CN110458000A - 一种基于docker的视频车辆识别方法 - Google Patents

Abstract

本发明涉及视频车辆识别领域，具体是涉及一种基于docker的视频车辆识别方法。将过车检测算法和车辆识别算法以及运行车辆识别算法所需要依赖的环境和运行过车检测算法所需要依赖的环境打包成docker镜像，将docker镜像上传至docker仓库中，docker仓库搭载在云计算平台上。本发明基于docker的视频车辆识别方法，能够提高管理视频车辆识别的性能和便捷性。在对视频中的车辆进行识别时，只需要根据车辆识别docker镜像自动创建若干个实例即可，不需要反复部署算法和算法所依赖的环境，节省了识别车辆所需要的时间。当需要更新识别算法时，只需要对docker镜像进行更新，而不需要更新每个算法，降低了算法更新难度。

Description

一种基于docker的视频车辆识别方法

技术领域

本发明涉及视频车辆识别领域，具体是涉及一种基于docker的视频车辆识别方法。

背景技术

随着城市建设的快速发展和人们物质生活水平的不断提高，国内各大城市的机动车保有量呈爆炸式增长，交通管理和城市治安日渐成为现代城市管理急需解决的重大难题。在城市的重要出入口、重要区域以及车流量大的道路上安装摄像头，摄像头记录过往车辆的信息，成为解决上述两大难题的主要手段之一。

现有的视频车辆识别方法，需要人工部署安装算法和算法的依赖环境，既浪费了大量的时间，又增加了算法更新的难度。

发明内容

为解决上述技术问题，本发明提供了一种基于docker的视频车辆识别方法，无需人工部署安装算法和算法的依赖环境，节省时间，降低了算法更新难度。

为实现上述目的，本发明采用了以下技术方案：

一种基于docker的视频车辆识别方法，包括如下步骤：

S1，将过车检测算法和车辆识别算法以及运行车辆识别算法所需要依赖的环境和运行过车检测算法所需要依赖的环境打包成docker镜像，将docker镜像上传至docker仓库中，所述docker仓库搭载在云计算平台上；

S2，云计算平台通过WEB服务端获取保存在数据库中的视频流，云计算平台调用docker仓库中的docker镜像，由docker镜像创建相应实例，实例包括过车检测算法、车辆识别算法、运行车辆识别算法所需要依赖的环境、运行过车检测算法所需要依赖的环境，将视频流输入到实例中的过车检测算法中，过车检测算法截取车辆全景图片和该车辆的车牌图片，截取的车辆全景图片和该车辆的车牌图片保存在FTP服务器，用于WEB服务端调用显示；截取的车辆全景图片输入到车辆识别算法，获取识别结果，识别结果至少包括车型、车辆颜色、车辆行驶速度、车辆行驶方向、车辆所在的经纬度，将识别结果保存在消息队列；

S3，数据转储服务读取消息队列的识别结果，并将识别结果转存至数据库，用于WEB服务端调用显示。

进一步，所述云计算平台包含若干服务器，若干服务器均通过rest接口与WEB服务端双向通信连接。

进一步优选的，步骤S2的具体步骤如下：

S21，启动WEB服务端，WEB服务端获取数据库的配置并向云计算平台发出视频车辆识别的命令，数据库的配置至少包括云计算平台地址、docker镜像名称、视频流名称、与视频流名称相对应的视频流编号、与视频流名称相对应的拍摄地点的经纬度；

S22，云计算平台通过WEB服务端获取数据库中的视频流，云计算平台调用车辆识别docker镜像，根据该docker镜像创建若干个实例，实例的数量与视频流的数量相等，用于同时处理多路视频流；同时，调用docker实例中的过车检测算法和车辆识别算法，将视频流输入到过车检测算法，过车检测算法截取车辆全景图片和该车辆的车牌图片；将车辆全景图片输入到车辆识别算法，获取识别结果。

进一步优选的，步骤S22中若在设定时间内WEB服务端获取云计算平台返回的服务器ID，则该服务器创建成功过车检测算法和车辆识别算法docker镜像，WEB服务端将服务器ID保存在数据库，若在设定时间内WEB服务端没有获取云计算平台返回的服务器ID，则云计算平台管理的服务器没有创建成功过车检测算法和车辆识别算法docker镜像，提示重新创建过车检测算法和车辆识别算法docker镜像。

进一步优选的，所述消息队列为kafka中间件，所述识别结果以JSON格式存入kafka中间件。

进一步优选的，所述设定时间为25s～35s。

进一步优选的，数据库包括oracle库和大数据存储单元，所述视频流保存在大数据存储单元中，所述数据库的配置保存在oracle库。

本发明的有益效果如下：

(1)本发明基于docker的视频车辆识别方法，能够提高管理视频车辆识别的性能和便捷性。将过车检测算法和车辆识别算法以及运行车辆识别算法所需要依赖的环境和运行过车检测算法所需要依赖的环境打包成docker镜像。在对视频中的车辆进行识别时，只需要重复使用docker镜像，创建若干个算法实例即可，不需要反复的创建算法和算法所依赖的环境，节省了识别车辆所需要的时间。当需要更新识别算法时，只需要对docker镜像进行更新，而不需要更新每个算法，降低了算法更新难度。

(2)可以同时识别多路视频流，有效的降低了视频资源的冗余度，使视频资源得到充分利用。

(3)通过rest接口实现一个服务端对云计算平台中多个服务器的控制，方便用户启动、停止、删除、增加镜像中的容器。

(4)车辆全景图片和车牌图片保存在FTP服务器中，方便用户查阅。

附图说明

图1为本发明的示意图；

图2为本发明的流程图。

具体实施方式

以下结合实施例和说明书附图，对本发明中的技术方案进行清楚、完整地描述。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例1

一种基于docker的视频车辆识别方法，包括如下步骤：

S1，将过车检测算法和车辆识别算法以及运行车辆识别算法所需要依赖的环境和运行过车检测算法所需要依赖的环境打包成docker镜像，如图1所示，将docker镜像上传至docker仓库中，所述docker仓库搭载在云计算平台上。

S2，云计算平台通过WEB服务端获取保存在数据库中的视频流，云计算平台调用docker仓库中的docker镜像，由docker镜像创建相应实例，实例包括过车检测算法、车辆识别算法、运行车辆识别算法所需要依赖的环境、运行过车检测算法所需要依赖的环境，将视频流输入到实例中的过车检测算法中，过车检测算法截取车辆全景图片和该车辆的车牌图片，如图1所示，截取的车辆全景图片和该车辆的车牌图片保存在FTP服务器，用于WEB服务端调用显示；截取的车辆全景图片输入到车辆识别算法，获取识别结果，将识别结果保存在消息队列；

S3，数据转储服务读取消息队列的识别结果，如图1所示，并将识别结果转存至数据库，用于WEB服务端调用显示。

本实施例中，过车检测算法为深度学习算法，通过向该算法输入视频流，算法会解析该视频流，若视频流中出现车辆通过的画面，则截取该帧全景车辆图片和车牌图片并输出至FTP服务器。

本实施例中，车辆识别算法可以识别车辆的局部特征信息，产生结构化数据。车辆识别算法可以识别出车型、车辆颜色、车辆行驶速度、车辆行驶方向、车辆所在的经纬度，这些结构化信息以JSON格式存入消息队列。本实施例中消息队列为kafka中间件。

本实施例中，云计算平台包含若干服务器，若干服务器彼此之间独立存在，若干服务器均通过rest接口与WEB服务端双向通信连接。

实施例2

在实施例1的基础上，如图2所示，本发明的识别方法对车辆进行识别包括如下步骤：

S20，将过车检测算法和车辆识别算法以及运行车辆识别算法所需要依赖的环境和运行过车检测算法所需要依赖的环境打包成docker镜像，docker为容器，将docker镜像上传至docker仓库中，并将该docker镜像命名为A，本实施中，在对车辆进行识别时，只需要调用docker仓库名称为A的镜像，根据镜像A自动创建多个容器，每个容器对应一个实例，创建N个实例，用于同时处理N路视频流。该方法摒弃了传统的通过人工部署安装过车检测算法和车辆识别算法以及各自的运行环境，采用基于docker的视频车辆识别的方法，优势在于管理视频车辆识别的高性能和便捷性，该方法在管理识别操作，识别操作至少包括创建，启动，停止，都是以秒或毫秒为单位的。过车检测算法和车辆识别算法以及以及各自的运行环境打包成docker镜像，并且只需要写好docker脚本，docker脚本由一条一条的指令组成，每条指令对应Linux下面的一条命令，创建好打包镜像，以后就能无限次重复使用这个镜像进行打包，由云计算平台管理docker仓库和若干服务器。

视频流保存在数据库的大数据存储单元中，数据库的配置保存在oracle库。数据库的配置包括但不限于云计算平台地址、FTP服务器的地址、FTP服务器的账号、FTP服务器的密码、kafka中间件的地址、kafka中间件的账号、kafka中间件的密码、docker镜像名称等，还含有高清录像机对应配置参数，包括虚拟线框在视频中的位置信息、获取录像裸码流地址、视频流名称、与视频流名称相对应的视频流编号、与视频流名称相对应的拍摄地点的经纬度。

S21，WEB服务端向云计算平台发出创建视频车辆识别的命令，在设定时间25s～35s获取云计算平台返回的信息，本实施例中，设定时间为30s，对返回信息相应解析，云计算平台创建服务成功会返回服务器ID，WEB服务端相应保存至数据库，供下次操作相应的服务器使用，云计算平台创建失败，则会返回信息错误信息，WEB服务端提示用户错误信息。

S22，视频车牌识别算法获取相应视频流后，根据数据库的配置中的虚拟线框的位置坐标，调用过车检测算法，检测经过虚拟线框的车辆。检测结果为过车图片所在的一帧车辆全景图片和车牌图片，并且能够得到该车辆在该帧图像中的位置坐标。保存此帧车辆全景图片和车牌图片，抓取车辆全景图片和车牌图片保存至FTP服务器。车辆识别算法对车辆全景图片进行识别，识别的结果存入kafka中间件。过车信息以及车辆识别算法所得的车型、车颜色、车速、车运行方向、经纬度等信息以JSON格式存入kafka中间件。

数据转储服务读取kafka中间件的过车信息队列，将视频车牌识别算法分析的过车信息转存至数据库。

Claims (7)

1.一种基于docker的视频车辆识别方法，其特征在于，包括如下步骤：

S1，将过车检测算法和车辆识别算法以及运行车辆识别算法所需要依赖的环境和运行过车检测算法所需要依赖的环境打包成docker镜像，将docker镜像上传至docker仓库中，所述docker仓库搭载在云计算平台上；

S2，云计算平台通过WEB服务端获取保存在数据库中的视频流，云计算平台调用docker仓库中的docker镜像，由docker镜像创建相应实例，实例包括过车检测算法、车辆识别算法、运行车辆识别算法所需要依赖的环境、运行过车检测算法所需要依赖的环境，将视频流输入到实例中的过车检测算法中，过车检测算法截取车辆全景图片和该车辆的车牌图片，截取的车辆全景图片和该车辆的车牌图片保存在FTP服务器，用于WEB服务端调用显示；截取的车辆全景图片输入到车辆识别算法，获取识别结果，识别结果至少包括车型、车辆颜色、车辆行驶速度、车辆行驶方向、车辆所在的经纬度，将识别结果保存在消息队列；

S3，数据转储服务读取消息队列的识别结果，并将识别结果转存至数据库，用于WEB服务端调用显示。

2.如权利要求1所述的视频车辆识别方法，其特征在于，所述云计算平台包含若干服务器，若干服务器均通过rest接口与WEB服务端双向通信连接。

3.如权利要求2所述的视频车辆识别方法，其特征在于，步骤S2的具体步骤如下：

S21，启动WEB服务端，WEB服务端获取数据库的配置并向云计算平台发出视频车辆识别的命令，数据库的配置至少包括云计算平台地址、docker镜像名称、视频流名称、与视频流名称相对应的视频流编号、与视频流名称相对应的拍摄地点的经纬度；

S22，云计算平台通过WEB服务端获取数据库中的视频流，云计算平台调用车辆识别docker镜像，根据该docker镜像创建若干个实例，实例的数量与视频流的数量相等，用于同时处理多路视频流；同时，调用docker实例中的过车检测算法和车辆识别算法，将视频流输入到过车检测算法，过车检测算法截取车辆全景图片和该车辆的车牌图片；将车辆全景图片输入到车辆识别算法，获取识别结果。

4.如权利要求3所述的视频车辆识别方法，其特征在于：步骤S22中若在设定时间内WEB服务端获取云计算平台返回的服务器ID，则该服务器创建成功过车检测算法和车辆识别算法，WEB服务端将服务器ID保存在数据库，否则云计算平台管理的服务器没有创建成功过车检测算法和车辆识别算法，提示WEB服务端重新创建过车检测算法和车辆识别算法。

5.如权利要求1或2或3或4所述的视频车辆识别方法，其特征在于：所述消息队列为kafka中间件，所述识别结果以JSON格式存入kafka中间件。

6.如权利要求4所述的视频车辆识别方法，其特征在于：所述设定时间为25s～35s。

7.如权利要求3或4所述的视频车辆识别方法，其特征在于：数据库包括oracle库和大数据存储单元，所述视频流保存在大数据存储单元中，所述数据库的配置保存在oracle库中。