CN112416561A - 一种面向目标计数任务场景的资源动态调度与管理方法 - Google Patents

Abstract

一种面向目标计数任务场景的资源动态调度与管理方法，包括以下步骤：在目标计数任务场景中，将计数时间周期规划为数个计数窗口，利用探针策略以较少的能耗代价预测计数窗口内的目标数量特征，并选择合适的图像帧采样策略与神经网络计数器的神经元层数，使得物联网摄像头系统能够在预定能耗内获得具有最窄置信区间宽度的计数结果；从而使此物联网摄像头系统更好地完成计数任务，达到预定的设计要求，且具有节省能量、计数精度高的特点。

Description

一种面向目标计数任务场景的资源动态调度与管理方法

技术领域

本发明属于移动平台能耗优化领域，具体涉及一种面向目标计数任务场景的资源动态调度与管理方法。用于无线缆的物联网摄像头系统在目标计数任务场景下的资源动态调度与管理。

背景技术

随着无线通信技术的发展，以及网络基础设施建设的不断完善，物联网(Internetof Things，IoT)技术在日常生活中的方方面面有着日趋重要的应用。而物联网摄像头作为物联网技术应用最广泛的技术之一，其应用场景多种多样，例如：视频监控、交通路口信息采集、车牌识别、人脸识别等。且物联网摄像头具有明显的成本优势：仅需百余元的成本便能每天采集约16GB的视频数据。然而，物联网摄像头的发展同样具有两个较大的阻碍：其一是对线缆的需求，尤其是对提供电力、支持系统运行的电源线缆的需求，因此，其安装的位置将受到较大的限制；其二是隐私问题，由于物联网摄像头传统的工作流程是采集视频，并将采集到的视频数据上传，由于视频的存储、处理工作完全交给了云端计算机，而云端计算机对视频数据的使用不受任何限制和监督，因此物联网摄像头完全无法保证其上传的视频数据不会造成隐私问题。

基于上述的两个问题，物联网摄像头的发展呈现了两个重要趋势：其一是能源独立化，具有能源独立化特征的物联网摄像头被设计为无需外接线缆就能够连续工作数月乃至数年的系统。目前，领域内主要的企业，例如网件，已经推出了此类产品。这类系统往往具有电池和太阳能电池板，能够在不更换电池的情况下长时间连续运行，且能够方便地安装在任何需要的位置。其二是计算独立化，不同于传统的物联网摄像头，具有计算独立化特征的摄像头能够将计算任务在本地处理，并将计算结果上传至云端服务器，由此杜绝了发生隐私问题的可能。

尽管能源独立化与计算独立化能够解决线缆对安装位置的限制和对隐私安全的顾虑，但这些特征同样为系统带来了一些取舍上的问题：无线缆的物联网摄像头系统需要有计划地管理能源的消耗，系统需要依据电池电量状态与太阳能电池板收集的能量来计划自己的能量消耗，使得系统能够在实现能量动态平衡的同时完成计算任务。理想情况下，系统应在满足长时间运行要求的同时，尽可能高质量地完成计算任务。显然地，物联网摄像头系统长时间运行的重要条件是：系统运行的平均功耗约等于、或略微大于系统运行时，太阳能电池板收集的能量。考虑一个典型的场景，即一块尺寸为11.5寸*6寸的太阳能电池板，能够每日收集约10Wh的能量，而以1FPS的频率进行目标检测的计算任务耗能约为每日330Wh，即电池板仅能提供约3％的能耗。受限于此条件，即有限的能量，系统所能执行的计算任务是受限的，若实时采集视频数据并以原始大小上传，或是执行高频率的目标检测任务，物联网摄像头甚至只能连续工作数个小时，这显然是不符合系统设计要求的。

考虑到计算任务的受限状况，本发明选取了一种任务场景：基于无线缆的物联网摄像头系统的目标计数任务。此类任务的基本方法是，无线缆的物联网摄像头采集图像数据，随后计算任务将在物联网摄像头系统上执行，物联网摄像头采集图像数据后将直接在本地执行计算任务，得到计数结果，并将计数结果上传至云计算机。此类任务在一些领域中有着重要的应用，例如：统计某交通路口的车流量，统计某商场的人流量，统计野生动物的数量，统计商店内的货品数量等。其中，计数程序往往是神经网络计数器(neural netsobject counters，NN object counters)。随着目前深度学习的发展，出现了许多具有低功耗与高准确率的神经网络计数器，能够较好地完成此任务，同时，针对系统对低能耗的需求，本发明考虑利用削减神经元层数的方法，以达到更低的能耗，尽管这种方法可能会使计数准确率有所损失，但权衡合适的使用情形能够更好地完成计数任务。

可以注意到，对比传统的物联网摄像头，目标计数任务场景下的无线缆物联网摄像头系统的能量分配有着明显区别：系统无需实时高频地采集视频数据，也无需通过无线网络上传大量的视频数据，因此这两部分的能耗将显著降低，但同时，系统需要在本地执行目标计数的计算任务，这是因计算独立化而引入的新的能耗部分，最为重要的是，由于能源独立化的特征，系统需要对能耗进行管理，而是否能合理地管理能耗关系到系统能否长时间运行计算任务、能否达到设计要求。

发明内容

为克服上述现有技术的不足，本发明的目的在于提出了一种面向目标计数任务场景的资源动态调度与管理方法，针对无线缆的物联网摄像头系统，此方法面向具有能源独立化与计算独立化特征的物联网摄像头系统，基于目标计数任务的场景，旨在提供一种资源动态调度与管理方法，使此类物联网摄像头系统能够长时间运行的同时，将能源最佳分配，使得物联网摄像头系统能够以理想的质量完成计算任务；具有节省能量、计数精度高的特点。

为实现上述目的，本发明采用的技术方案是：

一种面向目标计数任务场景的资源动态调度与管理方法，在目标计数任务场景中，将计数时间周期规划为数个计数窗口，利用合适的算法使得物联网摄像头系统能够在预定能耗内获得具有最窄置信区间宽度的计数结果；其特征在于，包括以下步骤：

步骤S1，设定查询参数，包括计数周期时长、查询目标类别、计数窗口时长以及计划消耗的能量，随后物联网摄像头系统执行步骤S2；

步骤S2，物联网摄像头系统依据设定参数，在每个计数窗口执行预定的程序，预估本窗口计数目标的数量特征，根据窗口内计数目标的数量特征预测窗口的能量分配，权衡能耗与计数准确率，选择能够在窗口计划预测分配能量内获得最窄置信区间宽度的神经网络计数器神经元层数，并根据预测分配能量、计数器处理图像帧能耗和采集图像帧的能耗计算本窗口需要采集图像帧的数量，并按照计算结果以均匀时间间隔采集图像帧，重复运行直到一个计数周期结束；

步骤S3，在一个完整的计数周期结束后，物联网摄像头系统以实现最窄的置信区间为目标，分配能量至每一个计数窗口，分配完毕后，物联网摄像头系统执行计数程序，以计数窗口为单位获得整个计数周期的计数结果；

步骤S4，根据步骤S3完成一个完整的计数周期后，物联网摄像头系统依据计数结果和能量分配更新神经网络模型，以期望在以后的计数获得更准确的计数效果，随后物联网摄像头系统继续执行相同的计数任务，直到接受新的用户查询请求。

所述步骤S1中，物联网摄像头系统在限定能耗下取得最好的计数准确度，即最窄的置信区间宽度，默认情况下，限制能耗为30Wh每天，且计数周期时长为24H，置信区间结果对应概率为95％。

所述步骤S2又包括以下步骤：

步骤S21，物联网摄像头系统在每个计数窗口的开始，将会处理少量上一个窗口采集到的图像帧，即探针策略，以获得最近一段时间计数目标的数量特征，接着依据最近的计数窗口以及前一天相同时间的计数目标数量特征，预估本窗口内计数目标的数量特征，数量特征包括数次图像帧处理结果的计数目标平均值与标准差，记作

记某计数窗口的前一个计数窗口的数量特征为

某计数窗口的同一时间段的前一天的计数窗口的数量特征为

估计本窗口内计数目标的数量特征为：

步骤S22，物联网摄像头系统根据预估的计数目标的数量特征，利用Deep Q-Learning算法，以计数周期的能量限制、预测的计数窗口数量特征为输入，预测本窗口的能量分配；

步骤S23，确定能量分配后，结合预估的数量特征，以预先实验结果表格为依据，选择合适的神经网络计数器的神经元层数；再依据计数器的能耗与捕获帧能耗，计算本窗口应该捕获的图像帧数；在同样的限制条件和数量特征下，根据不同神经元层数的能耗和性能，能够确定唯一的最佳计数器c；应当捕获的图像帧数可由以下计算得出：

其中E为本窗口预测的能量消耗，e(c)为计数器c处理一个图像帧所消耗能量的平均值，e(capture)为物联网摄像头系统捕获一个图像帧所消耗能量的平均值，n为预测需要捕获的图像帧的数量；

步骤S24，物联网摄像头系统将按照S23步骤中确定的捕获图像帧数，在计数窗口的剩余时间中，间歇唤醒并捕获图像帧。

所述步骤S3包括以下步骤：

步骤S31，在一个计数周期的结尾，物联网摄像头系统完成所有计数窗口的工作，并考虑将能量分配至每个计数窗口，以进行图像帧的计数；分配能量的方法是，首先汇总步骤S22的预测能量分配结果，若预测能量总和高于计划消耗的能量，则执行归一化能量分配，归一化的具体执行方法为：

其中e_i为第i个窗口被分配的能量，

为第i个窗口被预测分配的能量，

为第i个窗口分配能量的归一化结果，e为系统参数设定的一个计数周期的能量消耗；若预测能量总和等于计划消耗的能量，则直接按照预测能量分配；若预测能量总和小于计划消耗的能量，则将剩余的能量以1kj为单位，与步骤S23同样以限制条件和预估数量特征为依据，找出所有计数窗口中，多分配1kj能量后，置信区间宽度减少最多的窗口，将1kj能量分配至此窗口；

步骤S32，重复步骤S31，同时，若某窗口分配能量已满足其所有捕获的图像帧都被处理，便不再考虑向此窗口分配更多能量；根据物联网摄像头系统参数的能量限制，待所有能量分配完成后，计算各个窗口需要处理的图像帧的数量；

步骤S33，在每个计数窗口以步骤S32确定的处理图像帧数量及步骤S23确定的计数器，执行计数程序；计数结果将以计数窗口为单位，返回一系列计数结果，计数结果是一个满足步骤S1查询参数的类别的，带有置信区间的结果。

所述的步骤S4包括以下步骤：

步骤S41，完成步骤S3后，根据计数结果，更新每个窗口的计数目标的数量特征；

步骤S42，完成步骤S3后，根据能量分配结果，更新每个窗口的能量分配数据；

步骤S43，完成步骤S41和步骤S42后，物联网摄像头系统将每个窗口的计数目标的数量特征与能量分配数据作为训练数据，更新Deep Q-Learning神经网络模型，以便在今后更准确地分配能量。

本发明的有益效果是：

本发明针对能量分配的难题，采用了以下方法：首先将一个完整的长时间的计数周期(例如24H)划分为较短时间的计数窗口(例如30min)，在每个计数窗口的开始利用探针策略估测本窗口计数目标的数量特征，依据预先获得的实验数据表格，选取合适的计数器神经元层数。随后利用预训练的Deep Q-learning(DQN)神经网络，预测本窗口的能量分配，再根据剩余能量除以采样与计数单个图像帧的能耗，预估本窗口需要采集的图像帧数。在一个计数周期的末尾，物联网摄像头系统将汇总能量分配的总和，若预测的能量分配超过计划能量，则执行归一化。当能量分配预测总和低于计划能量，再将剩余能量以1kj为单位，逐单位分配能量至能够最大收窄置信区间的计数窗口，直到能量分配完成。物联网摄像头系统执行整个计数周期的计数任务，逐窗口地输出带有置信区间的计数结果。最后，根据最终能量分配的结果，以及计数器计数的结果，更新DQN神经网络模型，期望能够输出更准确的结果。具体优点如下：

首先，本发明着眼于无线缆的物联网摄像头系统，能够在仅有电池和太阳能电池板的情形下，在目标计数任务的场景下长时间工作，达到预定的设计要求。

其次，本发明不仅能够实现节省能量，还兼顾了目标计数任务的质量，达到较好的计数精度和效果。

最后，本发明能够在每次计数周期结束后，更新数据记录和模型，为未来的计数能量分配提高准确度，以达到更好的适应性和计数效果。

附图说明

图1为本发明的工作流程示意图。

图2为本发明的请求与返回结果示意图。

图3为本发明的探针策略示意图。

图4为本发明的更新数据模型示意图。

具体实施方式

下面结合附图对本发明的作进一步的详细说明，但是本发明不局限于以下实施例。

如图1所示的本发明的工作流程示意图，在目标计数任务场景中，本发明将计数周期规划为数个计数窗口，利用探针策略以较少的能耗代价预测计数窗口内的目标数量特征，并选择合适的图像帧采样策略与神经网络计数器的神经元层数，在整个计数周期的末尾，物联网摄像头系统将决定整体的能量分配并执行计数程序，得到计数结果。随后物联网摄像头系统将使用更新的数据训练DQN模型，以提高预测的准确度。

如图2所示的本发明的请求与返回结果示意图，物联网摄像头系统接收包括计数周期时长、查询目标类别、计数窗口时长以及计划消耗的能量的参数，并在一个计数周期结束后，返回本周期内各个计数窗口的带有置信区间的计数结果。

如图3所示的本发明的探针策略示意图，探针估测本窗口计数目标的数量特征，结合系统参数的能量限制，选取合适的计数器神经元层数。随后利用预训练的Deep Q-learning(DQN)神经网络，预测本窗口的能量分配，再根据剩余能量除以采样与计数单个图像帧的能耗，预估本窗口需要采集的图像帧数。

如图4所示的本发明的更新数据模型示意图，在计数周期的末尾，物联网摄像头系统将使用最终的计数结果与能量分配结果更新数据，训练DQN模型，以提高模型预测准确度。

参照图1～图4，一种面向目标计数任务场景的资源动态调度与管理方法，在目标计数任务场景中，将计数时间周期规划为数个计数窗口，利用合适的算法使得系统能够达到在预定能耗内获得最佳的置信区间宽度，具体包括以下步骤：

步骤S1，在物联网摄像头系统中设定查询参数，包括计数周期时长、查询目标类别、计数窗口时长以及计划消耗的能量，随后系统执行步骤S2；

步骤S2，物联网摄像头系统依据设定参数，在每个计数窗口执行预定的程序，预估本窗口计数目标的数量特征，根据窗口内计数目标的数量特征预测窗口的能量分配，权衡能耗与计数准确率，选择能够在窗口计划预测分配能量内获得最窄置信区间宽度的神经网络计数器神经元层数，并根据预测分配能量、计数器处理图像帧能耗和采集图像帧的能耗计算本窗口需要采集图像帧的数量，并按照计算结果以均匀时间间隔采集图像帧，重复运行直到一个计数周期结束；

步骤S3，在一个完整的计数周期结束后，物联网摄像头系统将以实现最窄的置信区间为目标，分配能量至每一个计数窗口，分配完毕后，物联网摄像头系统将执行计数程序，以计数窗口为单位获得整个计数周期的计数结果；

步骤S4，根据步骤S3完成一个完整的计数周期后，物联网摄像头系统将依据计数结果和能量分配更新神经网络模型，以期望在以后的计数获得更准确的计数效果，随后系统将继续执行相同的计数任务，直到接受新的用户查询请求；

步骤S1中，物联网摄像头系统在限定能耗下取得最好的计数准确度，即最窄的置信区间宽度，默认情况下，限制能耗为30Wh每天，且计数周期时长为24H，置信区间结果对应概率为95％。

所述步骤S2又包括以下步骤：

步骤S21，物联网摄像头系统在每个计数窗口的开始，将会处理少量上一个窗口采集到的图像帧，即探针策略，以获得最近一段时间计数目标的数量特征，接着依据最近的计数窗口以及前一天相同时间的计数目标数量特征，预估本窗口内计数目标的数量特征。数量特征包括数次图像帧处理结果的计数目标平均值与标准差，记作

记某计数窗口的前一个计数窗口的数量特征为

某计数窗口的同一时间段的前一天的计数窗口的数量特征为

估计本窗口内计数目标的数量特征为：

S＝mean(0.9S_i+0.1S_j)；

步骤S22，物联网摄像头系统根据预估的计数目标的数量特征，利用Deep Q-Learning算法，以计数周期的能量限制、预测的计数窗口数量特征为输入，预测本窗口的能量分配；

步骤S23，确定能量分配后，结合预估的数量特征，以预先实验结果表格为依据，选择合适的神经网络计数器的神经元层数；再依据计数器的能耗与捕获帧能耗，计算本窗口应该捕获的图像帧数；在同样的限制条件和数量特征下，根据不同神经元层数的能耗和性能，能够确定唯一的最佳计数器c；应当捕获的图像帧数可由以下计算得出：

其中E为本窗口预测的能量消耗，e(c)为计数器c处理一个图像帧所消耗能量的平均值，e(capture)为物联网摄像头系统捕获一个图像帧所消耗能量的平均值，n为预测需要捕获的图像帧的数量；

步骤S24，系统将按照S23步骤中确定的捕获图像帧数，在计数窗口的剩余时间中，间歇唤醒并捕获图像帧。

所述步骤S3包括以下步骤：

步骤S31，在一个计数周期的结尾，物联网摄像头系统完成所有计数窗口的工作，并考虑将能量分配至每个计数窗口，以进行图像帧的计数。分配能量的方法是，首先汇总步骤S22的预测能量分配结果，若预测能量总和高于计划消耗的能量，则执行归一化能量分配，归一化的具体执行方法为：

其中e_i为第i个窗口被分配的能量，

为第i个窗口被预测分配的能量，

为第i个窗口分配能量的归一化结果，e为系统参数设定的一个计数周期的能量消耗；若预测能量总和等于计划消耗的能量，则直接按照预测能量分配；若预测能量总和小于计划消耗的能量，则将剩余的能量以1kj为单位，与步骤S23同样以限制条件和预估数量特征为依据，找出所有计数窗口中，多分配1kj能量后，置信区间宽度减少最多的窗口，将1kj能量分配至此窗口；

步骤S32，重复步骤S31，同时，若某窗口分配能量已满足其所有捕获的图像帧都被处理，便不再考虑向此窗口分配更多能量。根据系统参数的能量限制，待所有能量分配完成后，计算各个窗口需要处理的图像帧的数量；

步骤S33，在每个计数窗口以步骤S32确定的处理图像帧数量及步骤S23确定的计数器，执行计数程序；计数结果将以计数窗口为单位，返回一系列计数结果，计数结果是一个满足步骤S1查询参数的类别的，带有置信区间的结果。

所述的步骤S4包括以下步骤：

步骤S41，完成步骤S3后，根据计数结果，更新每个窗口的计数目标的数量特征；

步骤S42，完成步骤S3后，根据能量分配结果，更新每个窗口的能量分配数据；

步骤S43，完成步骤S41和步骤S42后，物联网摄像头系统将每个窗口的计数目标的数量特征与能量分配数据作为训练数据，更新Deep Q-Learning神经网络模型，以便在今后更准确地分配能量。

Claims (5)

1.一种面向目标计数任务场景的资源动态调度与管理方法，其特征在于，包括以下步骤：

步骤S1，在物联网摄像头系统中设定查询参数，包括计数周期时长、查询目标类别、计数窗口时长以及计划消耗的能量，随后系统执行步骤S2；

步骤S2，物联网摄像头系统依据设定参数，在每个计数窗口执行预定的程序，预估本窗口计数目标的数量特征，根据窗口内计数目标的数量特征预测窗口的能量分配，权衡能耗与计数准确率，选择能够在窗口计划预测分配能量内获得最窄置信区间宽度的神经网络计数器神经元层数，并根据预测分配能量、计数器处理图像帧能耗和采集图像帧的能耗计算本窗口需要采集图像帧的数量，并按照计算结果以均匀时间间隔采集图像帧，重复运行直到一个计数周期结束；

步骤S3，在一个完整的计数周期结束后，物联网摄像头系统以实现最窄的置信区间为目标，分配能量至每一个计数窗口，分配完毕后，物联网摄像头系统执行计数程序，以计数窗口为单位获得整个计数周期的计数结果；

步骤S4，根据步骤S3完成一个完整的计数周期后，物联网摄像头系统依据计数结果和能量分配更新神经网络模型，以期望在以后的计数获得更准确的计数效果，随后系统继续执行相同的计数任务，直到接受新的用户查询请求。

2.根据权利要求1所述的一种面向目标计数任务场景的资源动态调度与管理方法，其特征在于，所述步骤S1中，物联网摄像头系统在限定能耗下取得最好的计数准确度，即最窄的置信区间宽度，默认情况下，限制能耗为30Wh每天，且计数周期时长为24H，置信区间结果对应概率为95％。

3.根据权利要求1所述的一种面向目标计数任务场景的资源动态调度与管理方法，其特征在于，所述步骤S2又包括以下步骤：

步骤S21，物联网摄像头系统在每个计数窗口的开始，将会处理少量上一个窗口采集到的图像帧，即探针策略，以获得最近一段时间计数目标的数量特征，接着依据最近的计数窗口以及前一天相同时间的计数目标数量特征，预估本窗口内计数目标的数量特征，数量特征包括数次图像帧处理结果的计数目标平均值与标准差，记作

记某计数窗口的前一个计数窗口的数量特征为

某计数窗口的同一时间段的前一天的计数窗口的数量特征为

估计本窗口内计数目标的数量特征为：

S＝mean(0.9S_i+0.1S_j)；

步骤S22，物联网摄像头系统根据预估的计数目标的数量特征，利用Deep Q-Learning算法，以计数周期的能量限制、预测的计数窗口数量特征为输入，预测本窗口的能量分配；

步骤S23，确定能量分配后，结合预估的数量特征，以预先实验结果表格为依据，选择合适的神经网络计数器的神经元层数；再依据计数器的能耗与捕获帧能耗，计算本窗口应该捕获的图像帧数；在同样的限制条件和数量特征下，根据不同神经元层数的能耗和性能，能够确定唯一的最佳计数器c；应当捕获的图像帧数可由以下计算得出：

其中E为本窗口预测的能量消耗，e(c)为计数器c处理一个图像帧所消耗能量的平均值，e(capture)为物联网摄像头系统捕获一个图像帧所消耗能量的平均值，n为预测需要捕获的图像帧的数量；

步骤S24，物联网摄像头系统将按照S23步骤中确定的捕获图像帧数，在计数窗口的剩余时间中，间歇唤醒并捕获图像帧。

4.根据权利要求1所述的一种面向目标计数任务场景的资源动态调度与管理方法，其特征在于，所述步骤S3包括以下步骤：

步骤S31，在一个计数周期的结尾，物联网摄像头系统完成所有计数窗口的工作，并考虑将能量分配至每个计数窗口，以进行图像帧的计数；分配能量的方法是，首先汇总步骤S22的预测能量分配结果，若预测能量总和高于计划消耗的能量，则执行归一化能量分配，归一化的具体执行方法为：

其中e_i为第i个窗口被分配的能量，

为第i个窗口被预测分配的能量，

为第i个窗口分配能量的归一化结果，e为系统参数设定的一个计数周期的能量消耗；若预测能量总和等于计划消耗的能量，则直接按照预测能量分配；若预测能量总和小于计划消耗的能量，则将剩余的能量以1kj为单位，与步骤S23同样以限制条件和预估数量特征为依据，找出所有计数窗口中，多分配1kj能量后，置信区间宽度减少最多的窗口，将1kj能量分配至此窗口；

步骤S32，重复步骤S31，同时，若某窗口分配能量已满足其所有捕获的图像帧都被处理，便不再考虑向此窗口分配更多能量；根据系统参数的能量限制，待所有能量分配完成后，计算各个窗口需要处理的图像帧的数量；

步骤S33，在每个计数窗口以步骤S32确定的处理图像帧数量及步骤S23确定的计数器，执行计数程序；计数结果将以计数窗口为单位，返回一系列计数结果，计数结果是一个满足步骤S1查询参数的类别的，带有置信区间的结果。

5.根据权利要求1所述的一种面向目标计数任务场景的资源动态调度与管理方法，其特征在于，所述的步骤S4包括以下步骤：

步骤S41，完成步骤S3后，根据计数结果，更新每个窗口的计数目标的数量特征；

步骤S42，完成步骤S3后，根据能量分配结果，更新每个窗口的能量分配数据；

步骤S43，完成步骤S41和步骤S42后，物联网摄像头系统将每个窗口的计数目标的数量特征与能量分配数据作为训练数据，更新Deep Q-Learning神经网络模型，以便在今后更准确地分配能量。

Images