[發明專利]一種邊緣計算和云計算融合的實時視頻監控方法及系統

在審

• 申請號: 201711340896.8
• 申請日: 2017-12-14
• 公開（公告）號: CN108012121A
• 公開（公告）日: 2018-05-08
• 發明（設計）人: 張以文;鐘響亮;吳金濤;嚴遠亭
• 申請（專利權）人: 安徽大學
• 主分類號: H04N7/18
• 分類號: H04N7/18;G06K9/62;G06K9/00
• 代理公司: 合肥市浩智運專利代理事務所(普通合伙) 34124
• 代理人: 吳向青

1.一種邊緣計算和云計算融合的實時視頻監控方法，包括如下步驟：

步驟S1，構建樣本的訓練庫，使用樣本訓練庫中的圖像信息訓練CNN卷積神經網絡，構建CNN卷積神經網絡模型結構作為訓練芯片內容，將訓練芯片嵌入前端邊緣設備中；

步驟S2，實時提取前端邊緣設備監控視頻，將原始視頻分解為多幀圖像；

步驟S3，通過CNN卷積神經網絡訓練芯片對多幀圖像進行測試，提取出圖像的特征和相似性；

步驟S4，將提取出的相似性圖片和信息存儲到遠程云端設備，長期備份管理，提供給監管部門使用和分析計算，將消息推送相關部門單位，對相關部門實施報警。

2.根據權利要求1所述的一種邊緣計算和云計算融合的實時視頻監控方法，其特征在于：所述步驟S1中，監管部門提供相應的監測圖像信息，作為CNN卷積神經網絡的樣本庫，構建CNN卷積神經網絡模型結構。

3.根據權利要求2所述的一種邊緣計算和云計算融合的實時視頻監控方法，其特征在于：卷積神經網絡模型結構包括：

(1)輸入層：輸入層是獲取的多張訓練樣本的圖像；

(2)卷積層：將輸入層中的圖像，通過卷積層中的過濾器filter對圖像進行卷積操作，利用局部感知和參數共享的特點，提取出圖像的各種特征；

(3)激勵層：每個卷積層后加入激勵函數Relu，加入非線性因素處理；

(4)池化層：對輸入的特征圖進行壓縮處理，在連續的卷積層中間插入池化層；

(5)全連接層：連接所有的的特征，將輸出值送給softmax分類器；

(6)輸出層：通過分類提取出訓練樣本的特性和相似性作為輸出的結果。

4.根據權利要求1所述的一種邊緣計算和云計算融合的實時視頻監控方法，其特征在于：步驟S2具體包括：實時提取監控設備中視頻，提取其中具有人臉圖像的部分，把提取出來的視頻按照每秒5幀進行分解，選取其中清晰度最高的一張圖像，作為CNN卷積神經網絡的測試集圖像。

5.根據權利要求1所述的一種邊緣計算和云計算融合的實時視頻監控方法，其特征在于：步驟S4具體包括：

步驟S41，前端邊緣設備獲取的視頻，按照需求提取出圖像、語音和高清視頻，并對這些信息進行加密處理，并傳輸至遠程云端服務器；

步驟S42，遠程云端將接收到的數據進行多種類型的計算；

步驟S43，對云服務器中數據進行維護；

步驟S44，云端將分析計算出的信息數據直接傳輸到相關監管單位，并進行報警。

6.一種邊緣計算和云計算融合的實時視頻監控系統，其特征在于：包括：

神經網絡訓練模塊：構建樣本的訓練庫，使用樣本訓練庫中的圖像信息訓練CNN卷積神經網絡，構建CNN卷積神經網絡模型結構作為訓練芯片內容，將訓練芯片嵌入前端邊緣設備中；

前端邊緣計算模塊：實時提取前端邊緣設備監控視頻，將原始視頻分解成多幀圖像，通過CNN卷積神經網絡智能芯片，對多幀圖像進行測試，提取出圖像的特征和相似性；

后端云存儲模塊：將提取出的相似性圖片和信息存儲到遠程云端設備，長期備份管理，進行復雜計算，推送報警，將分析出來的具有價值的信息傳輸至監管部門。

7.根據權利要求6所述的一種邊緣計算和云計算融合的實時視頻監控系統，其特征在于：神經網絡訓練模塊中，監管部門提供相應的監測圖像信息，作為CNN卷積神經網絡的樣本庫，構建CNN卷積神經網絡模型結構。