[發明專利]一種基于Hadoop和監控視頻流的車輛軌跡統計方法

有效

• 申請號: 201710464743.8
• 申請日: 2017-06-19
• 公開（公告）號: CN107316016B
• 公開（公告）日: 2020-06-23
• 發明（設計）人: 陳名松;周奕捷;王偉光;董適;周信玲;李孜涵
• 申請（專利權）人: 桂林電子科技大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/32;G06K9/62;G06F16/182;G06F16/13;G06F16/71;G06F16/78
• 代理公司: 桂林市華杰專利商標事務所有限責任公司 45112
• 代理人: 周雯

本發明公開了一種基于Hadoop和監控視頻流的車輛軌跡統計方法，該方法經過車輛檢測算法、車牌識別算法、分布式視頻處理和車輛軌跡統計，首先基于改進后的tiny?yolo模型對視頻幀進行車輛檢測定位，結合HSV顏色模型、SVM分類器和文字定位技術從定位到的車輛區域中定位出車牌區域，通過改進后的LeNet?5模型進行車牌字符識別，將車輛檢測和車牌識別的處理算法編譯為動態鏈接庫，擴展MapReduce對視頻類型格式的支持并在Map中通過JNI接口與動態鏈接庫交互實現對監控視頻流的分布式處理，通過Combiner、Partition、Reduce三個階段對分析結果匯總，最終實現對車輛軌跡的統計和車輛幀的存儲，該方法不僅車輛檢測和車牌識別算法對復雜環境的適應性強，而且通過JNI接口與MapReduce交互方式在執行效率上更高效。

技術領域

本發明涉及云計算、計算機視覺技術領域，具體是一種基于Hadoop和監控視頻流的車輛軌跡統計方法。

背景技術

在車輛網、智能交通迅速發展的環境下，交通監控攝像頭的普及促使了視頻數據量的指數式增長，如果不能充分挖掘視頻數據中的有效信息，必然造成資源浪費，而在交通監控視頻中，車輛信息作為主要信息在交通監管、智能交通的發展中發揮重要作用，如何從海量監控數據中充分挖掘車輛信息成為研究熱點。而傳統的集中式視頻處理方式面對海量增長的監控視頻數據存在處理能力不足和不可擴展的問題。

近年來，機器學習、深度學習技術因為對數據更好的分類能力在圖像處理領域得到廣泛研究，并通過大量的研究也證明了其相比于傳統算法具有更好的分類效果，在復雜環境下具有更好的適應性和魯棒性。而城市道路和高速公路都是動態變化的環境，易受天氣、光照等環境影響，傳統的處理算法往往難以適應天氣和光線等條件的變化。

由于Hadoop平臺底層機制是由Java實現，而圖像處理往往屬于計算密集型任務，通過Hadoop對圖像的分布式處理，傳統采用JavaCV、Hadoop Streaming的方式執行效率并不高效，且MapReduce不支持直接從HDFS讀取視頻數據，由于FFMPEG不支持HDFS 協議，傳統采用FFMPEG將視頻在本地切分為幀序列再上傳到HDFS，往往會導致額外的I/O開銷。

發明內容

本發明的目的在于克服現有技術的不足，而提供一種基于Hadoop和監控視頻流的車輛軌跡統計方法，該系統結構簡單，統計速度快，適應性好和準確度高，該統計方法計算量小，能夠保證在光線充足環境下的執行效率，而且又能保證在復雜環境下車牌定位的準確性，在復雜環境下的適應性強、準確度高。

實現本發明目的的技術方案是：

一種基于Hadoop和監控視頻流的車輛軌跡統計方法，具體包括如下步驟：

1）將各場景下的監控視頻上傳到HDFS，執行Hadoop任務；

2）Hadoop視頻數據處理接口從HDFS上讀取視頻數據初始化Xuggler解碼庫，Xuggler解碼庫解析視頻數據，得到一系列key，value交由Map處理，其中key為視頻名_幀號，value為視頻幀元數據；

3）Map函數對傳入的key，value進行分析，具體是通過JNI與動態鏈接庫交互實現對車輛檢測定位和車牌識別，通過車輛檢測算法從視頻幀圖像中定位到車輛區域，通過車牌識別算法對定位到的車輛區域進行車牌識別，未定位到車輛區域直接執行下一次key，value，將識別到車牌的幀圖像以視頻名_車牌號_時間戳形式進行命名寫回到HDFS進行存儲，Map輸出key1，value1進入Combiner階段，其中key1為車牌號，value1為封裝了初始化統計次數1、時間戳以及視頻名的容器對象；