CN107277470A - 一种网络联动管理方法及数字化警务联动管理方法 - Google Patents

Abstract

本发明公开了一种网络联动管理方法及数字化警务联动管理方法，利用数据源层获取视频信息，利用配置于客户前端的视频接入层，对数据源层的视频信息进行捕获和存储，应用层与大数据计算层之间进行信息交互，被配置用于提供至少一个功能需求，大数据计算层根据需求对视频接入层传递的视频信息进行智能分析和数据挖掘。本发明通过大数据技术和视频监控业务的融合，解决了海量的视频数据分散和集中式存储并存、多级分布问题，提升了非结构化视频数据读写的效率，为视频监控的快速检索、智能分析提供了端到端的解决方案。

Description

一种网络联动管理方法及数字化警务联动管理方法

技术领域

本发明涉及视频监控领域，尤其涉及一种网络联动管理方法及数字化警务联动管理方法。

背景技术

在智慧城市的管理中，视频监控发挥着越来越重要的作用。目前，很多城市都已经开始实施“天眼工程”，为的就是实现对城市全方位无死角的监控。密集分布的摄像头网络组成了城市的公共安全视频监控系统，也提升了一个城市治安、交通、消防、市政、城管等各部门的整体管理和服务水平。

随着视频监控数据量的快速增长，以及摄像头高清化、超高清化的趋势加强，视频监控数据规模将以更快的指数级别增长。在这样的背景下，快速搜索某时间或某些特征的视频段时，操作起来犹如大海捞针。

与通常的结构化数据不同，视频监控业务产生的数据绝大多数以非结构化的数据为主，必须经过复杂繁重的分析处理才能提取出文本结构化的数据进行下一步处理。这些都给传统视频监控体系架构、数据的管理方式、数据分析，以及视频监控数据的传输、存储和计算带宽等带来了极大的挑战。

飞速增长的视频监控数据，使得传统视频监控体系架构、数据的管理方式、数据分析应用等面临新的困境。

为了解决上述问题，本发明提出一种网络联动管理方法及数字化警务联动管理方法。

发明内容

为了解决上述问题，本发明提出一种网络联动管理方法及数字化警务联动管理方法。

一种网络联动管理方法，其特征在于，所述方法的具体步骤为：

S1：利用数据源层获取视频信息；

S2：利用配置于客户前端的视频接入层，对数据源层的视频信息进行捕获和存储；

S4：应用层与大数据计算层之间进行信息交互，被配置用于提供至少一个功能需求；

S5：大数据计算层根据需求对视频接入层传递的视频信息进行智能分析和数据挖掘。

优选的，所述方法还包括步骤S3，将视频接入层获取的视频信息存储至大数据存储层。

优选的，步骤S3的具体过程包括：在所述大数据存储层中，采用基于HDFS的Hive和HBase架构，将视频接入层采集的流视频和计算的结构化数据、特征值保存在HDFS集群内，将通过结构化算法获取的视频描述信息保存在HBase集群内，并建立视频描述信息与原始视频访问索引。

优选的，步骤S3的具体过程还包括：对于存储在HDFS中的视频数据和其它各类数据，可以通过大数据计算层的MapReduce进行并行分析，提取视频中的要素，作为视频的语义描述，形成视频摘要，也存储在HDFS中。

优选的，所述方法还包括步骤SA，利用业务管理层实现设备、业务管理，其可置于任意环节。

优选的，所述步骤S1包括：利用包含至少一个采用神经元组网的视频采集装置获取视频信息，视频采集装置可以是社会资源摄像头、天网视频、卡口视频中的至少一种。

优选的，所述步骤S2包括：采用可为硬件终端的视频接入层，将采集的视频转换统一的协议，通过在终端中嵌入了智能算法，能够将视频中出现的要素进行捕获，提取位置和机构要素，并保存，所述要素包括人、车、建筑、电器设备、环境中的至少一种。

优选的，所述步骤S4的功能需求包括：高效存储、检索、分析、统计、比对、自动预警中至少一个。

优选的，所述步骤S5包括：大数据计算层可以对不同要素进行匹配，在出现异常时，通过联动短信、邮件、LED屏、客户端弹出窗口中的至少一种方式进行实时报警。

优选的，所述步骤S5中包括，通过MapReduce对大视频的分析进行分解，根据任务难度、优先级、提交时间中的至少一项进行评级，再将其与服务器的评级比较，根据比较结果进行任务和服务器匹配，进而进行并行计算分析；根据智能分析产生的视频元数据，通过Hive挖掘视频元数据的价值信息。

本发明通过大数据技术和视频监控业务的融合，解决了海量的视频数据分散和集中式存储并存、多级分布问题，提升了非结构化视频数据读写的效率，为视频监控的快速检索、智能分析提供了端到端的解决方案。

附图说明

图1是数字化网络联动管理平台的结构图；

图2是本发明视频接入的神经元组网结构图；

图3是视频结构化描述示意图；

图4是视频摘要示意图。

具体实施方式

本发明提供了一种数字化网络联动管理方法，如图1所示，结合视频监控业务特点，引入Hadoop的架构，以顶层设计的视角来构建面向大数据视频监控架构，所述方法的具体步骤为：

S1：利用数据源层获取视频信息；

S2：利用配置于客户前端的视频接入层，对数据源层的视频信息进行捕获和存储；

S4：应用层与大数据计算层之间进行信息交互，被配置用于提供至少一个功能需求；

S5：大数据计算层根据需求对视频接入层传递的视频信息进行智能分析和数据挖掘。

优选的，所述方法还包括步骤S3，将视频接入层获取的视频信息存储至大数据存储层。

优选的，步骤S3的具体过程包括：在所述大数据存储层中，采用基于HDFS的Hive和HBase架构，将视频接入层采集的流视频和计算的结构化数据、特征值保存在HDFS集群内，将通过结构化算法获取的视频描述信息保存在HBase集群内，并建立视频描述信息与原始视频访问索引。

优选的，步骤S3的具体过程还包括：对于存储在HDFS中的视频数据和其它各类数据，可以通过大数据计算层的MapReduce进行并行分析，提取视频中的要素，作为视频的语义描述，形成视频摘要，也存储在HDFS中。

优选的，所述方法还包括步骤SA，利用业务管理层实现设备、业务管理，其可置于任意环节。

优选的，所述步骤S1包括：利用包含至少一个采用神经元组网的视频采集装置获取视频信息，视频采集装置可以是社会资源摄像头、天网视频、卡口视频中的至少一种。

优选的，所述步骤S2包括：采用可为硬件终端的视频接入层，将采集的视频转换统一的协议，通过在终端中嵌入了智能算法，能够将视频中出现的要素进行捕获，提取位置和机构要素，并保存，所述要素包括人、车、建筑、电器设备、环境中的至少一种。

优选的，所述步骤S4的功能需求包括：高效存储、检索、分析、统计、比对、自动预警中至少一个。

优选的，所述步骤S5包括：大数据计算层可以对不同要素进行匹配，在出现异常时，通过联动短信、邮件、LED屏、客户端弹出窗口中的至少一种方式进行实时报警。

优选的，所述步骤S5中包括，通过MapReduce对大视频的分析进行分解，根据任务难度、优先级、提交时间中的至少一项进行评级，再将其与服务器的评级比较，根据比较结果进行任务和服务器匹配，进而进行并行计算分析；根据智能分析产生的视频元数据，通过Hive挖掘视频元数据的价值信息。

相应的，本发明涉及一种警务联动管理方法，其特征在于：所述警务联动管理方法，包含如下步骤：

采用如前述的网络联动管理方法，对所有采集视频中的车辆或人员进行结构化分析和数据存储，在案件侦查中，可根据民警的功能需求，从海量视频资源中利用数据间的逻辑关系，实现大数据检索、对比分析、轨迹追踪中的至少一种功能，为全警种侦查工作提供服务。

优选的，所述警务联动管理方法可以被配置用于实现至少一种下述功能：

1）监控摄像覆盖范围内的所有车辆的行驶状态或运行轨迹；

2）快速分析出其是否违章；

3）通过对海量交通数据的比对、分析和研判，实现指定车辆行驶路径、道路拥堵研判；

4）实现人脸布控；

5）利用人脸识别技术，实现自动化智能验证、电子证件防伪及相关管理；

6）出入口监测控制，对重点防范区域出入通道采用人脸识别技术，防止非法用户进入。

为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图说明本发明的具体实施方式。

本发明可以将视频信息接入到视频管理平台中，根据需求进行存储。在接入前端或视频大数据平台对人、车进行数据捕获，结果保存在平台上。平台根据客户需求加挂不同算法，并提供基于视频数据分析的一系列行业应用。

本发明提出的方法及平台，架构更加灵活，伸缩弹性更大。采用大数据的架构可以根据需要进行扩容，不会影响项目其他部分的正常运行；以廉价通用硬件迎合视频监控数据的爆发性增长。在面向大数据的架构中，可根据视频监控业务的部署需要，设立多个HDFS集群组成，采集的流数据会被划分成段，并分布于数据节点，这些数据节点可以采用廉价通用型的硬件，由软件技术保证其高可靠性，这种方式避免采用传统高端硬件的模式，大大降低投资成本；通过高速并行计算实现智能分析和数据挖掘，面向大数据的架构原理就是将海量数据分解为较小的更易访问的批量数据，在多台服务器上并行分析处理，从而大大加快视频数据的处理进程。

尽管视频监控系统的应用面不断扩大和深入，仍然存在公共监控点位不足、监控盲点较多等问题。为此，本发明提出视频接入的神经元组网结构，可以有效的弥补上述问题。

如图2所示，采用视频智能终端/视频接入层对社会资源摄像机进行接入，汇聚到视频管理平台上进行统一的管理，并提供给大数据分析平台进行应用，采用神经元式的组网方式，接入了天网视频和海量社会资源视频。

可以看到的是，在视频接入端，可以对数据进行存储和捕获，视频大数据平台可以进行结构化处理、对视频信息进行分类、布控、比对和分析。

作为视频接入端，需要考虑的是，不同厂家、不同型号采集的视频，应将其转换为统一的协议，如Megaeyes协议，再传输至视频管理平台。在视频接入过程中，要做到对接入前端零影响，但又不增加中心存储压力的基础上，可采用具有存储功能的视频智能终端/视频接入层。用户可根据需求配置存储策略和硬件，达到最优效果。

视频捕获是在视频终端中嵌入了智能算法，能够将视频中出现的人、车等要素图片捕获，并提取位置和机构要素，保存在大数据平台上，从而将数据捕获的功能前移，采用分布式的计算方式，各节点并行计算，视频数据在接入前端进行捕获。

具体的，对于视频捕获，如图3所示，接入社会资源海量的流视频，同时将视频结构化的部分功能前移，在视频智能终端上做数据捕获。将人、车相关的智能捕获算法内嵌至视频智能终端中。智能终端将捕获的图片、时空信息、机构信息等一起上传至平台，保存在HBase中。平台再对图片进行结构化描述。对于天网的视频资源，也可以通过在前端加视频智能终端或在平台上使用捕获服务器进行捕获。

对于存储在HBase中的图片数据，通过MapReduce并行分析它们的特征，如人物特征、人脸特征、车辆特征等，将特征库保存在HBase中，为后续的特征比对做准备。

对图片中的人物进行矢量分析及结构化分析，结构化分析包括：基本特征（性别、年龄段）、服饰特征（上下衣着颜色、眼镜）、携带物特征（背包、拉杆箱、打伞）、运动特征（姿态、方向）。

对图片中的车辆信息进行矢量分析及结构化分析，结构化特征包括：基本特征（车牌号码、车牌类型、车身颜色、车型、车牌品牌、子品牌、款型）、标识物（年检标、遮阳板、挂饰、纸巾盒、副驾、是否打电话、是否系安全带等）、运动特征（方向、速度），驾车人员信息。

对图片中人脸信息进行矢量分析及结构化分析，结构化特征包括：基本特征（性别、年龄、人种）、服饰特征（上衣颜色、眼镜）、面部特征（眉毛、眼睛、鼻子、唇、胡须、发髻、耳朵、脸型、嘴、下巴、喉结等）。

对图片中的人骑车信息进行矢量分析及结构化分析，结构化特征包括：基本特征（骑车类型、性别、年龄段）、服饰特征（上衣着颜色、眼镜）、携带物特征（背包、打伞）、运动特征（方向、速度）、车牌照等。

对于如何实现快速查阅视频的问题，在本发明中，对于存储在HDFS中的视频录像和其它各类数据，可以通过MapReduce并行分析，提取视频中的要素，作为视频的语义描述，行一步形成视频摘要，如图4所示，也存储在HDFS中。

视频摘要是对视频内容的一个简单概括。略去无活动目标的帧，只关注有运动目标的画面。通过剔除视频当中没有活动目标出现的部分，把活动的目标提取出来，按照其在原始视频中的活动轨迹合成在不动的背景之上，最大程度的缩短视频的时间。

采用了目前最为先进的"背景估计与前景切割"方法，即将前景物体的活动切割成为一条条三维"管道"，按照用户对于目标物体的密度、区域、时间及类别等的输入条件，重新将管道拼接到背景，展示目标活动的全过程，生成视频摘要，在保留用户感兴趣的原始视频中所有的活动细节的同时，做到用几分钟的时间，浏览一天的视频。该技术保留了运动目标在原始视频中出现的时间顺序和空间位置，同时对于无目标出现或者无运动事件触发所定规则的时间段和区域根据多种规则进行压缩。在视频摘要中，对于人或车辆目标，显示目标出现的时间，并且支持用户通过点击目标，播放目标出现前后的原始视频。

视频摘要形成视频片断，不同时刻的目标“穿越时空”同时展现播放，使24小时的视频被制作成一个简短到几分钟摘要视频成为现实。视频摘要不仅浓缩的是事件的精华，也是活动事件的全部，没有价值的视频将被剔除。通过多分格快照技术，可以在几秒中看完所有的活动目标成为可能，回溯原始视频功能，瞬间锁定目标在原始视频中的位置。这些智能视频分析功能的实现和应用将大大提高海量视频监控录像分析的效率。

对于视频数据的特征提取过程，对于获取的多张图像，通过背景减除法、时间差分法、光流法中的至少一种从图像中将运动变化区域分割提取出来；再利用卡尔曼滤波、动态贝叶斯网络、粒子滤波器、光流KLT算法，根据目标的颜色、纹理和形状等信息来确定其在视频不同帧中出现的位置和区域；利用几何特征法、神经网络法、隐马尔可夫模型法等目标识别方法，将待识别的目标与指定的目标库中的特征进行比较，以确定是否与该库中的某一目标相匹配；最后，采用运动能量图像（MEI）和运动历史图像（MHI），基于轮廓的平均运动形状（MMS）和基于运动前景的平均运动能量（AME）、隐马尔科夫模型HMM，最大熵马尔科夫模型（MEMM）、条件随机场（CRF）、模板匹配的行为识别算法对行为进行识别。

本发明可以将公安或交通业务平台对接视频大数据平台，作为大数据平台的上层应用平台，通过快速检索，可以从数十亿条数据中快速筛选出目标过车记录，提高公安部门破案效率，提高交通管理部门的执勤效率。另一方面，除了分析车辆过车记录之外，车辆大数据系统使用大数据图像处理引擎，可实时处理海量的卡口过车图片(strom架构处理，性能可线性扩展)；对车辆图片进行智能处理之后，系统提取车型、车系、年款等关键信息，提供对套牌车、假牌车分析的有力比对特征；形成车辆特征向量，支持对海量卡口图片的以图搜图查找，快速定位目标相似车辆、而不受套牌和假牌的影响。

公安业务平台对接视频大数据平台，作为大数据平台的上层应用，为用户提供人脸检索功能。利用大数据平台的超强计算能力，部署多种算法，实现多算法的混合，同时吸纳各种算法的优点，提高大数据库容量下人脸图像的识别和比对性能，宽幅适应年龄、胖瘦、疾病、角度、表情、光照等变化图像。采用典型的“映射－规约”框架，将人脸特征散布到数十、数百甚至数千台电脑上并行计算，获取超强的计算能力。

在比对过程中，比对平台接收到比对请求后，首先对图像进行特征提取，获取人脸特征，通过映射（Map）过程，将待识别的人脸特征分布到各计算节点进行比对，输出相似程度及对应的人员身份信息；随后通过规约（Reduce）过程，将识别结果按照相似程度排序，并进一步过滤，输出最终的比对结果。与传统的人脸识别算法相比，大数据的识别过程将大量人脸数据库中的数据分布到多个计算节点进行比对处理，使得原来需要顺序进行的人脸比对变成了并行处理，大大加速了识别的过程，并且由于云平台的线性扩展性，保证了系统的数据扩展性，数据增长后，还可以通过增加计算节点的方式提高处理能力，保证了系统的实时性。

可选的，为了更大程序的提高计算速率，当存在多个任务并行时，特别是当内存占用超过一定阈值时，如80%，大数据计算层可以根据预先设定的优先级，对各项任务按优先级进行处理；此外，可选的，当存在多个任务并行时，大数据计算层还可以通过对任务的难度和提交时间进行综合考虑，计算出任务的顺序，再按照顺序对任务进行处理。

需要说明的是，对于前述的各个方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某一些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和单元并不一定是本申请所必须的。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详细描述的部分，可以参见其他实施例的相关描述。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、ROM、RAM等。

以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。

Claims (10)

1.一种网络联动管理方法，其特征在于，所述方法的具体步骤为：

S1：利用数据源层获取视频信息；

S2：利用配置于客户前端的视频接入层，对数据源层的视频信息进行捕获和存储；

S4：应用层与大数据计算层之间进行信息交互，被配置用于提供至少一个功能需求；

S5：大数据计算层根据需求对视频接入层传递的视频信息进行智能分析和数据挖掘。

2.一种如权利要求1所述的方法，其特征在于，还包括步骤S3，将视频接入层获取的视频信息存储至大数据存储层，其中，步骤S3的具体过程包括：在所述大数据存储层中，采用基于HDFS的Hive和HBase架构，将视频接入层采集的流视频和计算的结构化数据、特征值保存在HDFS集群内，将通过结构化算法获取的视频描述信息保存在HBase集群内，并建立视频描述信息与原始视频访问索引。

3.一种如权利要求2所述的方法，其特征在于，步骤S3的具体过程还包括：对于存储在HDFS中的视频数据和其它各类数据，可以通过大数据计算层的MapReduce进行并行分析，提取视频中的要素，作为视频的语义描述，形成视频摘要，也存储在HDFS中。

4.一种如权利要求1所述的方法，其特征在于，还包括步骤SA，利用业务管理层实现设备、业务管理，其可置于任意环节。

5.一种如权利要求2所述的方法，其特征在于，所述步骤S1包括：利用包含至少一个采用神经元组网的视频采集装置获取视频信息，视频采集装置可以是社会资源摄像头、天网摄像头、卡口摄像头中的至少一种。

6.一种如权利要求1所述的方法，其特征在于，所述步骤S2包括：视频接入层为视频智能终端，将采集的视频转换统一的协议，通过在视频智能终端中嵌入智能算法，能够将视频中出现的要素进行捕获，提取位置和机构要素，并保存，所述要素包括人、车、建筑、电器设备、环境中的至少一种。

7.一种如权利要求1所述的方法，其特征在于，所述步骤S4的功能需求包括：高效存储、检索、分析、统计、比对、自动预警中至少一个；所述步骤S5包括：大数据计算层可以对不同要素进行匹配，在出现异常时，通过联动短信、邮件、LED屏、客户端弹出窗口中的至少一种方式进行实时报警。

8.一种如权利要求1所述的方法，所述步骤S5中包括，通过MapReduce对大视频的分析进行分解，根据任务难度、优先级、提交时间中的至少一项进行评级，再将其与服务器的评级比较，根据比较结果进行任务和服务器匹配，进而进行并行计算分析；根据智能分析产生的视频元数据，通过Hive挖掘视频元数据的价值信息。

9.一种数字化警务联动管理方法，其特征在于：所述数字化警务联动管理方法，包含如下步骤：

采用如权利要求1-8中任意一项所述的网络联动管理方法，对所有采集视频中的车辆或人员进行结构化分析和数据存储，在案件侦查中，可根据民警的功能需求，从海量视频资源中利用数据间的逻辑关系，实现大数据检索、对比分析、轨迹追踪中的至少一种功能，为全警种侦查工作提供服务。

10.一种如权利要求9所述的数字化警务联动管理方法，其特征在于，

所述数字化警务联动管理方法可以被配置用于实现至少一种下述功能需求：

1）监控摄像覆盖范围内的所有车辆的行驶状态或运行轨迹；

2）快速分析出其是否违章；

3）通过对海量交通数据的比对、分析和研判，实现指定车辆行驶路径、道路拥堵研判；

4）实现人脸布控；

5）利用人脸识别技术，实现自动化智能验证、电子证件防伪及相关管理；

6）出入口监测控制，对重点防范区域出入通道采用人脸识别技术，防止非法用户进入。