发明内容
本发明的目的在于解决上述技术问题,提供一种大幅规律运动背景智能分析管控系统,将智能视频监控技术有效地应用到石化、矿藏开发等工业领域,针对视频监控场景中有大幅规律运动背景的情况,使人们能够排除这种运动背景的干扰,识别真正的外来目标,进行有效监控。
根据本发明提供的具体实施例,本发明公布了如下技术方案:
一种大幅规律运动背景智能分析管控系统,包括:
特征数据库,包含多种目标和/或行为模型特征;
视频采集模块,用于对采集的视频信号进行处理,获取数字视频序列;
质量提升模块,用于对视频数字序列进行质量提升;
前景提取模块,用于排除运动背景的干扰,提取前景;利用像素点特征进行分段统计,统计出背景像素点特征可能出现的多个区间范围,在检测前景时,如果像素特征不属于任何统计出的区间范围,即判断它为前景点,同时更新背景像素的特征范围;
特征分析模块,用于视频数字序列进行特征匹配、特征分类;
特征识别模块,根据用户设定的参数,将视频对象与多种目标和/或行为模型库进行比对;
管控触发规则判断模块,根据用户事先设定好的规则和景深,结合视频特征,判断规则是否被打破,如果打破了规则发出异常信息;
实时管控平台,用于接收视频分析结果,并根据分析结果发布管控命令。
进一步的,上述的前景提取模块进一步包括:
背景学习子模块,在初始一段时间内不做检测工作,只用来学习背景图像;为图像序列中每一个位置的像素点建立背景值,用B(x,y)表示;用第一帧输入图像I(x,y)初始化B1(x,y):
B1(x,y)=I(x,y)
从第二帧输入图像开始,判断(x,y)点的输入值是否在B1(x,y)±α区间内,如果不在B1(x,y)±α区间,则在此位置建立新的背景值B2(x,y),初始值为此时输入图像像素值,重复上述步骤,直到像素点的背景数n达到设定的数值N;同时根据像素值落入每个区间范围内的次数多少为各个区间范围排序。
进一步的,上述的前景提取模块进一步包括:
前景判断子模块,判断输入图像(x,y)点的值I(x,y)是否落在Bi(x,y)±α中,其中0<i≤M,如果属于其中任何一个区间,则判断此点为背景;否则判断此点为前景。
进一步的,上述的前景提取模块进一步包括:
背景更新子模块,在提取前景的同时,继续统计像素点的背景值,按落入n(n≤N)个背景值范围的频率对n个背景区间排序,出现频率高的前M个背景区间参与前景提取工作。
进一步的,上述的特征数据库进一步包括:
数据采集子模块,用于采集不同角度、不同环境的图片作为目标和/或行为样本库;
数据标定子模块,用于对采集得到的样本图片进行标定分类;
数据训练子模块,用于对采集的样本图片进行特征提取,并根据采集并标定好类别的样本图片及图片的特征进行分类训练;
特征比对子模块,当输入新的待测图片时,首先提取其特征,然后将这些特征输入训练好的分类器,即得出分类结果。
进一步的,上述的视频采集模块,原始输入视频信号可以是来自摄像机、录像或其他设备任意分辨率的模拟视频信号或通过网络传输而来的编码视频流;
上述的视频采集模块,用于对视频信号进行数据处理,如果输入是模拟信号,首先要经A/D转换为数字信号;如果输入是编码流,经解码器进行解码,并转换成需要的格式。
进一步的,上述的质量提升模块,进一步包括:
噪声去除子模块,使用可调阿尔法均值滤波器对视频序列进行噪声去除;
信号增强子模块,使用可调幂变换方法对视频序列进行信号增强。
进一步的,上述的视频特征分析模块进一步包括:
目标匹配跟踪子模块,用于对视频序列进行目标匹配,使用轮廓特征和多维联合直方图特征相结合有效且准确的进行目标匹配;
目标分类子模块,用于对视频对象进行目标分类。
进一步的,上述的管控触发规则判断模块用于进行管控触发规则判断,根据用户事先设定好的规则和景深、灵敏度、最大最小像素、场景类型,判断视频状态或结合视频特征判断特定事件是否发生。
进一步的,上述的实时管控平台接收视频分析结果,根据分析结果发布各种管控命令;同时,管控平台负责输出视频采集命令、为终端智能分析配置系统参数和规则参数、对视频数据进行浏览、存储、检索工作。
与现有技术相比,本发明具有如下优点:
首先,本发明针对背景中有大幅规律运动物体时目标提取困难的情况,对像素点特征进行分段统计,统计出背景像素点特征可能出现的多个区间范围,在检测前景时,如果像素特征不属于任何统计出的区间范围,即判断它为前景点,为了算法能适应天气、光线的变化,同时更新背景像素的特征范围。与经典GMM相比,GMM只对小幅运动背景波动如亮度波动、轻微震动有良好的抗干扰效果,而本发明提出的像素特征分段统计法相比GMM算法耗费运算量小,解决了大幅规律运动背景的干扰问题,使智能视频分析系统更具有实际意义。
其次,建立了大型场景和目标行为模型特征库,提高了视频分析能力及准确性。大型场景中由于含有复杂背景,一般较难提取出符合规则所需要的目标或事件,达到精准的视频分析。本发明在算法底层内建有大场景或复杂背景的分析模式,并包括多种目标行为特征库,如加入各个角度的人体头肩模型,增强人员计数功能的准确度;如加入烟雾模型库,增加烟雾报警的准确度;或者通过不同方向物体的模型库,判断车辆/人逆行等。这样能更精准的过滤掉干扰信息及定位目标,减少误报及漏报,这样可以提高视频分析及报警效率,达到更准确的分析效果,增强产品在现实复杂环境中的可用性。
第三,本发明在对视频信号进行分析处理前,首先对信号进行噪声去除、增强等前期处理以提高信号的价值,为后期分析处理做好准备,可有效地减少误报、漏报。
信号的获取(数字化)和传输过程会不可避免的产生噪声(在获取过程中主要受环境条件和传感元器件自身质量影响而产生噪声,在传输过程中主要由于所用的传输信道的干扰受到噪声污染),噪声去除的过程就是对信号复原的过程。
而信号增强的目的是为了显现被模糊了的细节,尤其对于较差、光线昏暗或过于强烈的信号,突出信号中感兴趣的特征。
信号噪声去除和信号增加的最终目的都是为了改善信号,这对整个大幅规律运动背景智能分析管控系统的有效运转做出了贡献。
第四,本系统有三种工作模式可供选择,后端分析、前端分析、分布式分析,解决了现有智能视频分析系统工作模式单一,不能实现按需传输、按需存储的问题。
其中,后端分析能非常方便地对传统监控系统进行升级改造,只需将本发明串联到视频信号和显示屏之间即可。
为节省网络带宽资源,本发明包含前端分析以及分布式分析模式。
前端分析只需传输报警信号,大大节省了网络带宽资源。
分布式分析只需传输特征流(不到视频流量的1/50),在节省带宽的同时把任务分散到前端和后端,使整个系统具有高效的分析能力,后端没有繁重的处理任务,不需大额硬件投资;
前端和分布式分析实现了“按需”监控:只有在出现报警的情况下,才可能需要把相关的视频信号发送到后端进行记录或存储,而一般情况下只需要传输很少的数据。
根据应用环境,可用网络带宽资源的多少或者预备投资金额的多少,三种模式可选。
第五,本发明可以以纯软件或软硬件结合两种方式实现。在软硬件结合工作方式时,提供嵌入式视频信息智能分析管控服务器,服务器接口丰富,能协助用户实现远程设置、远程报警、远程监控、音频对话、传感器输入/输出报警控制、联动球型摄像机对目标进行PTZ自动跟踪等操作。服务器安装简单,增强系统稳定性及灵活性,可以在前端对视频信息进行全部或部分分析处理,减少了视频信息上传的网络带宽压力,易于系统集成,采用一体化电路板设计,硬件的稳定性更高。总体而言,嵌入式视频分析架构目前发展速度更快,更是今后的趋势,因为嵌入式视频分析软件同样可以完成包括目标检测、跟踪、分类及规则定义等所有功能,并且选择嵌入式视频分析架构将现有的传统视频监控系统升级为智能视频监控系统,是一种成本低且易于改造的方案。随着DSP等芯片的性能不断提升,嵌入式将有更广阔的发展空间。
具体实施方式
为使本发明的上述目的、特征和优点更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
大幅规律运动背景的智能分析管控系统可以有两种实现方式:纯软件实现和软硬件结合实现。
1.软硬件结合实现智能分析管控系统时,软件部分为客户端管控平台,硬件部分为嵌入式视频智能分析管控服务器。
(1).嵌入式视频智能分析服务器采用嵌入式硬件平台开发、DSP算法移植与优化、网络编解码等先进技术,内嵌智能视频分析算法:包括视频的采集、质量提升、特征分析、特征识别、规则判断等算法。
(2).平台管控软件安装在客户端,包含以下几个模块:为终端智能分析配置系统参数和规则参数、根据分析结果发布管控命令、输出视频采集命令以及处理视频数据。
2.纯软件实现智能分析管控系统时,嵌入式视频智能分析管控服务器的工作全部交由平台管控软件来处理,即平台管控软件不仅要负责视频的采集、质量提升、前景提取、特征分析、特征识别、规则判断等算法,同时也要为终端智能分析配置系统参数和规则参数、根据分析结果发布管控命令、输出视频采集命令以及处理视频数据。
大幅规律运动背景智能分析管控系统包括如下部分,如图1所示:
特征数据库,包含多种目标和/或行为模型特征;
视频采集模块,用于对采集的视频信号进行处理,获取数字视频序列;
质量提升模块,用于对视频数字序列进行质量提升;
前景提取模块,用于排除运动背景的干扰,提取前景;利用像素点特征进行分段统计,统计出背景像素点特征可能出现的多个区间范围,在检测前景时,如果像素特征不属于任何统计出的区间范围,即判断它为前景点,同时更新背景像素的特征范围;
特征分析模块,用于视频数字序列进行特征匹配、特征分类;
特征识别模块,根据用户设定的参数,将视频对象与多种目标和/或行为模型库进行比对;
管控触发规则判断模块,根据用户事先设定好的规则和景深,结合视频特征,判断规则是否被打破,如果打破了规则发出异常信息;
实时管控平台,用于接收视频分析结果,并根据分析结果发布管控命令。
本系统包括特征数据库,包含了多种目标和/或行为模型特征。
其中,特征数据库进一步包括:
数据采集子模块,用于采集不同角度、不同环境的图片作为目标和/或行为样本库;
数据标定子模块,用于对采集得到的样本图片进行标定分类;
数据训练子模块,用于对采集的样本图片进行特征提取,并根据采集并标定好类别的样本图片及图片的特征进行分类训练;
特征比对子模块,当输入新的待测图片时,首先提取其特征,然后将这些特征输入训练好的分类器,即得出分类结果。
数据采集子模块,用于尽可能多地采集不同角度、不同环境的图片作为目标和/或行为样本库,根据需要可以是不同目标,如人、车、烟雾、火焰等。进一步还可以分类,如人又可以分为正向/反向/侧向、坐/站/卧、静止/奔跑等类型。
数据标定子模块,用于人工地为采集得到的样本图片进行标定分类,如分成人、车、烟雾、火焰等类别;必要时标定物体的关键点,如人的眼/鼻/手/脚/肘等的位置。
数据训练子模块进一步包括:
特征提取子模块,用于对采集的样本图片进行特征提取;
分类训练子模块,用于根据采集并标定好类别的样本图片及图片的特征进行分类训练。
特征提取子模块,用于对采集的样本图片进行特征提取。SIFT特征是现在广泛使用的一种图像的局部特征。首先检测样本图像中一些显著区域,然后计算特征区域附近的梯度信息的统计直方图,用这个128维直方图的值来表示当前这个点的一个特征。对一副普通大小的图片,通常有几百到几千个SIFT特征来描述。另外,对每个特征来说,除了128维的特征值,还包括了特征点的位置,尺度,方向等参数。
另外,还有一些较简单的特征,如人或物体在不同角度、不同方向、不同姿态时的关键点(如人的眼/鼻/手/脚/肘等)位置,这些特征点位置需要人为标定。
训练分类子模块,在本实施例中,使用的是基于Adaboost的SVM训练分类系统。
SVM(support vector machine)是一种常用的分类器,已知采集并标定好类别的样本图片以及这些图片的特征,SVM分类系统的目标是利用标定好的类别,训练出合理的分类器,当今后遇到类似的情况,可以直接分辨出是哪个类别的物体。对分类系统来说,输入是图片的特征,而输出则是这个图片的类别。
Adaboost是一种迭代算法,核心思想是针对同一个训练集训练不同的分类器(弱分类器),然后把这些弱分类器集合起来,构成一个更强的最终分类器(强分类器)。
特征比对子模块,用于当输入新的待测图片时,首先提取其特征,然后将这些特征输入训练好的分类器,即得出分类结果。
视频采集模块用于获取数字视频序列。其中原始输入视频信号可以是来自摄像机、录像或其他设备任意分辨率的模拟视频信号或通过网络传输而来的编码视频流。根据来源不同,视频采集过程分为A/D或解码、格式转换两个部分,如图2所示。
在对视频信号进行采集处理时,前置A/D转换和解码器,如果输入是模拟信号,首先要经A/D转换为数字信号,如果输入是经mpeg4/h.264/h.263/AVS编码的码流,首先要经解码器解码;经解码或A/D转换后的数字视频信号,按不同的分析需求,转换为QCIF/CIF/D1大小的YUV4:2:2/RGB数字图像序列待用。
质量提升模块,用于对视频图像进行质量提升。为便于后续分析工作,在特征分析前可以对视频序列做质量提升的工作。质量提升技术包括对视频序列进行去噪、图像增强等图像处理技术。如图3所示。
信号的获取(数字化)和传输过程会不可避免的产生噪声。如在获取过程中主要受环境条件和传感元器件自身质量影响而产生噪声,在传输过程中主要由于所用的传输信道的干扰受到噪声污染。噪声去除的过程就是对信号复原的过程。
而信号增强的目的是为了显现被模糊了的细节,尤其对于较差、光线昏暗或过于强烈的信号,突出信号中感兴趣的特征。
信号噪声去除和信号增加的最终目的都是为了改善信号,这对整个大范围火灾分析预警系统的有效运转做出了贡献。
质量提升模块,进一步包括:
噪声去除子模块,使用可调阿尔法均值滤波器对视频序列进行噪声去除;
信号增强子模块,使用可调幂变换方法对视频序列进行信号增强。
a.可调阿尔法均值滤波器去噪:
对于视频信号,
表示在点(x,y)处去除噪声后的像素点灰度值,N表示中心点在(x,y),大小为m×n的矩形子图像窗口,G(i)表示在子窗口内像素点的灰度值;上述公式的意义为:在N领域内去掉灰度值G(i)最高的d/2个像素和最低的d/2个像素。用G
r(i)来代表剩余的mn-d个像素,由这些剩余像素点的平均值作为(x,y)点的去噪后灰度值。
当d=0时,阿尔法均值滤波器退变为算术均值滤波器,对抑制高斯和均匀随机分布的噪声有很好的效果;当d=mn-1时,阿尔法均值滤波器退变为中值滤波器,对抑制椒盐噪声有很好的效果。d取其他值时,修正后的阿尔法均值滤波器在包括多种噪声的情况下非常适用,例如高斯噪声和椒盐噪声混合的情况。
b.可调幂变换增强信号
幂变换的基本形式为:
S=cRγ,其中c和γ为正常数
R为原始信号,S为增强后信号,调整γ参数会得到增强后信号。以图像为例,偏暗图像(如夜晚)在γ>1时会得到对比度的提升,偏白图像(如雾天)在γ<1时会得到对比度的提升。
前景提取模块针对背景中有大幅规律运动物体时目标提取困难的情况,对像素点特征进行分段统计,统计出背景像素点特征可能出现的多个区间范围,在检测前景时,如果像素特征不属于任何统计出的区间范围,即判断它为前景点,为了算法能适应天气、光线的变化,同时更新背景像素的特征范围。如图4所示。
前景提取模块,进一步包括:
背景学习子模块,在初始一段时间内不做检测工作,只用来学习背景图像。为图像序列中每一个位置的像素点建立背景值,用B(x,y)表示,由于图像中存在大幅规律运动位置处的像素值不是单一的,所以(x,y)点的背景值可能有多个,用Bn(x,y)表示,1<n≤N,N为正整数。
用第一帧输入图像I(x,y)初始化B1(x,y):
B1(x,y)=I(x,y)
从第二帧输入图像开始,判断(x,y)点的输入值是否在B1(x,y)±α区间内,如果不在B1(x,y)±α区间,则在此位置建立新的背景值B2(x,y),初始值为此时输入图像像素值,以此类推,直到像素点的背景数n达到设定的N;同时根据像素值落入每个区间范围内的次数多少为各个区间范围排序;
前景提取模块,进一步包括:
前景判断子模块,经过最初一段时间的背景学习,每个像素点(x,y)有N个背景值区间,取其中前M(M<N)个值判断前景。
判断输入图像(x,y)点的值I(x,y)是否落在Bi(x,y)±α中,其中0<i≤M,如果属于其中任何一个区间,则判断此点为背景;否则判断此点为前景。
前景提取模块,进一步包括:
背景更新子模块,背景更新工作贯穿在系统工作过程中,在提取前景的同时,继续统计像素点的背景值,按落入n(n≤N)个背景值范围的频率对n个背景区间排序,只有出现频率高的前M个背景区间参与前景提取工作,这保证了在天气、光线发生变化时得到实时的背景图像,进而检测出准确的前景目标。
特征分析模块用于对视频数字序列进行特征匹配以及特征分类处理,如图5所示。
特征分析模块进一步包括:
目标匹配跟踪子模块,用于对视频序列进行目标匹配,使用轮廓特征和多维联合直方图特征相结合有效且准确的进行目标匹配;
目标分类子模块,用于对视频对象进行目标分类。
目标匹配跟踪子模块用于对视频序列进行目标匹配,是将每一帧图像所检测出的前景,与后一帧检测出的前景根据轮廓/外围框相交、灰度直方图等指标进行匹配,如果连续几帧都检测出同一前景,则将其确定为一个目标并为之编号,继续与前景图像相匹配,此时可以进一步得到目标的运动属性,如运动轨迹、移动速度等。
目标匹配:
1.设已有N个目标T1、T2、T3……Tn,当前帧检测出M个前景F1、F2、F3……Fm;
2.判断F1与N个目标轮廓是否相交:若F1只与一个目标Ti相交,且F1与Ti直方图匹配成功即认为F1就是Ti,用F1的属性更新Ti;若F1没有与任何一个Ti相交,即用F1建立新目标T(n+1);若F1与多个目标相交,则认为此时发生了目标合并,建立一个新的目标,标记其属性为合并,记录合并前各个目标的编号。
3.F2、F3……Fm重复步骤2,若多个前景与一个目标T相交,则认为此时发生了目标分离,建立一个新的目标,标记其属性为分离,记录分离前各个目标的编号。
目标分类子模块用于对视频对象进行目标分类。
对于视频序列,根据目标属性,对目标进行分类,如按大小分为不同等级(8/25/50/100/500/1000/10000/10万像素点),按目标移动速度(n帧内移动范围小于m个像素,m和n可调)分为动态目标和静态目标等。对动态目标又可分为单个目标、合并目标(两个或多个目标合并而成的一个目标)或分离目标(从一个目标分裂出来的多个目标之一)。
特征识别模块可以在前端,也可以在后端。根据用户设定的参数,视频对象与内嵌的多种目标和/或行为模型库(如人/车/烟雾/火焰/火花模型库、头肩识别、人群一致等模型库)进行比对,减少误报及漏报,提高视频分析及报警效率,达到更准确的分析效果,增强产品的可用性。如图6所示。
管控触发规则判断模块,根据用户事先设定好的规则和景深、灵敏度、最大最小像素、场景类型,判断视频状态或结合视频特征、音频特征判断特定事件是否发生。
这些规则包括视频状态、禁区、越线、遗留、移走、徘徊、密度、人员计数、液体泄漏、烟雾、火焰、火花、脱岗、动点巡航等。可用于针对人或车的禁区检测、越线检测、人车分类检测等;针对人的人员计数、脱岗/睡岗检测、突然倒地检测、速度异常检测、打架检测,针对车辆的车道拥塞检测、车流量检测、车辆速度异常检测、非法停车检测、车辆徘徊/滞留检测等;以及其他异常检测,如视频状态检测、财产保护、异物检测、烟雾检测、火焰/火花检测、液体漏油检测、人群特征统计等。
对于需要分析视频实时状态的应用如人群特征统计,将状态信息密度、流量等发送给管控模块;对于需要判断特定事件是否发生的应用,在规则被打破时将报警信息发生给管控模块,也可以选择通过智能分析管控服务器的串口或I/O口进行本地报警,或者同时进行本地报警和远程报警。
以禁区为例,设定某一区域(如仓库、为汽车、重要物品或重点人员设定的警戒区)为禁区,一旦检测有目标出现在此区域内,则触发管控信号;
以越线为例,通过在画面上设置一条虚拟线,设定越线方向后,任何目标跨越此虚拟线均可被检测到并触发管控信号,本功能可用于逆行检测、周边入侵检测(翻越围墙,进入银行金库等重点场所等)、闯红灯、穿越铁路线、流量检测等多种用途。
以遗留移走为例,当画面内某物体被放置或移走特定时间后,触发管控信号,本功能可用于博物馆等场所。
以徘徊为例,当某一目标在防区内徘徊时间超过特定值时触发管控信号。
如当检测到画面中发生人群聚集并伴随较大能量语音的时候,认为可能发生群体事件并触发管控信号;如当检测到有较高频率语音或较大能量语音而没有视频异常时,自动将视频检测灵敏度调高;
当检测到画面中发生物体移走并伴随高频率语音信号时,认为可能发生盗窃事件;
实时管控平台接收到视频分析结果,根据分析结果发布各种管控命令。同时,管控平台负责输出视频采集命令、为终端智能分析配置系统参数和规则参数、对视频数据进行浏览、存储、检索等工作。具体如:选择多种显示方式(多种画面分割显示/全屏显示)远程浏览多路实时监控视频图像、多路视频选择、设备查询、云镜控制(PTZ控制/预置位设置/巡航设定等)、实时显示报警信息、播放报警视频/停止报警视频、查看报警截图、按条件(设备/时间/事件/状态等)查询报警信息、录像(实时录像/报警联动录像/手动录像/周期录像/定时录像)、录像检索、播放录像、录像导出、电子地图、查询操作日志。
实时管控平台的功能包括:
1.根据分析结果发布各种管控命令
如:云镜控制(PTZ控制/预置位设置/巡航设定等)、实时显示报警信息、设备查询、远程喊话、电子地图、查询操作日志等
2、输出视频采集命令,并为终端智能分析配置系统参数和规则参数
如:多路视频选择、视频开始、视频关闭、为终端智能分析配置系统参数和规则参数等。
3、视频数据处理
如:选择多种显示方式(多种画面分割显示/全屏显示)远程浏览多路实时监控视频图像、播放报警视频/停止报警视频、查看报警截图、按条件(设备/时间/事件/状态等)查询报警信息、录像(实时录像/报警联动录像/手动录像/周期录像/定时录像)、录像检索、播放录像、录像导出。
大幅规律运动背景智能分析管控系统有三种工作模式:
1.前端分析:大幅规律运动背景智能分析管控系统在视频信号采集设备之后对其做智能分析管控。在前端进行视频信号采集之后,即可在前端对视频信息进行数据处理、特征分析、特征识别、管控触发规则判断等处理,并将分析结果发送到后端,后端根据分析结果发布管控命令。
2.后端分析:大幅规律运动背景智能分析管控系统在视频信息上显示屏之前对其做智能分析管控。对前端传送来的视频信息在后端进行数据处理、特征分析、特征识别、管控触发规则判断等处理,并根据分析结果发布管控命令。
3.分布式分析:大幅规律运动背景智能分析管控系统在视频信号采集设备之后进行视频采集和特征分析工作,并将特征流发送到后端,后端接收前端的数据流后进一步进行识别,完成分析工作,并根据分析结果发布管控命令。
其中,后端分析能非常方便地对传统监控系统进行升级改造,只需将本发明串联到视频信号和显示屏之间即可。
为节省网络带宽资源,本发明包含前端分析以及分布式分析模式。
前端分析只需传输报警信号,大大节省了网络带宽资源。
分布式分析只需传输特征流(不到视频流量的1/50),在节省带宽的同时把任务分散到前端和后端,使整个系统具有高效的分析能力,后端没有繁重的处理任务,不需大额硬件投资;
前端和分布式分析实现了“按需”监控:只有在出现报警的情况下,才可能需要把相关的视频信号发送到后端进行记录或存储,而一般情况下只需要传输很少的数据。
根据应用环境,可用网络带宽资源的多少或者预备投资金额的多少,三种模式可选。