在建模和评估传感器系统提供的数据和信息方面，人们展示出越来越多的兴趣。并且，传统的信息系统包括数据库系统和信息检索系统，质量已经成为一个很好的开发方向。下面，本文回顾这两类的研究，特别是关注传感器信息质量的测量。62974

1 基于传感器的信息质量测量

一般来说，基于传感器系统的QoI测量某种程度上类似于不同事件检测的绩效评估，包括移动侦测，目标跟踪，位置估计，轨迹观察，人物检测、识别、活动等等任务。本文注意到，测量这些任务的性能主要在于计算精度。评估运动检测和跟踪性能来识别一个视频监测系统的操作范围。对于运动检测，他们按照一些误差度量标准，测量GT数据和半合成的测试数据的空间偏差，例如遗失的前景像素，额外的前景像素和错误分类速度。此外，对于对象跟踪，他们使用命中率，缺失率和错误尝试。这些指标的重要目的是测量运动检测和跟踪的精度，因此，在一个多传感器系统中，这些也许有助于QoI的局部测量。此外，由于依赖GT，这些指标被视为静态质量度量。

在其他的研究中，在基于对象的的运动检测任务方面，使用F—measure方法作为指令评估参数的最优化设计。

F—measure优化可能解释为精度和回归测量的加权调和平均数，这通常用于评估信息检索过程的准确性。Mariano提出了几个用于评估对象探测和识别算法质量的指标[5]。他们尝试探测的对象是视频数据流中的车辆、树木和人。他们也使用与准确性相关的参数（如精度和回归）来比较对象探测算法的输出和GT值。在他们的评估中没有考虑实时性，但在本文所提出的模型中，实时性是质量度量标准之一。

使用准确性度量标准作为质量建模和评估的趋势在其他文献中也能看到。例如，Muller-Schneiders等人使用伪正追踪率和负追踪率，平均位置误差，平均面积误差和其他相关精度指标作为实时视频检测系统中对象探测机制的性能评估[6]。不像Muller-Schneiders测量一个特定的对象探测机制的性能，Nascimento and Marques评估几个对象探测方法，来比较视频探测器的输出和手动编辑的GT，作者使用检测失败，误报和分割/合并作为客观指标来测量这些方法的准确性[7]。

值得注意的是，呈现在以上文献中的不同质量指标大多应用于评估具体任务的精度（如运动检测）。因此，当把各种类型的事件作为一个整体，从应用的角度来看，他们都不适合作为QoI的统一表示。为了解决这个问题，Ziliani等人提出了一个基于视频事件检测的评估方法，论文网这个解决方案适用于检测公共地铁设置环境中的高级事件。这些事件的例子有空投一个物体，走在铁路上，穿越铁路。这些事件被分为三组：警告、警报和临界警报事件。作者使用了一些通用的质量属性，包括正确检测，正误失和负误失来量化事件检测方案[8]。不像前面的方法，分别使用单摄像机数据时间分析，Ziliani利用多个摄像机图像序列来确定感兴趣的事件。然而，所有的这些方法测量基于视频内容分析的质量。他们几乎没有利用其他重要的因素，如传感器和总质量模型之间的一致/不同。

在最近的一项研究中，Klein 为传感器生成的流数据提供了一个通用数据质量管理框架，特别是，他们提出了一个初步的DBMS结构来存储不同数据质量属性的值，例如完整性和准确性[9]。传感器数据质量也是Yates 的研究的主题。作者依据准确性和实时性定义质量，也研究了数据高速缓冲策略的成本与质量平衡来支持用户的查询[10]。Klein和Yates的研究显示是特定于传感器数据质量测量，因此可能不适合需要进一步数据处理和多感官证据聚合，传递高级观点给目标应用程序的信息质量环境。