CN110913172A - 一种视频分析设备的管理方法及装置 - Google Patents
一种视频分析设备的管理方法及装置 Download PDFInfo
- Publication number
- CN110913172A CN110913172A CN201811090204.3A CN201811090204A CN110913172A CN 110913172 A CN110913172 A CN 110913172A CN 201811090204 A CN201811090204 A CN 201811090204A CN 110913172 A CN110913172 A CN 110913172A
- Authority
- CN
- China
- Prior art keywords
- position data
- data points
- video analysis
- clustering
- cloud server
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
- H04N7/181—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a plurality of remote sources
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请提供一种视频分析设备的管理方法及装置,用于实现视频监控网络中的视频分析设备的有效管理。应用于包括多个视频分析设备和云服务器的视频监控网络中,该方法包括:云服务器获取多个视频分析设备中每个视频分析设备的位置信息,得到多个位置数据点;云服务利用基于密度峰值快速搜索聚类CFSFDP算法将多个位置数据点划分为M个聚类区域,所述M为正整数;对于M个聚类区域中的每个聚类区域,云服务器从所述聚类区域内选择中心位置数据点对应的视频分析设备作为管理节点,以使所述聚类区域内的其他位置数据点对应的视频分析设备通过管理节点处部署的接入点接入视频监控网络中。
Description
技术领域
本申请实施例涉及视频监控技术领域,尤其涉及一种视频分析设备的管理方法及装置。
背景技术
视频分析设备是一种涉及图像处理、模式识别、人工智能等多个领域的智能视频分析产品。视频分析设备能够对视频区域内出现的警戒区警戒线闯入、物品遗留或丢失、逆行、人群密度异常等异常情况进行分析,及时发出告警信息。目前,在电力配电、以及分布式能源配给等系统中,具有在边缘侧进行监控视频智能分析的需求。这些场所的地理位置一般较偏远,场所内设备、设施部署结构复杂,还可能存在温度、气压、电磁辐射等特殊环境差异,致使视频分析设备的部署和维护变得困难。因此,在这种特殊环境下如何有效的管理视频分析设备就成为一个问题。
发明内容
本申请提供一种视频分析设备的管理方法及装置,用于实现视频监控网络中视频分析设备的有效管理。
为达到上述目的,本申请采用如下技术方案:
第一方面,提供一种视频分析设备的管理方法,应用于包括多个视频分析设备和云服务器的视频监控网络中,该方法包括:云服务器获取多个视频分析设备中每个视频分析设备的位置信息,得到多个位置数据点;云服务器利用基于密度峰值快速搜索聚类CFSFDP算法将多个位置数据点划分为M个聚类区域,M为正整数;对于M个聚类区域中的每个聚类区域,云服务器从该聚类区域内选择中心位置数据点对应的视频分析设备作为管理节点,以使该聚类区域内的其他位置数据点对应的视频分析设备通过管理节点处部署的接入点接入视频监控网络中。上述技术方案中,实现了该视频监控网络中视频分析设备的有效管理,且对于一些特殊环境或者场景技术人员无需亲自到达现场进行单独的配置和维护。
在第一方面的一种可能的实现方式中,利用CFSFDP算法将多个位置数据点划分为M个聚类区域,包括:确定多个位置数据点中每个位置数据点的局部密度和距离;根据每个位置数据点的局部密度和距离,将多个位置数据点划分为M个聚类区域。上述可能的实现方式中,提供了一种简单有效的划分M个聚类区域的方式。
在第一方面的一种可能的实现方式中,确定多个位置数据点中每个位置数据点的局部密度,包括:根据如下公式(1)确定每个位置数据点的局部密度;
式中,i表示第i个位置数据点,j表示第j个位置数据点,dij表示第i个位置数据点与第j个位置数据点之间的距离,ε表示随机小量,dc表示截断距离;上述可能的实现方式中,能够增加不同位置数据点之间的区分度,有助于获得稳定、合理的聚类区域。
在第一方面的一种可能的实现方式中,确定多个位置数据点中每个位置数据点的距离,包括:根据如下公式(2)确定每个位置数据点的距离;
式中,ρi表示第i个位置数据点对应的局部密度,ρj表示第j个位置数据点对应的局部密度,ρ表示多个位置数据点对应的局部密度组成的序列。上述可能的实现方式中,能够增加不同位置数据点之间的区分度,有助于获得稳定、合理的聚类区域。
在第一方面的一种可能的实现方式中,根据每个位置数据点的局部密度和距离,将多个位置数据点划分为M个聚类区域,包括:从多个位置数据点中选择局部密度大于密度阈值、且距离大于距离阈值的W个位置数据点,W为正整数;确定W个位置数据点中每个位置数据点的局部密度与距离的乘积,并选择乘积较大的M个位置数据点作为M个聚类区域的中心位置数据点;对于多个位置数据点中除W个位置数据点之外的其他位置数据点,按照其他位置数据点分别与M个聚类区域的中心位置数据点之间的距离的最小值确定所属的聚类区域,以将多个位置数据点划分为M个聚类区域。上述可能的实现方式中,能够增加不同位置数据点之间的区分度,有助于获得稳定、合理的聚类区域。
在第一方面的一种可能的实现方式中,该方法还包括:云服务器向管理节点发送区域管理策略,以使管理节点按照区域管理策略管理管理节点所属的聚类区域内的其他视频分析设备。上述可能的实现方式中,每个聚类区域的管理节点接收到该区域管理策略时,能够按照该区域管理策略对该聚类区域内的其他视频分析设备进行管理,从而实现了该视频监控网络中视频分析设备的有效管理,且对于一些特殊环境或者场景技术人员无需亲自到达现场进行单独的配置和维护。
在第一方面的一种可能的实现方式中,云服务器利用CFSFDP聚类算法将多个位置数据点划分为M个聚类区域之后,该方法还包括:云服务器从该聚类区域内选择局部密度仅次于中心位置数据点的位置数据点对应的视频分析设备作为备管理节点。上述可能的实现方式中,通过设置备管理节点,可以避免因为管理节点故障而导致无法有效管理视频分析设备的问题,提高了该视频监控网络的性能。
第二方面,提高一种云服务器,应用于包括多个视频分析设备和云服务器的视频监控网络中,云服务器包括:获取单元,用于获取多个视频分析设备中每个视频分析设备的位置信息,得到多个位置数据点;划分单元,用于利用基于密度峰值快速搜索聚类CFSFDP算法将多个位置数据点划分为M个聚类区域,M为正整数;选择单元,用于对于M个聚类区域中的每个聚类区域,从该聚类区域内选择中心位置数据点对应的视频分析设备作为管理节点,以使该聚类区域内的其他位置数据点对应的视频分析设备通过管理节点处部署的接入点接入视频监控网络中。
在第二方面的一种可能的实现方式中,划分单元具体用于:确定多个位置数据点中每个位置数据点的局部密度和距离;根据每个位置数据点的局部密度和距离,将多个位置数据点划分为M个聚类区域。
在第二方面的一种可能的实现方式中,划分单元还具体用于:根据如下公式(1)确定每个位置数据点的局部密度;式中,i表示第i个位置数据点,j表示第j个位置数据点,dij表示第i个位置数据点与第j个位置数据点之间的距离,ε表示随机小量,dc表示截断距离;
在第二方面的一种可能的实现方式中,划分单元还具体用于:根据如下公式(2)确定每个位置数据点的距离;式中,ρi表示第i个位置数据点对应的局部密度,ρj表示第j个位置数据点对应的局部密度,ρ表示多个位置数据点对应的局部密度组成的序列;
在第二方面的一种可能的实现方式中,划分单元还具体用于:从多个位置数据点中选择局部密度大于密度阈值、且距离大于距离阈值的W个位置数据点,W为正整数;确定W个位置数据点中每个位置数据点的局部密度与距离的乘积,并选择乘积较大的M个位置数据点作为M个聚类区域的中心位置数据点;对于多个位置数据点中除W个位置数据点之外的其他位置数据点,按照其他位置数据点分别与M个聚类区域的中心位置数据点之间的距离的最小值确定所属的聚类区域,以将多个位置数据点划分为M个聚类区域。
在第二方面的一种可能的实现方式中,云服务器还包括:发送单元,用于向管理节点发送区域管理策略,以使管理节点按照区域管理策略管理管理节点所属的聚类区域内的其他视频分析设备。
在第二方面的一种可能的实现方式中,选择单元还用于:从该聚类区域内选择局部密度仅次于中心位置数据点的位置数据点对应的视频分析设备作为备管理节点。
第三方面,提供一种云服务器,该云服务器包括存储器、处理器、总线和通信接口,存储器中存储代码和数据,处理器与存储器通过总线连接,处理器运行存储器中的代码使得云服务器执行如第一方面或者第一方面的任一种可能的实现方式所提供的视频分析设备的管理方法。
本申请的又一方面,提供一种视频监控网络,该网络包括云服务器和多个视频分析设备;其中,云服务器用于执行如第一方面或者第一方面的任一种可能的实现方式所提供的视频分析设备的管理方法。
本申请的又一方面,提供一种可读存储介质,可读存储介质中存储有指令,当可读存储介质在设备上运行时,使得该设备执行如第一方面或者第一方面的任一种可能的实现方式所提供的视频分析设备的管理方法。
本申请的又一方面,提供一种计算机程序产品,当计算机程序产品在计算机上运行时,使得计算机执行如第一方面或者第一方面的任一种可能的实现方式所提供的视频分析设备的管理方法。
可以理解地,上述提供的任一种视频分析设备的管理方法的装置、视频监控网络、计算机存储介质或者计算机程序产品均用于执行上文所提供的对应的方法,因此,所能达到的有益效果可参考上文所提供的对应的方法中的有益效果,此处不再赘述。
附图说明
图1为本申请实施例提供的一种局部密度与距离的关系示意图;
图2为本申请实施例提供的一种视频监控网络的架构图;
图3为本申请实施例提供的一种视频分析设备的管理方法的流程示意图;
图4为本申请实施例提供的一种聚类区域的示意图;
图5为本申请实施例提供的另一种视频分析设备的管理方法的流程示意图;
图6为本申请实施例提供的一种聚类区域内管理节点的示意图;
图7为本申请实施例提供的一种聚类区域内中继接入的示意图;
图8为本申请实施例提供的另一种聚类区域内中继接入的示意图;
图9为本申请实施例提供的一种装置的结构示意图;
图10为本申请实施例提供的另一种装置的结构示意图。
具体实施方式
本申请中,“至少一个”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B的情况,其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达,是指的这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b或c中的至少一项(个),可以表示:a,b,c,a-b,a-c,b-c或a-b-c,其中a、b和c可以是单个,也可以是多个。
需要说明的是,本申请中,“示例性的”或者“例如”等词用于表示作例子、例证或说明。本申请中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其他实施例或设计方案更优选或更具优势。确切而言,使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。
在介绍本申请实施例之前,首先对本申请所涉及的技术名词进行详细说明。
基于密度峰值快速搜索聚类(Clustering by Fast Search and Find ofDensity Peaks,CFSFDP)算法,其核心在于对聚类中心的刻画,具有以下两个显著特点:1、聚类中心自身密度大,被密度均不超过它的邻居包围;2、聚类中心与其他密度更大的数据点之间的距离相对更大。具体如下:
假设数据点集S={X1,X2,…,XN},数据点Xi与Xj之间信号强度的欧式距离为dij。数据点Xi的局部距离ρi是以为中心,截断距离dc为半径的圆形区域内的数据点个数,定义如下:
式中,dc一般按照如下公式(ii)确定,k表示截断比例,dall表示数据点集S中的数据点之间的距离按照从小到大顺序排列后的序列,dc表示该序列中以c为下标的距离。
c=[k*0.5N(N-1)],dc=dall(c) (ii)
数据点Xi的距离δi的定义如下:
示例性的,根据以上公式(i)和(iii)计算出所有数据点的ρi和δi后,可作出ρ-δ曲线如图1中的(a)所示。同时,得到每个数据点的ρi与δi之乘积γi,并得到γi的排序曲线如图1中的(b)所示。在ρ-δ曲线中同时具有较大ρi和δi的数据点出现在右上角,分别设置密度阈值和距离阈值以筛选出多个数据点,然后根据γi的排序情况,从大到小截取m个数据点作为聚类中心。其中,m的取值可以设置,比如,根据使用场景对类簇规模、类簇数目要求决定。
本申请提供的视频分析设备的管理方法可适用于多种视频监控网络架构中,比如,电力配电的视频监控网络、或者分布式能源配给的视频监控网络等。特别是对于一些地理位置偏远,监控场所内设备、设施部署结构复杂,或者存在温度、气压、电磁辐射等特殊环境的视频监控网络,能够有效地减小视频监控网络中视频分析设备的部署和维护的难度,实现视频分析设备的有效管理,同时提高视频监控网络的可靠性。
图2为本申请实施例提供的一种视频监控网络的架构示意图,参见图2,该视频监控网络包括:视频摄像设备201、视频分析设备202和云服务器203。
其中,视频摄像设备201可以是指用于进行视频拍摄的设备,视频摄像设备201可以拍摄视频画面,并将拍摄得到的视频数据传输至视频分析设备202。视频摄像设备201可以包括诸如针孔摄像头、半球型摄像头、红外摄像头等各种各样的摄像头、手机、平板电脑、或者其他具有视频拍摄功能的设备等,为便于描述,本申请实施例统称为视频摄像设备。
视频分析设备202可以称为智能视频分析设备,该视频监控网络中可以包括多个视频分析设备,该多个视频分析设备可以部署在该视频监控网络的边缘。视频分析设备202可用于接收多个视频摄像设备201传输的视频数据,以及对接收到的视频数据进行处理等功能。比如,视频分析设备202可以在边缘侧完成视频解码+目标检测、识别、跟踪(比如,人脸识别/车流分析等)以及关键数据结构化等功能,并将关键信息回传至云数据中心。在本申请实施例中,任意两个视频分析设备202之间可以通过无线连接方式相互连接,视频分析设备202可以通过有线连接方式与云数据中心连接。比如,在某一视频分析设备202处部署接入点(Access Point,AP),该AP与通过有线连接方式与云数据中心连接,其他视频分析设备202具有中继AP功能,并通过该中继AP功能以无线连接方式与该AP连接,以接入云数据中心。
云数据中心可以包括多个云服务器201,云数据中心可为用户提供视频共享、视频解析和大数据应用等服务。云服务器201可以对视频分析设备202传输的关键信息进行进一步地数据碰撞、融合等,通过视频分析设备202的前期处理,可以提高目标检测以及相关决策的实时性、减小云数据中心压力。
图3为本申请实施例提供的一种视频分析设备的管理方法的流程示意图,该方法可应用于上述图2所示的视频监控网络中,参见图3,该方法包括以下几个步骤。
S301:云服务器获取多个视频分析设备中每个视频分析设备的位置信息,得到多个位置数据点。
其中,视频分析设备也可以称为智能视频分析设备,该多个视频分析设备可以是部署在该视频监控网络边缘的视频分析设备。每个视频分析设备的位置信息可以是指用于指示该视频分析设备的位置的信息,一个视频分析设备的位置信息可以对应一个位置数据点。比如,该位置信息可以是以经纬度信息表示的绝对位置,也可以是经过建模的坐标系中的相对位置等等。
具体地,云服务器可以主动地获取该多个视频分析设备中每个视频分析设备的位置信息,比如,云服务器向该多个视频分析设备发送位置信息获取指令,以使每个视频分析设备上报其位置信息;或者,云服务器被动的获取该多个视频分析设备中每个视频分析设备的位置信息,比如,每个视频分析设备主动上报各自的位置信息,进而使云服务器接收到每个视频分析设备上报的位置信息;或者,由技术人员为云服务器配置每个视频分析设备的位置信息,云服务器从配置的相关信息中读取每个视频分析设备的位置信息。可选地,云服务器可以对获取的多个位置信息进行清洗和处理,以得到多个位置数据点。
S302:云服务器利用CFSFDP算法将该多个位置数据点划分为M个聚类区域,M为正整数。
云服务器利用CFSFDP算法将多个位置数据点划分为M个聚类区域,具体可以包括:确定该多个位置数据点中每个位置数据点的局部密度和距离;根据每个位置数据点的局部密度和距离,将多个位置数据点划分为M个聚类区域。
在一种可能的实现方式中,云服务器可以按照如下方式确定该多个位置数据点中每个位置数据点的局部密度和距离,即根据如下公式(1)确定每个位置数据点的局部密度,根据如下公式(2)确定每个位置数据点的距离,具体如下所述。
假设该多个位置数据点表示为S={X1,X2,…,XN},N表示该多个位置数据点的数量,云服务器可通过如下公式(1)确定每个位置数据点Xi的局部密度,i的取值范围为1至N。式(1)中,i表示第i个位置数据点,j表示第j个位置数据点(i≠j),dij表示第i个位置数据点与第j个位置数据点之间的距离,ε表示随机小量(即接近于0的数值),dc表示截断距离,other是指除dij小于dc之外的其他情况。
其中,上述dc可以通过如下公式(ii)确定,k表示截断比例,dall表示数据点集S中的数据点之间的距离按照从小到大顺序排列后的序列,dc表示该序列中以c为下标的距离。需要说明的是,k的取值可以事先进行设定,具体由本领域技术人员根据实际需求进行设定,本申请实施例对此不作具体限定。
c=[k*0.5N(N-1)],dc=dall(c) (ii)
云服务器可通过如下公式(2)确定每个位置数据点Xi的距离。式(2)中,ρi表示第i个位置数据点的局部密度,ρj表示第j个位置数据点对应的局部密度,ρ表示多个位置数据点的局部密度组成的序列。
在一种可能的实现方式中,云服务器根据每个位置数据点的局部密度和距离,将该多个位置数据点划分为M个聚类区域,可以包括:从该多个位置数据点中选择局部密度大于密度阈值、且距离大于距离阈值的W个位置数据点,W为正整数;确定所述W个位置数据点中每个位置数据点的局部密度与距离的乘积,并选择所述乘积较大的M个位置数据点作为M个聚类区域的中心位置数据点;对于该多个位置数据点中除所述W个位置数据点之外的其他位置数据点,按照其他位置数据点分别与M个聚类区域的中心位置数据点之间的距离的最小值确定所属的聚类区域,以将该多个位置数据点划分为M个聚类区域。
具体地,云服务器在得到每个位置数据点的局部密度ρi和距离δi后,可从该多个位置数据点中选择局部密度大于密度阈值、且距离大于距离阈值的W个位置数据点,即在ρ-δ曲线中选择具有较大ρi和δi的位置数据点(选择的位置数据点出现在ρ-δ曲线的右上角)。云服务器确定该W个位置数据点中每个位置数据点的局部密度与位置数据点的距离的乘积,并按照从大到小的顺序从该W个位置数据点对应的所述乘积中选择较大的M个位置数据点作为M个聚类区域的中心位置数据点。之后,对于除所述W个位置数据点之外的其他每个位置数据点,云服务器可以分别确定该位置数据点与该M个中心位置数据点之间的距离,并将该位置数据点划分在最小距离对应的中心位置数据点所在的聚类区域。需要说明的是,上述密度阈值和距离阈值可以事先进行设置,具体可以由本领域技术人员根据实际需求进行设定,本申请实施例对此不作具体限定。示例性的,云服务器将该多个位置数据点划分得到的M个聚类区域如图4所示。
S303:对于M个聚类区域中的每个聚类区域,云服务器从该聚类区域内选择中心位置数据点对应的视频分析设备作为管理节点,以使该聚类区域内的其他位置数据点对应的视频分析设备通过该管理节点处部署的接入点接入视频监控网络中。
其中,管理节点是指中心位置数据点对应的视频分析设备,即具有管理功能的视频分析设备。比如,具有管理功能的视频分析设备可以包括且不限于以下功能:利用现有技术(比如,zookeeper分布式应用程序)协调服务,进行聚类区域内所有其他视频分析设备的心跳管理,对存在心跳异常的情况进行异常上报,并根据自定义策略进行聚类区域内的业务和运维侧的调控等。
另外,该管理节点处部署的AP可以是单独部署的AP设备(此时,该管理节点需要接入该AP设备),也可以是与该管理节点集成为一体(此时,该管理节点即为AP)。该管理节点处部署的AP可以与云服务器通过有线方式连接。每个聚类区域内的视频分析设备可以通过该聚类区域内部署的AP直接地接入该视频监控网络中;或者,每个聚类区域内的视频分析设备可以具有中继AP的功能,一部分视频分析设备可以通过另一部分视频分析设备的中继AP接入该聚类区域内部署的AP,进而通过该AP间接地接入该视频监控网络中。
可选地,在设置该聚类区域内除管理节点之外的其他视频分析设备的中继AP功能时,可以对该管理节点之外的全部视频分析设备均进行设置;或者,对该管理节点之外的部分视频分析设备进行设置;或者,对该聚类区域内局部密度在一定范围内的视频分析设备进行设置。对该管理节点之外的部分视频分析设备进行设置,可以节省一部分视频分析设备的功耗。
进一步地,如图5所示,在S303之后,该方法还包括:S304。
S304:云服务器从每个聚类区域内选择局部密度仅次于中心位置数据点的位置数据点对应的视频分析设备作为备管理节点。
其中,对于M个聚类区域中的每个聚类区域,如图6所示,云服务器还可以选择局部密度仅次于中心位置数据点的位置数据点对应的视频分析设备作为备管理节点。可选地,在备管理节点处部署AP,当上述S303中的管理节点发生故障时,备管理节点可以接替上述管理节点的功能,具体实现方式与上述S303中的类似,本申请实施例在此不再赘述。在本申请实施例中,通过设置备管理节点,可以避免因为管理节点故障而导致无法有效管理视频分析设备的问题,提高了该视频监控网络的性能。
进一步地,如图5所示,在S303之后,该方法还包括:S305。其中,S304和S305可以不分先后顺序,图5中以S305位于S304之后为例进行说明。
S305:云服务器向管理节点发送区域管理策略,以使管理节点按照该区域管理策略管理该管理节点所属的聚类区域内的其他视频分析设备。
当云服务器确定每个聚类区域的管理节点时,云服务器可以向每个聚类区域的管理节点发送区域管理策略,不同的聚类区域对应的区域管理策略可以相同或者不同。进而,在每个聚类区域的管理节点接收到该区域管理策略时,该管理节点可以按照该区域管理策略对该聚类区域内的其他视频分析设备进行管理,从而实现了该视频监控网络中视频分析设备的有效管理,且对于一些特殊环境或者场景技术人员无需亲自到达现场进行单独的配置和维护。
进一步地的,在上述S303中,对于M个聚类区域中的每个聚类区域,当该聚类区域内的视频分析设备具有中继AP的功能,一部分视频分析设备通过另一部分视频分析设备的中继AP功能接入该聚类区域内部署的AP时,具体可以通过以下方式来实现。
具体地,对于该聚类区域内需要接入该视频监控网络的某一视频分析设备,该视频分析设备可以获取该聚类区域内其他视频分析设备(一个或者多个)对应的网络信息。可选地,该视频分析设备也可以周期性地获取该聚类区域内其他视频分析设备对应的网络信息。其中,该网络信息可以包括设备标识、中心网络信号强度和设备网络负载,比如,获取设备6对应的网络信息为6-5-3,即获取到设备标识为6的视频分析设备对应的中心网络信号强度为5、对应的设备接入负载为3。其次,当该视频分析设备获取到其他多个视频分析设备对应的网络信息时,该视频分析设备可以根据该网络信息确定其他多个视频分析设备中每个视频分析设备的优先级。比如,根据公式(中继信号强度)*(中继处的中心信号强度)/(1+设备网络负载),这里的中继信号强度是指该视频分析设备处扫描到的中继视频分析设备的信号强度,中继处的中心信号强度是指中继视频分析设备处对应的中心信号强度,设备网络负载是指中继视频分析设备已经接入的视频分析设备的负载。最后,该视频分析设备可以选择优先级最高的视频分析设备作为中继接入点,接入该视频监控网络。
比如,如图7所示,假设设备标识为1的视频分析设备为管理节点,设备标识为25的视频分析设备需要接入视频监控网络时,可以先接入设备标识为20的中继视频分析设备,进而通过中继视频分析设备接入管理节点处的AP,以接入云数据中心网络,进而实现该视频监控网络的接入。
示例性的,在一些故障场景下(例如,台风/地震等自然灾害或施工等人为因素),会出现中心网络接入故障、视频分析设备等故障问题。此时,在聚类区域内的任意位置临时部署一个端云网络接入点,整个聚类区域内的视频分析设备可以基于本方案中的网络中继机制自动、平滑重建网络,然后实施聚类区域内的自治管理。基于此,可通过以下两点有效减少区域的平均故障恢复时间(mean time to repair,MTTR):1、通过平滑重建网络自动恢复工作正常的设备的端云连接;2、根据聚类区域内自治管理数据快速找到所有故障设备,并启动异常上报、资源调度或任务迁移,最小化业务中断。比如,图8所示,在设备标识为12的视频分析设备处临时部署一个接入点,其他视频分析设备具有中继的功能,设备标识为25的视频分析设备可以通过设备标识为20、5、6的视频分析设备接入云数据中心网络,进而接入该视频监控网络。
在本申请实施例中,通过视频分析设备通过中继接入云数据中心网络,并接入优先级最高的中继视频分析设备进行接入,可以得到网络服务质量最优的中继链路,保证了信息以最优的链路实现交互,并实现了聚类区域内网络资源的负载均衡。
上述主要从各个网元之间交互的角度对本申请实施例提供的方案进行了介绍。可以理解的是,各个网元,例如云服务器,为了实现上述功能,其包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,本申请能够以硬件、软件或硬件和机软件相结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
本申请实施例可以根据上述方法示例对云服务器进行功能模块的划分,例如,可以对应各个功能划分各个功能模块,也可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。需要说明的是,本申请实施例中对模块的划分是示意性的,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。下面以采用对应各个功能划分各个功能模块为例进行说明。
图9示出了上述实施例中所涉及的一种装置的结构示意图,该装置可以实现本申请实施例提供的方法中云服务器的功能。该装置可以为云服务器或者为可以支持云服务器实现本申请实施例中云服务器的功能的装置,例如该装置为应用于云服务器中的芯片系统。该装置包括:获取单元901、划分单元902和选择单元903。其中,获取单元901可以用于支持图9所示的装置执行上述方法实施例中的S301;划分单元902可以用于支持图9所示的装置执行上述方法实施例中的S302;选择单元903用于支持图9所示的装置执行上述方法实施例中的S303和S304。进一步地,该装置还包括:发送单元904;发送单元904用于支持图9所示的装置执行上述方法实施例中的S305。上述方法实施例涉及的各步骤的所有相关内容均可以援引到对应功能模块的功能描述,在此不再赘述。
在采用硬件实现的基础上,本申请实施例中的获取单元901、划分单元902和选择单元903可以为处理器,发送单元904可以为通信接口,具体的通信接口还可以称为收发器,收发器可以是接收器和收发器的集成。
图10所示,为本申请的实施例提供的上述实施例中所涉及的装置的一种可能的逻辑结构示意图。该装置包括:存储器1001、处理器1002、通信接口1003和总线1004,处理器1002、通信接口1003以及存储器1001通过总线1004相互连接。其中,处理器1002用于对该装置的动作进行控制管理,例如,处理器1002用于支持该装置执行上述实施例中的S301至S304,和/或用于本文所描述的技术的其他过程。通信接口1003用于支持该装置进行通信;存储器1001用于存储该装置的程序代码和数据。
其中,处理器1002可以是中央处理器单元,通用处理器,数字信号处理器,专用集成电路,现场可编程门阵列或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框,模块和电路。所述处理器也可以是实现计算功能的组合,例如包含一个或多个微处理器组合,数字信号处理器和微处理器的组合等等。总线1004可以是外设部件互连标准(PeripheralComponent Interconnect express,PCIe)总线或扩展工业标准结构(Extended IndustryStandard Architecture,EISA)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图10中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
本申请实施例还提供一种视频监控网络,该网络包括云服务器和多个视频分析设备;其中,云服务器可以为上述图9或者图10所示,云服务器用于执行上述方法实施例提供的视频分析设备的管理中云服务器的相关步骤。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于网络系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本领域普通技术人员将会理解,本申请的各个方面、或各个方面的可能实现方式可以被具体实施为计算机程序产品。计算机程序产品是指存储在计算机可读介质中的计算机可读程序代码。
计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质包括但不限于电子、磁性、光学、电磁、红外或半导体系统、设备或者装置,或者前述的任意适当组合。如计算机可读存储介质为随机存取存储器、只读存储器、可擦除可编程只读存储器或便携式只读存储器等等。
最后应说明的是:以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何在本申请揭露的技术范围内的变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (17)
1.一种视频分析设备的管理方法,其特征在于,应用于包括多个视频分析设备和云服务器的视频监控网络中,所述方法包括:
所述云服务器获取所述多个视频分析设备中每个视频分析设备的位置信息,得到多个位置数据点;
所述云服务器利用基于密度峰值快速搜索聚类CFSFDP算法将所述多个位置数据点划分为M个聚类区域,所述M为正整数;
对于所述M个聚类区域中的每个聚类区域,所述云服务器从所述聚类区域内选择中心位置数据点对应的视频分析设备作为管理节点,以使所述聚类区域内的其他位置数据点对应的视频分析设备通过所述管理节点处部署的接入点接入所述视频监控网络中。
2.根据权利要求1所述的方法,其特征在于,所述利用CFSFDP算法将所述多个位置数据点划分为M个聚类区域,包括:
确定所述多个位置数据点中每个位置数据点的局部密度和距离;
根据每个位置数据点的局部密度和距离,将所述多个位置数据点划分为M个聚类区域。
5.根据权利要求2-4任一项所述的方法,其特征在于,所述根据每个位置数据点的局部密度和距离,将所述多个位置数据点划分为M个聚类区域,包括:
从所述多个位置数据点中选择局部密度大于密度阈值、且距离大于距离阈值的W个位置数据点,W为正整数;
确定所述W个位置数据点中每个位置数据点的局部密度与距离的乘积,并选择所述乘积较大的M个位置数据点作为M个聚类区域的中心位置数据点;
对于所述多个位置数据点中除所述W个位置数据点之外的其他位置数据点,按照所述其他位置数据点分别与所述M个聚类区域的中心位置数据点之间的距离的最小值确定所属的聚类区域,以将所述多个位置数据点划分为M个聚类区域。
6.根据权利要求1-5任一项所述的方法,其特征在于,所述方法还包括:
所述云服务器向所述管理节点发送区域管理策略,以使所述管理节点按照所述区域管理策略管理所述管理节点所属的聚类区域内的其他视频分析设备。
7.根据权利要求1-6任一项所述的方法,其特征在于,所述云服务器利用CFSFDP聚类算法将所述多个位置数据点划分为M个聚类区域之后,所述方法还包括:
所述云服务器从所述聚类区域内选择局部密度仅次于所述中心位置数据点的位置数据点对应的视频分析设备作为备管理节点。
8.一种云服务器,其特征在于,应用于包括多个视频分析设备和云服务器的视频监控网络中,所述云服务器包括:
获取单元,用于获取所述多个视频分析设备中每个视频分析设备的位置信息,得到多个位置数据点;
划分单元,用于利用基于密度峰值快速搜索聚类CFSFDP算法将所述多个位置数据点划分为M个聚类区域,所述M为正整数;
选择单元,用于对于所述M个聚类区域中的每个聚类区域,从所述聚类区域内选择中心位置数据点对应的视频分析设备作为管理节点,以使所述聚类区域内的其他位置数据点对应的视频分析设备通过所述管理节点处部署的接入点接入所述视频监控网络中。
9.根据权利要求8所述的云服务器,其特征在于,所述划分单元,具体用于:
确定所述多个位置数据点中每个位置数据点的局部密度和距离;
根据每个位置数据点的局部密度和距离,将所述多个位置数据点划分为M个聚类区域。
12.根据权利要求9-11任一项所述的云服务器,其特征在于,所述划分单元,还具体用于:
从所述多个位置数据点中选择局部密度大于密度阈值、且距离大于距离阈值的W个位置数据点,W为正整数;
确定所述W个位置数据点中每个位置数据点的局部密度与距离的乘积,并选择所述乘积较大的M个位置数据点作为M个聚类区域的中心位置数据点;
对于所述多个位置数据点中除所述W个位置数据点之外的其他位置数据点,按照所述其他位置数据点分别与所述M个聚类区域的中心位置数据点之间的距离的最小值确定所属的聚类区域,以将所述多个位置数据点划分为M个聚类区域。
13.根据权利要求8-12任一项所述的云服务器,其特征在于,所述云服务器还包括:
发送单元,用于向所述管理节点发送区域管理策略,以使所述管理节点按照所述区域管理策略管理所述管理节点所属的聚类区域内的其他视频分析设备。
14.根据权利要求8-13任一项所述的云服务器,其特征在于,所述选择单元,还用于:
从所述聚类区域内选择局部密度仅次于所述中心位置数据点的位置数据点对应的视频分析设备作为备管理节点。
15.一种云服务器,其特征在于,所述云服务器包括存储器、处理器、总线和通信接口,所述存储器中存储代码和数据,所述处理器与所述存储器通过所述总线连接,所述处理器运行所述存储器中的代码使得所述云服务器执行权利要求1-7任一项所述的视频分析设备的管理方法。
16.一种可读存储介质,其特征在于,所述可读存储介质中存储有指令,当所述可读存储介质在设备上运行时,使得所述设备执行权利要求1-7任一项所述的视频分析设备的管理方法。
17.一种计算机程序产品,其特征在于,当所述计算机程序产品在计算机上运行时,使得所述计算机执行权利要求1-7任一项所述的视频分析设备的管理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811090204.3A CN110913172B (zh) | 2018-09-18 | 2018-09-18 | 一种视频分析设备的管理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811090204.3A CN110913172B (zh) | 2018-09-18 | 2018-09-18 | 一种视频分析设备的管理方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110913172A true CN110913172A (zh) | 2020-03-24 |
CN110913172B CN110913172B (zh) | 2021-07-09 |
Family
ID=69813055
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811090204.3A Active CN110913172B (zh) | 2018-09-18 | 2018-09-18 | 一种视频分析设备的管理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110913172B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111741328A (zh) * | 2020-06-18 | 2020-10-02 | 苏州科达科技股份有限公司 | 视频分析方法、电子设备、存储介质及系统 |
CN112370790A (zh) * | 2020-12-01 | 2021-02-19 | 腾讯科技(深圳)有限公司 | 游戏地图绘制方法、装置、电子设备和存储介质 |
US11799934B1 (en) | 2022-10-28 | 2023-10-24 | Genetec Inc. | Methods and systems for routing media |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103945179A (zh) * | 2014-03-20 | 2014-07-23 | 吉林大学 | 一种基于分布式无线传感器网络的智能视频监控系统 |
US20140258201A1 (en) * | 2013-03-05 | 2014-09-11 | Qualcomm Incorporated | Generating a geofence via an analysis of a gps fix utilization distribution |
CN204482045U (zh) * | 2015-04-13 | 2015-07-15 | 安徽工程大学 | 一种用于监测电力设备的无线网络结构 |
CN106027648A (zh) * | 2016-05-20 | 2016-10-12 | 天津恒威先创科技发展有限公司 | 一种基于电影院观众人数管理系统的检票方法及检票系统 |
CN108495283A (zh) * | 2018-03-20 | 2018-09-04 | 梧州井儿铺贸易有限公司 | 一种农产品储运环境智能监控系统 |
-
2018
- 2018-09-18 CN CN201811090204.3A patent/CN110913172B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140258201A1 (en) * | 2013-03-05 | 2014-09-11 | Qualcomm Incorporated | Generating a geofence via an analysis of a gps fix utilization distribution |
CN103945179A (zh) * | 2014-03-20 | 2014-07-23 | 吉林大学 | 一种基于分布式无线传感器网络的智能视频监控系统 |
CN204482045U (zh) * | 2015-04-13 | 2015-07-15 | 安徽工程大学 | 一种用于监测电力设备的无线网络结构 |
CN106027648A (zh) * | 2016-05-20 | 2016-10-12 | 天津恒威先创科技发展有限公司 | 一种基于电影院观众人数管理系统的检票方法及检票系统 |
CN108495283A (zh) * | 2018-03-20 | 2018-09-04 | 梧州井儿铺贸易有限公司 | 一种农产品储运环境智能监控系统 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111741328A (zh) * | 2020-06-18 | 2020-10-02 | 苏州科达科技股份有限公司 | 视频分析方法、电子设备、存储介质及系统 |
CN111741328B (zh) * | 2020-06-18 | 2022-06-07 | 苏州科达科技股份有限公司 | 视频分析方法、电子设备、存储介质及系统 |
CN112370790A (zh) * | 2020-12-01 | 2021-02-19 | 腾讯科技(深圳)有限公司 | 游戏地图绘制方法、装置、电子设备和存储介质 |
US11799934B1 (en) | 2022-10-28 | 2023-10-24 | Genetec Inc. | Methods and systems for routing media |
Also Published As
Publication number | Publication date |
---|---|
CN110913172B (zh) | 2021-07-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Huh et al. | Understanding edge computing: Engineering evolution with artificial intelligence | |
Sapienza et al. | Solving critical events through mobile edge computing: An approach for smart cities | |
CN110913172B (zh) | 一种视频分析设备的管理方法及装置 | |
US10404616B2 (en) | Virtual resource automatic selection system and method | |
CN111132190A (zh) | 基站负荷预警方法、装置 | |
Abu-Elkheir et al. | Enhancing emergency response systems through leveraging crowdsensing and heterogeneous data | |
To et al. | Effectively crowdsourcing the acquisition and analysis of visual data for disaster response | |
Munishwar et al. | Scalable target coverage in smart camera networks | |
CN109802986B (zh) | 设备管理方法、系统、装置及服务器 | |
CN113259451B (zh) | 一种面向大规模监控节点智能分析的集群处理架构和方法 | |
Narang et al. | A cyber physical buses-and-drones mobile edge infrastructure for large scale disaster emergency communications | |
Kalinin et al. | Security evaluation of a wireless ad-hoc network with dynamic topology | |
Nanda et al. | Emergency management systems using mobile cloud computing: A survey | |
Al-Dulaimy et al. | Introduction to edge computing | |
CN113727399B (zh) | 一种目标小区确定方法及装置 | |
Machida et al. | PA-Offload: performability-aware adaptive fog offloading for drone image processing | |
Jang et al. | A mobile ad hoc cloud for automated video surveillance system | |
US10805829B2 (en) | BLE-based location services in high density deployments | |
CN114979148B (zh) | 数据传输方法、装置及计算机可读存储介质 | |
Eriksson et al. | Radio and computational resource management for fog computing enabled wireless camera networks | |
Amiri et al. | Collaborative routing and camera selection for visual wireless sensor networks | |
Gupta et al. | Fog computing& IoT: Overview, architecture and applications | |
CN114157833A (zh) | 一种智慧城市的监控数据传输方法及系统 | |
CN114140711A (zh) | 一种智慧城市的监控数据筛选方法 | |
Makhoul et al. | Adaptive scheduling of wireless video sensor nodes for surveillance applications |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |