随着感知、通信、移动计算等崛起和发展,群智感知成为时下技术热点。作为一个新兴的感知平台,移动群智感知吸引了大量活跃的参与者参与感知,并提供高质、可靠的感知服务。感知平台利用一些激励机制(例如金钱报酬、虚拟积分、娱乐等)鼓励和刺激参与者参与到感知任务中,这一感知过程可以代替传统方法采集信息、分析数据,节省大量的人力、物力、财力。目前在群智感知系统中仍有许多问题没有被强调,其中参与者选择问题就是一个主要的挑战。参与者选择问题就是在一定时间周期内选择合适的参与者并让他们移动到目标区域执行感知任务。现在大部分研究工作关注于如何选择可靠的参与者执行任务,在确保任务质量的同时最小化激励代价。传统的方法利用历史的信誉值评估参与者的可靠性,然而,这些方法仍会引起不可靠地任务分配并影响感知任务的质量。因为信誉值是在过去的一段时间内对参与者行为的统计结果,这些信誉值并不能真实地反应参与者当前的状态。为解决上述问题,我们提出一个可靠的参与者选择框架。在这个框架里,我们设计人为参与的两阶段策略来取得可靠地任务分配。通常,当前的状态会受到电量消耗、激励代价、感知时间、个人兴趣和移动距离等因素的影响。当前状态在选择可靠的参与者过程中扮演着重要的角色,同时影响任务的质量。我们引进一个术语,真实的意愿值,它是用来评估参与者针对当前任务贡献感知数据的真实执行意愿。在现实场景中,参与者真实的意愿可以为评估当前状态提供支持。因此,平台通过利用参与者真实意愿值可以取得有效的任务分配。此外,我们定义了一个在确保任务质量的同时最小化激励代价的优化问题,并设计一个带有预分配的两阶段贪心算法。在预分配阶段,基于来信誉值,平台通过Top-k方法选择参与者并询问他们关于当前任务的执行意愿;在分配阶段,平台利用参与者的执行意愿真正地分配感知任务。在这个阶段中,平台公开给参与者,这可以激励和鼓励参与者回应真实的意愿值,我们把它作为主要的策略。因此,我们发挥参与者在平台的主观能动性来增加分配可靠性,但是在参与者提前预知任务的情况下,不会增加他们额外的负担。在参与者选择的过程中,我们也考虑参与者的位置隐私。为了打破时空相关性,我们利用位置模糊和时间延迟来保护参与者位置隐私,在分配过程中真实的意愿值可以消除应用该方法所带来的不确定影响。然而,隐私保护方法也可能带来一个挑战。感知任务在时间域的延迟和在空间域的不确定性会带来包括认证和数据完整性的潜在安全问题。为了避免这问题,我们通过加密的方法确保认证和数据完整性。实验结果显示,同其他参与者选择方法相比,该算法在可靠性方面具有优势,能够满足在确保任务感知质量的情况下,最小化激励代价的要求。