[ANGLÈS] Visual analysis tasks, like detection, recognition and tracking, are computationally intensive, and it is therefore challenging to perform such tasks in visual sensor networks, where nodes may be equipped with low power CPUs. A promising solution is to augment the sensor network with processing nodes, and to distribute the processing tasks among the processing nodes of the visual sensor network. The objective of this project is to enable a visual sensor network testbed to operate with multiple camera sensors, and to implement an algorithm that computes the allocation of the visual feature tasks to the processing nodes. In the implemented system, the processing nodes can receive and process data from different camera sensors simultaneously. The acquired images are divided into sub-images, the sizes of the sub-images are computed through solving a linear programming problem. The implemented algorithm performs local optimization in each camera sensor without data exchange with the other cameras in order to minimize the communication overhead and the data computational load of the camera sensors. The implementation work is performed on a testbed that consists of BeagleBone Black computers with IEEE 802.15.4 or IEEE 802.11 USB modules, and the existing code base is written in C++. The implementation is used to assess the performance of the distributed algorithm in terms of completion time. The results show a good performance providing lower average completion time.

[CASTELLÀ] Las tareas de análisis visuales, como la detección, reconocimiento y seguimiento, son computacionalmente intensas, por lo que es un reto llevar a cabo esas tareas en las redes de sensores visuales, donde los nodos pueden ser equipados con procesadores de baja potencia. Una solución prometedora es aumentar la red de sensores con nodos de procesamiento, y distribuir las tareas de procesamiento entre los nodos de procesamiento de la red de sensores visual. El objetivo de este proyecto es permitir que un banco de pruebas de una red de sensores visuales opere con múltiples cámaras, e implementar un algoritmo que calcule la asignación de las tareas de las características visuales hacia los nodos de procesamiento. En el sistema implementado, los nodos de procesamiento pueden recibir y procesar los datos de diferentes cámaras al mismo tiempo. Las imágenes adquiridas se dividen en subimágenes, los tamaños de las subimágenes se calculan resolviendo un problema de programación lineal. El algoritmo implementado realiza optimización local en cada cámara sin intercambio de datos con otras cámaras con el fin de minimizar la sobrecarga de comunicación y los datos de carga de cálculo de las cámaras. El trabajo de implementación se realiza en un banco de pruebas que consiste de computadoras BeagleBone Black con módulos USB IEEE 802.15.4 o IEEE 802.11, y la base del código existente está escrita en C++. La implementación se utiliza para evaluar el rendimiento del algoritmo distribuido en términos de tiempo de finalización. Los resultados muestran un buen rendimiento proporcionando un menor tiempo medio de finalización.

[CATALÀ[ Les tasques d'anàlisi visuals, com la detecció, reconeixement i seguiment, són computacionalment intenses, per la qual cosa és un repte dur a terme aquestes tasques en les xarxes de sensors visuals, on els nodes poden ser equipats amb processadors de baixa potència. Una solució prometedora és augmentar la xarxa de sensors amb nodes de processament, i distribuir les tasques de processament entre els nodes de processament de la xarxa de sensors visual. L'objectiu d'aquest projecte és permetre que un banc de proves d'una xarxa de sensors visuals operi amb múltiples càmeres, i implementar un algoritme que calculi l'assignació de les tasques de les característiques visuals cap als nodes de processament. En el sistema implementat, els nodes de processament poden rebre i processar les dades de diferents càmeres al mateix temps. Les imatges adquirides es divideixen en subimatges, les mides de les subimatges es calculen resolent un problema de programació lineal. L'algorisme implementat realitza optimització local a cada càmera sense intercanvi de dades amb altres càmeres per tal de minimitzar la sobrecàrrega de comunicació i les dades de càrrega de càlcul de les càmeres. El treball d'implementació es realitza en un banc de proves que consisteix d'ordinadors BeagleBone Black amb mòduls USB IEEE 802.15.4 o IEEE 802.11, i la base del codi existent està escrita en C++. La implementació s'utilitza per avaluar el rendiment de l'algorisme distribuït en termes de temps de finalització. Els resultats mostren un bon rendiment proporcionant un menor temps mitjà de finalització.