[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

本發明公開了一種邊緣計算和云計算融合的實時視頻監控方法，包括：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；實時提取邊緣設備監控視頻，將原始視頻分解為多幀圖像；通過CNN卷積神經網絡訓練芯片對多幀圖像進行特征和相似性計算；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。本發明還公開了一種實時視頻監控系統。本發明的優點在于：在邊緣設備端使用CNN卷積神經網絡圖像識別檢索技術實時對圖片處理，解決了云服務器海量存儲和計算壓力。

技術領域

本發明涉及一種邊緣計算領域、云計算領域和圖像處理及模式識別領域的實時監控方法及系統。

背景技術

在最近的幾十年里，視頻監控系統已經成為城市甚至是國家必不可少的一種管理手段，管理人員不需要親臨現場就可以掌握現場的信息，減少人力和物力的開銷。通過監控系統可以提高管理和監督的效果，同時降低重大事故的發生的概率。但是傳統的監控仍然需要大量人力對圖像進行比對、分類、識別來實時的監測，導致監測結果的準確度和精度較差，同時給存儲設備帶來了巨大的壓力。

隨著機器學習興起，神經網絡的應用也越來越廣泛。我們認識的一些神經網絡的算法，旨在模擬生物學習的計算模型，其在各個領域成功的應用也讓人了解到其獨特的魅力。而卷積神經網絡作為神經網絡的一種，是專門用來處理類似網格數據的神經網絡，特別是在圖像的分類、識別、相似性和特征計算方面有著顯著的效果。

然而隨著云計算發展日趨成熟，傳統存儲方式的空間限制被打破。云計算是使用集群技術、分布式文件系統等功能，將網絡中大量各種不同類型的存儲設備通過應用軟件集合起來協同工作，共同對外提供數據存儲和業務訪問功能的系統。

發明內容

本發明所要解決的技術問題在于視頻監控系統邊緣設備端不能實時對圖片進行處理，云服務器海量存儲和計算壓力的問題。

本發明解決其技術問題所采用的技術方案是：提供了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。

作為上述技術方案的進一步改進，本發明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。

作為上述技術方案的進一步改進，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。