w88体育_w88优徳_w88优德体育平台

优德88官方中文版_w88金殿客户端下载_w88优德娱乐平台亚洲

admin6个月前324浏览量

摘要:面向公共安全范畴内的视频监控体系首要应对违法犯罪及社会办理等公共安全问题。传统视频监控体系具有前端摄像机内置核算资源较少、数据量较大、传输带宽推迟较高、方针盯梢功率较低一级缺乏,为此,需构建依据边际核算的新式视频监控体系的软硬件效劳渠道。本文首要从针对视频监控的边际核算体系、依据边际核算的视频监控体系协同处理、依据边际核算的摄像机网络方针盯梢以及依据边际核算的突发事情处理等方面来介绍边际核算在视频监控体系中的运用及其优势。

1 布景介绍

视频监控体系首要用于视频处理、方针查询和人员盯梢等方面,并逐步成为城市公共安全的重要确保。依据传统视频监控体系前端摄像机所搜集的视频分辨率较高,视频数据量较大,现有智能监控体系的视频处理才能缺乏,传统云形式视频监控体系的核算和传输带宽负载较重。

现有摄像机存在核算才能以及上传数据的时延和带宽等缺乏,构成方针信息检测漏检较大和检测功率低效等问题。此外,视觉方针盯梢一般是对吸取的图画或视频进行剖析核算,辨认与盯梢场景中的方针,怎么构建依据边际核算的多摄像机组成的摄像机网络,以完结监控规模大、全方位的监控体系,战胜单摄像机简单遭到杂乱布景、光照改变等限制,成为监控体系的研讨热门之一。

边际核算指从数据源到云核算中心数据途径之间的恣意核算资源和网络资源,完结数据的就近处理办法。边际核算的根本理念是将核算使命在挨近本地数据源的核算资源上运转 [1]。边际核算可以完结对视频数据传输流过程中的本地化处理,为视频监控体系带来低时延和高效资源运用性等长处,可以很好地用来处理现有视频监控体系所遇到的技能应战和问题。依据边际核算的新式视频监控体系较好地满意了这些公共安全方面视频数据处理实时性、完整性等需求。

本文首要论述面向视频监控的边际核算体系,本文提出边际核算在视频监控体系中的运用及其优势,从面向视频监控的边际核算体系、依据边际核算的新式视频监控体系协同处理、依据边际核算的摄像机网络方针盯梢以及依据边际核算的突发事情处理等方面来介绍。

2 面向视频监控边际核算体系

2.1 现有办法的问题

跟着城市规模扩展所带来的公共安全问题[2、3]越来越遭到重视。传统城市安全视频监控体系[4]前端摄像机内置核算才能较低,以边际核算和万物互联技能为根底的新式视频监控体系是未来开展趋势。

2.2 智能边际视频终端处理方案

针对海量视频数据,云核算中心效劳器核算才能有限[5、6],为此:(1)构建依据边际核算的视频预处理技能,去除视频图画冗余信息,使得部分或悉数视频剖析迁移到边际处,由此下降对云中心的核算、存储和网络带宽需求,进步视频图画剖析的功率;(2)构建依据行为感知的边际预处理功用,完结视频数据弹性存储。依据行为特征决议方案功用,实时调整视频数据,既削减无效视频的存储,下降存储空间,又最大化存储“事中”依据类视频数据,进步视频数据存储空间运用率。

如图1所示,运用边际核算模型,将具有核算才能的硬件单元集成到原有的视频监控体系软硬件渠道上,完结具有边际核算才能的新式视频监控体系。在边际核算模型中,核算一般发作在数据源的邻近,即在视频数据搜集的边际端进行视频数据的处理。一方面,依据智能算法的预处理功用模块,履行含糊核算,对实时搜集的视频数据履行部分或悉数核算使命,这可以为实时性要求较高的运用恳求供给及时的应对效劳,Sun等人[7]提出依据边际核算的视频监控体系内容可用性研讨,内容的可用性包含静态毛病及动态内容两个方面;另一方面,需求规划具有可弹性的弹性存储功用模块,运用智能算法感知监控场景内行为改变,完结较高的空间存储功率。



图1 依据边际核算视频监控体系框图

3 依据边际核算的视频监控体系协同处理

3.1 现有办法的问题

在现在的视频监控体系中,绝大多数摄像机并不具有车辆辨认功用,一般只依据少数从高速公路等要害路口搜集的车辆信息,来初步判别车辆的路过时刻,并以此为起始点,人工查找周边摄像机,该办法追寻功率低下且无法到达实时盯梢。此外,一起追寻多路的视频流,会加重网络的担负,导致推迟和丢包[8]

3.2 安珀警报帮手(A3)处理方案

边际核算将核算推至接近数据本地端,然后下降了数据传输和带宽[1]。跟着一些车辆辨认算法的老练[9、10],运用一般摄像机的数据对车辆进行实时的盯梢,成为一种或许。如现在公共交通车辆[11](如租借摄像机,家用车辆的行车记录仪)。Zhang[12]等人因而提出了一种运用摄像机周边的边际核算设备,安珀警报帮手(A3)来实时追寻车辆。

运用静态和移动摄像机周边的边际设备,安珀警报帮手对摄像机的视频数据进行剖析,实时盯梢特定车辆的运用。一起,该运用还可以自定义盯梢战略,以优化参加追寻的节点数量,进步体系功率。

图2是A3的体系结构图。整个体系首要依据焰火模型编程结构[13],依据功用将体系分为三种人物——使命发布者、使命接纳者和数据处理节点,其间使命发布者供差人运用以供给追寻使命的办理,使命接纳者用于接受使命、分散使命、获取视频流以及部分使命处理,而数据处理节点为一群和使命接纳者附近的纯核算节点。试验证明A3体系具有较好的易布置性、高效性和追寻实时性。



图2 安珀警报助Static Camera手(A3)体系结构图

4 依据边际核算下摄像机网络方针盯梢

4.1 现有办法的问题

视觉方针盯梢是核算机视觉范畴的一个重要分支,其首要使命是经过对吸取的图画或视频进行剖析核算,到达对场景中的方针进行辨认与盯梢的意图。依据多个摄像机 [14]组成的摄像机网络在扩展监控规模的一起也产生了海量视频数据,给视频的传输、存储以及实时方针盯梢运用,带来了极大应战。若将视频都上传云中心,云中心将面对数据激流的应战 [15]。需就近对视频进行处理,而现有摄像机端核算资源缺乏。因而,需针对大规模摄像机网络,以下降通讯负载、核算担负和进步算法实时性为方针,提出合适大规模环境下方针盯梢的方案。

4.2 方针盯梢处理方案及完结

近来,边际核算模型为该类问题的处理供给了新的思路[1],将数据处理本地化,有利于处理较高传输价值、带宽需求以及较长的呼应推迟,处理现在大规模实时盯梢中的短板。如,当挑选寻觅或盯梢一个方针P,其初始方位可以经过惯例的监控信息得到(如报警信息),记为(Px, Py)。为了能实时不间断地进行方针盯梢,需求和谐周围其他摄像机参加盯梢,故以(Px, Py)为中心,半径为R的区域内一切摄像机组成摄像机网络。因为控制中心与方针P之间存在传输和核算推迟,因而用RP作为补偿半径。值得注意的是,RP的值与方针P的运动速度成正比。 假如效劳推迟越小,R P的值就越小,因而有必要将核算前置。在时刻k,构成的紧迫监控区域内,会触及NC(k)个摄像机组成的网络,如图3所示。



图3 依据边际核算的摄像机网络拓扑以及边际节点框图

如图3中的摄像机,在搜集端添加视频处理的硬件单元,对搜集到的视频信息进行仿制,然后进行预处理(比方方针检测),这部分作业运用现在已有算法进行此项作业[16]。在得到方针方位后,摄像机将有用的信息传输给其街坊节点,一起接纳街坊节点发送过来的信息,该节点将对接纳到的信息和本身测得信息进行信息交融,然后提取有用信息,再将交融后的信息发送给街坊节点。在相邻时刻内完结屡次相似的信息传输,就可以使得整个网络信息到达共同[17]。因而,可以交融各个摄像机的信息用分布式的办法完结大局信息同享。最终运用状况估核算法[18]组成鲁棒的方针盯梢体系。

5 依据边际核算的突发事情处理

5.1 现有办法的问题

像Uber和滴滴打车等同享出行东西效劳现已遭到群众欢迎,并在日常日子中得到遍及运用。怎么能有用保证旅客和司机的安全仍然是安全出行所遇到应战。

同享汽车上首要存在两种人身进犯[19],司机被乘客进犯或乘客被司机突击。为处理安全问题,滴滴公司选用脸部辨认、行程同享、SOS呼叫等手法为行车驾驭供给安全保证[20]。现有首要的安全状况判别和检测方案是在驾驭端搜集[21],在云端判别和检测,然后将判别成果反馈给驾驭终端,但其实时性较差,在大规模车载设备中,其运转环境较不稳定[22]、传输带宽的推迟较大、不利于实时处理突发事情。

为此,Liu[19]等人提出了一种依据边际核算办法的同享出行效劳的实时进犯检测结构SafeShareRide,该结构可以检测风险事情的发作,并且检测功率完结了近乎实时性的作用。SafeShareRide首要由三个阶段组成,语音辨认检测、驾驭行为检测和视频搜集与剖析。这三种阶段所选用的算法是依据开源的算法架构,测验试验证明了SafeShareRide具有较好的适用性。

5.2 突发事情处理方案及完结



图4 SafeShareRide架构中三阶段检测时刻序列

SafeShareRide架构首要包含三个阶段的处理。详细而言,第一阶段运用语音辨认的办法对车内的声响进行判别,首要要害词有“协助”或“大声”等做判别。第二阶段是驾驭行为的判别。SafeShareRide可以从从车载确诊、智能手机的传感器上搜集驾驭数据,依据车速的行进速度、加速度和角速度等成果来检测反常驾驭行为。第三个阶段经过剖析车载视频数据以确认车内是否有紧迫状况。每次检测开端的时分,前两个阶段独立运转,以检测并捕捉车辆风险状况。当在前两个阶段检测到进犯时,第三阶段的视频搜集和剖析功用将被触发,并将所获取的车载视频以及前两个阶段的检测成果上传到云或边际效劳器。

总归,经过三个阶段的安全性检测,SafeShareRide可供给准确性较高、视频传输带宽需求较低的高精准突发事情检测效劳。

6 总结

视频监控体系在公共安全范畴的运用越来越遭到重视,依据边际核算的新式视频监控体系为视频数据处理添加了更高的核算才能、更低的传输推迟以及更精准的处理才能。跟着边际核算体系架构的开展和定制化功用的完善,边际核算可以更好地推进新式视频监控体系在公共安全范畴更好地运用。

基金项目:安徽省要点研讨与开发方案项目(1704d0802193);国家自然科学基金(61802001);安徽大学2016年博士发动经费项目(J01003214)

作者简介:

施巍松(1974-),IEEE Fellow,美国韦恩州立大学核算机科学系教授,博士生导师,移动与互联网体系结构试验室主任,Intel Internet of Things 立异试验室主任。2013至2015年间任美国国家科学基金会(NSF)项目主任。全国百篇优异博士论文获得者, 美国国家科学基金会杰出青年教颁奖获得者(NSF CAREER Award)。施巍松教授的研讨爱好包含核算机体系, 边际核算和可继续核算,在分布式同享存储体系,移动互联网核算和高效能体系结构等范畴获得多项重要研讨成果。他是边际核算这一研讨范畴的前期提出者之一和倡导者, 并长时间致力于边际核算在工业界的推行,是ACM/IEEE 世界边际核算大会(SEC)的创始人。

孙 辉(1983-),博士,讲师,安徽大学先进核算机体系研讨所所长助理。研讨爱好首要包含核算机体系、边际核算、依据GPGPU高性能数据处理、面向非易失介质新式存储体系。现在掌管国家自然科学基金、安徽省自然科学基金、安徽省科技攻关项目、安徽省高校自然科学基金要点项目等8项。在IEEE Transaction on Computer, SEC, MASCOTS, IGSC等期刊或会议上宣布文章近10篇。

陈彦明,博士,安徽大学核算机科学与技能学院讲师。研讨爱好首要包含边际核算、传感器网络、共同性算法。已宣布论文10余篇,并揭露专利6项,IEEE Sensors Journal、IET Radar, Sonar & Navigation等SCI期刊审稿人。

参考文献:

[1] 施巍松, 孙辉, 曹杰, 张权, 刘伟. 边际核算:万物互联年代新式核算模型[J] 核算机研讨与开展, 2017, 54 (5) : 907 - 924.

[2]R.ty T D. Survey on Contemporary Remote Surveillance Systems for Public Safety[J]. IEEE Transactions on Systems Man & Cybernetics Part C, 2010, 40 (5) : 493 - 515.

[3]Kumbhar A, Koohifar F, Guvenc I, et al. A Survey on Legacy and Emerging Technologies for Public SafetyCommunications[J]. IEEE Communications Surveys & Tutorials, 2017, PP (99) : 1-1.

[4]Sergeant R G, Corbin S A, Jones T L, et al. Video surveillance system: US, US5517236[P]. 1996.

[5]Osuna A. IBM System Storage N series and Digital Video Surveillance[J]. Advanced Materials Research, 2010, 953 -954 : 1113 - 1116.

[6]J. Gantz and D. Reinsel. The digital universe in 2020: Big data, bigger digital shadows, and biggest growth in the fareast[R]. International Data Corporation, 2012.

[7]SunH,LiangX,ShiW. VU:videousefulnessanditsapplicationinlarge-scalevideosurveillancesystems:anearlyexperience[C] // SmartIoT Workshop. 2017.

[8]Botta A, De Donato W, Persico V, et al. Integration of cloud computing and internet of things: a survey[J]. Future Generation Computer Systems, 2016, 56 : 684 - 700.

[9]openalpr[EB/OL]. https: // github.com/openalpr / openalpr, 2018 - 09 - 02.

[10]liuruoze. EasyPR[EB / OL]. https: // github.com / liuruoze / EasyPR, 2018 - 09 - 02.

[11]简明全.“透视”智能行车记录仪商场[J]. 我国公共安全, 2016, 10 : 005.

[12]Zhang Q, Zhang Q, Shi W, et al. Distributed Collaborative Execution on the Edges and Its Application to AMBERAlerts[J]. IEEE Internet of Things Journal, 2018.

[13]Zhang Q, Zhang Q, Shi W, et al. Firework: Data processing and sharing for hybrid cloud-edge analytics[J]. IEEE Transactions on Parallel and Distributed Systems, 2018.

[14]黄凯奇, 陈晓棠, 康运锋, 谭铁牛. 智能视频监控技能总述[J]. 核算机学报, 2015, 38 (6) : 1093 - 1118.

[15]Luke ic A, Vojír T, Zajc L C, Matas J, Kristan M. Discriminative Correlation Filter with Channel and SpatialReliability[C]. 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2017: 4847 - 4856.

[16]P. F. Felzenszwalb, R. B. Girshick, D. McAllester, D. Ramanan. Object Detection with Discriminatively Trained Part -Based Models[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2010, 32: 1627 - 1645.

[17]陈彦明, 赵清杰, 刘若宇. 一种适用于分布式摄像机网络的SCIWCF算法[J]. 电子学报, 2016, 44 (10) : 2335 - 2343.

[18]A. T. Kamal, J. A. Farrell, A. K. Roy-Chowdhury. Information weighted consensus filters and their application indistributed camera networks[J]. IEEE Transactions on Automatic Control, 2013, 58 : 3112 - 3125.

[19]Liangkai L., Xingzhou Z., Mu Q.et al. SafeShareRide: Edge-based Attack Detection in Ridesharing Services, [C]//USENIX Workshop on Hot Topics in Edge Computing (HotEdge 18), 2018

[20]滴滴出行经过必修课程进步驾驭员训练体系用户体会[EB/OL]. https: // www.didiglobal.com/news / newsDetail?id=240&type=news, 2018-9-2.

[21]滴滴出行进步驾驭员和乘客安全结构[EB/OL].https://www.didiglobal.com/news/newsDetail?id=270&type=news, 2018-9-2

[22]HuiSY,KaiHY.Challengesinthemigrationto4Gmobilesystems[J].CommunicationsMagazineIEEE,2003,41(12):54-59.

摘自《自动化饱览》2018年增刊《边际核算2018专辑》

最新评论