CN112954269B - 一种用于大规模视觉计算系统的节点协同选择方法 - Google Patents
一种用于大规模视觉计算系统的节点协同选择方法 Download PDFInfo
- Publication number
- CN112954269B CN112954269B CN202110022791.8A CN202110022791A CN112954269B CN 112954269 B CN112954269 B CN 112954269B CN 202110022791 A CN202110022791 A CN 202110022791A CN 112954269 B CN112954269 B CN 112954269B
- Authority
- CN
- China
- Prior art keywords
- end node
- node
- tracked
- target
- nodes
- 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.)
- Active
Links
- 230000000007 visual effect Effects 0.000 title claims abstract description 27
- 238000010187 selection method Methods 0.000 title claims abstract description 25
- 238000000034 method Methods 0.000 claims abstract description 54
- 239000013598 vector Substances 0.000 claims description 113
- 238000012216 screening Methods 0.000 claims description 87
- 230000005540 biological transmission Effects 0.000 claims description 36
- 230000003287 optical effect Effects 0.000 claims description 32
- 239000011159 matrix material Substances 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 11
- 230000033001 locomotion Effects 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 44
- 239000000463 material Substances 0.000 abstract description 6
- 230000006870 function Effects 0.000 description 24
- 238000006243 chemical reaction Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 241000287196 Asthenes Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/60—Control of cameras or camera modules
- H04N23/61—Control of cameras or camera modules based on recognised objects
- H04N23/611—Control of cameras or camera modules based on recognised objects where the recognised objects include parts of the human body
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Closed-Circuit Television Systems (AREA)
Abstract
本发明公开了一种用于大规模视觉计算系统的节点协同选择方法,在边缘节点的可用带宽和可用存储资源有限的情况下,利用已有的海量前端节点重构一个实现尽可能大范围的区域覆盖和更高的系统效能的视频监控系统,将冗余部署的前端节点剔除以后,再在重构的视频监控系统包含的前端节点中,根据待追踪目标的空间信息及其与前端节点之间的空间相对关系自动查找并选择可能拍摄到待追踪目标的前端节点,将筛选出的前端节点作为有效前端节点,再根据查找到的有效前端节点进行目标追踪任务。解决了现有技术中进行目标追踪任务时需要对系统中的每个前端节点拍摄的视频进行处理和检索,导致消耗大量人力物力的问题。
Description
技术领域
本发明涉及节点协同选择领域,尤其涉及的是一种用于大规模视觉计算系统的节点 协同选择方法。
背景技术
目前,大、中城市中已经部署了大量摄像头,规模在数十万级到百万级,用于安防、交通、警务、城管等众多行业中。由于视频监控系统通常含有海量的前端节点(即前端 摄像头),因此不可避免会出现冗余部署的前端节点,此外在进行目标追踪任务时还需 要对每个前端节点拍摄的视频进行处理和检索,由于目标只会在单个摄像头视角内或者 少数几个摄像头视角内出现,因此导致产生大量无效工作,消耗大量人力物力。
因此,现有技术还有待改进和发展。
发明内容
本发明要解决的技术问题在于,针对现有技术的上述缺陷,提供一种用于大规模视 觉计算系统的节点协同选择方法,旨在解决现有技术中视频监控系统含有冗余部署的前 端节点以及在进行目标追踪任务时需要对每个前端节点拍摄的视频进行处理和检索,导 致产生大量无效工作,消耗大量人力物力的问题。
本发明解决问题所采用的技术方案如下:
第一方面,本发明实施例提供一种用于大规模视觉计算系统的节点协同选择方法, 其中,所述方法包括:
建立边缘可用带宽约束关系、边缘可用存储约束关系、系统覆盖性约束关系以及系 统总效用函数;
将满足所述边缘可用带宽约束关系、所述边缘可用存储约束关系以及所述系统覆盖 性约束关系时,且所述系统总效用函数的数值最大的情况下的前端节点的集合作为最优 协同节点集,将所述最优协同节点集内的前端节点作为系统前端节点;
获取待追踪目标的空间信息、所述系统前端节点的空间信息和技术参数,根据所述 待追踪目标的空间信息、所述系统前端节点的空间信息和技术参数按照筛选方法对所述 系统前端节点进行筛选,将筛选出的系统前端节点作为有效前端节点。
在一种实施方式中,所述建立边缘可用带宽约束关系、边缘可用存储约束关系、系统覆盖性约束关系以及系统总效用函数包括:
获取直接与前端节点相连的每一个边缘节点的视频传输可用带宽数据以及隶属于 所述每一个边缘节点的前端节点的数量;
获取所述前端节点的视频传输码率;
根据所述每一个边缘节点的视频传输可用带宽数据、所述隶属于所述每一个边缘节 点的前端节点的数量、所述前端节点的视频传输码率以及所述前端节点的启用标志,建立边缘可用带宽约束关系;
获取所述每一个边缘节点的可用存储资源数据;
获取所有视频数据的存储期限,对所述存储期限、所述视频传输码率、所述可用存储资源数据进行单位统一操作,得到标准存储期限、标准视频传输码率、标准可用存储 资源数据;
根据所述前端节点的视频传输码率、所述前端节点的启用标志、所述标准存储期限、 所述每一个边缘节点的标准可用存储资源数据建立边缘可用存储约束关系;
建立系统覆盖性约束关系;
建立系统总效用函数。
在一种实施方式中,所述建立系统覆盖性约束关系包括:
获取预设的覆盖范围数据以及地理信息数据,根据所述预设的覆盖范围数据以及所 述地理信息数据生成若干个离散覆盖区域;
获取所述若干个离散覆盖区域的经度和纬度数据,根据经度和纬度数据筛选出所述 离散覆盖区域中的经度最大值、纬度最大值、经度最小值和纬度最小值;
根据所述经度最大值、所述纬度最大值、所述经度最小值和所述纬度最小值,建立连续区域;
将所述连续区域进行切分,并对切分后得到的网格根据第一标识或者第二标识进行 标记,标记完毕后根据所述第一标识以及所述第二标识,生成系统覆盖区域掩膜;
获取所有备用前端节点的节点覆盖区域掩膜;
获取覆盖率参数;
基于所述系统覆盖区域掩膜、所述所有备用前端节点的节点覆盖区域掩膜以及所述 覆盖率参数建立系统覆盖性约束关系。
在一种实施方式中,所述将所述连续区域进行切分,并对切分后得到的网格根据第 一标识或者第二标识进行标记,标记完毕后根据所述第一标识以及所述第二标识,生成系统覆盖区域掩膜包括:
对所述连续区域进行网格化离散处理,将所述连续区域切分成若干个第一网格;
获取所述第一网格的中心点的位置信息;
当所述第一网格的中心点的位置信息位于所述若干个离散覆盖区域其中一个之内 时,根据第一标识标记所述第一网格;
当所述第一网格的中心点的位置信息位于所述若干个离散覆盖区域之外时,根据第 二标识标记所述第一网格;
根据所有第一网格标记的第一标识、第二标识,生成以矩阵形式表达的系统覆盖区 域掩膜。
在一种实施方式中,所述获取所有备用前端节点的节点覆盖区域掩膜包括:
获取所有前端节点的位置信息,将所有前端节点的位置信息与所述连续区域进行匹 配,当所述前端节点的位置信息位于所述连续区域之内时,将所述前端节点作为备用前端节点,得到备用前端节点集合;
获取每一个备用前端节点的覆盖范围信息;
分别将每一个备用前端节点的覆盖范围信息与所有第一网格的网格中心点进行匹 配,根据匹配结果将网格中心点位于所述备用前端节点的覆盖范围之内的第一网格通过 第一标记进行标识,将网格中心点位于所述备用前端节点的覆盖范围之外的第一网格通 过第二标记进行标识,标识完毕以后根据所述第一标记以及所述第二标记生成以矩阵形 式表达的每一个备用前端节点的节点覆盖区域掩膜,以实现获取所有备用前端节点的节 点覆盖区域掩膜。
在一种实施方式中,所述建立系统总效用函数包括:
获取所述前端节点的处理数据时长以及采集数据时长,将所述处理数据时长与所述 采集数据时长的比值作为所述前端节点的使用率指标;
获取所述前端节点的使用寿命年限与实际已使用年限,将所述实际已使用年限与所 述使用寿命年限的比值与1的差值的绝对值作为所述前端节点的易用性指标;
获取预先设定的所述前端节点的重要度指标;
将所述使用率指标、所述易用性指标以及所述重要度指标根据对应的加权系数进行 加权融合,得到所述前端节点的总效用函数;
根据所有前端节点的总效用函数和所有前端节点对应的启用标志,建立系统总效用 函数。
在一种实施方式中,所述获取待追踪目标的空间信息、所述系统前端节点的空间信 息和技术参数,根据所述待追踪目标的空间信息、所述系统前端节点的空间信息和技术参数按照筛选方法对所述系统前端节点进行筛选,将筛选出的系统前端节点作为有效前端节点包括:
获取待追踪目标的空间信息,根据所述待追踪目标的空间信息确定所述待追踪目标 所在的最小行政区域;所述待追踪目标的空间信息包括位置信息、姿态信息和运动信息;
获取所述最小行政区域的位置信息,根据所述最小行政区域的位置信息将位于所述 最小行政区域之内的系统前端节点作为初筛前端节点;
获取所述初筛前端节点的空间信息,所述初筛前端节点的空间信息包括位置信息和 姿态信息;
根据所述待追踪目标的空间信息、所述初筛前端节点的空间信息依次计算所述待追 踪目标与所述初筛前端节点之间的距离值、高度差值,并根据所述距离值、高度差值按照对应的筛选方法对所述初筛前端节点进行筛选,分别得到一筛有效前端节点、二筛有 效前端节点;
获取所述二筛有效前端节点的空间信息和技术参数;所述技术参数包括视场角信息;
根据所述待追踪目标的空间信息、所述二筛有效前端节点的空间信息,计算所述待 追踪目标的三维位置坐标和所述二筛有效前端节点的视线方向矢量,将所述待追踪目标 的三维位置坐标和所述二筛有效前端节点的视线方向矢量转换到同一坐标系下,在所述 同一坐标系中计算所述待追踪目标的位置矢量和所述二筛有效前端节点的视线方向矢量之间的夹角值,并根据所述同一坐标系中所述待追踪目标的位置矢量和所述二筛有效前端节点的视线方向矢量之间的夹角值按照对应的筛选方法对所述二筛有效前端节点 进行筛选,得到三筛有效前端节点;
获取所述三筛有效前端节点的空间信息和技术参数;
根据所述待追踪目标的空间信息、所述三筛有效前端节点的空间信息和技术参数, 在前端坐标系下计算所述待追踪目标的人脸朝向的方向矢量与所述三筛有效前端节点 的光轴方向矢量之间的夹角值,并根据所述待追踪目标的人脸朝向的方向矢量与所述三 筛有效前端节点的光轴方向矢量之间的夹角值按照对应的筛选方法对所述三筛有效前端节点进行筛选,得到有效前端节点。
在一种实施方式中,所述根据所述待追踪目标的空间信息、所述初筛前端节点的空 间信息依次计算所述待追踪目标与所述初筛前端节点之间的距离值、高度差值,并根据所述距离值、高度差值按照对应的筛选方法对所述初筛前端节点进行筛选,分别得到一 筛有效前端节点、二筛有效前端节点包括:
根据所述待追踪目标的空间信息、所述初筛前端节点的空间信息计算所述待追踪目 标的地固坐标系坐标以及所述初筛前端节点的地固坐标系坐标;
根据所述待追踪目标的地固坐标系坐标以及所述初筛前端节点的地固坐标系坐标 计算所述待追踪目标与所述初筛前端节点之间的距离;
获取距离阈值,将计算出的距离值小于距离阈值的初筛前端节点作为一筛有效前端 节点;
获取所述一筛有效前端节点的位置信息,根据所述待追踪目标的位置信息以及所述 一筛有效前端节点的位置信息中的高度信息,计算所述待追踪目标与所述一筛有效前端 节点之间的高度差;
获取预设的高度差阈值,将计算出的高度差值小于预设的高度差阈值的一筛有效前 端节点作为二筛有效前端节点。
在一种实施方式中,所述根据所述待追踪目标的空间信息、所述二筛有效前端节点 的空间信息,计算所述待追踪目标的三维位置坐标和所述二筛有效前端节点的视线方向 矢量,将所述待追踪目标的三维位置坐标和所述二筛有效前端节点的视线方向矢量转换 到同一坐标系下,在所述同一坐标系中计算所述待追踪目标的位置矢量和所述二筛有效 前端节点的视线方向矢量之间的夹角值,并根据所述同一坐标系中所述待追踪目标的位 置矢量和所述二筛有效前端节点的视线方向矢量之间的夹角值按照对应的筛选方法对所述二筛有效前端节点进行筛选,得到三筛有效前端节点包括:
根据所述待追踪目标的空间信息、所述二筛有效前端节点的空间信息,计算所述待 追踪目标的三维位置坐标和所述二筛有效前端节点的视线方向矢量,将所述待追踪目标 的三维位置坐标和所述二筛有效前端节点的视线方向矢量转换到同一坐标系下;;
通过第一夹角公式,在所述同一坐标系中计算所述待追踪目标的位置矢量和所述二 筛有效前端节点的视线方向矢量之间的夹角值;
获取第一夹角阈值,将计算出的所述同一坐标系中所述待追踪目标的位置矢量和所 述二筛有效前端节点的视线方向矢量之间的夹角值小于所述第一夹角阈值的二筛有效前端节点作为三筛有效前端节点。
在一种实施方式中,所述根据所述待追踪目标的空间信息、所述三筛有效前端节点 的空间信息和技术参数,在前端坐标系下计算所述待追踪目标的人脸朝向的方向矢量与 所述三筛有效前端节点的光轴方向矢量之间的夹角值,并根据所述待追踪目标的人脸朝 向的方向矢量与所述三筛有效前端节点的光轴方向矢量之间的夹角值按照对应的筛选方法对所述三筛有效前端节点进行筛选,得到有效前端节点包括:
根据所述待追踪目标的空间信息获取所述待追踪目标的人脸水平朝向角,根据所述 人脸水平朝向角计算所述待追踪目标的人脸朝向在东北天坐标系下的方向矢量;
根据所述三筛有效前端节点的空间信息将所述待追踪目标的人脸朝向在所述东北 天坐标系下的方向矢量转换至前端坐标系下,得到目标人脸朝向在前端坐标系下的方向 矢量;
获取三筛有效前端节点的光轴方向在前端坐标系中的单位矢量,通过第二夹角公式、所述目标人脸朝向在前端坐标系下的方向矢量以及所述三筛有效前端节点的光轴方向在前端坐标系中的单位矢量计算所述待追踪目标的人脸朝向与前端节点的光轴方向 的夹角值;
获取第二夹角阈值,将计算出的所述待追踪目标的人脸朝向与前端节点的光轴方向 的夹角值大于所述第二夹角阈值的三筛有效前端节点作为有效前端节点。
在一种实施方式中,所述边缘可用带宽约束关系为:
其中,N为直接与前端节点相连的边缘节点数量;为第i个边缘节点的视频传输可用带宽数据;Mi为隶属于第i个边缘节点的前端节点数量;/>为与第i个边缘节点相 连的第j个前端节点的视频传输码率,其中,j=1,2,...,Mi;xij为与第i个边缘节点相连 的第j个前端节点的启用标志。
在一种实施方式中,所述边缘可用存储约束关系为:
在一种实施方式中,所述系统覆盖性约束关系为:
其中,Cregion表示系统覆盖区域掩膜,Cij表示与第i个边缘节点相连的第j个前端节点的节点覆盖区域掩膜,xij表示与第i个边缘节点相连的第j个前端节点的启用标志, *表示哈达玛积,∑∑表示对矩阵所有元素的求和,η表示覆盖率,sign(·)为符号函 数,公式为:
在一种实施方式中,所述建立系统总效用函数:
其中,xij表示与第i个边缘节点相连的第j个前端节点的启用标志,Uij表示与第i个 边缘节点相连的第j个前端节点的总效用函数。
在一种实施方式中,所述第二夹角公式为:
其中,βi为所述待追踪目标的人脸朝向与前端节点的光轴方向的夹角值,acos为表示反余弦的符号,为待追踪目标人脸朝向在第i个三筛有效前端节点的前端坐标 系下的方向矢量;/>为前端节点的光轴方向在前端坐标系中的单位矢量。
第二方面,本发明实施例还提供一种服务器,其特征在于,包括:处理器、与处理器通信连接的存储介质,所述存储介质适于存储多条指令;所述处理器适于调用所述存 储介质中的指令,一致性实现上述任一项所述的一种用于大规模视觉计算系统的节点协 同选择方法的步骤。
第三方面,本发明实施例还提供一种计算机可读存储介质,其上存储有多条指令,其特征在于,所述指令适用于由处理器加载并执行,以实现上述任一项所述的一种用于 大规模视觉计算系统的节点协同选择方法的步骤。
本发明的有益效果:本发明实施例利用已有的海量前端节点重构一个实现尽可能大 范围的区域覆盖和更高的系统效能的视频监控系统,将冗余部署的前端节点剔除以后,再在重构的视频监控系统包含的前端节点中,根据待追踪目标的空间信息及其与前端节点之间的空间相对关系自动查找并选择可能拍摄到待追踪目标的前端节点,将筛选出的前端节点作为有效前端节点,再根据查找到的有效前端节点进行目标追踪任务。因此可 以有效解决现有技术中进行目标追踪任务时需要对视频监控系统中的每个前端节点拍 摄的视频进行处理和检索,导致产生大量无效工作,消耗大量人力物力的问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有 技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种用于大规模视觉计算系统的节点协同选择方法的流 程示意图。
图2是本发明实施例提供的服务器的原理框图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚、明确,以下参照附图并举实施例对本发明进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并 不用于限定本发明。
需要说明,若本发明实施例中有涉及方向性指示(诸如上、下、左、右、前、后……),则该方向性指示仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等,如果该特定姿态发生改变时,则该方向性指示也相应地随之改变。
随着信息技术的发展和普及,摄像头在城市中得到了大规模的铺设。利用这些摄像头进行的监控,对人类社会生活中的安全的保障起到了越来越重要的作用。目前,大、 中城市中已经部署了大量摄像头,规模在数十万级到百万级,用于安防、交通、警务、 城管等众多行业中。针对大规模视频监控系统的目标追踪任务,由于目标只会在单个摄 像头视角内或者少数几个摄像头视角内出现,采用视频监控系统中海量的摄像头追踪目 标,需要对每路视频进行处理和检索,导致产生大量无效工作,消耗大量人力物力。因 此针对指定任务(例如,行人追踪)如何在大规模视频监控系统中,查找并选择可能拍 摄到待追踪目标的前端节点、提取其原始视频数据用于后续分析处理是系统协同调度中 的重要环节。
由于现有视频监控系统中含有海量的前端节点(即前端摄像头),因此不可避免会出现冗余部署的前端节点,为了提高查找可能拍摄到待追踪目标的前端节点的效率, 本发明通过首先重新构建一个以最小的成本和资源占用率实现尽可能大范围的区域覆 盖和更高的系统效能的视频监控系统,将冗余部署的前端节点剔除以后,得到重构的视 频监控系统,所述重构的视频监控系统的系统前端节点集合在确定以后一般不会频繁变 换。然后在重构的视频监控系统的前端节点集合中查找并选择可能拍摄到待追踪目标的 前端节点,以此实现快速查找可能拍摄到待追踪目标的有效前端节点。由于待追踪目标 的数量和具体目标会变动,因此所述有效前端节点也会随之变动。根据查找到的系统前 端节点进行目标追踪任务,可以有效解决目前视频监控系统含有冗余部署的前端节点以 及在进行目标追踪任务时需要对每个前端节点拍摄的视频进行处理和检索,导致产生大 量无效工作,消耗大量人力物力的问题。
如图1所示,所述方法包括如下步骤:
步骤S100、建立边缘可用带宽约束关系、边缘可用存储约束关系、系统覆盖性约束关系以及系统总效用函数。
鉴于现有的视频监控系统存在大量冗余部署的前端节点,因此本实施例首先需要对现有的视频监控系统进行优化,将冗余部署的前端节点剔除。优化之前首先需要清楚 视频监控系统的基础架构,进而确定重构系统时需要考虑的约束关系。具体地,无论是 传统的视频监控系统还是新型的视频监控系统(即可伸缩视觉计算架构),所有前端节 点位于系统最底层,中间通常有若干层级联的边缘节点,最终连接至位于最顶层的云节 点,前端节点数量远远多于边缘节点和云节点。新型的视频监控系统内传输的数据包括 视频流、特征流、结果流、模型流、控制流等几大类,视频数据量远远多于其他类型数 据,云节点主要汇聚特征数据进行大数据计算和分析,而视频数据分布式存储在位于不 同地点的边缘节点。因此,新型视频监控系统的主要瓶颈在于视频流由前端实时汇聚至 边缘的数据传输过程以及边缘的视频数据存储能力。而传统的视频监控系统传输的数据 主要是视频流和控制流,传统的视频监控系统的主要瓶颈也是视频流的传输和存储。因 此系统重构时即针对以上两种系统资源约束情况建立边缘可用带宽约束关系、边缘可用 存储约束关系。其次,鉴于系统的覆盖能力对系统设计与应用的重要性,因此还需要将 系统的覆盖能力作为系统重构的额外约束条件。最后,还需要建立系统总体效用评价函 数,作为优化目标函数,在上述三个约束条件下,求解使得系统总效用最高的前端节点 集合,以此获取最优系统组成,即获得最优节点集合。
如图2所示,在一种实现方式中,所述步骤S100具体包括如下步骤:
步骤S110、获取直接与前端节点相连的每一个边缘节点的视频传输可用带宽数据以及隶属于所述每一个边缘节点的前端节点的数量;
步骤S120、获取所述前端节点的视频传输码率;
步骤S130、根据所述每一个边缘节点的视频传输可用带宽数据、所述隶属于所述每一个边缘节点的前端节点的数量、所述前端节点的视频传输码率以及所述前端节点的启用标志,建立边缘可用带宽约束关系:
其中,N为直接与前端节点相连的边缘节点数量;为第i个边缘节点的视频传输可用带宽数据;Mi为隶属于第i个边缘节点的前端节点数量;/>为与第i个边缘节点 相连的第j个前端节点的视频传输码率,其中,j=1,2,...,Mi;xij为与第i个边缘节点相 连的第j个前端节点的启用标志;
步骤S140、获取所述每一个边缘节点的可用存储资源数据;
步骤S150、获取所有视频数据的存储期限,对所述存储期限、所述视频传输码率、所述可用存储资源数据进行单位统一操作,得到标准存储期限、标准视频传输码率、标 准可用存储资源数据;
步骤S160、根据所述前端节点的视频传输码率、所述前端节点的启用标志、所述标准存储期限、所述每一个边缘节点的标准可用存储资源数据建立边缘可用存储约束关系:
步骤S170、建立系统覆盖性约束关系;
步骤S180、建立系统总效用函数。
具体地,为了建立边缘可用带宽约束关系,本实施例首先需要获取直接与前端节点相连的边缘节点的视频传输可用带宽数据以及隶属于所述边缘节点的前端节点的数量。本实施例假设已根据行政区域、地理信息或其他策略、因素等事先确定好前端节点 和边缘节点隶属关系,因此只需要确定每个边缘节点连接的前端节点是否应该启用,所 述启用标志即用于标识前端节点的启用状态。然后通过获取所述前端节点的视频传输码 率,根据所述每一个边缘节点的视频传输可用带宽数据、所述隶属于所述每一个边缘节 点的前端节点的数量、所述前端节点的视频传输码率以及所述前端节点的启用标志,建 立边缘可用带宽约束关系。
举例说明,假设系统中直接与前端节点相连的边缘节点有N个,每个边缘节点的视频传输可用带宽数据记为其中,i=1,2,...,N;假设Mi表示隶属于第i个边缘节 点的前端节点数量,与第i个边缘节点相连的第j个前端节点的视频传输码率为/>其 中,j=1,2,...,Mi,对应的前端节点启用标志为xij,取值为0或1,当xij为1时,表示启 用,否则不启用;则边缘可用带宽约束关系如下所示:
此外,鉴于边缘节点的视频数据存储能力制约着系统组成和前端接入数量,因此还需要建立系统存储资源约束关系。具体地,首先获取每一个边缘节点的可用存储资源 数据。然后鉴于系统对于视频数据的存储时间通常具有一定的期限要求,例如一周、一 个月等,因此需要获取所有视频数据的存储期限,对所述存储期限、所述视频传输码率、 所述每一个边缘节点的可用存储资源数据进行单位统一操作,得到标准存储期限、标准 视频传输码率、标准可用存储资源数据。然后根据所述前端节点的标准视频传输码率、 所述前端节点的启用标志、所述标准存储期限、以及所述每一个边缘节点的标准可用存 储资源数据建立边缘可用存储约束关系。举例说明,假设所有视频数据存留时间至少为 T,经过单位统一换算后,边缘可用存储约束关系如下所示:
此外,鉴于系统的覆盖能力对系统设计与应用的重要性,因此还需要将系统的覆盖能力作为系统重构的额外约束条件。具体地,为了保障视频监控系统实现有效、准确 的监控,通常需要设计和指定视频监控系统的工作服务范围,即系统覆盖性要求,因此 还需要建立系统覆盖性约束关系。在一种实现方式中,首先获取预设的覆盖范围数据以 及地理信息数据,根据所述预设的覆盖范围数据以及所述地理信息数据生成若干个离散 覆盖区域,所述若干个系统的离散覆盖区域即为系统实际覆盖区域。其中,生成若干个 系统的离散覆盖区域的原因是前端摄像机的视场范围有限,如果前端摄像机的监控区域 之间不重叠,就会造成覆盖区域不连续,视频监控很难实现大范围的无缝覆盖。
然后,获取所述若干个离散覆盖区域的经度和纬度数据,根据经度和纬度数据筛选出所述离散覆盖区域中的经度最大值、纬度最大值、经度最小值和纬度最小值,并根 据所述经度最大值、所述纬度最大值、所述经度最小值和所述纬度最小值,建立连续区 域。随后,将所述连续区域进行切分,并对切分后得到的网格根据第一标识或者第二标 识进行标记,标记完毕后根据所述第一标识以及所述第二标识,生成系统覆盖区域掩膜。
为了生成系统覆盖区域掩膜,在一种实现方式中,本实施例首先对所述连续区域进行网格化离散处理,将所述连续区域切分成若干个第一网格。然后,获取所述第一网 格的中心点的位置信息,当所述第一网格的中心点的位置信息位于所述若干个离散覆盖 区域其中一个之内时,根据第一标识标记所述第一网格;当所述第一网格的中心点的位 置信息位于所述若干个离散覆盖区域之外时,根据第二标识标记所述第一网格。然后, 根据所有第一网格标记的第一标识、第二标识,生成以矩阵形式表达的系统覆盖区域掩 膜。
获取到系统覆盖区域掩膜以后,为了建立系统覆盖性约束关系,还需要获取所有备用前端节点的节点覆盖区域掩膜。在一种实现方式中,本实施例首先获取所有前端节 点的位置信息,将所有前端节点的位置信息与所述连续区域进行匹配,当所述前端节点 的位置信息位于所述连续区域之内时,将所述前端节点作为备用前端节点,得到备用前 端节点集合。随后,获取每一个备用前端节点的覆盖范围信息,分别将每一个备用前端 节点的覆盖范围信息与所有第一网格的网格中心点进行匹配,根据匹配结果将网格中心 点位于所述备用前端节点的覆盖范围之内的第一网格通过第一标记进行标识,将网格中 心点位于所述备用前端节点的覆盖范围之外的第一网格通过第二标记进行标识,标识完 毕以后根据所述第一标记以及所述第二标记生成以矩阵形式表达的每一个备用前端节 点的节点覆盖区域掩膜,以实现获取所有备用前端节点的节点覆盖区域掩膜。最后,获 取覆盖率参数,基于所述系统覆盖区域掩膜、所述所有备用前端节点的节点覆盖区域掩 膜以及所述覆盖率参数建立系统覆盖性约束关系。
举例说明,在具体应用中,通常会指定视频监控系统的用途和覆盖范围,例如某些街道、道路或者路口等。由于很难也无需利用视频监控实现全区域的无缝覆盖,因此, 实际覆盖区域可能不连续,具体实施时可根据覆盖范围要求及其详细标记规则,结合地 理信息系统提供的数据支撑,生成以经纬度表示的若干可能不连续的区域作为系统的离 散覆盖区域,然后根据这些区域中经度的最大值λmax、纬度的最大值经度的最小 值λmin和纬度的最小值/>扩展成一个连续的区域,该连续的区域即为连续区域,该连 续区域的经度范围记为λmin~λmax,纬度范围记为/>然后对该连续区域进行网 格化离散处理,将位于系统的离散覆盖区域内的网格点标记为1,其他网格点标记为0, 即生成以矩阵形式表示的系统覆盖区域掩膜,记为Cregion。将位于连续区域内的所有前 端节点作为备用前端节点集中的节点,其位置满足如下条件:
λmin≤λij≤λmax
其中,λij和分别表示与第i个边缘节点相连的第j个前端节点的经度和纬度。然后,根据前端节点的位置坐标、安装姿态、视场角、有效探测距离等参数,计算其覆盖 范围,再根据节点覆盖范围对网格化离散后的连续区域进行上述覆盖性标记处理,生成 与Cregion尺寸一致的覆盖性矩阵,记为Cij。最后建立的系统覆盖性约束关系如下:
其中,Cregion表示系统覆盖区域掩膜,Cij表示与第i个边缘节点相连的第j个前端节点的节点覆盖区域掩膜,xij表示与第i个边缘节点相连的第j个前端节点的启用标志, *表示哈达玛积,∑∑表示对矩阵所有元素的求和,η表示覆盖率,取值为[0,1],可 通过调节该参数控制系统覆盖性约束的强弱,sign(·)为符号函数,公式为:
由于本实施例在重构视频监控系统时还需要考虑系统的效用,因此当本实施例建立完毕边缘可用带宽约束关系、边缘可用存储约束关系以及系统覆盖性约束关系以后, 还需要构建系统总效用函数。在一种实现方式中,首先获取所述前端节点的处理数据时 长以及采集数据时长,将所述处理数据时长与所述采集数据时长的比值作为所述前端节 点的使用率指标。然后,获取所述前端节点的使用寿命年限与实际已使用年限,将所述 实际已使用年限与所述使用寿命年限的比值与1的差值的绝对值作为所述前端节点的易 用性指标。之后,获取预先设定的所述前端节点的重要度指标,将所述使用率指标、所 述易用性指标以及所述重要度指标根据对应的加权系数进行加权融合,得到所述前端节 点的总效用函数。然后,根据所有前端节点的总效用函数和所有前端节点对应的启用标 志,建立系统总效用函数:
其中,xij表示与第i个边缘节点相连的第j个前端节点的启用标志,Uij表示与第i个边缘节点相连的第j个前端节点的总效用函数。
举例说明,首先需要统计前端节点数据利用率作为前端节点的使用率指标,本实施例可以采用每个节点的处理数据时长(含人工监视)与采集数据时长/>之比来表 示前端节点的使用率指标,记为/>然后,基于前端节点的使用年限建立易用 性评价指标,一般来说,前端已使用的年限越短,即安装时间越晚,则其使用的技术越 先进,从而性能越好,也越容易维护,将该指标记为Aij,表达式为:
其中,表示与第i个边缘节点相连的第j个前端节点的使用寿命,/>为实际已使用年限。然后获取前端节点的重要度指标,该指标可以预先根据前端节点的用途、部署 地点、与其他节点相关性、发现异常次数占全市异常总数的比例等相关部门统计数据信 息综合得到,记为Iij,取值范围为[0,1],值越大,表示节点越重要。然后,将上述几 个指标进行加权融合,从而得到前端节点的总效用函数,其表达式具体如下所示:
Uij=w1Oij+w2Aij+w3Iij,(i=1,2,...,N,j=1,2,...,Mi),
其中,w1、w2和w3为加权系数,它们之和为1。在具体实施过程中,加权系数的值 可根据实际情况灵活配置,例如,一组合理的取值为w1=0.3、w2=0.3和w3=0.4,则系 统总效用定义为:
鉴于本实施例的目标是在满足系统覆盖范围要求且系统资源有限的情况下,使得监 控系统的总体效用最大化,因此将系统的最优化模型表示为:
求解上述最优化问题,得到xij(即确定与第i个边缘节点相连的第j个前端节点的启用标志),从而确定重构后的系统前端节点集合。
如图1所示,所述方法还包括如下步骤:
步骤S200、将满足所述边缘可用带宽约束关系、所述边缘可用存储约束关系以及所述系统覆盖性约束关系时,且所述系统总效用函数的数值最大的情况下的前端节点的集合作为最优协同节点集,将所述最优协同节点集内的前端节点作为系统前端节点。
具体地,获取到最优协同节点集以后,将其中的系统前端节点根据隶属关系与边缘节点进行连接,即完成了视频监控系统的重构。
如图1所示,所述方法还包括如下步骤:
步骤300、获取待追踪目标的空间信息、所述系统前端节点的空间信息和技术参数, 根据所述待追踪目标的空间信息、所述系统前端节点的空间信息和技术参数按照筛选方 法对所述系统前端节点进行筛选,将筛选出的系统前端节点作为有效前端节点。
由于重构的视频监控系统中仍然包含数量巨大的前端节点,在实际应用中,重构的系统中的前端节点不可能每一个都能够拍摄到待追踪目标,而遍历所有摄像头拍摄的影像去查找待追踪目标的行踪仍然需要大量的人力资源或者计算资源,并不方便。因此 本实施例通过获取所述待追踪目标的空间信息、所述系统前端节点的空间信息和技术参 数,并根据所述待追踪目标的空间信息、所述系统前端节点的空间信息和技术参数按一 定的筛选方法对所述系统前端节点进行进一步的筛选,将筛选出的系统前端节点作为有 效前端节点,从而排除了重构系统中一些不可能拍摄到待追踪目标的前端节点,避免了 后续大量的无效工作。
在一种实现方式中,所述步骤S300具体包括如下步骤:
步骤S310、获取待追踪目标的空间信息,根据所述待追踪目标的空间信息确定所述待追踪目标所在的最小行政区域;所述待追踪目标的空间信息包括位置信息、姿态信 息和运动信息;
步骤S320、获取所述最小行政区域的位置信息,根据所述最小行政区域的位置信息将位于所述最小行政区域之内的系统前端节点作为初筛前端节点;
步骤S330、获取所述初筛前端节点的空间信息;所述初筛前端节点的空间信息包括位置信息和姿态信息;
步骤S340、根据所述待追踪目标的空间信息、所述初筛前端节点的空间信息依次计算所述待追踪目标与所述初筛前端节点之间的距离值、高度差值,并根据所述距离值、高度差值按照对应的筛选方法对所述初筛前端节点进行筛选,分别得到一筛有效前端节点、二筛有效前端节点;
步骤S350、获取所述二筛有效前端节点的空间信息和技术参数;所述技术参数包括视场角信息;
步骤S360、根据所述待追踪目标的空间信息、所述二筛有效前端节点的空间信息,计算所述待追踪目标的三维位置坐标和所述二筛有效前端节点的视线方向矢量,将所述待追踪目标的三维位置坐标和所述二筛有效前端节点的视线方向矢量转换到同一坐标 系下,在所述同一坐标系中计算所述待追踪目标的位置矢量和所述二筛有效前端节点的 视线方向矢量之间的夹角值,并根据所述同一坐标系中所述待追踪目标的位置矢量和所 述二筛有效前端节点的视线方向矢量之间的夹角值按照对应的筛选方法对所述二筛有 效前端节点进行筛选,得到三筛有效前端节点;
步骤S370、获取所述三筛有效前端节点的空间信息和技术参数;
步骤S380、根据所述待追踪目标的空间信息、所述三筛有效前端节点的空间信息和技术参数,在前端坐标系下计算所述待追踪目标的人脸朝向的方向矢量与所述三筛有效前端节点的光轴方向矢量之间的夹角值,并根据所述待追踪目标的人脸朝向的方向矢量与所述三筛有效前端节点的光轴方向矢量之间的夹角值按照对应的筛选方法对所述 三筛有效前端节点进行筛选,得到有效前端节点。
具体地,本实施例中的待追踪目标主要指的是待追踪的目标人脸。假设每个前端节点具有全局统一的时间、位置和设备标识信息,其中,位置信息包括行政区划(区、 街道、社区/道路/路口)、经度/纬度/高度、姿态等多种属性,当已知待追踪目标位置 时,利用时、空、用户信息建立多种参数计算模型和节点可用性判定规则,自动选取与 待追踪目标相关的前端节点,从而调取包含目标的有效数据。重新构建的视频监控系统 中所有前端节点的集合如下所示:
首先按照行政区划逐级筛选潜在可用的前端节点,并将筛选出来的前端节点作为初筛前端节点,从而以最快的速度将搜索范围缩小至最小行政单元,例如道路、路口等, 初筛前端节点的集合记为其中,Nn为初筛后的前端数量。然后对 集合中的每个前端节点依次根据所述待追踪目标与节点之间的距离值、高度差值、在同 一坐标系下的待追踪目标的位置矢量和前端节点的视线方向矢量之间的夹角值以及待 追踪目标的人脸朝向的方向矢量与前端节点的光轴方向矢量之间的夹角值进行筛选,以 排除所述初筛前端节点中的无效节点,并获取能够准确地拍摄到待追踪目标的相关信息 的有效前端节点。
为了获取到能够准确地拍摄到待追踪目标的相关信息的有效前端节点,在一种实现方式中,本实施例首先根据所述待追踪目标的空间信息、所述初筛前端节点的空间信 息计算所述待追踪目标的地固坐标系坐标以及所述初筛前端节点的地固坐标系坐标。然 后,根据所述待追踪目标的地固坐标系坐标以及所述初筛前端节点的地固坐标系坐标计 算所述待追踪目标与所述初筛前端节点之间的距离。之后,获取距离阈值,将计算出的 距离值小于距离阈值的初筛前端节点作为一筛有效前端节点。然后,获取所述一筛有效 前端节点的位置信息,根据所述待追踪目标的位置信息以及所述一筛有效前端节点的位 置信息中的高度信息,计算所述待追踪目标与所述一筛有效前端节点之间的高度差。最 后,获取预设的高度差阈值,将计算出的高度差值小于预设的高度差阈值的一筛有效前 端节点作为二筛有效前端节点。
举例说明,将初筛得到的初筛前端节点的集合中的节点位置表示为/>i=1,2,...Nn,假设目标位置为/>其中,λ、/>和h分别表示经度、纬度和高度, 分别计算它们在地固坐标系下的三维坐标,记为/>和/>根据下述公式:
计算每个初筛前端节点与待追踪目标之间的距离,当di>Di+Lr时,则该初筛前 端节点为无效节点,反之则为有效前端节点,以此得到一筛有效前端节点。其中,Di为 第i个前端的有效探测距离,Lr为考虑到用户位置误差、前端安装高度等引起的误差而 加入的裕量。然后根据所述待追踪目标的位置信息以及所述一筛有效前端节点的位置信 息中的高度信息计算每一个一筛有效前端节点与待追踪目标之间的高度差 Δhi=hi-hu,i=1,2,...Nn,当Δhi大于一定阈值时,则该一筛有效前端节点为无效节点, 反之则为有效前端节点,以此得到二筛有效前端节点。
获取到二筛有效前端节点以后,鉴于视频监控系统中的前端摄像机视场范围有一定的局限性,因此为了准确地确定能够拍摄到待追踪目标的相关信息的有效前端节点, 在一种实现方式中,还需要根据所述待追踪目标的空间信息、所述二筛有效前端节点的 空间信息,计算所述待追踪目标的三维位置坐标和所述二筛有效前端节点的视线方向矢 量,将所述待追踪目标的三维位置坐标和所述二筛有效前端节点的视线方向矢量转换到 同一坐标系下,在所述同一坐标系中计算所述待追踪目标的位置矢量和所述二筛有效前 端节点的视线方向矢量之间的夹角值,并根据所述同一坐标系中所述待追踪目标的位置 矢量和所述二筛有效前端节点的视线方向矢量之间的夹角值按照对应的筛选方法对所 述二筛有效前端节点进行筛选,得到三筛有效前端节点。
本实施例提供两种获得三筛有效前端节点的方法:
第一种方法是根据待追踪目标的空间信息、前端节点的空间信息,计算待追踪目标的三维位置矢量和前端节点的视线方向矢量,将待追踪目标的三维位置矢量和前端节点的视线方向矢量转换到同一坐标系下以后,直接在所述同一坐标系中计算待追踪目标的位置矢量和前端节点的视线方向矢量之间的夹角值。假设二筛有效前端节点的视场角为fovi,当计算出的所述同一坐标系中待追踪目标的位置矢量和前端节点的视线方向矢量之间的夹角值小于fovi/2时,表示用户位于该二筛有效前端节点的视场范围内,则该 二筛有效前端节点有效,反之无效,以此得到三筛有效前端节点
第二种方法是首先根据所述待追踪目标的空间信息、所述二筛有效前端节点的空间信息和技术参数,计算所述待追踪目标的地固坐标系坐标以及所述二筛有效前端节点的地固坐标系坐标。然后,根据所述二筛有效前端节点的空间信息以及技术参数得到地 固坐标系到前端所在东北天坐标系的转换矩阵以及前端所在东北天坐标系到其前端坐 标系的转换矩阵,通过这两个转换矩阵以及待追踪目标和前端节点的地固坐标系坐标得 到所述待追踪目标的前端坐标系坐标。这两个转换矩阵主要是基于前端节点的空间信息 中的位置信息和姿态角信息计算得到的,所述二筛有效前端节点的位置信息包括前端节 点的经度数据和纬度数据。之后,通过第一夹角公式,并根据所述待追踪目标的前端坐 标系坐标计算所述待追踪目标的位置矢量与前端节点的视线方向的夹角值。最后,获取 第一夹角阈值,所述夹角阈值可以根据前端视场角的一半数值计算得到。然后将计算出 的所述待追踪目标的位置矢量与前端节点的视线方向的夹角值小于所述第一夹角阈值 的二筛有效前端节点作为三筛有效前端节点。
举例说明,根据公式将待追踪目标在地固坐标系下的位置转换到前端坐标系下。其中,/>为地固坐标系到第i个二筛有效 前端节点所在东北天坐标系的转换矩阵,/>为第i个二筛有效前端节点所在东北天坐标 系到其前端坐标系的转换矩阵。
其中,前端所在东北天坐标系到其前端坐标系转换矩阵的一般形式为:
其中,θ、λ和ψ依次为前端安装的俯仰、横滚和朝向角。
然后根据下述公式在前端坐标系中计算所述待追踪目标的位置矢量与前端节点的 视线方向的夹角值:
假设第i个二筛有效前端节点的视场角为fovi,当αi<fovi/2时,表示用户位于该二筛有效前端节点的视场范围内,则该二筛有效前端节点有效,反之无效,以此得到三 筛有效前端节点。
由于视频监控系统广泛应用于人脸识别,而只有一定角度范围内拍摄的人脸图片才是可用的,即目标人脸的朝向也会影响前端的可用性。因此,在一种实现方式中,获 取到所述三筛有效前端节点以后,还需要根据所述待追踪目标的空间信息获取所述待追 踪目标的人脸水平朝向角,根据所述人脸水平朝向角计算所述待追踪目标的人脸朝向在 东北天坐标系下的方向矢量。然后,根据所述三筛有效前端节点的空间信息将所述待追 踪目标的人脸朝向在所述东北天坐标系下的方向矢量转换至前端坐标系下,得到目标人 脸朝向在前端坐标系下的方向矢量。之后,获取三筛有效前端节点的光轴方向在前端坐 标系中的单位矢量,通过第二夹角公式、所述目标人脸朝向在前端坐标系下的方向矢量 以及所述三筛有效前端节点的光轴方向在前端坐标系中的单位矢量计算所述待追踪目 标的人脸朝向与前端节点的光轴方向的夹角值。所述第二夹角公式为:
其中,βi为所述待追踪目标的人脸朝向与前端节点的光轴方向的夹角值,acos为表示反余弦的符号,为待追踪目标人脸朝向在第i个三筛有效前端节点的前端坐标 系下的方向矢量;/>为前端节点的光轴方向在前端坐标系中的单位矢量。最后,获取 第二夹角阈值,将计算出的所述待追踪目标的人脸朝向与前端节点的光轴方向的夹角值 大于所述第二夹角阈值的三筛有效前端节点作为有效前端节点。
举例说明,由于待追踪目标人脸的朝向与其运动方向和姿态均有关,主要包括水平朝向角和垂直朝向角(仰角,可正可负)两个维度,其中,垂直朝向角与获取二筛有 效前端节点时的高度差约束条件具有等价性,所以本步骤仅建立水平朝向角约束。假设 待追踪目标的人脸水平朝向角记为Az,是其面向的方向与北向的夹角,逆时针为正,则 待追踪目标的人脸朝向在其所在东北天坐标系下的方向矢量记为:
经过前述筛选得到的三筛有效前端节点和待追踪目标相距不远,因此待追踪目标所在东北天坐标系和三筛有效前端节点所在东北天坐标系的差异可以忽略不计。根据公式将/>转换到前端坐标系。前端节点的光轴方向矢量可以表示为然后,根据下述公式计算待追踪目标的人脸朝向在前端坐标系下的方向矢量与前端节点的光轴方向的夹角值βi:
其中,βi的范围为[0,π],i表示前端索引序号。将人脸拍摄角度定义为人脸朝向与前端节点的光轴方向之间的夹角,假设人脸识别要求的人脸拍摄角度最大值为βmax, 当βi≥π-βmax时,表示该三筛有效前端节点对目标人脸的拍摄角度在识别要求以内, 因此该三筛有效前端节点有效,否则无效,以此最终确定能够准确获取到待追踪目标相 关信息的有效前端节点,然后就可以结合视频分析处理技术实现对待追踪目标信息的精 准提取。
然而在具体应用过程中,待追踪目标的位置并不是固定的,而是会不断地进行移动,则能监控到它的前端节点会发生变化,前端节点对它的拍摄角度也会变化。因此在 一种实现方式中,当所述待追踪目标不断地移动时,按预设距离值选取位于待追踪目标 的运动方向上一定范围内的若干个初筛前端节点作为备选节点,同时保留原有的有效前 端节点作为备选节点,然后重复上述步骤S300确定新的有效前端节点,以实现根据待追 踪目标位置的变化对有效前端节点进行动态调整。此外,对于事后检索的离线工作场景, 可以利用已知的待追踪目标出现的时间对有效前端节点的可用数据时段进行筛选。
基于上述实施例,本发明还提供了一种用于实现一种用于大规模视觉计算系统的节 点协同选择方法的服务器,参照图2,图2是本发明实施例方案涉及的硬件运行环境的结构示意图。如图2所示,该用于实现一种用于大规模视觉计算系统的节点协同选择方 法的服务器可以包括:处理器1001,例如CPU,存储器1005,用户接口1003,网络接 口1004,通信总线1002。其中,通信总线1002用于实现这些组件之间的连接通信。用 户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户 接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准 的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器,也可 以是稳定的存储器(non-volatilememory),例如磁盘存储器。存储器1005可选的还 可以是独立于前述处理器1001的存储装置。可选地,用于实现一种用于大规模视觉计 算系统的节点协同选择方法的服务器还可以包括RF(Radio Frequency,射频)电路, 传感器、WiFi模块等等。本领域技术人员可以理解,图2中示出的用于实现一种用于大 规模视觉计算系统的节点协同选择方法的服务器结构并不构成用于实现一种用于大规 模视觉计算系统的节点协同选择方法的服务器的限定,可以包括比图示更多或更少的部 件,或者组合某些部件,或者不同的部件布置。如图2所示,作为一种计算机存储可读 存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及节点 选择程序。其中,操作系统是管理和控制用于实现一种用于大规模视觉计算系统的节点 协同选择方法的服务器硬件和软件资源的程序的运行。
本发明的亮点在于:
1、提出了一种用于大规模视觉计算系统的节点协同选择方法,能够根据业务应用系统的要求,利用已部署的大量前端节点(例如视频监控设备)动态重组一套高效的基 于端-边-云协同计算架构的视频监控系统,充分利用现有资源;
2、根据视觉数据特点,有针对性地设计前端优化选择算法资源约束条件,算法可用于基于传统架构和融合视频流、特征流以及模型流的新型视觉计算架构的视频监控系统中;
3、引入系统覆盖范围作为前端节点选择的约束条件之一,融合地理信息表示方法, 建立系统覆盖性约束模型,更加贴近实际系统构建需求;
4、综合考虑前端节点的数据使用情况、使用年限与寿命、部署位置重要性等信息,建立前端效用评价函数,从多维度评估前端节点对于系统的效用大小;
5、提出了一种任务驱动的有效前端节点的动态遴选方法,利用待追踪目标和前端节点时、空、设备参数等信息建立多种筛选规则以及参数计算模型,使用待追踪目标和 前端节点之间的距离、高度、位置关系、拍摄角度等多参数联合达到准确判定前端节点 可用性的目的,在系统构建完成后,可用于根据具体任务对包含待追踪目标的若干前端 节点和数据时段进行精准定位和调度。
综上所述,本发明公开了一种用于大规模视觉计算系统的节点协同选择方法,在边 缘节点的可用带宽和可用存储资源有限的情况下,利用已有的海量前端节点重构一个实 现尽可能大范围的区域覆盖和更高的系统效能的视频监控系统,将冗余部署的前端节点 剔除以后,再在重构的视频监控系统的前端节点中,根据待追踪目标的空间信息及其与前端节点之间的空间相对关系自动查找并选择可能拍摄到待追踪目标的前端节点,将筛选出的前端节点作为有效前端节点,再根据查找到的有效前端节点进行目标追踪任务。 解决了现有技术中进行目标追踪任务时需要对系统中的每个前端节点拍摄的视频进行 处理和检索,导致产生大量无效工作,消耗大量人力物力的问题。
应当理解的是,本发明的应用不限于上述的举例,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (17)
1.一种用于大规模视觉计算系统的节点协同选择方法,其特征在于,所述方法包括:
建立边缘可用带宽约束关系、边缘可用存储约束关系、系统覆盖性约束关系以及系统总效用函数;
将满足所述边缘可用带宽约束关系、所述边缘可用存储约束关系以及所述系统覆盖性约束关系时,且所述系统总效用函数的数值最大的情况下的前端节点的集合作为最优协同节点集,将所述最优协同节点集内的前端节点作为系统前端节点;
获取待追踪目标的空间信息、所述系统前端节点的空间信息以及所述系统前端节点的技术参数,根据所述待追踪目标的空间信息、所述系统前端节点的空间信息以及所述系统前端节点的所述技术参数按照筛选方法对所述系统前端节点进行筛选,将筛选出的系统前端节点作为有效前端节点,其中,所述技术参数包括视场角信息。
2.根据权利要求1所述的一种用于大规模视觉计算系统的节点协同选择方法,其特征在于,所述建立边缘可用带宽约束关系、边缘可用存储约束关系、系统覆盖性约束关系以及系统总效用函数包括:
获取直接与前端节点相连的每一个边缘节点的视频传输可用带宽数据以及隶属于所述每一个边缘节点的前端节点的数量;
获取所述前端节点的视频传输码率;
根据所述每一个边缘节点的视频传输可用带宽数据、所述隶属于所述每一个边缘节点的前端节点的数量、所述前端节点的视频传输码率以及所述前端节点的启用标志,建立边缘可用带宽约束关系;
获取所述每一个边缘节点的可用存储资源数据;
获取所有视频数据的存储期限,对所述存储期限、所述视频传输码率以及所述可用存储资源数据进行单位统一操作,得到标准存储期限、标准视频传输码率以及标准可用存储资源数据;
根据所述前端节点的视频传输码率、所述前端节点的启用标志、所述标准存储期限以及所述每一个边缘节点的标准可用存储资源数据建立边缘可用存储约束关系;
建立系统覆盖性约束关系;
建立系统总效用函数。
3.根据权利要求2所述的一种用于大规模视觉计算系统的节点协同选择方法,其特征在于,所述建立系统覆盖性约束关系包括:
获取预设的覆盖范围数据以及地理信息数据,根据所述预设的覆盖范围数据以及所述地理信息数据生成若干个离散覆盖区域;
获取所述若干个离散覆盖区域的经度和纬度数据,根据经度和纬度数据筛选出所述离散覆盖区域中的经度最大值、纬度最大值、经度最小值以及纬度最小值;
根据所述经度最大值、所述纬度最大值、所述经度最小值以及所述纬度最小值,建立连续区域;
将所述连续区域进行切分,并对切分后得到的网格根据第一标识或者第二标识进行标记,标记完毕后根据所述第一标识以及所述第二标识,生成系统覆盖区域掩膜;
获取所有备用前端节点的节点覆盖区域掩膜;
获取覆盖率参数;
基于所述系统覆盖区域掩膜、所述所有备用前端节点的节点覆盖区域掩膜以及所述覆盖率参数建立系统覆盖性约束关系。
4.根据权利要求3所述的一种用于大规模视觉计算系统的节点协同选择方法,其特征在于,所述将所述连续区域进行切分,并对切分后得到的网格根据第一标识或者第二标识进行标记,标记完毕后根据所述第一标识以及所述第二标识,生成系统覆盖区域掩膜包括:
对所述连续区域进行网格化离散处理,将所述连续区域切分成若干个第一网格;
获取所述第一网格的中心点的位置信息;
当所述第一网格的中心点的位置信息位于所述若干个离散覆盖区域其中一个之内时,根据第一标识标记所述第一网格;
当所述第一网格的中心点的位置信息位于所述若干个离散覆盖区域之外时,根据第二标识标记所述第一网格;
根据所有第一网格标记的第一标识和第二标识,生成以矩阵形式表达的系统覆盖区域掩膜。
5.根据权利要求4所述的一种用于大规模视觉计算系统的节点协同选择方法,其特征在于,所述获取所有备用前端节点的节点覆盖区域掩膜包括:
获取所有前端节点的位置信息,将所有前端节点的位置信息与所述连续区域进行匹配,当所述前端节点的位置信息位于所述连续区域之内时,将所述前端节点作为备用前端节点,得到备用前端节点集合;
获取每一个备用前端节点的覆盖范围信息;
分别将每一个备用前端节点的覆盖范围信息与所有第一网格的网格中心点进行匹配,根据匹配结果将网格中心点位于所述备用前端节点的覆盖范围之内的第一网格通过第一标记进行标识,将网格中心点位于所述备用前端节点的覆盖范围之外的第一网格通过第二标记进行标识,标识完毕以后根据所述第一标记以及所述第二标记生成以矩阵形式表达的每一个备用前端节点的节点覆盖区域掩膜,以实现获取所有备用前端节点的节点覆盖区域掩膜。
6.根据权利要求2所述的一种用于大规模视觉计算系统的节点协同选择方法,其特征在于,所述建立系统总效用函数包括:
获取所述前端节点的处理数据时长以及采集数据时长,将所述处理数据时长与所述采集数据时长的比值作为所述前端节点的使用率指标;
获取所述前端节点的使用寿命年限与实际已使用年限,将所述实际已使用年限与所述使用寿命年限的比值与1的差值的绝对值作为所述前端节点的易用性指标;
获取预先设定的所述前端节点的重要度指标;
将所述使用率指标、所述易用性指标以及所述重要度指标根据对应的加权系数进行加权融合,得到所述前端节点的总效用函数;
根据所有前端节点的总效用函数和所有前端节点对应的启用标志,建立系统总效用函数。
7.根据权利要求1所述的一种用于大规模视觉计算系统的节点协同选择方法,其特征在于,所述获取待追踪目标的空间信息、所述系统前端节点的空间信息以及所述系统前端节点的技术参数,根据所述待追踪目标的空间信息、所述系统前端节点的空间信息以及所述系统前端节点的所述技术参数按照筛选方法对所述系统前端节点进行筛选,将筛选出的系统前端节点作为有效前端节点,包括:
获取待追踪目标的空间信息,根据所述待追踪目标的空间信息确定所述待追踪目标所在的最小行政区域;所述待追踪目标的空间信息包括位置信息、姿态信息以及运动信息;
获取所述最小行政区域的位置信息,根据所述最小行政区域的位置信息将位于所述最小行政区域之内的系统前端节点作为初筛前端节点;
获取所述初筛前端节点的空间信息;所述初筛前端节点的空间信息包括位置信息和姿态信息;
根据所述待追踪目标的空间信息和所述初筛前端节点的空间信息依次计算所述待追踪目标与所述初筛前端节点之间的距离值和高度差值,并根据所述距离值和所述高度差值按照对应的筛选方法对所述初筛前端节点进行筛选,分别得到一筛有效前端节点和二筛有效前端节点;
获取所述二筛有效前端节点的空间信息和技术参数;
根据所述待追踪目标的空间信息和所述二筛有效前端节点的空间信息,计算所述待追踪目标的三维位置坐标和所述二筛有效前端节点的视线方向矢量,将所述待追踪目标的三维位置坐标和所述二筛有效前端节点的视线方向矢量转换到同一坐标系下,在所述同一坐标系中计算所述待追踪目标的位置矢量和所述二筛有效前端节点的视线方向矢量之间的夹角值,并根据所述同一坐标系中所述待追踪目标的位置矢量和所述二筛有效前端节点的视线方向矢量之间的夹角值按照对应的筛选方法对所述二筛有效前端节点进行筛选,得到三筛有效前端节点;
获取所述三筛有效前端节点的空间信息和技术参数;
根据所述待追踪目标的空间信息、所述三筛有效前端节点的空间信息以及所述三筛有效前端节点的所述技术参数,在前端坐标系下计算所述待追踪目标的人脸朝向的方向矢量与所述三筛有效前端节点的光轴方向矢量之间的夹角值,并根据所述待追踪目标的人脸朝向的方向矢量与所述三筛有效前端节点的光轴方向矢量之间的夹角值按照对应的筛选方法对所述三筛有效前端节点进行筛选,得到有效前端节点。
8.根据权利要求7所述的一种用于大规模视觉计算系统的节点协同选择方法,其特征在于,所述根据所述待追踪目标的空间信息、所述初筛前端节点的空间信息依次计算所述待追踪目标与所述初筛前端节点之间的距离值、高度差值,并根据所述距离值、高度差值按照对应的筛选方法对所述初筛前端节点进行筛选,分别得到一筛有效前端节点、二筛有效前端节点包括:
根据所述待追踪目标的空间信息、所述初筛前端节点的空间信息计算所述待追踪目标的地固坐标系坐标以及所述初筛前端节点的地固坐标系坐标;
根据所述待追踪目标的地固坐标系坐标以及所述初筛前端节点的地固坐标系坐标计算所述待追踪目标与所述初筛前端节点之间的距离;
获取距离阈值,将计算出的距离值小于距离阈值的初筛前端节点作为一筛有效前端节点;
获取所述一筛有效前端节点的位置信息,根据所述待追踪目标的位置信息以及所述一筛有效前端节点的位置信息中的高度信息,计算所述待追踪目标与所述一筛有效前端节点之间的高度差;
获取预设的高度差阈值,将计算出的高度差值小于预设的高度差阈值的一筛有效前端节点作为二筛有效前端节点。
9.根据权利要求7所述的一种用于大规模视觉计算系统的节点协同选择方法,其特征在于,所述根据所述待追踪目标的空间信息、所述二筛有效前端节点的空间信息,计算所述待追踪目标的三维位置坐标和所述二筛有效前端节点的视线方向矢量,将所述待追踪目标的三维位置坐标和所述二筛有效前端节点的视线方向矢量转换到同一坐标系下,在所述同一坐标系中计算所述待追踪目标的位置矢量和所述二筛有效前端节点的视线方向矢量之间的夹角值,并根据所述同一坐标系中所述待追踪目标的位置矢量和所述二筛有效前端节点的视线方向矢量之间的夹角值按照对应的筛选方法对所述二筛有效前端节点进行筛选,得到三筛有效前端节点包括:
根据所述待追踪目标的空间信息、所述二筛有效前端节点的空间信息,计算所述待追踪目标的三维位置坐标和所述二筛有效前端节点的视线方向矢量,将所述待追踪目标的三维位置坐标和所述二筛有效前端节点的视线方向矢量转换到同一坐标系下;
通过第一夹角公式,在所述同一坐标系中计算所述待追踪目标的位置矢量和所述二筛有效前端节点的视线方向矢量之间的夹角值;
获取第一夹角阈值,将计算出的所述同一坐标系中所述待追踪目标的位置矢量和所述二筛有效前端节点的视线方向矢量之间的夹角值小于所述第一夹角阈值的二筛有效前端节点作为三筛有效前端节点。
10.根据权利要求7所述的一种用于大规模视觉计算系统的节点协同选择方法,其特征在于,所述根据所述待追踪目标的空间信息、所述三筛有效前端节点的空间信息以及所述三筛有效前端节点的所述技术参数,在前端坐标系下计算所述待追踪目标的人脸朝向的方向矢量与所述三筛有效前端节点的光轴方向矢量之间的夹角值,并根据所述待追踪目标的人脸朝向的方向矢量与所述三筛有效前端节点的光轴方向矢量之间的夹角值按照对应的筛选方法对所述三筛有效前端节点进行筛选,得到有效前端节点包括:
根据所述待追踪目标的空间信息获取所述待追踪目标的人脸水平朝向角,根据所述人脸水平朝向角计算所述待追踪目标的人脸朝向在东北天坐标系下的方向矢量;
根据所述三筛有效前端节点的空间信息将所述待追踪目标的人脸朝向在所述东北天坐标系下的方向矢量转换至前端坐标系下,得到目标人脸朝向在前端坐标系下的方向矢量;
获取三筛有效前端节点的光轴方向在前端坐标系中的单位矢量,通过第二夹角公式、所述目标人脸朝向在前端坐标系下的方向矢量以及所述三筛有效前端节点的光轴方向在前端坐标系中的单位矢量计算所述待追踪目标的人脸朝向与前端节点的光轴方向的夹角值;
获取第二夹角阈值,将计算出的所述待追踪目标的人脸朝向与前端节点的光轴方向的夹角值大于所述第二夹角阈值的三筛有效前端节点作为有效前端节点。
16.一种服务器,其特征在于,包括:处理器、与处理器通信连接的存储介质,所述存储介质适于存储多条指令;所述处理器适于调用所述存储介质中的指令,以实现上述权利要求1-15任一项所述的一种用于大规模视觉计算系统的节点协同选择方法的步骤。
17.一种计算机可读存储介质,其上存储有多条指令,其特征在于,所述指令适用于由处理器加载并执行,以实现上述权利要求1-15任一项所述的一种用于大规模视觉计算系统的节点协同选择方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110022791.8A CN112954269B (zh) | 2021-01-08 | 2021-01-08 | 一种用于大规模视觉计算系统的节点协同选择方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110022791.8A CN112954269B (zh) | 2021-01-08 | 2021-01-08 | 一种用于大规模视觉计算系统的节点协同选择方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112954269A CN112954269A (zh) | 2021-06-11 |
CN112954269B true CN112954269B (zh) | 2023-06-06 |
Family
ID=76235110
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110022791.8A Active CN112954269B (zh) | 2021-01-08 | 2021-01-08 | 一种用于大规模视觉计算系统的节点协同选择方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112954269B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101742327A (zh) * | 2008-11-12 | 2010-06-16 | 北京中星微电子有限公司 | 视频编解码方法和系统及区域描述方法和装置 |
CN110674746A (zh) * | 2019-09-24 | 2020-01-10 | 视云融聚(广州)科技有限公司 | 一种应用视频空间关系辅助实现高精度跨镜追踪的方法、装置、计算机设备以及存储介质 |
CN111649724A (zh) * | 2020-06-04 | 2020-09-11 | 百度在线网络技术(北京)有限公司 | 基于移动边缘计算的视觉定位方法和装置 |
CN111754552A (zh) * | 2020-06-29 | 2020-10-09 | 华东师范大学 | 一种基于深度学习的多摄像头协同目标跟踪方法 |
-
2021
- 2021-01-08 CN CN202110022791.8A patent/CN112954269B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101742327A (zh) * | 2008-11-12 | 2010-06-16 | 北京中星微电子有限公司 | 视频编解码方法和系统及区域描述方法和装置 |
CN110674746A (zh) * | 2019-09-24 | 2020-01-10 | 视云融聚(广州)科技有限公司 | 一种应用视频空间关系辅助实现高精度跨镜追踪的方法、装置、计算机设备以及存储介质 |
CN111649724A (zh) * | 2020-06-04 | 2020-09-11 | 百度在线网络技术(北京)有限公司 | 基于移动边缘计算的视觉定位方法和装置 |
CN111754552A (zh) * | 2020-06-29 | 2020-10-09 | 华东师范大学 | 一种基于深度学习的多摄像头协同目标跟踪方法 |
Non-Patent Citations (1)
Title |
---|
基于PCRLB的目标跟踪节点选择算法;庞小双;王邢波;;计算机技术与发展(10);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112954269A (zh) | 2021-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Khan et al. | Unmanned aerial vehicle–based traffic analysis: Methodological framework for automated multivehicle trajectory extraction | |
US20180372914A1 (en) | Local weather forecast | |
US20230162449A1 (en) | Systems and methods for data transmission and rendering of virtual objects for display | |
CN111339826B (zh) | 一种滑坡无人机线性传感器网络框架检测系统 | |
CN112418245A (zh) | 基于城市环境物理模型的电磁发射点定位方法 | |
CN110716935A (zh) | 基于网约车出行的轨迹数据分析与可视化方法及系统 | |
CN102595105A (zh) | 一种基于gis地图镜头角度信息配置的应用方法 | |
CN111949817A (zh) | 基于遥感影像的农作物信息展示系统、方法、设备及介质 | |
CN115375868B (zh) | 地图显示和遥感地图显示方法、计算设备以及存储介质 | |
CN111611948A (zh) | 基于cim与区块链的城市垃圾桶满溢检测方法 | |
CN110087041A (zh) | 基于5g基站的视频数据处理及传输方法和系统 | |
CN114943902A (zh) | 基于多尺度特征感知网络的城市植被无人机遥感分类方法 | |
CN116343103A (zh) | 一种基于三维gis场景与视频融合的自然资源监管方法 | |
CN113486779A (zh) | 输电线路全景智能巡检系统 | |
Gao et al. | Road extraction using a dual attention dilated-linknet based on satellite images and floating vehicle trajectory data | |
CN109345450B (zh) | 一种利用地理实体要素信息的影像镶嵌方法 | |
Turukmane et al. | Multispectral image analysis for monitoring by IoT based wireless communication using secure locations protocol and classification by deep learning techniques | |
CN112954269B (zh) | 一种用于大规模视觉计算系统的节点协同选择方法 | |
CN112066998A (zh) | 用于航线地图的渲染方法及系统 | |
JP7219143B2 (ja) | 撮影計画立案装置およびその方法 | |
CN116524143A (zh) | 一种gis地图构建方法 | |
US10823881B2 (en) | Cloud forecast using sequential images | |
Tao et al. | Optimal selection from extremely redundant satellite images for efficient large-scale mapping | |
US20220414362A1 (en) | Method and system for optimizing image data for generating orthorectified image | |
CN112822451B (zh) | 一种用于感知系统构建的前端节点优化选择方法 |
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 |