重慶監(jiān)控系統(tǒng)：摘要：面向公共安全領(lǐng)域內(nèi)的重慶監(jiān)控系統(tǒng)主要應(yīng)對違法犯罪及社會管理等公共安全問題。傳統(tǒng)視頻監(jiān)控系統(tǒng)具有前端攝像機內(nèi)置計算資源較少、數(shù)據(jù)量較大、傳輸帶寬延遲較高、目標(biāo)跟蹤效率較低等不足，為此，需構(gòu)建基于邊緣計算的新型重慶監(jiān)控系統(tǒng)的軟硬件服務(wù)平臺。本文主要從針對重慶監(jiān)控的邊緣計算系統(tǒng)、基于邊緣計算的重慶監(jiān)控系統(tǒng)協(xié)同處理、基于邊緣計算的攝像機網(wǎng)絡(luò)目標(biāo)跟蹤以及基于邊緣計算的突發(fā)事件處理等方面來介紹邊緣計算在重慶監(jiān)控系統(tǒng)中的應(yīng)用及其優(yōu)勢。

01

背景介紹

重慶監(jiān)控系統(tǒng)主要用于視頻處理、目標(biāo)查詢和人員跟蹤等方面，并逐漸成為城市公共安全的重要保證?；趥鹘y(tǒng)視頻監(jiān)控系統(tǒng)前端攝像機所采集的視頻分辨率較高，視頻數(shù)據(jù)量較大，現(xiàn)有智能監(jiān)控系統(tǒng)的視頻處理能力不足，傳統(tǒng)云模式視頻監(jiān)控系統(tǒng)的計算和傳輸帶寬負載較重。

現(xiàn)有攝像機存在計算能力以及上傳數(shù)據(jù)的時延和帶寬等不足，造成目標(biāo)信息檢測漏檢較大和檢測效率低效等問題。此外，視覺目標(biāo)跟蹤通常是對攝取的圖像或視頻進行分析計算，識別與跟蹤場景中的目標(biāo)，如何構(gòu)建基于邊緣計算的多攝像機組成的攝像機網(wǎng)絡(luò)，以實現(xiàn)監(jiān)控范圍大、全方位的監(jiān)控系統(tǒng)，克服單攝像機容易受到復(fù)雜背景、光照變化等局限，成為監(jiān)控系統(tǒng)的研究熱點之一。

邊緣計算指從數(shù)據(jù)源到云計算中心數(shù)據(jù)路徑之間的任意計算資源和網(wǎng)絡(luò)資源，實現(xiàn)數(shù)據(jù)的就近處理方式。邊緣計算的基本理念是將計算任務(wù)在接近本地數(shù)據(jù)源的計算資源上運行 [1]。邊緣計算可以實現(xiàn)對視頻數(shù)據(jù)傳輸流過程中的本地化處理，為視頻監(jiān)控系統(tǒng)帶來低時延和高效資源利用性等優(yōu)點，可以很好地用來解決現(xiàn)有視頻監(jiān)控系統(tǒng)所遇到的技術(shù)挑戰(zhàn)和問題?；谶吘売嬎愕男滦鸵曨l監(jiān)控系統(tǒng)較好地滿足了這些公共安全方面視頻數(shù)據(jù)處理實時性、完整性等需求。

本文主要闡述面向視頻監(jiān)控的邊緣計算系統(tǒng)，本文提出邊緣計算在視頻監(jiān)控系統(tǒng)中的應(yīng)用及其優(yōu)勢，從面向視頻監(jiān)控的邊緣計算系統(tǒng)、基于邊緣計算的新型視頻監(jiān)控系統(tǒng)協(xié)同處理、基于邊緣計算的攝像機網(wǎng)絡(luò)目標(biāo)跟蹤以及基于邊緣計算的突發(fā)事件處理等方面來介紹。

02

面向重慶監(jiān)控邊緣計算系統(tǒng)

2.1 現(xiàn)有方法的問題

隨著城市規(guī)模擴大所帶來的公共安全問題[2、3]越來越受到重視。傳統(tǒng)城市安全視頻監(jiān)控系統(tǒng)[4]前端攝像機內(nèi)置計算能力較低，以邊緣計算和萬物互聯(lián)技術(shù)為基礎(chǔ)的新型視頻監(jiān)控系統(tǒng)是未來發(fā)展趨勢。

2.2 智能邊緣視頻終端解決方案

針對海量視頻數(shù)據(jù)，云計算中心服務(wù)器計算能力有限[5、6]，為此：（1）構(gòu)建基于邊緣計算的視頻預(yù)處理技術(shù)，去除視頻圖像冗余信息，使得部分或全部視頻分析遷移到邊緣處，由此降低對云中心的計算、存儲和網(wǎng)絡(luò)帶寬需求，提高視頻圖像分析的效率；（2）構(gòu)建基于行為感知的邊緣預(yù)處理功能，實現(xiàn)視頻數(shù)據(jù)彈性存儲。根據(jù)行為特征決策功能，實時調(diào)整視頻數(shù)據(jù)，既減少無效視頻的存儲，降低存儲空間，又最大化存儲“事中”證據(jù)類視頻數(shù)據(jù)，提高視頻數(shù)據(jù)存儲空間利用率。

如圖1所示，利用邊緣計算模型，將具有計算能力的硬件單元集成到原有的視頻監(jiān)控系統(tǒng)軟硬件平臺上，實現(xiàn)具有邊緣計算能力的新型視頻監(jiān)控系統(tǒng)。在邊緣計算模型中，計算通常發(fā)生在數(shù)據(jù)源的附近，即在視頻數(shù)據(jù)采集的邊緣端進行視頻數(shù)據(jù)的處理。一方面，基于智能算法的預(yù)處理功能模塊，執(zhí)行模糊計算，對實時采集的視頻數(shù)據(jù)執(zhí)行部分或全部計算任務(wù)，這能夠為實時性要求較高的應(yīng)用請求提供及時的應(yīng)答服務(wù)，Sun等人[7]提出基于邊緣計算的視頻監(jiān)控系統(tǒng)內(nèi)容可用性研究，內(nèi)容的可用性包括靜態(tài)故障及動態(tài)內(nèi)容兩個方面；另一方面，需要設(shè)計具有可伸縮的彈性存儲功能模塊，利用智能算法感知監(jiān)控場景內(nèi)行為變化，實現(xiàn)較高的空間存儲效率。

03

基于邊緣計算的重慶監(jiān)控系統(tǒng)協(xié)同處理

3.1 現(xiàn)有方法的問題

在目前的視頻監(jiān)控系統(tǒng)中，絕大多數(shù)攝像機并不具備車輛識別功能，通常只根據(jù)少量從高速公路等關(guān)鍵路口采集的車輛信息，來初步判斷車輛的路過時間，并以此為起始點，人工搜索周邊攝像機，該方法追蹤效率低下且無法達到實時跟蹤。此外，同時追蹤多路的視頻流，會加劇網(wǎng)絡(luò)的負擔(dān)，導(dǎo)致延遲和丟包[8]。

3.2 安珀警報助手（A3）解決方案

邊緣計算將計算推至靠近數(shù)據(jù)本地端，進而降低了數(shù)據(jù)傳輸和帶寬[1]。隨著一些車輛識別算法的成熟[9、10]，使用普通攝像機的數(shù)據(jù)對車輛進行實時的跟蹤，成為一種可能。如目前公共交通車輛[11]（如出租攝像機，家用車輛的行車記錄儀）。Zhang[12]等人因此提出了一種利用攝像機周邊的邊緣計算設(shè)備，安珀警報助手（A3）來實時追蹤車輛。

利用靜態(tài)和移動攝像機周邊的邊緣設(shè)備，安珀警報助手對攝像機的視頻數(shù)據(jù)進行分析，實時跟蹤特定車輛的應(yīng)用。同時，該應(yīng)用還可以自定義跟蹤策略，以優(yōu)化參與追蹤的節(jié)點數(shù)量，提升系統(tǒng)效率。

圖2是A3的系統(tǒng)結(jié)構(gòu)圖。整個系統(tǒng)主要基于煙花模型編程框架[13]，根據(jù)功能將系統(tǒng)分為三種角色——任務(wù)發(fā)布者、任務(wù)接收者和數(shù)據(jù)處理節(jié)點，其中任務(wù)發(fā)布者供警察使用以提供追蹤任務(wù)的管理，任務(wù)接收者用于接受任務(wù)、擴散任務(wù)、獲取視頻流以及部分任務(wù)處理，而數(shù)據(jù)處理節(jié)點為一群和任務(wù)接收者相近的純計算節(jié)點。實驗證明A3系統(tǒng)具有較好的易部署性、高效性和追蹤實時性。

04

基于邊緣計算下攝像機網(wǎng)絡(luò)目標(biāo)跟蹤

4.1 現(xiàn)有方法的問題

視覺目標(biāo)跟蹤是計算機視覺領(lǐng)域的一個重要分支，其主要任務(wù)是通過對攝取的圖像或視頻進行分析計算，達到對場景中的目標(biāo)進行識別與跟蹤的目的?；诙鄠€攝像機 [14]組成的攝像機網(wǎng)絡(luò)在擴大監(jiān)控范圍的同時也產(chǎn)生了海量視頻數(shù)據(jù)，給視頻的傳輸、存儲以及實時目標(biāo)跟蹤應(yīng)用，帶來了極大挑戰(zhàn)。若將視頻都上傳云中心，云中心將面臨數(shù)據(jù)洪流的挑戰(zhàn) [15]。需就近對視頻進行處理，而現(xiàn)有攝像機端計算資源不足。因此，需針對大規(guī)模攝像機網(wǎng)絡(luò)，以降低通信負載、計算負擔(dān)和提高算法實時性為目標(biāo)，提出適合大規(guī)模環(huán)境下目標(biāo)跟蹤的方案。

4.2 目標(biāo)跟蹤解決方案及實現(xiàn)

近來，邊緣計算模型為該類問題的解決提供了新的思路[1]，將數(shù)據(jù)處理本地化，有利于解決較高傳輸代價、帶寬需求以及較長的響應(yīng)延遲，解決目前大規(guī)模實時跟蹤中的短板。如，當(dāng)選擇尋找或跟蹤一個目標(biāo)P，其初始位置可以通過常規(guī)的監(jiān)控信息得到（如報警信息），記為(Px, Py)。為了能實時不間斷地進行目標(biāo)跟蹤，需要協(xié)調(diào)周圍其他攝像機參與跟蹤，故以(Px, Py)為中心，半徑為R的區(qū)域內(nèi)所有攝像機組成攝像機網(wǎng)絡(luò)。由于控制中心與目標(biāo)P之間存在傳輸和計算延遲，因此用RP作為補償半徑。值得注意的是，RP的值與目標(biāo)P的運動速度成正比。 如果服務(wù)延遲越小，R P的值就越小，因此有必要將計算前置。在時刻k，形成的緊急監(jiān)控區(qū)域內(nèi)，會涉及NC(k)個攝像機組成的網(wǎng)絡(luò)，如圖3所示。

如圖3中的攝像機，在采集端增加視頻處理的硬件單元，對采集到的視頻信息進行復(fù)制，然后進行預(yù)處理（比如目標(biāo)檢測），這部分工作使用目前已有算法進行此項工作[16]。在得到目標(biāo)位置后，攝像機將有用的信息傳輸給其鄰居節(jié)點，同時接收鄰居節(jié)點發(fā)送過來的信息，該節(jié)點將對接收到的信息和自身測得信息進行信息融合，從而提取有用信息，再將融合后的信息發(fā)送給鄰居節(jié)點。在相鄰時刻內(nèi)完成多次類似的信息傳輸，就可以使得整個網(wǎng)絡(luò)信息達到一致[17]。因此，可以融合各個攝像機的信息用分布式的方式實現(xiàn)全局信息共享。最后使用狀態(tài)估計算法[18]組成魯棒的目標(biāo)跟蹤系統(tǒng)。

05

基于邊緣計算的突發(fā)事件處理

5.1 現(xiàn)有方法的問題

像Uber和滴滴打車等共享出行工具服務(wù)已經(jīng)受到大眾歡迎，并在日常生活中得到普遍應(yīng)用。如何能有效保障旅客和司機的安全仍然是安全出行所遇到挑戰(zhàn)。

共享汽車上主要存在兩種人身攻擊[19]，司機被乘客攻擊或乘客被司機襲擊。為解決安全問題，滴滴公司采用臉部識別、行程共享、SOS呼叫等手段為行車駕駛提供安全保障[20]?，F(xiàn)有主要的安全狀態(tài)判斷和檢測方案是在駕駛端采集[21]，在云端判斷和檢測，然后將判斷結(jié)果反饋給駕駛終端，但其實時性較差，在大規(guī)模車載設(shè)備中，其運行環(huán)境較不穩(wěn)定[22]、傳輸帶寬的延遲較大、不利于實時處理突發(fā)事件。

為此，Liu[19]等人提出了一種基于邊緣計算方法的共享出行服務(wù)的實時攻擊檢測框架SafeShareRide，該框架可以檢測危險事件的發(fā)生，而且檢測效率實現(xiàn)了近乎實時性的效果。SafeShareRide主要由三個階段組成，語音識別檢測、駕駛行為檢測和視頻采集與分析。這三種階段所采用的算法是基于開源的算法架構(gòu)，測試實驗證明了SafeShareRide具有較好的適用性。

5.2 突發(fā)事件處理方案及實現(xiàn)

SafeShareRide架構(gòu)主要包括三個階段的處理。具體而言，第一階段使用語音識別的方法對車內(nèi)的聲音進行判斷，主要關(guān)鍵詞有“幫助”或“大聲”等做判別。第二階段是駕駛行為的判斷。SafeShareRide可以從從車載診斷、智能手機的傳感器上收集駕駛數(shù)據(jù)，根據(jù)車速的行駛速度、加速度和角速度等結(jié)果來檢測異常駕駛行為。第三個階段通過分析車載視頻數(shù)據(jù)以確定車內(nèi)是否有緊急情況。每次檢測開始的時候，前兩個階段獨立運行，以檢測并捕捉車輛危險情況。當(dāng)在前兩個階段檢測到攻擊時，第三階段的視頻采集和分析功能將被觸發(fā)，并將所獲取的車載視頻以及前兩個階段的檢測結(jié)果上傳到云或邊緣服務(wù)器。

總之，通過三個階段的安全性檢測，SafeShareRide可提供準(zhǔn)確性較高、視頻傳輸帶寬需求較低的高精準(zhǔn)突發(fā)事件檢測服務(wù)。

06

總結(jié)

重慶監(jiān)控系統(tǒng)在公共安全領(lǐng)域的應(yīng)用越來越受到重視，基于邊緣計算的新型重慶監(jiān)控系統(tǒng)為視頻數(shù)據(jù)處理增加了更高的計算能力、更低的傳輸延遲以及更精準(zhǔn)的處理能力。隨著邊緣計算系統(tǒng)架構(gòu)的發(fā)展和定制化功能的完善，邊緣計算能夠更好地推動新型重慶監(jiān)控系統(tǒng)在公共安全領(lǐng)域更好地應(yīng)用。

重慶監(jiān)控系統(tǒng),重慶監(jiān)控公司www.f8301.cn版權(quán)申明:本文章來源于網(wǎng)絡(luò),如有侵權(quán),請聯(lián)系我們,我們收到后立即刪除,謝謝!特別注意:本站所有轉(zhuǎn)載文章言論不代表本站觀點,本站所提供的攝影照片,插畫,設(shè)計作品,如需使用,請與原作者聯(lián)系,版權(quán)歸原作者所有。