un champ de

déploiement qui ne contient aucun obstacle.

Afin de réduire l’impact du déploiement aléatoire sur les résultats de simulation, pour

chaque scénario nous avons exécuté cinq simulations pour prendre ensuite la valeur moyenne.


80

III.10.4.2 Métriques de performances

Les performances du modèle proposé sont évaluées selon les trois métriques suivantes :

Pourcentage moyen de couverture : Après le déploiement initial des capteurs vidéo,

le pourcentage moyen de couverture est calculé par un ensemble de nœuds actifs après

la fin de chaque itération de simulation par la formule III.23.

Pourcentage moyen de couverture=

(III.23)

Où :

R : représente le nombre d’itérations (rounds) de la simulation.

Nombre moyen d’ensembles couvrants : Après la phase de construction

d’ensembles couvrants, chaque capteur vidéo calcule le nombre d’ensembles

couvrants trouvés. A la fin de la simulation, nous récupérons les statistiques sur le

pourcentage moyen d’ensembles couvrants de tous les nœuds capteurs en utilisant la

formule III.24.

Nombre moyen d’ensembles couvrants=

(III.24)

Où :

N : représente le nombre total de capteurs vidéo.

Pourcentage moyen de nœuds actifs : représente le nombre moyen de nœuds qui

sont dans l’état actif parmi les capteurs déployés initialement dans la zone de

surveillance. Le résultat sera alors la moyenne entre le pourcentage moyen de nœuds

actifs trouvé lors de chaque itération de simulation jusqu’à la fin de la durée de vie du

réseau. Ce pourcentage est exprimé par la formule III.25.

Pourcentage moyen de nœuds actifs =

(III.25)

Avec :

N : le nombre total de capteurs vidéo,

R : le nombre d’itérations (rounds) de la simulation.

III.10.4.3 Résultats de simulation et interprétation

Nous présentons dans ce qui suit les résultats de performances obtenus à l’aide du

simulateur OMNeT++. Le modèle de couverture proposé où les capteurs vidéo sont dotés de

la fonction de rotation, est appelé RCVSFR. La nouvelle stratégie de construction d’ensembles

couvrants utilisée dans ce modèle est celle qui a été présentée dans la sous-section III.8.1, pp.

61.


81

Les différents résultats de performances sont comparés avec le modèle de couverture

original d’un RCVSF proposé par [5], avec capteurs vidéo qui ne disposent que d’une seule

direction.

A/ Pourcentage moyen de couverture avec variation de la densité du réseau

Les premiers résultats de simulation présentent le pourcentage moyen de couverture obtenu

lors des différentes itérations de simulation.

La figure III.26 indique que le pourcentage de couverture obtenu en utilisant le modèle

proposé est plus élevé par rapport aux résultats obtenus par le modèle original. Le modèle

RCVSFR fournit un meilleur pourcentage de couverture car chaque capteur vidéo choisit au

départ la direction la moins couverte par les autres capteurs. Cependant, nous pouvons

remarquer que lorsque la densité du réseau augmente (avec 250 capteurs vidéo), nous

pouvons garantir une bonne couverture de la zone de surveillance par les deux modèles.

Figure III.26: Pourcentage moyen de couverture

B/ Nombre moyen d’ensembles couvrants avec variation de la densité du réseau

La figure III.27 illustre la relation entre le nombre moyen d’ensembles couvrants et la

densité du réseau. Les résultats présentés sur cette figure indiquent que le nombre moyen

d’ensembles couvrants augmente linéairement lorsque le nombre de capteurs vidéo est plus

important.

Le nombre d’ensembles couvrants qu’un nœud capteur peut obtenir dépend en fait de la

densité du réseau et de la direction aléatoire que chaque capteur vidéo peut prendre à chaque

simulation. Le modèle RCVSFR permet à chaque capteur vidéo de construire plus d’ensembles

couvrants dans le cas où le réseau est dense (dépasse 150 nœuds). Ce qui a été vérifié grâce à

la nouvelle stratégie de construction d’ensembles couvrants. Lorsque le réseau n’est pas assez

dense, le modèle RCVSF où les capteurs sont dotés que d’une seule direction fournit de

meilleurs résultats. En effet, la probabilité de chevauchement des capteurs vidéo diminue en

orientant les capteurs vers les régions les moins couvertes surtout si le nombre de capteurs est

faible.

80 100 120 140 160 180 200 220 240 26050

55

60

65

70

75

80

Densité du réseau

Po

urc

enta

ge

(%)

mo

yen

de

cou

ver

ture

RCVSF

RCVSFR


82

Figure III.27: Nombre moyen d’ensembles couvrants

C/ Pourcentage moyen de nœuds actifs avec variation de la densité du réseau

Comme nous pouvons le constater sur la figure III.28, le fait d’augmenter la densité du

réseau (plus de 150 nœuds) permet de diminuer le pourcentage de nœuds actifs. Etant donné

que nous avons une meilleure communication entre les capteurs vidéo ; nous pouvons déduire

que la taille du réseau a un impact sur le niveau d’énergie des nœuds capteurs. La

performance du modèle proposé est plus significative en utilisant un réseau dense, car nous

obtenons un pourcentage réduit de nœuds actifs du moment que nous aurons généré plus

d’ensembles couvrants. Ces résultats sont intéressants dans le cas d’une défaillance de nœuds

puisque nous aurons d’autres nœuds disponibles qui pourront assurer la couverture des

capteurs défectueux.

Figure III.28: Pourcentage moyen de nœuds actifs

D/ Impact de l’angle de vue AdV sur le nombre moyen d’ensembles couvrants

Nous avons également examiné l’effet de la variation de l’angle de vue AdV de 30° jusqu’à

120° sur le nombre moyen d’ensembles couvrants trouvés. A partir des résultats de simulation

de la figure III.29, nous pouvons constater qu’en utilisant un AdV assez large permet d’obtenir

un nombre plus important d’ensembles couvrants, ce qui est évident car cela nous permettra

80 100 120 140 160 180 200 220 240 2602

4

6

8

10

12

14

Densité du réseau

No

mb

re m

oy

en d

'en

sem

ble

s co

uv

ran

ts

RCVSF

RCVSFR

80 100 120 140 160 180 200 220 240 26038

39

40

41

42

43

44

45

Densité du réseau

Po

urc

enta

ge

(%)

mo

yen

de

no

eud

s ac

tifs

RCVSF

RCVSFR


83

de couvrir plus de points dans le champ de déploiement. Cependant, les résultats de

simulation montrent que les performances sont meilleures en utilisant un AdV égal à 90° au

lieu de 120°. En effet, la distance entre le centre de gravité g et l’un des points {p,b,c}

(illustrés sur la figure III.8, pp. 55) est plus grande en utilisant un AdV de 120°, c’est pour

cette raison que le nombre d’ensembles couvrants diminue dans ce cas.

Figure III.29: Impact de l’angle de vue AdV sur le nombre moyen d’ensembles couvrants

E/ Impact de l’angle de vue AdV sur le pourcentage moyen de couverture

La figure III.30 représente la relation entre la densité du réseau et le pourcentage moyen de

couverture en variant l’AdV de 30° jusqu’à 120°. Les résultats de simulation révèlent qu’un

AdV large de 120° nous permet d’obtenir une meilleure couverture par rapport aux autres

AdV. Cependant, due au coût des capteurs vidéo, dans une implémentation réelle, les caméras

à faible résolution embarquées sur les capteurs sans fils possèdent un AdV limité. Et par

conséquent, pour garantir une couverture satisfaisante tout en prenant en considération les

capacités limitées des capteurs vidéo, il serait judicieux de choisir un AdV limité.

Figure III.30: Impact de l’angle de vue AdV sur le pourcentage moyen de couverture

80 100 120 140 160 180 200 220 240 2600

20

40

60

80

100

120

140

160

Densité du réseau

No

mb

re m

oy

en d

'en

sem

ble

s co

uv

ran

ts

AdV=30°

AdV=60°

AdV=90°

AdV=120°

80 100 120 140 160 180 200 220 240 2600.45

0.5

0.55

0.6

Densité du réseau

Po

urc

enta

ge

(%)

mo

yen

de

cou

ver

ture

AdV=30°

AdV=60°

AdV=90°

AdV=120°


84

III.11 Conclusion

Dans ce chapitre nous avons proposé une solution au problème de couverture dans un

RCVSF. Un nouveau modèle de couverture à l’aide de capteurs vidéo rotationnels a été

présenté. Nous avons exposé dans cette première partie de nos contributions, les différents

programmes implémentant les algorithmes utilisés pour la sélection de CdV et la construction

d’ensembles couvrants.

Les résultats de simulation indiquent que le modèle de couverture proposé offre de

meilleurs résultats en termes de pourcentage de couverture. Cependant, les applications visées

dans cette thèse concernent plutôt la surveillance de zones sensibles où la présence

d’obstacles dans l’environnement est inévitable. Nous proposons alors dans le chapitre

suivant une amélioration du modèle de couverture présenté dans ce chapitre. Ceci, dans le but

de traiter le problème d’occlusion des CdV des capteurs vidéo afin d’offrir une meilleure

couverture de la zone de surveillance.

Chapitre IV. Modèle de couverture fiable avec prise en considération d’obstacles

85

Chapitre IV

Modèle de couverture fiable avec prise en considération

d’obstacles

IV.1 Introduction

Dans un déploiement planifié, les capteurs vidéo sont placés de façon régulière en fonction

de la topologie de la zone de surveillance. Cependant, lorsque le déploiement des capteurs est

effectué de manière aléatoire et dans des endroits inaccessibles, la présence d’obstacles peut

provoquer l’occlusion des CdV des capteurs vidéo.

Nous proposons dans ce chapitre un modèle de couverture avec prise en considération de la

présence d’obstacles dans l’environnement de surveillance. Cette solution nous permet de

minimiser les occlusions, et par conséquent, d’augmenter le pourcentage de couverture de la

zone d’intérêt.

L’objectif de ce chapitre est donc de présenter en premier lieu la notion d’occlusion dans

un RCVSF. En second lieu, nous développons les extensions apportées aux algorithmes

utilisés dans le modèle de couverture présenté dans le chapitre III. Enfin, les résultats

d’expérimentation sont illustrés pour analyser le comportement du modèle proposé dans un

environnement avec différents degrés d’occlusions.

IV.2 Notion d’occlusion

La notion d’occlusion est relative à la présence d’obstacles qui peuvent être des murs, des

arbres ou n’importe quel autre objet physique qui ne devrait pas faire partie du champ de

capture habituel [107].

Dans une application de surveillance visuelle, le CdV des capteurs peut être soudainement

obstrué par un obstacle statique ou bien mobile. Si une telle occlusion est permanente, le

capteur vidéo peut devenir non-opérationnel pour assurer des fonctions de surveillance de

l’application. L’occlusion est fréquemment imprévisible et peut réduire sévèrement le champ

de couverture de plusieurs capteurs vidéo, mais son impact réel dépend des exigences de

l’application. La figure IV.1(b), illustre une représentation graphique d’une occlusion qui

résulte de l’existence d’un obstacle entre le capteur vidéo et le point d’intérêt (la cible) qu’il

doit couvrir.


86

La présence d’un obstacle peut engendrer soit une occlusion totale ou une occlusion

partielle, comme illustré sur les figures IV.1(c) et IV.1(d). Dans la première, le CdV du

capteur vidéo est obstrué complètement par l’obstacle, ce qui rend impossible la couverture de

la cible. Dans le second, l’occlusion du CdV par l’obstacle n’est pas complète, donc il se peut

que la cible à couvrir se situe dans la partie du CdV qui n’est pas affectée par l’obstacle [108].

(a) CdV sans occlusion (b) CdV avec occlusion (c) Occlusion totale (b) Occlusion partielle

Figure IV.1: Occlusion du CdV d’un capteur vidéo

Le modèle de couverture avec prise en considération d’obstacles présenté dans ce chapitre

a la capacité de contourner les régions d’occlusions qui peuvent apparaître lors du premier

déploiement. Comme illustré sur la figure IV.2(a), la présence d’obstacles engendre

l’occlusion du CdV du nœud vidéo v1. Ce genre de situation a été pris en considération dans la

fonction de sélection de CdV avec évitement d’obstacles (voir section IV.5, pp. 89). Notre

objectif est de trouver la meilleure orientation des capteurs vidéo tout en évitant les régions

d’occlusion. Comme nous pouvons le distinguer sur la figure IV.2(b), après le second

déploiement des capteurs vidéo, la région est maintenant couverte par le CdV du nœud vidéo

v2 qui n’est pas affecté par un obstacle.

(a) Déploiement initial (b) Second déploiement après sélection de CdV

Figure IV.2: RCVSF avec présence d’obstacles


87

IV.3 Autres formes géométriques d’un obstacle

Pour la modélisation d’un obstacle dans un environnement de simulation, nous pouvons

choisir plusieurs formes géométriques en fonction de la forme et la taille de l’obstacle que

nous voulons modéliser. Nous pouvons utiliser un segment, un rectangle, un cercle ou encore

un polygone, avec des positions prédéfinies à l’avance comme la modélisation sous forme de

grille, ou bien placés de manière aléatoire, ce qui se rapproche le plus de la réalité.

Nous présentons dans ce qui suit des éléments géométriques qui peuvent être utilisés pour

décrire la forme d’un obstacle. Ces éléments de base peuvent être utilisés pour représenter des

objets simples du monde réel ou encore peuvent être combinés pour produire des objets plus

complexes (voir figure IV.3) [109].

Obstacles rectangulaires : ce type d’obstacles correspond généralement aux constructions

et gros véhicules. Des obstacles de cette forme ne sont pas supposés être trop grands

comparés aux dimensions du champ de déploiement du réseau global. Des obstacles de ce

type peuvent être trouvés surtout dans des milieux urbains.

Obstacles circulaires : ce type d’obstacles correspond aux grands rochers, lacs et grandes

souches d’arbres. Nous trouvons généralement ce type d’obstacles dans des environnements

en « outdoor », des champs de bataille, etc.

Obstacles en anneau : ce type d’obstacles peut représenter des zones du réseau qui sont

isolées des autres nœuds, c’est-à-dire, les nœuds qui se trouvent à l’intérieur de l’anneau sont

séparés du reste du réseau par la partie extérieure de l’obstacle.

Obstacles en bandes : ce type d’obstacles peut correspondre par exemple à une rivière

(obstacle de communication) traversant un réseau de déploiement ou un long mur (obstacle

physique) situé dans la zone de déploiement.

Figure IV.3: Combinaison de plusieurs formes d’obstacles pour représenter des obstacles

plus complexes [109]

Dans le cadre de notre travail, les obstacles déployés aléatoirement, utilisés afin de générer

des occlusions dans le RCVSF sont représentés par des segments de différentes tailles. Les

autres formes d’obstacles présentées dans cette section peuvent faire l’objet de travaux

complémentaires sur le modèle de couverture proposé (voir perspectives).


88

IV.4 Modèle de couverture avec évitement d’obstacles

La présence d’obstacle dans l’environnement de surveillance peut produire une réduction

du champ de capture à cause de l’effet d’occlusion des CdV des capteurs vidéo. L’avantage

majeur d’utiliser des capteurs vidéo rotationnels est d’avoir la flexibilité d’ajuster les

orientations des capteurs.

Dans cette section, nous présentons les extensions apportées au modèle de couverture avec

capteurs vidéo rotationnels. Nous prenons en considération la présence éventuelle d’obstacles

afin de pouvoir les détecter et les éviter. Ceci, dans le but d’assurer une meilleure couverture

de la zone de surveillance.

Comme nous l’avons déjà mentionné dans la sous-section III.7.4, pp. 59, après que chaque

capteur vidéo a calculé pour chaque direction le nombre de nœuds voisins qui peuvent couvrir

son CdV respectif, en outre, le capteur vidéo rotationnel doit détecter parmi ses trois CdV

celui qui est affecté par un obstacle.

La figure IV.4 illustre un capteur vidéo rotationnel dont la troisième direction contient une

occlusion suite à la présence d’un obstacle dans le CdV3.

Pour traiter la présence d’occlusions dans les différents CdV des capteurs déployés, nous

avons utilisé la fonction booléenne obstacleList.intersects(Segment(FoV.p, FoV.r)) (voir la

fonction de la figure IV.5, ligne 20). Cette dernière retourne vrai s’il existe au moins un point

d’intersection entre un segment de la liste d’obstacles déjà prédéfinie et le vecteur de direction

du CdV du capteur vidéo (Segment (FoV.p, FoV.r)). Nous avons choisi le segment du vecteur

de direction pour le calcul de l’intersection afin d’augmenter les chances d’éviter des

occlusions totales du CdV des capteurs vidéo.

Enfin, le capteur vidéo transite vers la direction qui contient le minimum de nœuds voisins

avec une absence d’occlusion afin d’assurer une couverture maximale tout en évitant les

obstacles.

Figure IV.4: Modèle d’un capteur vidéo rotationnel avec présence d’obstacle


89

IV.5 Fonction de sélection d’un CdV avec évitement d’obstacles

Pour la sélection d’un CdV avec évitement d’obstacles, nous proposons la fonction de la

figure IV.5 qui est une extension de la fonction illustrée sur la figure III.11 (voir la sous-

section III.7.4, pp. 60) qui consiste à parcourir les trois directions du capteur vidéo afin

d’éviter celles qui présentent des occlusions.

1: Début


3: t1: la première direction aléatoire du nœud v

4: obstacleList: un ensemble de segments générés aléatoirement

5: Sortie: CdV


7: v est inactif

8: //Calculer les trois CdV du nœud capteur v


10: //Calculer la deuxième direction

11: t2=t1+(2*PI)/3


13: //Calculer la troisième direction

14: t3=t1+(4*PI)/3


16: //Analyser le voisinage pour les trois CdV du nœud capteur v

17: pour chaque CdVi, i=1,3 faire

18: Calculer le nombre de nœuds voisins ϵ N(v) qui couvrent au moins deux points du CdVi

19: //Vérifier pour chaque direction s’il existe un point d’intersection entre son CdV

respectif et un obstacle

20: occluded_CdVi=obstacleList.intersects(Segment(CdVi.p, CdVi.r))

21: fin pour

22: //Chercher le CdV qui assure la couverture de la région la moins couverte

23: si (((nombre de nœuds voisins ϵ N(v) couvrant CdV1) < (nombre de nœuds voisins ϵ

N(v) couvrant CdV2)) && occluded_CdV1 = = FALSE) alors

24: CdV = CdV1;

25: finsi

26: Sinon si (occluded_CdV2 = = FALSE) alors

27: CdV = CdV2;

28: finsi

29: si (((nombre de nœuds voisins ϵ N(v) couvrant CdV 3) < (nombre de nœuds voisins ϵ

N(v) couvrant CdV)) && occluded_CdV3 = = FALSE) alors

30: CdV = CdV 3;

31: finsi


90

32: //Vérifier si le CdV trouvé est différent du premier CdV associé au nœud capteur v

33: si CdV != CdV1 alors

34: Envoyer sa nouvelle direction à ses nœuds voisins

35: finsi

36: Retourner CdV

37: Fin

Figure IV.5: Fonction de sélection de CdV avec évitement d’obstacles

IV.6 Fonction de construction d’ensembles couvrants avec évitement

d’obstacles

Concernant la stratégie de construction d’ensembles couvrants avec évitement d’obstacles,

nous avons apporté quelques extensions à la fonction proposée dans la section III.8.1.1, pp.

61. Notre objectif ici est d’éviter les CdV avec occlusions et donc de sélectionner uniquement

les nœuds voisins qui ne sont affectés par aucun obstacle.

Nous avons utilisé également la fonction booléenne obstacleList.intersects(Segment

(point1, point2)) (voir la fonction de la figure IV.6, lignes : 19, 24, 28 et 33) qui retourne vrai

s’il existe au moins un point d’intersection entre un segment de la liste d’obstacles déjà

prédéfinie et le segment (point1, point2). Le point1 désigne l’un des points du CdV du capteur

vidéo et le point2 représente la position de chaque nœud voisin.

Par exemple, si le CdV du nœud voisin v’ qui couvre le point p du CdV du nœud v n’est pas

affecté par un obstacle alors la fonction booléenne obstacleList.intersects(Segment(v.p,

v’[i].p)) (voir la fonction de la figure IV.6, ligne 19) retournera faux, ce qui nous permet

d’inclure le nœud v’ dans l’ensemble P.

1: Début




5: gp’, gb’, gc’: points proches du barycentre du triangle pbc


7: obstacleList: un ensemble de segments générés aléatoirement

8: Sortie: Co(v)


10: v est inactif

11: //Calculer les points intermédiaires gp’, gb’et gc’

12: gp’= le milieu entre le point g et le centre du segment [pg]

13: gb’= le milieu entre le point g et le centre du segment [bg]

14: gc’= le milieu entre le point g et le centre du segment [cg]



91


17: pour (i= 0; i< |N(v)|; i++) faire


et ce dernier n’est pas affecté par un obstacle

19: si ((p.is_inside(v’[i].CdV) && !obstacleList.intersects(Segment(v.p, v’[i].p))) alors


21: finsi

22: //Vérifier si le point b du CdV du capteur v est à l’intérieur du CdV du nœud voisin

23: v’[i] et ce dernier n’est pas affecté par un obstacle

24: si ((b.is_inside(v’[i].CdV) && !obstacleList.intersects(Segment(v.b, v’[i].p))) alors


26: finsi


et ce dernier n’est pas affecté par un obstacle

28: si ((c.is_inside(v’[i].CdV) && !obstacleList.intersects(Segment(v.c, v’[i].p))) alors


30: finsi

31: //Vérifier si l’un des point gp’, gb’ ou gc’ du CdV du capteur v est à l’intérieur du

32: CdV du nœud voisin v’[i] et ce dernier n’est pas affecté par un obstacle

33: si ((gp’.is_inside(v’[i].CdV)&& !obstacleList.intersects (Segment(v.gp’, v’[i].p))) ||

(gb’.is_inside(v’[i].CdV) && !obstacleList.intersects(Segment(v.gb’, v’[i].p))) ||

(gc’.is_inside(v’[i].CdV) && !obstacleList.intersects(Segment(v.gc’, v’[i].p)))) alors


35: finsi

36: fin pour

37: //Calculer les ensembles PG, BG et CG

38: PG={P∩G}

39: BG={B∩G}

40: CG={C∩G}



43: Retourner Co(v)

44: Fin

Figure IV.6: Fonction de construction d’ensembles couvrants avec évitement d’obstacles

IV.7 Applications visées pour l’exploitation du modèle de couverture

proposé

Avant de mettre en place un RCVSF pour réaliser une application orientée surveillance,

nous devons prendre en considération le degré de la criticité ainsi que les exigences


92

spécifiques de l’application envisagée. De ce fait, nous présentons dans les deux sous-sections

suivantes deux types d’applications qui sont concrétisées à l’aide du modèle de couverture

proposé.

IV.7.1 Applications pour l’économie d’énergie

Dans ce type d’applications de surveillance, le but est de prolonger la durée de vie du

réseau. Ce dernier doit rester opérationnel sur le long terme afin de pouvoir détecter une

intrusion. Le fait d’utiliser des capteurs vidéo rotationnels combinés avec la technique de

construction d’ensembles couvrants permet d’améliorer la couverture de la zone de

déploiement tout en économisant l’énergie associée aux capteurs vidéo. L’application de

surveillance la plus envisageable dans ce cas de figure est la surveillance de zones frontières.

Dans ce type d’applications, nous pouvons exploiter la technique d’ordonnancement des

capteurs vidéo en se basant sur l’approche par ajustement dynamique. Dans ce cas, pour

améliorer la qualité de la surveillance, les nœuds se situant sur la zone frontière pourront

augmenter leur vitesse de capture, tandis que les nœuds qui se situent dans la zone intérieure

peuvent se mettre en veille.

IV.7.2 Applications pour la tolérance aux pannes

Suite aux récentes catastrophes, tant naturelles (tremblement de terre, tsunami, etc.) que

d’origine humaine (accidents dans les mines), l’utilisation des nouvelles technologies est

devenue primordiale. Ceci, afin de pouvoir assister les opérations de secours et reporter les

informations pertinentes sur l’état des lieux en temps réel. En effet l’utilisat ion des capteurs

vidéo permet un déploiement rapide et efficace dans un environnement de désastre dont

l’accès est quasiment impossible aux équipes de secours.

Les principales contributions du modèle proposé dans le cadre de la couverture avec

tolérance aux pannes sont explicitées dans l’exemple illustré sur la figure IV.7.

Dans le scénario présenté sur la figure IV.7, nous simulons une situation de gestion post-

désastre, où 25 capteurs vidéo sont déployés aléatoirement avec un ensemble d’obstacles pour

générer des occlusions [8].

La figure IV.7(a), illustre le premier déploiement des capteurs vidéo où les CdV des

capteurs vidéo sont limités à la première direction aléatoire associée à chaque caméra. Nous

pouvons remarquer que les régions critiques de la zone de déploiement ne sont pas

complètement couvertes par les capteurs, du moment que les personnes situées dans les

régions 2 et 4 sont hors du CdV des capteurs vidéo.

La figure IV.7(b), présente la nouvelle topologie du RCVSF après que chaque capteur

vidéo a sélectionné un autre CdV si ce dernier est meilleur que son CdV initial afin de

maximiser la couverture de la région. Comme nous pouvons le distinguer sur la figure

IV.7(b), avec le second déploiement, les régions 2 et 4 sont désormais complètement

couvertes après la deuxième configuration des capteurs vidéo.


93

De plus, comme nous l’avons déjà abordé dans la section IV.2, pp. 86, nous pouvons

contourner les régions d’occlusion à l’aide de la nouvelle fonction de sélection de CdV.

Comme illustré sur la figure IV.7(a), la présence d’un obstacle devant la région 3 engendre

l’occlusion du CdV du nœud vidéo v1. Comme nous pouvons le constater sur la figure IV.7(b),

cette situation peut être évitée en changeant l’orientation du capteur vidéo v2 vers la région la

moins couverte.

Dans ce type d’applications, la redondance des capteurs vidéo est exploitée pour la

tolérance aux pannes. Contrairement à l’application précédente où la fonction de construction

d’ensembles couvrants est plutôt utilisée pour économiser de l’énergie.

(a) Déploiement initial (b) Second déploiement après sélection de CdV

Figure IV.7: Déploiement d’un RCVSF pour une gestion post-désastre

IV.8 Implémentation des algorithmes

L’environnement et le modèle de simulation sont présentés dans la section III.10, pp. 70.

Nous reprenons dans les sous-sections suivantes uniquement les programmes du modèle de

couverture nécessaires à la prise en considération d’obstacles dans la zone de surveillance.

Une analyse comparative est présentée par la suite entre les résultats de simulation du

nouveau modèle de couverture avec évitement d’obstacles, et d’autres modèles de couverture

existants.

IV.8.1 Programme implémentant la fonction de sélection d’un CdV avec évitement

d’obstacles

Le programme de la figure IV.8 illustre une amélioration de la fonction de sélection d’un

CdV. Notre objectif est d’éviter de faire transiter les capteurs vidéo vers la direction qui est

obstruée par la présence d’obstacles, de telle sorte à minimiser l’effet d’occlusion.

Triangle VideoSensorNode::direction(){

int i,d=0,d1=0,d2=0,min=0;

for (i = 0; i<this->nbNeighbors; i++) {

Point PP(this->neighbors[i].p.x,this->neighbors[i].p.y);


94

Point PB(this->neighbors[i].b.x,this->neighbors[i].b.y);

Point PC(this->neighbors[i].c.x,this->neighbors[i].c.y);

g.x = (this->neighbors[i].p.x + this->neighbors[i].b.x+ this->neighbors[i].c.x)/3;

g.y = (this->neighbors[i].p.y + this->neighbors[i].b.y + this->

neighbors[i].c.y)/3;

Point PG(g.x,g.y);

if ((PP.is_inside(this->myFoV) && PG.is_inside(this->myFoV)) ||

(PB.is_inside(this->myFoV) && PG.is_inside(this->myFoV)) || (PC.is_inside(this->

myFoV) && PG.is_inside(this->myFoV))){

d=d+1;

}

if ((PP.is_inside(this->myFoV1) && PG.is_inside(this->myFoV1)) ||

(PB.is_inside(this->myFoV1) && PG.is_inside(this->myFoV1)) || (PC.is_inside(this-

>myFoV1) && PG.is_inside(this->myFoV1))){

d1=d1+1;}

else {if ((PP.is_inside(this->myFoV2) && PG.is_inside(this->myFoV2)) ||

(PB.is_inside(this->myFoV2) && PG.is_inside(this->myFoV2)) || (PC.is_inside(this-

>myFoV2) && PG.is_inside(this->myFoV2))){

d2=d2+1;

}}}

Triangle theFoV;

/* Si les trois CdV présentent des occlusions donc le capteur vidéo gardera sa

première direction */

if(CoordNode->obstacleList.intersects(Segment(this->myFoV.p, this->myFoV.r)) &&

CoordNode->obstacleList.intersects(Segment(this->myFoV1.p, this->myFoV1.r1)) &&

CoordNode->obstacleList.intersects(Segment(this->myFoV2.p, this->myFoV2.r2))){

theFoV=this->myFoV;

}

if ((d<=d1) && !CoordNode->obstacleList.intersects(Segment(this->myFoV.p, this->

myFoV.r))) {if (d<=d2){ min=d;

theFoV=this->myFoV;

}

Else {if(!CoordNode->obstacleList.intersects(Segment(this->myFoV2.p, this->

myFoV2.r2))){min=d2;


sendPosition(true);

} }

}

else {if ((d1<=d2) && !CoordNode->obstacleList.intersects(Segment(this-> myFoV1.p,

this->myFoV1.r1))){min=d1;


sendPosition(true);

}

else {if(!CoordNode->obstacleList.intersects(Segment(this->myFoV2.p, this->

myFoV2.r2))){min=d2;


sendPosition(true);

} }

}

return theFoV;

}

Figure IV.8: Programme implémentant la fonction de sélection d’un CdV avec évitement

d’obstacles


95

IV.8.2 Programme implémentant la fonction de construction d’ensembles couvrants

avec évitement d’obstacles

Le fragment de programme illustré sur la figure IV.9, présente la fonction de construction

d’ensembles couvrants avec prise en considération d’obstacles dans la sélection des nœuds

voisins. L’ensemble couvrant final qui est le résultat du produit Cartésien doit contenir

uniquement les nœuds voisins dont le CdV ne présente aucune occlusion.


…

Point PP(p.x,p.y);

Point PB(b.x,b.y);

Point PC(c.x,c.y);




// Construction des ensembles P, B, C et G pour le calcul des ensembles couvrants


if (PP.is_inside(this->neighbors[i].fov) &&

!CoordNode-> obstacleList.intersects(Segment(PP, this->neighbors[i].p))){


}

if (PB.is_inside(this->neighbors[i].fov) &&

!CoordNode-> obstacleList.intersects(Segment(PB, this->neighbors[i].p))){


}

if (PC.is_inside(this->neighbors[i].fov) &&

!CoordNode-> obstacleList.intersects(Segment(PC, this->neighbors[i].p))){


}


if ((PGP.is_inside(this->neighbors[i].fov) &&

!CoordNode-> obstacleList.intersects(Segment(PGP, this->neighbors[i].p)))||

(PGB.is_inside(this->neighbors[i].fov) &&

!CoordNode-> obstacleList.intersects(Segment(PGB, this->neighbors[i].p)))||

(PGC.is_inside(this->neighbors[i].fov) &&

!CoordNode-> obstacleList.intersects(Segment(PGC, this->neighbors[i].p)))){

G.insert(this->neighbors[i].id);}

}

…

}

Figure IV.9: Programme implémentant la fonction de construction d’ensembles couvrants

avec évitement d’obstacles

IV.9 Evaluation des performances

Nous présentons dans cette section l’évaluation des performances du modèle proposé avec

prise en considération d’obstacles dans l’environnement de déploiement.

L’environnement d’exécution des simulations est similaire à celui que nous avons présenté

précédemment dans la sous-section III.10.4.1, pp. 79. Cependant, dans cette deuxième

catégorie de scénarios de simulations, plusieurs obstacles sont introduits dans la zone de


96

surveillance, afin de générer des occlusions et rendre quelques régions non couvertes. Ce qui

est important à prendre en considération dans le contexte des applications de surveillance

envisagées.

Les obstacles que nous avons considérés dans notre environnement de simulation sont

représentés par des segments de différentes tailles, positionnés de manière aléatoire lors de

l’étape d’initialisation.

Les simulations sont réalisées respectivement dans un environnement avec de faibles

occlusions et un autre avec de fortes occlusions ; ceci dans le but d’illustrer la robustesse de

notre modèle face à la présence d’obstacles dans la zone de surveillance.

Dans la première partie de nos simulations avec existence d’obstacles, un ensemble de 25

obstacles sont déployés afin d’obtenir une zone de surveillance avec de faibles occlusions.

Dans la seconde partie, 50 obstacles sont déployés aléatoirement afin d’étudier le

comportement du modèle proposé dans une zone de surveillance avec de fortes occlusions.

Les résultats de simulation présentés dans cette section concernent en premier lieu les

comparaisons effectuées entre le modèle de couverture proposé avec prise en considération

d’obstacles (appelé RCVSFROb) et le modèle existant [5]. En second lieu, nous validons les

performances de notre approche avec un autre modèle de couverture existant. Nous nous

sommes intéressés au modèle de couverture DVSA [90] présenté dans la sous-section II.7.2.2,

pp. 44, dans le but de comparer ses performances avec notre proposition.

IV.9.1 Résultats de simulation des modèles RCVSFROb et RCVSF

Nous présentons dans les sous-sections suivantes une comparaison entre les résultats de

simulation du modèle de couverture proposé RCVSFROb et le modèle existant RCVSF.

IV.9.1.1 Pourcentage moyen de couverture avec variation de la densité du réseau

A partir des résultats illustrés sur la figure IV.10, nous pouvons constater que le

pourcentage moyen de couverture obtenu en utilisant le modèle RCVSFROb est meilleur par

rapport à celui obtenu par le modèle RCVSF. Ce qui est vérifié même dans le cas de présence

d’un nombre important d’obstacles dans la zone de déploiement. Puisque le modèle proposé

diminue considérablement l’effet d’occlusion en évitant au maximum les obstacles présents

dans le champ de déploiement, cette technique nous permet d’améliorer le pourcentage de

couverture de la zone de surveillance.


97

Figure IV.10: Pourcentage moyen de couverture avec variation de la densité du réseau

IV.9.1.2 Pourcentage moyen de couverture avec variation du champ de communication

Dans les résultats de simulation de la figure IV.11, le nombre de nœuds est fixé à 250

capteurs vidéo pour différents champs de communication de 30m jusqu’à 90m. Lorsque le

champ de communication augmente, nous pouvons remarquer que le pourcentage de

couverture est plus important. En effet, plus le champ de communication est large, plus le

nombre de nœuds voisins qu’un nœud capteur peut avoir augmente. Ce qui nous permet

d’avoir un nombre considérable d’ensembles couvrants et par conséquent un pourcentage de

couverture plus élevé surtout dans un environnement avec de faibles occlusions. Dans les

simulations où nous avons généré plus d’obstacles, la performance des deux modèles diminue

du moment que nous avons un nombre plus important de CdV avec occlusion.

Figure IV.11: Pourcentage moyen de couverture avec variation du champ de

communication

IV.9.1.3 Nombre moyen d’ensembles couvrants

Les résultats de simulation présentés sur la figure IV.12 indiquent le nombre moyen

d’ensembles couvrants avec variation de la densité du réseau. Nous pouvons remarquer une

évolution croissante en utilisant un réseau dense dans une zone de déploiement avec de faibles

occlusions. Dans ce cas, le nombre de nœuds voisins dont le CdV est affecté par des obstacles

80 100 120 140 160 180 200 220 240 26045

50

55

60

65

70

Densité du réseau

Po

urc

enta

ge

(%)

mo

yen

de

cou

ver

ture

RCVSF Faibles Occlusions

RCVSFROb

Faibles Occlusions

RCVSF Fortes Occlusions

RCVSFROb

Fortes Occlusions

30 40 50 60 70 80 9052

54

56

58

60

62

64

66

68

70

72

Champ de communication (m)

Po

urc

enta

ge

(%)

mo

yen

de

cou

ver

ture


RCVSFROb

Faibles Occlusions


RCVSFROb

Fortes Occlusions


98

est limité. Le nombre d’ensembles couvrants diminue en utilisant le modèle original. Ceci, à

cause du nombre de CdV avec occlusions qui réduit les chances de trouver des nœuds

redondants pour la couverture.

Figure IV.12: Nombre moyen d’ensembles couvrants

IV.9.1.4 Pourcentage moyen de nœuds actifs

A partir des résultats de simulation illustrés sur la figure IV.13, nous pouvons observer

qu’avec une densité réseau assez large, nous pouvons trouver un pourcentage moins

significatif de nœuds actifs. En effet, avec une forte redondance des nœuds capteurs nous

avons la possibilité d’obtenir un nombre important d’ensembles couvrants. Cependant, le

pourcentage de nœuds actifs augmente en utilisant un champ de déploiement avec de fortes

occlusions car dans ce cas, les deux modèles génèrent moins d’ensembles couvrants.

Toutefois, nous pouvons remarquer que le modèle proposé RCVSFROb permet de mettre un

grand nombre de capteurs en mode veille et par conséquent de réduire le nombre de nœuds

actifs.

Figure IV.13: Pourcentage moyen de nœuds actifs

80 100 120 140 160 180 200 220 240 2600

1

2

3

4

5

6

7

8

Densité du réseau

No

mb

re m

oy

en d

'en

sem

ble

s co

uv

ran

ts


RCVSFROb

Faibles Occlusions


RCVSFROb

Fortes Occlusions

80 100 120 140 160 180 200 220 240 26041

42

43

44

45

46

47

48

49

50

Densité du réseau

Po

urc

enta

ge

(%)

mo

yen

de

no

eud

s ac

tifs


RCVSFROb

Faibles Occlusions


RCVSFROb

Fortes Occlusions


99

IV.9.2 Résultats de simulation des modèles RCVSFROb et DVSA

Nous présentons dans les sous-sections suivantes quelques résultats de performances du

modèle de couverture proposé RCVSFROb et les deux modèles existants RCVSF et DVSA.

IV.9.2.1 Pourcentage moyen de couverture avec variation de la densité du réseau

Nous pouvons remarquer clairement à partir de la figure IV.14 qu’avec une densité

relativement faible (cas de 75 et de 100 nœuds capteurs), le modèle DVSA fournit des résultats

meilleurs que RCVSF et RCVSFROb. En effet, la fonction de mobilité en plus de la rotation

utilisée par DVSA se révèle très utile lorsque nous avons un réseau avec une faible densité.

Cependant, quand le nombre de nœuds capteurs dépasse 150, le modèle RCVSFROb offre de

meilleures performances. Effectivement, le fait d’utiliser uniquement la fonctionnalité de

rotation nécessite un temps de réponse plus restreint et un ajustement plus rapide des CdV des

capteurs vidéo. De plus, comme le modèle de couverture proposé diminue l’effet de la

présence d’obstacles en évitant les CdV avec occlusion, cette extension nous permet

d’améliorer le pourcentage de couverture.

Figure IV.14: Pourcentage moyen de couverture avec variation de la densité du

réseau

IV.9.2.2 Pourcentage moyen de couverture avec variation du champ de capture

La figure IV.15 montre les résultats obtenus par la variation du champ de capture de 10 m

jusqu’à 25m avec une densité fixe de 150 nœuds capteurs. Lorsque le champ de capture

augmente, nous pouvons voir clairement à partir de la figure IV.15 que le pourcentage moyen

de couverture est meilleur. Nous avons obtenu des résultats plus intéressants en utilisant le

modèle RCVSFROb comparé à ceux déduits des autres modèles existants RCVSF et DVSA.

Cette amélioration est due au fait que l’algorithme proposé utilise l’orientation optimale des

capteurs vidéo. En effet, la sélection se fait uniquement par rapport aux CdV qui ne présentent

aucune occlusion et qui sont orientées vers les régions les moins couvertes.

80 100 120 140 160 180 200 220 240 26050

52

54

56

58

60

62

64

66

68

70

Densité du réseau

Po

urc

enta

ge

(%)

mo

yen

de

cou

ver

ture

RCVSF

DVSA

RCVSFROb


100

Figure IV.15: Pourcentage moyen de couverture avec variation du champ de capture

IV.10 Conclusion

Dans ce dernier chapitre, nous avons montré l’utilité de la prise en considération de la

présence d’obstacles lors de la mise en œuvre du modèle de couverture à l’aide de capteurs

vidéo rotationnels. Nous avons illustré à travers des algorithmes, les fonctions que nous avons

adoptées afin d’éviter de faire transiter les capteurs vidéo vers des CdV non opérationnels.

Notre objectif est d’éviter la présence d’occlusion qui peut affecter directement la qualité de

la surveillance. Des exemples applicatifs ont également été exposés pour montrer l’intérêt de

l’utilisation du modèle de couverture avec évitement d’obstacles dans des applications réelles

de surveillance. Enfin, l’efficacité de l’approche proposée a été validée en effectuant des

comparaisons avec deux modèles de couverture existants. Les performances ont été évaluées à

travers plusieurs scénarios de simulation exécutés sous différentes contraintes telles qu’un

environnement de surveillance avec de fortes occlusions.

10 15 20 2554

56

58

60

62

64

66

Champ de capture (m)

Po

urc

enta

ge

(%)

mo

yen

de

cou

ver

ture

RCVSF

DVSA

RCVSFROb

Conclusion générale

101

Conclusion générale

En raison de leur fort potentiel applicatif dans différents domaines innovants tels que la

surveillance militaire, environnementale et des zones sensibles suite aux catastrophes

naturelles, les RCVSF suscitent l’intérêt de nombreux travaux de recherche et de projets

futurs. Outre les challenges soulevés par les réseaux de capteurs scalaires qui concernent entre

autres le déploiement, la couverture, la limitation d’énergie, etc, les RCVSF imposent de

nouvelles contraintes liées à leurs caractéristiques et la nature de la donnée capturée.

Dans cette thèse, nous avons traité le problème de la couverture des zones sensibles à

l’aide des RCVSF. Une solution distribuée à ce problème a été proposée dans le but de

maximiser le pourcentage de couverture de la zone de surveillance. Nous avons également

traité les problèmes de tolérance aux pannes et d’économie d’énergie. Ces derniers sont

inévitables après un déploiement aléatoire des capteurs vidéo dans un environnement non

idéal. Dans cette optique, de nouvelles stratégies de construction d’ensembles couvrants ont

été proposées. Le but est de trouver pour chaque capteur vidéo l’ensemble de ses nœuds

voisins qui peuvent couvrir son CdV. Cette solution peut être exploitée pour économiser de

l’énergie en minimisant le nombre de nœuds actifs, comme elle peut être utilisée pour assurer

la tolérance aux pannes des capteurs défectueux. Nous avons par la suite amélioré

l’algorithme de couverture proposé afin de minimiser l’effet d’occlusions des CdV des

capteurs vidéo en évitant les obstacles dans l’environnement de surveillance.

Dans ce manuscrit, nous avons tout d’abord présenté dans les deux premiers chapitres un

état de l’art sur les RCVSF ainsi qu’une synthèse des principaux travaux de recherche sur la

couverture dans ce domaine. Les deux derniers chapitres représentent nos différentes

contributions. Dans le troisième chapitre, nous avons proposé en premier lieu une nouvelle

modélisation des capteurs vidéo en deux dimensions avec la possibilité de transition d’une

direction vers une autre afin d’étendre leur CdV. Ces capteurs vidéo dotés de la fonction de

rotation s’auto-organisent en échangeant des messages avec leurs voisins dans le but de

couvrir le maximum de points dans la zone de déploiement. Les résultats de simulations

révèlent que l’algorithme proposé, combiné avec la nouvelle stratégie de construction

d’ensembles couvrants permet d’augmenter considérablement le pourcentage de couverture

par rapport aux autres modèles existants. Dans le quatrième chapitre, la notion d’occlusion

des CdV des capteurs vidéo a été prise en considération. Dans cette partie, nous avons proposé

un algorithme distribué plus robuste pour la configuration des capteurs vidéo, de telle sorte à

éviter les directions qui chevauchent les obstacles. L’efficacité de cette approche a été validée

dans un environnement de simulation en présence de plusieurs obstacles déployés

aléatoirement et ceci, à travers plusieurs scénarios de simulation.

Perspectives

102

Perspectives

Plusieurs perspectives de recherche futures peuvent être envisagées sur la base des travaux

présentés dans cette thèse.

Le problème de couverture proposé avec capteurs vidéo rotationnels peut être traité dans

un espace en trois dimensions. L’objectif ici est de proposer une modélisation des CdV des

capteurs vidéo en trois dimensions. Le CdV sera alors représenté par une pyramide au lieu

d’un triangle. Ceci nécessite l’utilisation de notions géométriques beaucoup plus avancées et

une analyse plus compliquée par rapport à un déploiement de capteurs vidéo dans une région

en deux dimensions.

L’approche proposée pour la configuration des capteurs vidéo et l’amélioration de la

couverture d’une zone de déploiement est complètement distribuée. Ce qui est avantageux

pour les RCVSF concernant le temps de calcul et la scalabilité. Cependant, nous pouvons

utiliser une approche centralisée en proposant un programme d’optimisation de la couverture.

Dans cette solution, nous devons maximiser le nombre de cibles couvertes en minimisant le

nombre de capteurs actifs. Ce qui revient à traiter le problème de couverture de cibles

prédéterminées et non pas la couverture de zone et avec la contrainte de densité du réseau qui

ne doit pas dépasser une certaine limite.

L’évaluation des performances du modèle de couverture proposé a été validée à travers

plusieurs comparaisons effectuées avec les deux modèles existants [5, 90]. Nous pouvons

envisager par la suite de prendre en considération d’autres propositions qui se basent sur les

capteurs vidéo afin de les comparer avec notre modèle.

Afin d’étudier le comportement du modèle proposé dans un environnement proche de la

réalité, nous avons pris en compte la présence d’obstacles sous forme de segments de

différentes tailles déployés aléatoirement dans la zone de surveillance. Nous pouvons utiliser

dans le futur une modélisation plus complexe des obstacles de différentes formes

géométriques, ce qui est nécessaire dans les applications de désastre.

Enfin, l’efficacité du modèle proposé a été validée par simulation sous OMNeT++.

Maintenant, avec la disponibilité des capteurs vidéo, il serait judicieux de l’évaluer par la

suite sur une plateforme réelle, composée d’un nombre fini de capteurs vidéo de type Seed-

Eye Board [110].

Bibliographie

103

Bibliographie

[1] I. Akyildiz, W. Su, Y. Sankarasubramaniam, E. Cayirci, “Wireless sensor networks: a

survey”, Computer Networks, Vol. 38, No. 4, pp. 393–422, 2002.

[2] I. Akyildiz, T. Melodia, K. Chowdhury, “A survey on wireless multimedia sensor

networks”, Computer Networks, Vol. 51, No.4, pp. 921–960, 2007.

[3] A. Seema, M. Reisslein, « Towards Efficient Wireless Video Sensor Networks: A

Survey of Existing Node Architectures and Proposal for A Flexi-WVSNP Design”,

IEEE Communications Surveys & Tutorials, Vol. 13, No. 3, pp. 462-486, 2011.

[4] D. Costa, L. Guedes, “Exploiting the sensing relevancies of source nodes for

optimizations in visual sensor networks”, Multimedia Tools Applications, Vol. 64, pp.

549–579, 2013.

[5] C. Pham and A. Makhoul, R. Saadi, “Risk-based adaptive scheduling in randomly

deployed video sensor networks for critical surveillance applications”, Journal of

Networks and Computer Applications, Vol. 34, No. 2, pp. 783-795, 2011.

[6] N. Bendimerad, B. Kechar, “Coverage Enhancement in Wireless Video-Based Sensor

Networks with Rotating Capabilities,” 4th

International Conference on Computer

Science and Its Applications (CIIA’13), Saida, Algérie, pp. 105-114, 4-6 Mai 2013.

[7] N. Bendimerad, B. Kechar, “Coverage Enhancement with Rotatable Sensors in

Wireless Video Sensor Networks for Post-Disaster Management”, 1st International

Conference on Information and Communication Technologies for Disaster

Management (ICT-DM’14), Alger, Algérie, pp.1-7, 24-25 Mars 2014.

[8] N. Bendimerad, B. Kechar, “Rotational Wireless Video Sensor Networks with

Obstacles Avoidance Capability for Improving Disaster Area Coverage”, Journal of

Information Processing Systems (JIPS) (http://jips-k.org), Date d’acceptation :

20/11/2014.

[9] D. Martins, Sécurité dans les réseaux de capteurs sans fil Stéganographie et réseaux de

confiance, Thèse de docorat, L’UFR des Sciences et Techniques de l’Université de

Franche-Comté, Novembre 2010.

[10] Rahimi, M., R. Baer, O.I. Iroezi, J.C. Garcia, J. Warrior, D. Estrin et M. Srivastava,

“Cyclops : in situ image sensing and interpretation in wireless sensor networks”, 3rd

international conference on Embedded networked sensor systems, ACM, pp. 192–204,

2005.

[11] Stargate, accessible via le lien: http://platformx.sourceforge.net/home.html (consulté le

15/10/2014)

[12] Evidence Embedding Technology, Seed Eye, accessible via le lien:

http://www.evidence.eu.com/products/seed-eye.html (consulté le 18/12/2014)

[13] P. Rawat, K. D. Singh, H. Chaouchi, J. M. Bonnin, “Wireless sensor networks: a survey

on recent developments and potential synergies”, The Journal of Supercomputing, Vol.

68, Issue 1, pp. 1-48, Avril 2014.

http://jips-k.org/

http://platformx.sourceforge.net/home.html

http://www.evidence.eu.com/products/seed-eye.html

Bibliographie

104

[14] I. Akyildiz, W. Su, Y. Sankarasubramaniam, E. Cayirci, “A survey on sensor

networks”. IEEE Communications Magazine, Vol. 40, No. 8, pp. 102–114, 2002.

[15] I. Akyildiz, E. Stuntebeck, “Wireless underground sensor networks: research

challenges”, Ad Hoc Networks, Vol. 4, No. 6, pp. 669–686, 2006

[16] M. Li, Y. Liu, “Underground structure monitoring with wireless sensor networks”, 6th

international conference on information processing in sensor networks, ACM, New

York, pp. 69-78, 2007.

[17] I. Akyildiz, D. Pompili, T. Melodia, “Challenges for efficient communication in

underwater acoustic sensor networks”, ACM SIGBED Review - Special issue on

embedded sensor networks and wireless computing, Vol. 1, Issue 2, pp. 3-8, 2004.

[18] J. Heidemann, W. Ye, J. Wills, A. Syed, and Y. Li, “Research challenges and

applications for underwater sensor networking”, IEEE Wireless Communications and

Networking Conference (WCNC’06), pp. 228–235, Las Vegas, Nev, USA, Avril 2006.

[19] J. Yick, B. Mukherjee, D. Ghosal, “Wireless sensor network survey”, Computer

Networks, Vol. 52, No. 12, pp. 2292–2330, 2008.

[20] S. Mamour Diop, Optimisation de la transmission d’images dans les réseaux de

capteurs, Thèse de doctorat en cotutelle, Université de Pau et des pays de l’Adour,

France, Université Gaston Berger de Saint-Luis, Sénégal, Juin 2014.

[21] TinyOS, accessible via le lien: http://www.tinyos.net/ (consulté le 15/07/2014)

[22] A. Chefi, Conception d’un micro-capteur d’image CMOS à faible consommation

d’énergie pour les réseaux de capteurs sans fil, Thèse en cotutelle, Université de

Grenoble, Université de Monastir, Janvier 2014.

[23] C.-C. Han, R. Kumar, R. Shea, E. Kohler, M. Srivastava. “A dynamic operating system

for sensor nodes”, 3rd international conference on Mobile systems”, applications and

services (MobiSys’05), New York, NY, USA, pp. 163-176, 2005.

[24] FreeRTOS, accessible via le lien: http://www.freertos.org/ (consulté le 20/12/2014)

[25] Mantis, accessible via le lien: http://www.cs.colorado.edu/~rhan/sensornets.html

(consulté le 20/12/2014)

[26] S. Bhatti, J. Carlson, H. Dai, J. Deng, J. Rose, A. Sheth, B. Shucker, C. Gruenwald, A.

Torgerson, R. Han, “Mantis os : an embedded multithreaded operating system for

wireless micro sensor platforms”, Mobile Networks and Applications, Vol. 10, No. 4,

pp. 563-579, 2005.

[27] Nut/OS, accessible via le lien: http://www.ethernut.de/en/software/index.html (consulté

le 14/09/2014)

[28] Contiki, accessible via le lien: http://contiki.sourceforge.net/docs/2.6/ (consulté le

10/11/2014)

[29] A. Dunkels, B. Gronvall, T. Voigt, “Contiki - a lightweight and flexible operating

system for tiny networked sensors”, Annual IEEE International Conference on Local

Computer Networks (LCN’04), Washington, DC, USA, pp. 455-462, 2004.

[30] IoT Lab, accessible via le lien: www.iotlab.eu (consulté le 10/11/2014)

[31] C. McCormick, P.-Y. Laligand, H. Lee, H. Aghajan, “Distributed agent control with

self-localizing wireless image sensor networks”, Cognitive Systems and Interactive

Sensors (COGIS 2006), 2006.

[32] S. Hengstler, H. Aghajan, “A smart camera mote architecture for distributed intelligent

surveillance”, In: ACM SenSys Workshop on Distributed Smart Cameras (DSC), 2006.

[33] S. Hengstler, D. Prashanth, S. Fong, H. “Aghajan, MeshEye : A hybrid resolution smart

camera mote for applications in distributed intelligent surveillance”, 6th international

http://www.freertos.org/

http://www.cs.colorado.edu/~rhan/sensornets.html

http://www.ethernut.de/en/software/index.html

http://contiki.sourceforge.net/docs/2.6/

http://www.iotlab.eu/

Bibliographie

105

conference on Information processing in sensor networks (IPSN-SPOTS), ACM Press,

Cambridge, Massachusetts, USA. pp. 360–369, 2007.

[34] A. Rowe, A. Goode, D. Goel et I. Nourbakhsh, CMUcam3 : An open programmable

embedded vision sensor, Technical Report RI-TR-07-13, Carnegie Mellon Robotics

Institute, Pittsburgh, Pennsylvania 15213, 2007.

[35] E. Culurciello, A. G. Andreou, “ALOHA CMOS imager. In : IEEE International

Symposium on Circuits and Systems (ISCAS)”, Vancouver, Canada. pp. IV–956–9,

2004.

[36] C. Pham, “Communication performance of low-resource sensor motes for data

intensive applications”, IFIP Wireless Days International Conference (WD´2013), pp.

1-8, 2013.

[37] J. Yick, B. Mukherjee, D. Ghosal, “Wireless sensor networks survey”, Computer

Networks, vol. 52, pp. 2292–2330, 2008.

[38] M. Y. BAZIZ, Développement d’un outil d’évaluation de protocoles de transmission

vidéo avec applications aux réseaux de capteurs sans fil, Mémoire de Magister,

Université d’Oran, Janvier 2012.

[39] N. Bendimerad, DYMO Multi-chemins à nœuds disjoints sans interférences pour les

réseaux ZigBee/Standard IEEE 802.15.4, mémoire de magister, Université d’Oran, Mai

2010.

[40] N. Bendimerad, B. Kechar, “Évaluation des protocoles de routage Multi-chemins

réactifs pour les Réseaux de Capteurs Vidéo sans Fil”, Journées thématiques sur les

Réseaux et Systèmes pour les Applications Critiques de Surveillance (RSACS’11), pp.

35-40, Oran, Algérie, 22 et 23 Juin 2011.

[41] N. Bendimerad, B. Kechar, “Performance evaluation of QoS aware Multipath

extensions For the Dynamic MANET On-demand protocol in Wireless Sensor

Networks”, International Symposium on Programming and Systems (ISPS’11), pp.61-

68, Alger, Algérie, 25-27 Avril 2011.

[42] L. Samper, Modélisations et analyses de réseaux de capteurs, thèse de doctorat, Institut

National Polytechnique de Grenoble, Avril 2008.

[43] L. Makkaoui, Compression d’images dans les réseaux de capteurs sans fil, Thèse de

doctorat, Université de Lorraine, Novembre 2012.

[44] P. Milica, T. Zhilbert, D. Goran, and M. Veljko, “A survey of military applications of

wireless sensor networks”, The Mediterranean Conference on Embedded Computing

(MECO’12), pp.196-199 2012.

[45] C. Duran-Faundez, Transmission d'images sur les réseaux de capteurs sans fil sous la

contrainte de l’énergie, Thèse de doctorat, Université Henri Poincaré, Centre de

Recherche en Automatique de Nancy, France, Juin 2009.

[46] M. Liu, H.G. Gong, Y.G. Wen, G. H. Chen and J. N. Cao, “The Last Minute: Efficient

Data Evacuation Strategy for Sensor Networks in Post-Disaster Applications”, 2011

IEEE Conference on Computer Communication (INFOCOM 2011), Shanghai, Avril

2011.

[47] T.-W. Sung, C.-S. Yang, “A Voronoi-Based Sensor Handover Protocol for Target

Tracking in Distributed Visual Sensor Networks”, International Journal of Distributed

Sensor Networks, Vol. 14, Article ID 586210, 14 pages.

[48] M. A. Kafi, Y. Challal, D. Djenouri, M. Doudou, A. Bouabdellah, N. Badache « A

Study of Wireless Sensor Networks for Urban Traffic Monitoring: Applications and

Architecture”, International Conference on Ambient Systems, Networks and

Technologies, Canada, pp. 617-626, 2013.

Bibliographie

106

[49] M. Benazzouz, Surveillance de tout point d’une zone d’intérêt à l’aide d’un réseau de

capteur multimédia sans fil, Rapport de recherche. Ecole nationale supérieure

d’informatique, Oued-Smar, Alger, Algérie, 2013.

[50] D. Curiac, V. Constantin, P. Dan, J. Lucian and D. Alexa, “Redundancy and Its

Applications in Wireless Sensor Networks: A Survey”, WSEAS Transactions on

Computers, Vol. 8, Issue 4, pp. 705-714, 2009.

[51] D. G. Costa, I. Silva, L. A. Guedes, F. Vasques, P. Portugal, “Availability Issues in

Wireless Visuel Sensor Networks”, Journal of Sensors, Vol. 14, No. 2, pp. 2795-2821,

2014.

[52] Cours vidéo surveillance, accessible via le lien: http://www.technologuepro.com


[53] A. Makhoul, Réseaux de capteurs : localisation, couverture et fusion de données, Thèse

de doctorat, Université de Franche-Comte, France, Novembre 2008.

[54] D. G. Costa, L. A. Guedes, “The coverage problem in video-based wireless sensor

networks: A survey”, Journal of Sensors, Vol. 10, No. 9, pp. 8215-8247, 2010.

[55] D. Pescaru, C. Istin, F. Naghiu, M. Gavrilescu, D. Curiac, “Scalable Metric for

Coverage Evaluation in Video-Based Wireless Sensor Networks”, 5th Symposium on

Applied Computational Intelligence and Informatics, Timisoara, Romania, pp. 323-327,

28-29 Mai 2009.

[56] S. Soro, W. Heinzelman, “On the Coverage Problem in Video-Based Wireless Sensor

Networks”, In 2nd International Conference on Broadband Networks, Boston, MA,

USA, pp. 932-939, 3-7 Octobre 2005.

[57] M. A. Guvensan, A. G. Yavuz, “On coverage issues in directional sensor networks: A

survey”, Ad Hoc Networks, Vol. 9, Issue 7, pp. 1238-1255, 2011.

[58] S. Kumar, T. Lai, A. Arora, “Barrier Coverage with Wireless Sensors”, ACM Mobile

Computing and Networking (MobiCom’05), Cologne, Germany, pp. 284–298,

September 2005.

[59] L. Mohamed, Diffusion et couverture basée sur le clustering dans les réseaux de

capteurs: application à la domotique, Thèse de doctorat en cotutelle, Université A. B

Tlemcen et Université de Franche-Comté, France, 2009.

[60] Y. E. Osais, M. St-Hilaire, F.R. Riu, “Directional Sensor Placement with Optimal

Sensing Ranging, Field of View and Orientation”, Mobile Networks Applications, Vol.

15, pp. 216-225, 2010.

[61] M. Younis, K. Akkaya, “Strategies and Techniques for Node Placement in Wireless

Sensor Networks: A Survey”, Ad Hoc Networks, Vol. 6, pp. 621-655. 2008.

[62] M. Marengoni, B. Draper, A. Handson, R. Sitaraman, “A System to Place Observers on

a Polyhedral Terrain in a Polynomial Time”, Image and Vision Computing, Vol. 18, pp.

773-780, 1996.

[63] A. Mittal, L. Davis, “Visibility Analysis and Sensor Planning in Dynamic

Environments”, 8th European Conference on Computer Vision, Prague, Czech

Republic, pp. 175-189, 11-14 Mai 2004.

[64] U. Erdem, S. Sclaroff, “Optimal Placement of Cameras in Floorplans to Satisfy Task

Requirements and Cost Constraints”, 5th Workshop on Omnidirectional Vision,

Camera Networks and Non-classical Cameras, Prague, Czech Republic, Mai 2004.

[65] E. Hörster, R. Lienhart, “Approximating Optimal Visual Sensor Placement”, IEEE

International Conference on Multimedia and Expo, Toronto, ON, Canada, pp. 1257-

1260, 9-12 Juillet 2006.

http://www.technologuepro.com/

Bibliographie

107

[66] E. Hörster, R. Lienhart, “On the Optimal Placement of Multiple Visual Sensors”. 4th

ACM International Workshop on Video Surveillance and Sensor Networks, Santa

Barbara, CA, USA, pp. 111-120, Octobre 2006.

[67] J. Zhao, S. Cheung, “Multi-Camera Surveillance with Visual Tagging and Generic

Camera Placement”. IEEE/ACM International Conference on Distributed Smart

Cameras, Vienna, Austria, pp. 259-266, 25-28 Septembre 2007.

[68] J. Zhao, S. Cheung, T. Nguyen, “Optimal Camera Network Configurations for Visual

Tagging”, IEEE Journal of Selected Topics in Signal Processing, Vol. 2, pp. 464-479,

2008.

[69] J. Adriaens, S. Megerian, M. Pontkonjak, “Optimal Worst-Case Coverage of

Directional Field-of-View Sensor Networks”, 3rd Annual IEEE Communications

Society Conference on Sensor, Mesh and Ad Hoc Communications and Networks,

Reston, VA, USA, pp. 336-345, 25-28 Septembre 2006.

[70] M. Couto, C. Souza, P. Rezende, “Strategies for Optimal Placement of Surveillance

Cameras in Art Galleries”, 18th International Conference on Computer Graphics and

Vision, Moscow, Russia, pp. 1-4, 23-27 Juin 2008.

[71] J.J Gonzalez-Barbosa, T. García-Ramirez, J. Salas, J. Hurtado-Ramos, J.J Rico-

Jiménez, “Optimal Camera Placement for Total Coverage”, IEEE International

Conference on Robotics and Automation, Kobe, Japan, pp. 844-848, 12-17 Mai 2009.

[72] E. Hörster, R. Lienhart, “Calibrating and Optimizing Poses of Visual Sensors in

Distributed Platforms”, Multi-agents Systems, Vol. 12, pp. 195-210, 2006.

[73] S. Ram, K. Ramakrishnan, P. Atrey, V. Singh, M. Kankanhalli, “A Design

Methodology for Selection and Placement of Sensors in Multimedia Surveillance

Systems”, 4th ACM International Workshop on Video Surveillance and Sensor

Networks, Santa Barbara, CA, USA, pp. 121-130, Octobre 2006.

[74] C. Yu, G. Sharma, “Plane-Based Calibration of Cameras with Zoom Variation”, SPIE

Visual Communication and Image Processing, San Jose, CA, USA, Janvier 2006.

[75] X. Han, X. Cao, E.L Lloyd, C.C Cheng, “Deploying Directional Sensor Networks with

Guaranteed Connectivity and Coverage”, 5rd Annual IEEE Communications Society

Conference on Sensor, Mesh and Ad Hoc Communications and Networks, San

Francisco, CA, USA, pp. 153-160, 16-20 Juin 2008.

[76] J. Ai, A.A. Abouzeid, “Coverage by Directional Sensors in Randomly Deployed

Wireless Sensors Networks”, Journal of Combinatorial Optimization, Vol. 11, pp. 21-

41, 2006.

[77] P. Bender,Y. Pei, “Development of Energy Efficient Image/Video Sensor Networks”,

Wireless Personal Communications, Vol. 51, pp. 283-301, 2009.

[78] M. Rahimi, S. Ahmadian, D. Zats, R. Laufer, D. Estrin, “Magic Numbers in Networks

of Wireless Image Sensors”, Workshop on Distributed Smart Cameras, Boulder, CO,

USA, pp. 71-81, Octobre 2006.

[79] D. Pescaru, V. Gui, C. Toma, D. Fuiorea, “Analysis of Post-Deployment Sensing

Coverage for Video Wireless Sensor Networks”, 6th International Conference of the

Romanian Educational Network (RoEduNet), Craiova, Romania, 23-24 Novembre

2007.

[80] G. Mao, B. Fidan, B. Anderson, “Wireless Sensors Network Localization Techniques”,

ACM Computer Networks Journal, Vol. 51, pp. 2529-2553, 2007.

[81] D. Fuiorea, V. Guia, D. Pescaru, C. Toma, “Using Registration Algorithms for Wireless

Sensor Network Node Localization”, 4th IEEE International Symposium on Applied

Bibliographie

108

Computational Intelligence and Informatics, Timisoara, Romania, pp. 209-214, 17-18

Mai 2007.

[82] H. Lee, H. Aghajan, “Vision-Enabled Node Localization in Wireless Sensor

Networks”, Cognitive Systems with Interactive Sensors Conference, Paris, France, 15-

17 Mars 2006.

[83] S. Funiak, M. Paskin, C. Guestrin, R. Sukthankar, “Distributed Localization of

Networked Cameras”, 5th International Conference on Information Processing in

Sensor Networks, Nashville, TN, USA, pp. 34-42, 19-21, Avril 2006.

[84] K. Shafique, A. Hakeem, O. Javed, N. Haering, “Self Calibrating Visual Sensor

Networks”, IEEE Workshop on Applications of Computer Vision, Copper Mountain,

CO, USA, pp. 1-6, 7-9 Janvier, 2008.

[85] D. Devarajan, R. Radke, “Distributed Metric Calibration of Large Camera Networks”,

1st Workshop on Broadband Advanced Sensor Networks, San Jose, CA, USA, Octobre,

2004.

[86] D. Devarajan, R. Radke, H. Chung, “Distributed Metric Calibration of Ad Hoc Camera

Networks”, ACM Transactions on Sensor Networks, Vol. 2, pp. 380-403, 2006.

[87] A. Barton-Sweeney, D. Lymberopoulos, A. Savvides, “Sensor Localization and Camera

Calibration in Distributed Camera Sensor Networks”, 3rd International Conference on

Broadband Communications, Networks and Systems, San Jose, CA, USA, pp. 1-10, 1-5

Octobre 2006.

[88] Y. Cai, W. Lou, M. Li, X.Y. Li, “Energy Efficient Target-Oriented Scheduling in

Directional Sensor Networks”, IEEE Transactions on Computer, Vol. 58, No. 9, pp.

1259-1274, 2009.

[89] C. Kandoth, S. Chellappan, “Angular Mobility Assisted Coverage in Directional Sensor

Networks”, International Conference on Network-Based Information Systems,

Indianapolis, IN, USA, pp. 376-379, 19-21 Août 2009.

[90] T.-W. Sung, C.-S. Yang, “Distributed Voronoi-Based Self-Redeployment for Coverage

Enhancement in a Mobile Directional Sensor Network”, International Journal of

Distributed Sensor Networks, Article ID 165498, 15 pages, 2013.

[91] H. Huang, L. Sun, R. Wang, J. Li, “A novel coverage enhancement algorithm for image

sensor networks”, International Journal of Distributed Sensor Networks, Vol. 2012,

No. 370935, pp. 1–11, 2012.

[92] N. Tezcan, W. Wang, “Self-Orienting Wireless Multimedia Sensor Networks for

Occlusion-Free Viewpoints”, Computer Networks: The International Journal of

Computer and Telecommunication Networking, Vol. 52, No. 13, pp. 2558-2567, 2008.

[93] X. Liu, “Coverage with Connectivity in Wireless Sensor Networks”, 3rd IEEE

International Conference on Broadband Communications, Networks and Systems, San

Jose, CA, USA, pp. 1-8, 1-5 Octobre 2006.

[94] C. Istin, D. Pescaru, “Deployments Metrics for Video-Based Wireless Sensor

Networks”, Transactions on Automatic Control and Computer Science, Vol. 52, pp.

163-168, 2007.

[95] L. Liu, H. Ma, X. Zhang, “On Directional K-Coverage Analysis of Randomly Deployed

Camera Sensor Networks”, IEEE International Conference on Communications,

Beijing, China, pp. 2707-2711, May 19–23, 2008.

[96] C. Chang, H. Aghajan, “Collaborative Face Orientation Detection in Wireless Image

Sensor Networks”, ACM SenSys Workshop on Distributed Smart Cameras, Boulder,

CO, USA, Octobre 31, 2006.

Bibliographie

109

[97] D. Pescaru, C. Istin, F. Naghiu, M. Gavrilescu, D. Curiac, “Scalable Metric for

Coverage Evaluation in Video-Based Wireless Sensor Networks”, 5th Symposium on

Applied Computational Intelligence and Informatics, Timisoara, Romania, pp. 323-327,

28-29 Mai 2009.

[98] A. Benzerbadj, Ordonnancement de l’activité multi-niveaux des nœuds d’un réseau de

capteurs vidéo sans fil dédié aux applications critiques de surveillance, Mémoire de

Magister, Université d’Oran, Décembre 2011.

[99] C. Moreno, accessible via le lien:

http://www.mochima.com/articles/cuj_geometry_article/cuj_geometry_article.html


[100] Wolfram MathWorld, the web’s most extensive mathematics resource, accessible via le

lien: http://mathworld.wolfram.com/TrianglePointPicking.html (consulté le 01/10/2014)

[101] A. Makhoul, R. Saadi, and C. Pham. “Surveillance vidéo sur réseaux de capteurs sans-

fils ordonnancement adaptatif avec prise en compte de la criticité”, Colloque

francophone sur l'ingénierie des protocoles (CFIP’09), Strasbourg, France, 2009.

[102] R. Saadi, O. Hasan, J. Pierson, and L. Brunie, “Establishing trust beliefs based on a

uniform disposition to trust”, IEEE international Conference on Signal Image and

Technologie Based Systems, 2007.

[103] OMNeT++, accessible via le lien: www.omnetpp.org/documentation (consulté le

01/02/2014)

[104] The Network Simulator NS2, accessible via le lien: http://www.isi.edu/nsnam/ns/


[105] Opnet Technologies, accessible via le lien: http://www.opnet.com/ (consulté le

01/02/2015)

[106] Laboratoire LIUPPA, accessible via le lien : http://liuppa.univ-pau.fr/live/ (consulté le

05/09/2014)

[107] Y. Qu, Wireless sensor network deployment, Thèse de doctorat, Florida International

University, USA, 2013.

[108] D. Gupta, S. L. Aswal, S. K. Chaurasiya, “Effect of obstacles in the formation of FoV

based clusters in wireless multimedia sensor network”, International Journal on

Computer Science and Engineering (IJCSE), Vol. 4, No. 08, pp. 1427-1434, 2012.

[109] I. Chatzigiannakis, G. Mylonas, S. Nikoletseas, “A Model for obstacles to be used in

simulations of wireless sensor networks and its application in studying routing protocol

performance”, Journal Simulation, Vol. 83, Issue 8, pp. 587-608, 2007.

[110] Seed-Eye Board, accessible via le lien : http://rtn.ssup.it/index.php/hardware/seed-eye


[111] Mobility Framework for OMNeT++, accessible via le lien: http://Mobility-

fw.sourceforge.net/hp/index.html (consulté le 05/01/2015)

[112] Mixim Project. Mixim, accessible via le lien: http://sourceforge.net (consulté le

05/01/2015)

[113] Castalia, accessible via le lien: http://castalia.forge.nicta.com.au/index.php/en/


[114] OMNet++ Possibilités et limitation, accessible via le lien : http://wapiti.telecom-

lille1.eu/commun/ens/peda/options/ST/RIO/pub/exposes/exposesrio2007/dujardin-

idzik/index.htm (consulté le 01/11/2014)

http://www.mochima.com/articles/cuj_geometry_article/cuj_geometry_article.html

http://mathworld.wolfram.com/TrianglePointPicking.html

http://lifc.univ-fcomte.fr/~publis/papers/Author/MAKHOUL-A.html

http://www.omnetpp.org/documentation

http://www.isi.edu/nsnam/ns/

http://www.opnet.com/

http://liuppa.univ-pau.fr/live/

http://rtn.ssup.it/index.php/hardware/seed-eye

http://sourceforge.net/

http://castalia.forge.nicta.com.au/index.php/en/

http://wapiti.telecom-lille1.eu/commun/ens/peda/options/ST/RIO/pub/exposes/exposesrio2007/dujardin-idzik/index.htm



Annexe A. Le simulateur OMNeT++: Aperçu du logiciel

110

Annexe A

Le simulateur OMNeT++ : Aperçu du logiciel

A.1 Introduction

OMNeT++ (Objective Modular Network Test-bed in C++) [103] est un simulateur orienté

objet qui peut être utilisé sur une plateforme Windows ou Unix. L’avantage est qu’il s’agit

d’un simulateur extensible, open source et sous licence GNU. Il a été développé par Andras

Varga, chercheur à l’université de Budapest depuis 1992.

OMNet++ est destiné avant tout à un usage académique et est l'intermédiaire entre des

logiciels de simulation comme NS, destiné principalement à la recherche et OPNET qui est

une alternative commerciale d’OMNet++. Il peut être utilisé par exemple pour :

La modélisation de trafic de réseaux de communication

La modélisation de protocoles

La modélisation de réseaux de files d’attente

et d’autres systèmes distribués

A.2 Définition

OMNeT++ est un simulateur de réseaux de capteurs sans fil basé sur la simulation à

événement discret. Il est totalement programmable, paramétrable et modulaire.

Ce simulateur est présenté essentiellement comme une collection d’outils logiciels et de

librairies destinés à l’implémentation des modèles de simulation. Les principales classes du

noyau de simulation d’OMNeT++ sont les suivantes:

cObject et cOwnedObject : sont les classes de base pour la plupart des classes

d’OMNeT++.

cModule, cCompoundModule et cSimpleModule : représentent les modules dans la

simulation. L’utilisateur implémente de nouveaux modèles en dérivant à partir de

cSimpleModule et en redéfinissant une ou plusieurs de ses fonctions membres

virtuelles.

cMessage : représente les évènements et les messages échangés entre les modules.

cGate : indique les portes du module.

cPar : définit les paramètres des modules et des canaux.


111

cSimulation : représente l’entrepôt de tous les modules du réseau et de la structure de

données pour les évènements planifiés (l’ensemble des évènements futurs). La plupart

des méthodes de cette classe sont utilisées en interne.

A.3 Propriétés du Simulateur OMNeT++

Le simulateur OMNeT++ nous offre de nombreux avantages par rapport aux autres

simulateurs existants. Nous citons dans ce qui suit quelques propriétés qui le caractérisent.

Flexibilité : Très flexible et générique. Il peut simuler n’importe quel type de réseau.

Mobilité : Plusieurs modes de mobilité sont fournis (Random Waypoint Mobility

Model, Constant Speed Mobility Model, Basic Mobility Model, etc.)

Gestion de modèle : Les modèles sont indépendants du noyau de simulation.

Support de traçage : Visibilité de la transmission de paquets lors de la simulation.

Habilité à couvrir les grands réseaux : Il peut simuler une grande topologie de réseaux.

Il supporte la scalabilité du réseau.

A.4 Etapes d’installation du simulateur OMNeT++

L’installation d’OMNeT++ se fait suivant la procédure d’installation décrite dans le

package téléchargé, selon le système d’exploitation installé [103].

Le modèle de simulation présenté dans cette thèse a été réalisé sous le système

d’exploitation Ubuntu version 10.04. Par conséquent, nous citons uniquement les étapes

d’installation du simulateur OMNeT++ appropriées au système d’exploitation Linux. Il faut

avoir un environnement Java (JRE : Java Runtime Environment) valide installé sur le PC

avant de commencer les étapes d’installation suivantes :

1) Télécharger l’archive omnetpp-4.1.src.tgz à partir du site [103].

2) Décompresser l’archive par la commande suivante :

$ tar xvzf omnetpp-4.1-src.tgz

3) Se positionner dans le répertoire qui a été créé :

$ cd omnetpp-4.1/

4) Editer le fichier de configuration du shell (.bashrc ou .bash_profile pour bash, .profile

ou d’autres shells) en ajoutant à la fin du fichier la ligne suivante :

export PATH=$PATH:~/omnetpp-4.0/bin en général, PATH=$PATH :<le chemin

à omnet++>/omnetpp-4.1/bin

5) Redémarrer le shell ou exécuter la commande suivante :

~/omnetpp-4.1$ source ~/.bashrc

6) Installer les dépendances suivantes :

~/omnetpp-4.1$ sudo apt-get install build-essential gcc g++ bison flex

perl tcl8.4 tcl8.4-dev tk8.4 tk8.4-dev blt blt-dev libxml2 libxml2-dev

zlib1g zlib1g-dev libx11-dev

7) Lancer la commande suivante :

~/omnetpp-4.1$ ./configure


112

8) Enfin, terminer par une compilation :

~/omnetpp4.1$ make

Les éléments installés sont les suivants :

Une bibliothèque de simulation interne

Un compilateur du langage descriptif de la topologie NED

Un éditeur de réseaux graphiques pour les fichiers NED

Un exécutable OMNeT++

Une interface graphique de simulation

A.5 Architecture d’OMNet++

L’architecture d’OMNET++ se présente comme un ensemble de modules interconnectés et

organisés de façon hiérarchique (voir figure A.1). Un module peut être soit un module simple

ou bien un module composé. Les feuilles de cette architecture sont les modules simples qui

représentent les classes C++. Pour chaque module simple correspondent un fichier.cc et un

fichier.h. Un module composé peut contenir de simples modules ou d’autres modules

composés connectés entre eux. Le nombre de niveau hiérarchique n’est pas limité. Les sous

modules et les ports de chaque module sont spécifiés dans un fichier.ned.

La communication entre les différents modules se fait à travers les échanges de messages.

Les messages peuvent représenter des paquets, des trames d’un réseau informatique, des

clients dans une file d’attente ou bien d’autres types d’entités en attente d’un service. Les

messages sont envoyés et reçus à travers des ports qui représentent les interfaces d’entrée et

de sortie pour chaque module. Nous ne pouvons créer des connexions que dans un seul niveau

de hiérarchie des modules. Il est par exemple impossible de créer une connexion directe entre

un module et un sous-module d’un autre module de même niveau dans la hiérarchie.

La conception d’un réseau se fait dans un fichier.ned et les différents paramètres de chaque

module sont spécifiés dans un fichier de configuration .ini. OMNET++ génère à la fin de

chaque simulation deux nouveaux fichiers : un fichier.vec et un fichier.sca qui permettent de

tracer les courbes et de calculer des statistiques.


113

Figure A.1: Architecture modulaire d’OMNeT++

Un exemple de ce type d’architecture peut être deux LANs (Local Area Networks) reliés

par un routeur, chaque poste ou élément de chacun des réseaux pourrait être représenté par un

module simple, alors que chacun des LANs serait un module composé. Ces deux modules

composés seraient reliés par un simple module qui serait un routeur.

A.6 Les principaux fichiers d’OMNeT++

A.6.1 Fichier .ned

La définition de la structure d’une simulation et de sa topologie se fait par le biais du

langage NED. Une description NED est quasiment toujours constituée de la déclaration de

modules simples, de définitions de modules composés et une définition du réseau.

Typiquement la déclaration d’un module simple décrit les interfaces de ce module et ses

paramètres. La définition d’un module composé comprend la déclaration des interfaces

externes du module ainsi que la définition de ses sous modules et leur interconnexion. La

définition d’un réseau représente l’ensemble d’un modèle comme une instance du type

module.

L’exemple illustré sur la figure A.2 représente un réseau de communication composé de

plusieurs nœuds. Au niveau de chaque nœud il existe une application qui s’exécute et qui

génère des paquets à des intervalles aléatoires.


114

Le code présenté sur la figure A.3 défini un type de réseau appelé « MyNetwork ». Le

réseau contient différents nœuds, appelés node1, node2, etc. du module NED de type

« Node ».

La notation « port++ » permet d’ajouter un nouveau port. La double flèche signifie une

connexion bidirectionnelle. Les nœuds sont connectés à un canal avec un débit de 100 Mbps.

Nous pouvons définir des réseaux de différentes densités dans des fichiers NED, et pour

chaque simulation l’utilisateur doit spécifier le réseau à configurer.

Figure A.2: Exemple simple d’un réseau de communication

network MyNetwork

{

submodules:

node1: Node;

node2: Node;

node3: Node;

...

connections:

node1.port++ <--> {datarate=100Mbps;} <--> node2.port++;



...

}

Figure A.3: Exemple d’un fichier NED

Le package OMNeT++ contient un éditeur graphique illustré sur la figure A.4 permettant

d’éditer facilement des fichiers NED.


115

Figure A.4: Editeur graphique d’un fichier NED

Si la plupart des applications d’édition de topologie ne permettent la création que de

topologie fixe, NED permet la création de topologies paramétrables. Il est possible de créer

des topologies comme des ring, mesh, étoile, tree, etc. dont les paramètres comme la taille, la

vitesse des connections, etc. peuvent être modifiés.

NED est également compatible avec XML et il est possible d’importer et d’exporter des

fichiers XML.

A.6.2 Fichier .ini

Le fichier .ini est étroitement lié avec le fichier .ned. Il permet à l’utilisateur d’initialiser

les paramètres des différents modules et la configuration de la topologie du réseau.

Un exemple d’un fichier .ini est illustré sur la figure A.5.

[General]

network = MyNetwork

[Parameters]

MyNetwork.field_x = 80 #meters

MyNetwork.field_y = 80 #meters

MyNetwork.numNodes = 20

MyNetwork.frameLength = normal(200,1400)

MyNetwork.Node[0].numFramesToSend = 5000

MyNetwork.Node[1-5].numFramesToSend = 1000

MyNetwork.Node[*].numFramesToSend = 0

Figure A.5: Exemple d’un fichier .ini


116

A.6.3 Fichier .msg

Les différents modules communiquent en échangeant des messages. Ces derniers sont

déclarés dans un fichier dont l’extension est .msg où l’on peut ajouter des champs de données

(voir figure A.6). Le simulateur traduira ensuite les définitions de messages en classes C++.

message NetworkPacket {

fields:

int srcAddr;

int destAddr;

}

Figure A.6: Exemple d’un fichier .msg

A.7 Exécution d’une simulation sous OMNeT++

Le schéma illustré sur la figure A.7 donne une vue globale sur le processus de construction

et d’exécution d’un programme de simulation sous OMNeT++.

En premier lieu, les fichiers .msg sont traduits en code C++ en utilisant le programme

opp_msgc. Ensuite, tous le code source C++ est compilé et lié au noyau de simulation et

l’interface utilisateur pour former un exécutable de simulation. Les fichiers *.ned sont chargés

de manière dynamique au début d’exécution du programme de simulation.


117

Figure A.7: Construction et exécution d’une simulation sous OMNeT++

A.8 Les plateformes d’OMNeT++

Il existe plusieurs plateformes et simulateurs basés sur OMNeT++ qui essayent de

compléter les fonctionnalités de ce dernier. Nous citons dans ce qui suit quelques-uns.

A.8.1 Mobility Framework

Cette plateforme implémente un support pour la mobilité des nœuds, la gestion des

connexions dynamiques ainsi qu’un modèle de canal sans fil [111]. Elle supporte la

simulation des réseaux sans fil, des réseaux mobiles, des réseaux centralisés et distribués, des

réseaux de capteurs ainsi que d’autres types de simulations qui nécessitent un support de

mobilité et une interface sans fil.

Elle est réalisée avec des modules de base, donc l’utilisateur peut les utiliser afin de créer

et d’implémenter de nouveaux protocoles pour la simulation.

Le cœur de Mobility Framework est composé de :


118

Module de gestion de la mobilité (Mobility Contoller).

Module de gestion dynamique de la connexion entre les hôtes (Channel Control)

A.8.2 Mixim

Mixim (Mixed Simulator) [112] est un simulateur qui a été créé pour réseaux sans fil fixes

et mobiles tels que les réseaux de capteurs sans fil, les réseaux ad hoc, les réseaux

véhiculaires, etc. Il intègre et développe des simulations sans fil et mobiles dans OMNeT++.

Ce simulateur fournit des modèles détaillés de canal sans fil, la connectivité sans fil, la

mobilité, les obstacles et les protocoles MAC (Media Access Control) comme IEEE 802.11b

et IEEE 802.15.4. Mixim propose des modules pour une mise en œuvre facile de nouveaux

protocoles MAC comme TDMA (Time Division Multiple Access). Mixim est écrit avec le

langage C++.

A.8.3 Castalia

Castalia [113] est un framework de simulation à évènements discrets généralement conçu

pour les réseaux contraints en ressources tels que les réseaux de capteurs et les réseaux

corporels (BAN : Body Area Network). Castalia se base sur OMNeT++ et se fonde également

sur une approche orientée composant avec l’intégration de fonctionnalités dédiées aux réseaux

de capteurs. Ce simulateur définit une structure de nœud (composant principal) comme un

ensemble de modules hiérarchisés et interconnectés. Il s’agit d’un simulateur générique avec

un canal sans fil et un modèle de radio basé sur des données mesurées. Comme nous pouvons

le voir sur la figure A.8, Castalia définit trois modules principaux : Le nœud, le processus

physique et le canal sans fil.

Figure A.8: Connexion des modules sous Castalia


119

A.9 Conclusion

OMNet++ est une plateforme de simulation fournissant l’environnement nécessaire à la

simulation de protocoles réseaux. Les principaux avantages de ce simulateur sont les suivants

[114]:

Une architecture modulaire avec des composants entièrement paramétrables,

réutilisables et assemblés de façon hiérarchique grâce au langage NED. Cette

architecture permet non seulement de développer à partir de modules de base de

nouveaux modèles très facilement, mais de créer n’importe quel type de simulation

sans aucune restriction.

Des possibilités de débogage avancées qui peuvent être notamment utiles à des fins

pédagogiques.

Des facilités d’utilisation et d’exploitation des résultats grâce à des outils permettant

de créer des fichiers facilement récupérables pour d’autres applications.

Une des limites d’OMNet++ vient notamment du fait qu’il soit à évènement discret et non

en temps réel. Il est incapable de simuler plusieurs évènements à la fois.

Annexe B. Modèle de simulation d’un RCVSF sous OMNeT++

120

Annexe B

Modèle de simulation d’un RCVSF sous OMNeT++

B.1 Introduction

Afin de concrétiser les contributions présentées dans cette thèse, nous nous sommes basés

sur le package qui nous a été fourni par le laboratoire LIUPPA dirigé par le Professeur

Congduc Pham. Avant d’apporter des extensions à ce modèle de simulation, il faut tout

d’abord réussir son installation et comprendre son fonctionnement.

L’objectif de cette annexe est donc de présenter en détail les étapes d’installation du

package, les différents dossiers et fichiers qui le constituent et enfin le déroulement complet

d’un scénario de simulation.

B.2 Etapes d’installation du modèle de simulation

L’archive « wvsnmodel-v4.tgz » contient le modèle de simulation du RCVSF développé

sous le simulateur OMNeT++ version 4. Donc avant d’installer ce modèle, nous devons

d’abord avoir OMNeT++ V4 installé correctement sur notre machine (le script « configure »

doit s’exécuter sans erreurs).

Nous pouvons installer le modèle de simulation en utilisant l’une des deux procédures

suivantes :

a/ Procédure d’installation automatique : L’installation se fait dans ce cas en utilisant le script

« install.bash » qui exécute automatiquement l’installation. L’archive du modèle doit se

trouver dans le répertoire courant.

b/ Procédure d’installation manuelle : Dans ce type de procédure, il est recommandé de créer

le répertoire « vidmodel » dans le répertoire « home ». Nous devons faire entrer l’archive

« wvsnmodel-v4.tgz » dans le répertoire « vidmodel ». Après avoir décompressé l’archive,

nous obtenons le répertoire « wvsn-model-omnetpp-v4 » avec les répertoires et fichiers

suivants :

1/ Les répertoires:

awk-script, geometry, images, nedGeneration.

2/ Les fichiers:

Makefile, makefrag, activity.msg, coordNode.cc, coordNode.h, coverage-


121

60.ned, display.h, dead.msg, intrusion.cc, intrusion.h, multipleRun,

omnetpp.ini, position.msg, videoModelDefine.h, videoSensorNode.cc,

videoSensorNode.h.

Pour générer le « Makefile » nous devons exécuter la commande suivante.

> opp_makemake -f

Le « makefrag » sera automatiquement inclus par cette commande afin d’ajouter d’autres

définitions à chaque fois que nous générons un nouveau « Makefile ». Ces définitions

concernent les points suivants :

1/ Des fichiers librairies ou objets additionnels à ajouter :

EXTRA_OBJS= geometry/Point.o geometry/Segment.o geometry/Triangle.o

geometry/Polygon.o geometry/triangulation.o

2/ Des librairies additionnelles (-L option –l option)

LIBS= -lSDL

3/ Configuration des Flags

CFLAGS=-DNDEBUG=1 -DWITH_PARSIM -DWITH_NETBUILDER -DDEBUG_OUTPUT_LEVEL0 -

DDEBUG_OUTPUT_LEVEL1 -DCOVERAGE_WITH_G -DCOVERAGE_STATS_ONLY -

DCOVERAGE_COMPUTE_PERCOVERSET

Il faut copier les trois variables définies dans le Makefile.in et les ajouter dans le Makefile

au bon endroit.

Avant de compiler tout le modèle, nous devons éditer les liens des fichiers (.o) qui se

trouvent dans la bibliothèque de géométrie, car le modèle de simulation utilise des classes

géométriques. Nous devons nous positionner sur le répertoire « geometry » et exécuter la

commande suivante :

> make obj

Maintenant, nous pouvons compiler le modèle de simulation par la commande suivante :

> make

Si l’installation a été effectuée correctement, nous devons avoir un exécutable appelé

wvsn-model-omnetpp-v4 que nous pouvons exécuter par la commande suivante :

> ./wvsn-model-omnetpp-v4

B.3 Présentation de quelques fichiers et répertoires du modèle

La plupart des fichiers.cc que nous avons modifiés ont été exposés dans le chapitre III,

section III.10.2, pp. 72. Nous présentons dans ce qui suit les autres fichiers et répertoires que

nous avons utilisés dans le modèle de simulation.


122

a/ Les fichiers *.msg sont les messages qui définissent les différents champs des paquets

échangés. Les différents composants du modèle communiquent en échangeant les trois types

de messages suivants :

1. « position.msg » (voir figure B.1) représente le paquet envoyé par un nœud quand ce

dernier diffuse sa propre position.

message PositionPacket{

fields :

int id ;

double px ;

double py ;

double vx ;

double vy ;

double alpha ;

double depthview;

bool active ;

}

Figure B.1: Message de position

2. « activity.msg » présenté sur la figure B.2, défini le paquet envoyé par un nœud

capteur lorsque celui-ci diffuse son état (actif ou inactif).

message ActivityPacket{

fields :

int id ;

int EnergyLevel ;

bool isActive ;

}

Figure B.2: Message d’activité

3. « dead.msg » est le message envoyé par un nœud qui n’est plus opérationnel afin

d’informer ses nœuds voisins de l’épuisement de son énergie (voir figure B.3).

message DeadPacket{

fields :

int id ;

}

Figure B.3: Message d’épuisement de la batterie

b/ Le fichier « display.h » est nécessaire pour l’affichage d’une fenêtre graphique qui illustre

la position des capteurs vidéo avec leur CdV respectif. Un exemple d’exécution est illustré sur

la figure B.4.


123

Figure B.4: Fenêtre graphique pour l’affichage des capteurs vidéo avec leurs CdV

c/ « geometry » est un répertoire qui contient les packages de géométrie (proposés par Carlos

Moreno), utilisé pour afficher des informations graphiques. Afin de pouvoir utiliser ces

propriétés graphiques, il faut installer la dernière version de la librairie SDL (Simple

DirectMedia Layer).

d/ « images » est un répertoire qui contient des icones spécifiques pour les capteurs vidéo. Ces

icones sont utilisées par l’interface graphique d’OMNeT++ (tkenv) pour afficher les différents

états des nœuds capteurs (actif, en veille, non opérationnel « dead », etc).

e/ « nedGeneration » est le répertoire qui nous permet de générer les fichiers.ned de la

simulation à travers le programme « generate ». Ce dernier accepte en entrée un ou trois

paramètres qui concernent le nombre de nœuds capteurs du scénario de la simulation et la

taille du champ de déploiement.

B.4 Exécution d’un scénario de simulation

Dans le cas où nous voulons changer le comportement du modèle et que nous modifions

les fichiers .cc et le « Makefile » donc il faut exécuter les commandes suivantes :

> make clean

> make

Si nous voulons afficher l’interface graphique pour voir le déroulement de l’exécution de

la simulation, il faut activer la commande suivante dans le fichier « Makefile » :

USERIF_LIBS=$(TKENV_LIBS)

Nous pouvons dérouler rapidement les simulations dans le cas où le modèle de simulation

ne contient aucune erreur. Et donc éviter d’afficher l’interface graphique pour obtenir

rapidement les résultats. Dans ce cas, il suffit de désactiver la commande précédente et utiliser

directement la commande « CMDENV » comme ceci :

USERIF_LIBS=$(CMDENV_LIBS)

#USERIF_LIBS=$(TKENV_LIBS)


124

Ensuite, il faut accéder au fichier omnetpp.ini où nous pouvons changer les paramètres du

réseau. Si nous voulons garder les paramètres par défaut, il faut uniquement préciser le

nombre de nœuds sur la ligne « SN.numNodes » avec le nom du fichier .sca pour récupérer les

résultats.

Il faut supprimer le fichier.ned précédent avant de générer un nouveau.

Pour générer un fichier.ned avec par exemple 200 nœuds capteurs dans le répertoire de

simulation nous pouvons exécuter simplement la commande suivante :

> nedGeneration/generate 200 > coverage-200.ned

Si nous voulons changer également la taille du champ de déploiement, donc il faut

exécuter la commande suivante :

> nedGeneration/generate 200 100 100 > coverage-75-100-100.ned

Le premier paramètre indique le nombre de nœuds capteurs et les deux autres désignent la

taille du champ de déploiement. Si nous ne le précisons pas, le programme va utiliser la taille

du champ de déploiement par défaut, qui vaut 75m*75m.

Nous pouvons maintenant lancer le modèle de simulation en exécutant la commande

suivante:

> ./wvsn-model-omnetpp-v4

La figure ci-dessous illustre une capture écran de ce que nous devont obtenir après avoir

lancé l’exécutable du modèle simulation.

Pour exécuter la simulation, il suffit de cliquer soit sur le bouton « run », « Fast Run » ou

« Express Run » pour une exécution plus rapide, ce qui est pratique surtout si le réseau est très

dense.

Les différents messages sur la fenêtre de simulation illustrés sur la figure B.5 indiquent les

différentes étapes de l’exécution de la simulation.


125

Figure B.5: Exécution du modèle de simulation sous OMNeT++

La fenêtre graphique qui représenté le RCVSF contient des nœuds avec des icones

spécifiques qui indiquent l’état de chaque nœud. Les icones les plus utilisées sont illustrées

sur le tableau B.1.

Icône Description

Représente l’icône d’un capteur vidéo à l’état actif.

Indique un capteur vidéo en veille.

Désigne un capteur vidéo qui n’est plus opérationnel (dead node).

Est l’icône qui représente un capteur vidéo rotationnel, celle que nous avons utilisée

dans les simulations du nouveau modèle de couverture.

Tableau B.1: Description des icones du modèle de simulation

Si nous exécutons un scénario de simulation avec des capteurs vidéo rotationnels nous

obtenons la fenêtre graphique suivante. Les détails de la simulation sont indiqués sur la figure

B.6.


126

Figure B.6: Présentation du modèle de simulation sur la fenêtre graphique

B.5 Analyse des résultats

Comme nous l’avons déjà mentionné avant, les résultats de simulation sont tous reportés

dans le fichier.sca. Cependant, afin de récupérer uniquement les résultats qui nous intéressent,

nous avons utilisé le script AWK dont le code est donné sur la figure B.7. Ce dernier nous

permet de calculer les métriques de performances suivantes :

Le pourcentage moyen de couverture

Le nombre moyen d’ensembles couvrants

Le pourcentage moyen de nœuds actifs

Si nous voulons afficher des résultats supplémentaires dans le fichier .sca, il faut accéder

aux fichiers .cc adéquats où se trouvent les variables à afficher. Par exemple, si nous voulons

afficher la liste des voisins dans le fichier.sca, il faut ajouter les lignes de code suivantes :


recordScalar("neighbors ", this->neighbors[i].id);

}

Diffusion de la position

Vitesse de capture

Nombre d’ensembles couvrants

Niveau d’énergie


127

BEGIN {

i=0

j=0

coverage_percentage=0

c_p=0

nbr_coversets=0

n_c=0

active_nodes=0

a_n=0

}

{

if($3=="**display_stats_percentage_coverage"){

i=i+1

c_p=c_p+$4

}

if($3=="info.coverset.mean_numberof_coverset_X"){

j=j+1

n_c=n_c+$4

}

if($3=="**display_stats_percentage_active_nodes")

a_n=a_n+$4

if (i!=O){

coverage_percentage=c_p/i

active_nodes=a_n/i

}

if (j!=O){

nbr_coversets=n_c/j

}

}

END {

print "coverage_percentage:"coverage_percentage

print "nbr_coversets:"nbr_coversets

print "active_nodes:"active_nodes

}

Figure B.7: Exemple d’un fichier AWK

L’exécution du fichier AWK s’effectue par la commande suivante :

awk –f fichier_prog.awk fichier_scalaire.sca > fichier_resultat.sca

fichier_prog : est le fichier d’instructions AWK enregistré sous l’extension .awk

La commande exécute séquentiellement le programme se trouvant dans le fichier_prog sur

chaque ligne du fichier_scalaire.sca qui correspond au fichier scalaire obtenu après

l’exécution d’un scénario de simulation. Ensuite, le résultat sera affiché dans le

fichier_resultat.sca.

theses.univ-oran1.dztheses.univ-oran1.dz/document/15201543t.pdfDEPARTEMENT D'INFORMATIQUE THESE...

Documents

Transcript of theses.univ-oran1.dztheses.univ-oran1.dz/document/15201543t.pdfDEPARTEMENT D'INFORMATIQUE THESE...