久久久91-久久久91精品国产一区二区-久久久91精品国产一区二区三区-久久久999国产精品-久久久999久久久精品

摘要：面向公共安全領(lǐng)域內(nèi)的視頻監(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、目標跟蹤效率較低等不足，為此，需構(gòu)建基于邊緣計算的新型視頻監(jiān)控系統(tǒng)的軟硬件服務(wù)平臺。本文主要從針對視頻監(jiān)控的邊緣計算系統(tǒng)、基于邊緣計算的視頻監(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視頻監(jiān)控系統(tǒng)中的應(yīng)用及其優(yōu)勢。

1 背景介紹

視頻監(jiān)控系統(tǒng)主要用于視頻處理、目標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。基于傳統(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，造成目標信息檢測漏檢較大和檢測效率低效等問題。此外，視覺目標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，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。基于邊緣計算的新型視頻監(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)目標跟蹤以及基于邊緣計算的突發(fā)事件處理等方面來介紹。

2 面向視頻監(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。

圖1 基于邊緣計算視頻監(jiān)控系統(tǒng)框圖

3 基于邊緣計算的視頻監(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。

圖2 安珀警報助Static Camera手（A3）系統(tǒng)結(jié)構(gòu)圖

4 基于邊緣計算下攝像機網(wǎng)絡(luò)目標跟蹤

4.1 現(xiàn)有方法的問題

視覺目標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進行識別與跟蹤的目的。基于多個攝像機 ^[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，提出適合大規(guī)模環(huán)境下目標跟蹤的方案。

4.2 目標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，當選擇尋找或跟蹤一個目標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。

圖3 基于邊緣計算的攝像機網(wǎng)絡(luò)拓撲以及邊緣節(jié)點框圖

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]組成魯棒的目標跟蹤系統(tǒng)。

5 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]。現(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)

圖4 SafeShareRide架構(gòu)中三階段檢測時間序列

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可提供準確性較高、視頻傳輸帶寬需求較低的高精準突發(fā)事件檢測服務(wù)。

6 總結(jié)

視頻監(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視頻監(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視頻監(jiān)控系統(tǒng)在公共安全領(lǐng)域更好地應(yīng)用。

基金項目：安徽省重點研究與開發(fā)計劃項目（1704d0802193）；國家自然科學(xué)基金（61802001）；安徽大學(xué)2016年博士啟動經(jīng)費項目（J01003214）

作者簡介：

施巍松（1974-），IEEE Fellow，美國韋恩州立大學(xué)計算機科學(xué)系教授，博士生導(dǎo)師，移動與互聯(lián)網(wǎng)系統(tǒng)結(jié)構(gòu)實驗室主任，Intel Internet of Things 創(chuàng)新實驗室主任。2013至2015年間任美國國家科學(xué)基金會(NSF)項目主任。全國百篇優(yōu)秀博士論文獲得者, 美國國家科學(xué)基金會杰出青年教授獎獲得者（NSF CAREER Award)。施巍松教授的研究興趣包括計算機系統(tǒng), 邊緣計算和可持續(xù)計算，在分布式共享存儲系統(tǒng)，移動互聯(lián)網(wǎng)計算和高效能系統(tǒng)結(jié)構(gòu)等領(lǐng)域取得多項重要研究成果。他是邊緣計算這一研究領(lǐng)域的早期提出者之一和倡導(dǎo)者, 并長期致力于邊緣計算在工業(yè)界的推廣，是ACM/IEEE 國際邊緣計算大會（SEC）的創(chuàng)始人。

孫　輝（1983-），博士，講師，安徽大學(xué)先進計算機系統(tǒng)研究所所長助理。研究興趣主要包括計算機系統(tǒng)、邊緣計算、基于GPGPU高性能數(shù)據(jù)處理、面向非易失介質(zhì)新型存儲系統(tǒng)。目前主持國家自然科學(xué)基金、安徽省自然科學(xué)基金、安徽省科技攻關(guān)項目、安徽省高校自然科學(xué)基金重點項目等8項。在IEEE Transaction on Computer, SEC, MASCOTS, IGSC等期刊或會議上發(fā)表文章近10篇。

陳彥明，博士，安徽大學(xué)計算機科學(xué)與技術(shù)學(xué)院講師。研究興趣主要包括邊緣計算、傳感器網(wǎng)絡(luò)、一致性算法。已發(fā)表論文10余篇，并公開專利6項，IEEE Sensors Journal、IET Radar, Sonar & Navigation等SCI期刊審稿人。

參考文獻：

[1] 施巍松, 孫輝, 曹杰, 張權(quán), 劉偉. 邊緣計算：萬物互聯(lián)時代新型計算模型[J] 計算機研究與發(fā)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]簡明全.“透視”智能行車記錄儀市場[J]. 中國公共安全, 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]黃凱奇, 陳曉棠, 康運鋒, 譚鐵牛. 智能視頻監(jiān)控技術(shù)綜述[J]. 計算機學(xué)報, 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]陳彥明, 趙清杰, 劉若宇. 一種適用于分布式攝像機網(wǎng)絡(luò)的SCIWCF算法[J]. 電子學(xué)報, 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]滴滴出行通過必修課程提升駕駛員培訓(xùn)系統(tǒng)用戶體驗[EB/OL]. https: // www.didiglobal.com/news / newsDetail?id=240&type=news, 2018-9-2.

[21]滴滴出行提升駕駛員和乘客安全框架[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《自動化博覽》2018年增刊《邊緣計算2018專輯》