CN114915753A - 云服务器的构架、数据处理方法及存储介质 - Google Patents

云服务器的构架、数据处理方法及存储介质 Download PDF

Info

Publication number
CN114915753A
CN114915753A CN202210057745.6A CN202210057745A CN114915753A CN 114915753 A CN114915753 A CN 114915753A CN 202210057745 A CN202210057745 A CN 202210057745A CN 114915753 A CN114915753 A CN 114915753A
Authority
CN
China
Prior art keywords
video data
data
cloud server
edge server
category
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.)
Pending
Application number
CN202210057745.6A
Other languages
English (en)
Inventor
林宇晨
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Shushang Times Technology Co ltd
Original Assignee
Shenzhen Shushang Times Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Shushang Times Technology Co ltd filed Critical Shenzhen Shushang Times Technology Co ltd
Publication of CN114915753A publication Critical patent/CN114915753A/zh
Pending legal-status Critical Current

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
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/71—Indexing; Data structures therefor; Storage structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
    • G06F21/31—User authentication
    • G06F21/32—User authentication using biometric data, e.g. fingerprints, iris scans or voiceprints
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/06—Protocols specially adapted for file transfer, e.g. file transfer protocol [FTP]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks

Abstract

本申请公开了一种云服务器的构架、数据处理方法及存储介质，所述构架包括：云服务器、边缘服务器、智能网关以及摄像头，其中，智能网关与摄像头连接，智能网关还与边缘服务器连接，边缘服务器与云服务器连接；摄像头，用于采集实时的视频数据，将该视频数据发送至智能网关；智能网关，用于将该视频数据转发给边缘服务器；边缘服务器，用于对该视频数据进行处理得到视频数据的类别，将对应类别的视频数据发送至云服务器；云服务器，用于将该视频数据进行图像识别处理得到该视频数据的对应特征，依据该特征对该视频数据执行云存储。本申请提供的技术方案具有成本低的优点。

Description

云服务器的构架、数据处理方法及存储介质
技术领域
本申请涉及通信技术领域，尤其涉及一种云服务器的构架、数据处理方法及存储介质。
背景技术
云服务器(Elastic Compute Service，ECS)为一种简单高效、安全可靠、处理能力可弹性伸缩的计算服务。云服务器的管理方式比物理服务器更简单高效。具体应用中，用户无需提前购买硬件，即可迅速创建或释放任意多台云服务器。
虽然云服务器帮助用户快速构建更稳定、安全的应用，降低开发运维的难度和整体IT成本，使用户能够更专注于核心业务的创新。但现有的云服务器的系统的数据处理效率低，成本高。
发明内容
本申请实施例提供一种云服务器的构架、数据处理方法及存储介质。其能够降低成本，提高效率。
第一方面，本申请实施例提供一种云服务器的构架，所述构架包括：云服务器、边缘服务器、智能网关以及摄像头，其中，所述智能网关与所述摄像头连接，所述智能网关还与所述边缘服务器连接，所述边缘服务器与所述云服务器连接；
所述摄像头，用于采集实时的视频数据，将该视频数据发送至所述智能网关；
所述智能网关，用于将所述视频数据转发给所述边缘服务器；
所述边缘服务器，用于对所述视频数据进行处理得到视频数据的类别，将对应类别的视频数据发送至所述云服务器；
所述云服务器，用于将所述视频数据进行图像识别处理得到所述视频数据的对应特征，依据所述特征对所述视频数据执行云存储。
第二方面，本申请实施例提供一种云服务器的数据处理方法，所述方法包括：
摄像头采集实时的视频数据，将所述视频数据发送至智能网关；
所述智能网关将所述视频数据转发给边缘服务器；
所述边缘服务器对所述视频数据进行处理得到视频数据的类别，将对应类别的视频数据发送至云服务器；
所述云服务器将所述视频数据进行图像识别处理得到所述视频数据的对应特征，依据所述特征对所述视频数据执行云存储。
第三方面，本申请实施例提供一种电子设备，包括处理器、存储器、通信接口以及一个或多个程序，其中，上述一个或多个程序被存储在上述存储器中，并且被配置由上述处理器执行，上述程序包括用于执行本申请实施例第二方面任一方法中的步骤的指令。
第四方面，本申请实施例提供了一种计算机可读存储介质，其中，上述计算机可读存储介质存储用于电子数据交换的计算机程序，其中，上述计算机程序使得计算机执行如本申请实施例第二方面任一方法中所描述的部分或全部步骤。
第五方面，本申请实施例提供了一种计算机程序产品，其中，上述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，上述计算机程序可操作来使计算机执行如本申请实施例第二方面任一方法中所描述的部分或全部步骤。该计算机程序产品可以为一个软件安装包。
可以看出，本申请提供的技术方案采集实时的视频数据，将该视频数据发送至智能网关；智能网关，用于将该视频数据转发给边缘服务器；边缘服务器，用于对该视频数据进行处理得到视频数据的类别，将对应类别的视频数据发送至云服务器；云服务器，用于将该视频数据进行图像识别处理得到该视频数据的对应特征，依据该特征对该视频数据执行云存储。这样即能够对视频数据按特征进行存储，进而有效的对数据进行动态处理，提高数据的处理效率，对视频数据进行有效的存储，提高了用户体验度。
附图说明
为了更清楚地说明本申请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申请的一些实施例，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是本申请实施例提供的一种云服务器的构架的结构示意图；
图2是本申请实施例提供的一种云服务器的数据处理方法的流程示意图；
图3是本申请实施例提供的另一种云服务器的数据处理方法的流程示意图；
图4是本申请实施例提供的一种电子设备的结构示意图；
图5是本申请实施例提供的一种云服务器的数据处理装置的功能单元组成框图。
具体实施方式
下面将结合附图，对本申请实施例中的技术方案进行描述。
为了更好地理解本申请实施例的方案，下面先对本申请实施例可能涉及的相关术语和概念进行介绍。
本申请实施例所公开的示例应用场景介绍如下。
本申请实施例中，电子设备可以包括以下至少一种：实现本申请所涉及的云服务器的数据处理方法的软件系统、云服务器、控制平台等等，在此不做限定。电子设备可以为软体装置或者实体装置，电子设备可以通过处理器执行下述任一种云服务器的数据处理方法，或者，电子设备也可以包括下述任一种云服务器的数据处理装置。
本申请提供的技术方案在云服务器构架下执行，该云服务器构架也可以被称之为数据处理系统，该云服务器构架如图1所示，包括：云服务器101、边缘服务器102、智能网关103以及摄像头104，其中，智能网关与摄像头连接，智能网关还与边缘服务器连接，边缘服务器与云服务器连接；
所述摄像头，用于采集实时的视频数据，将该视频数据发送至所述智能网关；
所述智能网关，用于将所述视频数据转发给所述边缘服务器；
所述边缘服务器，用于对所述视频数据进行处理得到视频数据的类别，将对应类别的视频数据发送至所述云服务器；
所述云服务器，用于将所述视频数据进行图像识别处理得到所述视频数据的对应特征，依据所述特征对所述视频数据执行云存储。
本申请提供的技术方案采集实时的视频数据，将该视频数据发送至智能网关；智能网关，用于将该视频数据转发给边缘服务器；边缘服务器，用于对该视频数据进行处理得到视频数据的类别，将对应类别的视频数据发送至云服务器；云服务器，用于将该视频数据进行图像识别处理得到该视频数据的对应特征，依据该特征对该视频数据执行云存储。这样即能够对视频数据按特征进行存储，进而有效的对数据进行动态处理，提高数据的处理效率，对视频数据进行有效的存储，提高了用户体验度。
在一种可选的方案中，所述边缘服务器，具体用于调用特征提取网络对该视频数据进行处理得到该视频数据的输入数据，将该输入数据输入到神经网络模型中执行正向运算得到正向运算结果，依据该正向运算的结果确定该视频数据的类别。
在一种可选的方案中，所述将该输入数据输入到神经网络模型中执行正向运算得到正向运算结果具体包括：
将该输入数据执行多层卷积运算得到该卷积运算结果，将该卷积运算结果执行全连接运算得全连接结果，依据该全连接结果确定该视频数据的类别。
在一种可选的方案中，所述云服务器，具体用于将所述视频数据按时间划分成m个时间区域，将m个时间区域分别进行识别确定所述m个时间区域的m个关键字集合，将m个关键字集合中重复关键字的次数，将次数大于阈值的关键字确定为该视频数据的对应特征。
在一种可选的方案中，所述将该用户数据云存储具体包括：
所述边缘服务器，具体用于将该视频数据执行CBM后得到CBM结果，然后对CBM结果执行多次跨层残差连接CResX操作得到视频数据中的输入数据；
该X为：CRes操作中残差单元Res unit的个数；
CBM包括：卷积运算、批归一化BN以及Mish激活函数。
上述智能网关与摄像头连接，智能网关还与边缘服务器连接，边缘服务器与云服务器连接均可以采用无线或者有线方式进行通信，无线通信方式可以包括以下至少一种：蓝牙通信、红外通信、蓝外通信、可见光通信、移动通信(2G、3G、4G、5G、6G等)、无线保真(wireless fidelity，Wi-Fi)、毫米波通信等等，在此不做限定。
基于上述云服务器的构架，请参阅图2，图2是本申请实施例提供的一种云服务器的数据处理方法的流程示意图，如图所示，本云服务器的数据处理方法包括：
201、摄像头采集实时的视频数据，将所述视频数据发送至智能网关。
其中，本申请实施例中，摄像头可以包括一个或者多个摄像头，该摄像头可以为可见光摄像头或者红外摄像头，该摄像头还可以为普通视角摄像头或者广角摄像头，该摄像头可以为旋转摄像头，或者，非旋转摄像头。
具体实现中，摄像头可以获取环境参数，再确定与环境参数对应的拍摄参数，基于该拍摄参数进行拍摄，得到实时的视频数据，再将视频数据发送至智能网关。其中，环境参数可以包括以下至少一种：环境光亮度、环境温度、环境湿度、天气等等，在此不做限定，拍摄参数可以包括以下至少一种：感光度、曝光时长、白平衡参数等等，在此不做限定。
202、所述智能网关将所述视频数据转发给边缘服务器。
其中，本申请实施例中，智能网关可以将视频数据进行打包处理，再将打包后的视频数据发送给边缘服务器。
具体实现中，智能网关也可以对视频数据进行加密，再将加密后的视频数据转发给边缘服务器，由边缘服务器对该加密后的视频数据进行解密，得到无加密的视频数据，如此，可以提升数据传输安全性。
具体实现中，智能网关也可以对视频数据进行压缩，再将压缩后的视频数据转发给边缘服务器，由边缘服务器对该压缩后的视频数据进行解压，得到无压缩的视频数据，如此，可以提升数据传输效率。
203、所述边缘服务器对所述视频数据进行处理得到视频数据的类别，将对应类别的视频数据发送至云服务器。
其中，具体实现中，边缘服务器可以对视频数据进行类别识别，可以得到视频数据的类别，再将对应类别的数据发送给云服务器，即不同的视频数据可以对应不同的类别标签，类别标签可以包括以下至少一种：身份标签、动作标签、位置标签、日期标签等等，在此不做限定。进而，可以将对应类别的视频数据存储到云服务器的相应区域，从而，有助于提升数据管理效率。
204、所述云服务器将所述视频数据进行图像识别处理得到所述视频数据的对应特征，依据所述特征对所述视频数据执行云存储。
其中，特征类型可以包括以下至少一种：人物特征类型、物件特征类型、场景特征类型、特征点类型、特征纹路类型等等，在此不做限定。不同的特征可以对应不同的存储参数，即可以预先设置特征类型与存储参数之间的映射关系，其中，存储参数可以包括以下至少一种：存储位置、存储时长、压缩方式、加密方式等等，在此不做限定。
可选的，所述边缘服务器对该视频数据进行处理得到视频数据的类别具体包括：
所述边缘服务器调用特征提取网络对所述视频数据进行处理得到所述视频数据的输入数据，将所述输入数据输入到神经网络模型中执行正向运算得到正向运算结果，依据该正向运算的结果确定所述视频数据的类别。
其中，特征提取网络可以包括以下至少一种：Alexnet网络、Googlenet网络、resnet网络等等，在此不做限定。
具体实现中，边缘服务器可以调用特征提取网络对该视频数据进行处理得到该视频数据的输入数据，再将该输入数据输入到神经网络模型中执行正向运算得到正向运算结果，依据该正向运算的结果确定该视频数据的类别。输入数据可以包括以下至少一种：特征点、特征轮廓、特征向量、特征位置等等，在此不做限定。
具体实现中，可以获取大量样本，将这些样本输入到神经网络模型中进行训练，在训练达到预设条件时，得到训练好的神经网络模型，预设条件可以预先设置或者系统默认，例如，预设条件可以为达到指定训练次数，或者，神经网络模型的精度达到预设精度等等，在此不做限定。
可选的，所述将该输入数据输入到神经网络模型中执行正向运算得到正向运算结果具体包括：
将该输入数据执行多层卷积运算得到该卷积运算结果，将该卷积运算结果执行全连接运算得全连接结果，依据该全连接结果确定该视频数据的类别。
其中，神经网络模型可以包括以下至少一种：卷积神经网络模型、全连接神经网络模型、循环神经网络模型等等，在此不做限定。
具体实现中，可以将输入数据执行多层卷积运算得到该卷积运算结果，将该卷积运算结果执行全连接运算得全连接结果，进而，可以深层次捕捉图像的特征，依据该全连接结果确定该视频数据的类别，进而，实现深层图像识别，可以提升类别识别精准度。
在一种可选的方案中，本申请的技术方案可以配置设置单独的人工智能(AI)芯片执行卷积运算。该卷积运算可以包括多层(级)卷积运算，该人工智能芯片可以包括：分配计算处理电路以及x个计算处理电路，x为大于1的整数，该人工智能芯片可以获取输入数据的矩阵尺寸可以记作：CI*CH。
举例说明下，若n层卷积运算中的卷积核尺寸为a*a卷积核，a为大于或等于3的整数，例如，a＝3，则可以分配计算处理电路将CI*CH按CI方向划分成CI/x数据块，其中，CI为x的整数倍，进一步的，可以将CI/x数据块按顺序分配给x个计算处理电路，每一计算处理电路可以对应一个线程或者一个进程，x个计算处理电路可以将分别接收分配到的1个数据块与第k层卷积核执行第k层卷积运算得到第k卷积结果，即可以将x个计算处理电路的x个结果矩阵(CI/x-2)*(CH-2)按顺序组合起来得到第k卷积结果，再将第k卷积结果的边缘2列(即相邻列的结果为不同的计算处理电路计算得到的2列确定为边缘列)的结果发送至分配处理电路，如此，可以首先多任务并行操作，以保证计算高效进行。
进而，x个计算处理电路可以将第k层卷积结果与第(k+1)层卷积核执行卷积运算得到第(k+1)卷积结果，将第(k+1)卷积结果发送至分配计算处理电路，分配计算处理电路可以将(CI/x－1)个组合数据块与第k层卷积核执行第k层卷积运算得到第k组合结果，再将第k结合结果与第k卷积结果的边缘2列的结果拼接，即将第k结合结果按卷积运算的数学规则插入到边缘2列的中间，从而可以得到第(k+1)结合数据块，再将第(k+1)结合数据块与第(k+1)卷积核执行卷积运算得到第(k+1)结合结果，接着，可以将第(k+1)结合结果插入到第(k+1)卷积结果边缘列之间得到第(k+1)层卷积结果，即相邻列的结果为不同的计算处理电路计算得到，进而，人工智能芯片则可以依据第(k+1)层卷积结果执行剩余卷积层(k+1层之后的卷积核)运算得到第n层卷积运算结果，如此，可以完成任一层的运算。
具体实现中，针对剩余卷积层的运算，则可以参见第k层以及第(k+1)层的计算，该i为≥1的整数且小于等于n，上述n为神经网络模型的卷积层总层数，i为卷积层的层编号，该CI为矩阵的列值，CH为矩阵的行值。
其中，组合数据块可以理解为相邻2个数据块之间的4列数据组成的4*CI矩阵，例如，第1个数据块(第1计算处理电路分配的数据块)的最后2列与第2个数据块(第2计算处理电路分配的数据块)前2列数据组成的4*CH矩阵，如此，可以提升运算效率。
本申请实施例中，由于设置单独的人工智能芯片执行卷积运算可以提高卷积运算的速度，也可以减少输入输出开销，从而，其具备节省成本以及低功耗优势。
可选的，所述将该视频数据进行图像识别处理得到该视频数据的对应特征具体包括：
将所述视频数据按时间划分成m个时间区域，将所述m个时间区域分别进行识别确定所述m个时间区域的m个关键字集合，将所述m个关键字集合中重复关键字的次数，将次数大于阈值的关键字确定为所述视频数据的对应特征。
其中，m为大于1的整数。上述阈值可以预先设置或者系统默认。
具体实现中，可以将视频数据按时间划分成m个时间区域，将m个时间区域对应的视频数据分别进行识别确定m个时间区域的m个关键字集合，具体可以采用m个线程或者m个进程，分别利用每一线程或者进程对应一个时间区域对应的视频数据进行识别，得到该时间区域对应的关键字集合，每一关键字集合包括至少一个关键字，其中，关键字可以为识别到的特征标签，最后，可以统计m个关键字集合中重复关键字的次数，将次数大于阈值的关键字确定为视频数据的对应特征。
可以看出，本申请提供的技术方案采集实时的视频数据，将该视频数据发送至智能网关；智能网关，用于将该视频数据转发给边缘服务器；边缘服务器，用于对该视频数据进行处理得到视频数据的类别，将对应类别的视频数据发送至云服务器；云服务器，用于将该视频数据进行图像识别处理得到该视频数据的对应特征，依据该特征对该视频数据执行云存储。这样即能够对视频数据按特征进行存储，进而有效的对数据进行动态处理，提高数据的处理效率，对视频数据进行有效的存储，提高了用户体验度。
请参阅图3，图3是本申请实施例提供的一种云服务器的数据处理方法的流程示意图，如图所示，应用于电子设备，本云服务器的数据处理方法包括：
301、摄像头采集实时的视频数据，将所述视频数据发送至智能网关。
302、所述智能网关统计所述视频数据的内存大小，在内存大小达到指定内存大小时，将所述视频数据转发给边缘服务器。
其中，指定内存大小可以预先设置或者系统默认，即智能网关可以进行视频数据缓存，当视频数据的内存达到指定内存大小时，才将其转发给边缘服务器。
303、所述边缘服务器对所述视频数据进行处理得到视频数据的类别，将对应类别的视频数据发送至云服务器。
具体实现中，边缘服务器还可以去掉视频数据中不包括目标的内容，以减少视频数据的信息处理量，即只将重要的内容发送给云服务器用以存储。
304、所述云服务器将所述视频数据进行图像识别处理得到所述视频数据的对应特征，依据所述特征对所述视频数据执行云存储。
其中，上述步骤301-步骤304的具体描述可以参照上述图2所描述的相应步骤，在此不再赘述。
可以看出，本申请提供的技术方案采集实时的视频数据，将该视频数据发送至智能网关；智能网关，用以统计所述视频数据的内存大小，在内存大小达到指定内存大小时，将该视频数据转发给边缘服务器；边缘服务器，用于对该视频数据进行处理得到视频数据的类别，将对应类别的视频数据发送至云服务器；云服务器，用于将该视频数据进行图像识别处理得到该视频数据的对应特征，依据该特征对该视频数据执行云存储。这样即能够对视频数据按特征进行存储，进而有效的对数据进行动态处理，提高数据的处理效率，对视频数据进行有效的存储，提高了用户体验度。
与上述实施例一致地，请参阅图4，图4是本申请实施例提供的一种电子设备的结构示意图，如图所示，该电子设备包括处理器、存储器、通信接口以及一个或多个程序，上述一个或多个程序被存储在上述存储器中，并且被配置由上述处理器执行，本申请实施例中，上述程序包括用于执行以下步骤的指令：
摄像头采集实时的视频数据，将所述视频数据发送至智能网关；
所述智能网关将所述视频数据转发给边缘服务器；
所述边缘服务器对所述视频数据进行处理得到视频数据的类别，将对应类别的视频数据发送至云服务器；
所述云服务器将所述视频数据进行图像识别处理得到所述视频数据的对应特征，依据所述特征对所述视频数据执行云存储。
可选的，在所述边缘服务器对所述视频数据进行处理得到视频数据的类别方面，上述程序包括用于执行以下步骤的指令：
所述边缘服务器调用特征提取网络对所述视频数据进行处理得到所述视频数据的输入数据，将所述输入数据输入到神经网络模型中执行正向运算得到正向运算结果，依据所述正向运算的结果确定所述视频数据的类别。
可选的，在所述将所述输入数据输入到神经网络模型中执行正向运算得到正向运算结果方面，上述程序包括用于执行以下步骤的指令：
将所述输入数据执行多层卷积运算得到卷积运算结果，将卷积运算结果执行全连接运算得全连接结果，依据所述全连接结果确定所述视频数据的类别。
可选的，在所述将所述视频数据进行图像识别处理得到所述视频数据的对应特征方面，上述程序包括用于执行以下步骤的指令：
将所述视频数据按时间划分成m个时间区域，将所述m个时间区域分别进行识别确定所述m个时间区域的m个关键字集合，将所述m个关键字集合中重复关键字的次数，将次数大于阈值的关键字确定为所述视频数据的对应特征。
可选的，在所述将该用户数据云存储方面，上述程序包括用于执行以下步骤的指令：
所述边缘服务器将所述视频数据执行CBM后得到CBM结果，对所述CBM结果执行多次跨层残差连接CResX操作得到所述视频数据中的输入数据；
其中，X为：CRes操作中残差单元Res unit的个数；
CBM包括：卷积运算、批归一化BN以及Mish激活函数。
可以看出，本申请提供的电子设备，通过采集实时的视频数据，将该视频数据发送至智能网关；智能网关，用于将该视频数据转发给边缘服务器；边缘服务器，用于对该视频数据进行处理得到视频数据的类别，将对应类别的视频数据发送至云服务器；云服务器，用于将该视频数据进行图像识别处理得到该视频数据的对应特征，依据该特征对该视频数据执行云存储。这样即能够对视频数据按特征进行存储，进而有效的对数据进行动态处理，提高数据的处理效率，对视频数据进行有效的存储，提高了用户体验度。
图5是本申请实施例中所涉及的云服务器的数据处理装置500的功能单元组成框图。该云服务器的数据处理装置500包括：视频获取单元501、转发单元502、类别识别单元503和存储单元504，其中，
所述视频获取单元501，用于通过摄像头采集实时的视频数据，将所述视频数据发送至智能网关；
所述转发单元502，用于通过所述智能网关将该视频数据转发给边缘服务器；
所述类别识别单元503，用于通过所述边缘服务器对所述视频数据进行处理得到视频数据的类别，将对应类别的视频数据发送至云服务器；
所述存储单元504，用于通过所述云服务器将所述视频数据进行图像识别处理得到所述视频数据的对应特征，依据该特征对该视频数据执行云存储。
可选的，所述装置500具体用于：
通过所述边缘服务器调用特征提取网络对所述视频数据进行处理得到所述视频数据的输入数据，将所述输入数据输入到神经网络模型中执行正向运算得到正向运算结果，依据该正向运算的结果确定所述视频数据的类别。
可选的，所述将所述输入数据输入到神经网络模型中执行正向运算得到正向运算结果具体包括：
将所述输入数据执行多层卷积运算得到卷积运算结果，将所述卷积运算结果执行全连接运算得全连接结果，依据所述全连接结果确定所述视频数据的类别。
可选的，所述装置500具体用于：
所述云服务器将所述视频信息按时间划分成m个时间区域，将所述m个时间区域分别进行识别确定所述m个时间区域的m个关键字集合，将所述m个关键字集合中重复关键字的次数，将次数大于阈值的关键字确定为所述视频数据的对应特征。
可选的，所述将该用户数据云存储具体包括：
所述边缘服务器，具体用于将所述视频数据执行CBM后得到CBM结果，对所述CBM结果执行多次跨层残差连接CResX操作得到所述视频数据中的输入数据；
其中，X为：CRes操作中残差单元Res unit的个数；
CBM包括：卷积运算、批归一化BN以及Mish激活函数。
可以看出，本申请提供的数据处理装置，通过采集实时的视频数据，将该视频数据发送至智能网关；智能网关，用于将该视频数据转发给边缘服务器；边缘服务器，用于对该视频数据进行处理得到视频数据的类别，将对应类别的视频数据发送至云服务器；云服务器，用于将该视频数据进行图像识别处理得到该视频数据的对应特征，依据该特征对该视频数据执行云存储。这样即能够对视频数据按特征进行存储，进而有效的对数据进行动态处理，提高数据的处理效率，对视频数据进行有效的存储，提高了用户体验度。
可以理解的是，本实施例的数据展示装置的各程序模块的功能可根据上述方法实施例中的方法具体实现，其具体实现过程可以参照上述方法实施例的相关描述，此处不再赘述。
本实施例还提供一种计算机存储介质，该计算机存储介质中存储有计算机指令，当该计算机指令在电子设备上运行时，使得电子设备执行上述相关方法步骤实现上述实施例中的云服务器的数据处理方法。
本实施例还提供了一种计算机程序产品，当该计算机程序产品在计算机上运行时，使得计算机执行上述相关步骤，以实现上述实施例中的云服务器的数据处理方法。
另外，本申请的实施例还提供一种装置，这个装置具体可以是芯片，组件或模块，该装置可包括相连的处理器和存储器；其中，存储器用于存储计算机执行指令，当装置运行时，处理器可执行存储器存储的计算机执行指令，以使芯片执行上述各方法实施例中的云服务器的系统部署与升级方法。
其中，本实施例提供的电子设备、计算机存储介质、计算机程序产品或芯片均用于执行上文所提供的对应的方法，因此，其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。
通过以上实施方式的描述，所属领域的技术人员可以了解到，为描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，模块或单元的划分，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，例如多个单元或组件可以结合或者可以集成到另一个装置，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是一个物理单元或多个物理单元，即可以位于一个地方，或者也可以分布到多个不同地方。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个可读取存储介质中。基于这样的理解，本申请实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该软件产品存储在一个存储介质中，包括若干指令用以使得一个设备(可以是单片机，芯片等)或处理器(processor)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(read only memory，ROM)、随机存取存储器(random access memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上内容，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，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，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权利要求的保护范围为准。

Claims (10)

1.一种云服务器的构架，其特征在于，所述构架包括：云服务器、边缘服务器、智能网关以及摄像头，其中，所述智能网关与所述摄像头连接，所述智能网关还与所述边缘服务器连接，所述边缘服务器与所述云服务器连接；
所述摄像头，用于采集实时的视频数据，将该视频数据发送至所述智能网关；
所述智能网关，用于将所述视频数据转发给所述边缘服务器；
所述边缘服务器，用于对所述视频数据进行处理得到视频数据的类别，将对应类别的视频数据发送至所述云服务器；
所述云服务器，用于将所述视频数据进行图像识别处理得到所述视频数据的对应特征，依据所述特征对所述视频数据执行云存储。
2.根据权利要求1所述的构架，其特征在于，
所述边缘服务器，具体用于调用特征提取网络对所述视频数据进行处理得到所述视频数据的输入数据，将所述输入数据输入到神经网络模型中执行正向运算得到正向运算结果，依据该正向运算的结果确定所述视频数据的类别。
3.根据权利要求2所述的构架，其特征在于，所述将所述输入数据输入到神经网络模型中执行正向运算得到正向运算结果具体包括：
将所述输入数据执行多层卷积运算得到卷积运算结果，将所述卷积运算结果执行全连接运算得全连接结果，依据所述全连接结果确定所述视频数据的类别。
4.根据权利要求1所述的构架，其特征在于，
所述云服务器，具体用于将所述视频信息按时间划分成m个时间区域，将所述m个时间区域分别进行识别确定所述m个时间区域的m个关键字集合，将所述m个关键字集合中重复关键字的次数，将次数大于阈值的关键字确定为所述视频数据的对应特征。
5.根据权利要求1所述的构架，其特征在于，所述将该用户数据云存储具体包括：
所述边缘服务器，具体用于将所述视频数据执行CBM后得到CBM结果，对所述CBM结果执行多次跨层残差连接CResX操作得到所述视频数据中的输入数据；
其中，X为：CRes操作中残差单元Res unit的个数；
CBM包括：卷积运算、批归一化BN以及Mish激活函数。
6.一种云服务器的数据处理方法，其特征在于，所述方法包括：
摄像头采集实时的视频数据，将所述视频数据发送至智能网关；
所述智能网关将所述视频数据转发给边缘服务器；
所述边缘服务器对所述视频数据进行处理得到视频数据的类别，将对应类别的视频数据发送至云服务器；
所述云服务器将所述视频数据进行图像识别处理得到所述视频数据的对应特征，依据所述特征对所述视频数据执行云存储。
7.根据权利要求6所述的方法，其特征在于，所述边缘服务器对所述视频数据进行处理得到视频数据的类别具体包括：
所述边缘服务器调用特征提取网络对所述视频数据进行处理得到所述视频数据的输入数据，将所述输入数据输入到神经网络模型中执行正向运算得到正向运算结果，依据所述正向运算的结果确定所述视频数据的类别。
8.根据权利要求7所述的方法，其特征在于，所述将所述输入数据输入到神经网络模型中执行正向运算得到正向运算结果具体包括：
将所述输入数据执行多层卷积运算得到卷积运算结果，将卷积运算结果执行全连接运算得全连接结果，依据所述全连接结果确定所述视频数据的类别。
9.根据权利要求6所述的方法，其特征在于，所述将所述视频数据进行图像识别处理得到所述视频数据的对应特征具体包括：
将所述视频数据按时间划分成m个时间区域，将所述m个时间区域分别进行识别确定所述m个时间区域的m个关键字集合，将所述m个关键字集合中重复关键字的次数，将次数大于阈值的关键字确定为所述视频数据的对应特征。
10.一种计算机可读存储介质，其特征在于，存储用于电子数据交换的计算机程序，其中，所述计算机程序使得计算机执行如权利要求6-9任一项所述的方法。
CN202210057745.6A 2021-01-29 2022-01-19 云服务器的构架、数据处理方法及存储介质 Pending CN114915753A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN2021101261174 2021-01-29
CN202110126117 2021-01-29

Publications (1)

Publication Number Publication Date
CN114915753A true CN114915753A (zh) 2022-08-16

Family

ID=82762845

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210057745.6A Pending CN114915753A (zh) 2021-01-29 2022-01-19 云服务器的构架、数据处理方法及存储介质

Country Status (1)

Country Link
CN (1) CN114915753A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115690897A (zh) * 2022-08-31 2023-02-03 北京夕阳无忧科技有限公司 防隐私泄漏的意外行为处理方法、装置、设备及存储介质
CN117082267A (zh) * 2023-10-13 2023-11-17 南京感动科技有限公司 一种高速公路全码流视频实时上云系统及方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115690897A (zh) * 2022-08-31 2023-02-03 北京夕阳无忧科技有限公司 防隐私泄漏的意外行为处理方法、装置、设备及存储介质
CN115690897B (zh) * 2022-08-31 2023-10-20 北京夕阳无忧科技有限公司 防隐私泄漏的意外行为处理方法、装置、设备及存储介质
CN117082267A (zh) * 2023-10-13 2023-11-17 南京感动科技有限公司 一种高速公路全码流视频实时上云系统及方法
CN117082267B (zh) * 2023-10-13 2024-01-23 南京感动科技有限公司 一种高速公路全码流视频实时上云系统

Similar Documents

Publication Publication Date Title
CN111950723B (zh) 神经网络模型训练方法、图像处理方法、装置及终端设备
CN108830235B (zh) 用于生成信息的方法和装置
CN114915753A (zh) 云服务器的构架、数据处理方法及存储介质
US11087140B2 (en) Information generating method and apparatus applied to terminal device
CN108683877A (zh) 基于Spark的分布式海量视频解析系统
CN110298296B (zh) 应用于边缘计算设备的人脸识别方法
CN111260037A (zh) 图像数据的卷积运算方法、装置、电子设备及存储介质
CN110555334B (zh) 人脸特征确定方法、装置、存储介质及电子设备
CN112163468A (zh) 基于多线程的图像处理方法及装置
CN111125382A (zh) 人员轨迹实时监测方法及终端设备
CN114612987A (zh) 一种表情识别方法及装置
CN112906806A (zh) 一种基于神经网络的数据优化方法及装置
CN115168024A (zh) 基于边缘计算的预警方法、装置及设备
CN113205158A (zh) 网络模型的剪枝量化处理方法、装置、设备及存储介质
CN112969032A (zh) 光照模式识别方法、装置、计算机设备及存储介质
US20180359378A1 (en) System, method, and non-transitory computer readable storage medium for image recognition based on convolutional neural networks
CN111736988A (zh) 一种异构加速方法、设备、装置及计算机可读存储介质
CN109784226B (zh) 人脸抓拍方法及相关装置
CN112950641A (zh) 图像处理方法及装置、计算机可读存储介质和电子设备
CN114330675A (zh) 一种芯片、加速卡、电子设备和数据处理方法
CN114090262A (zh) 对象处理方法及装置、电子设备、存储介质
WO2022165675A1 (zh) 一种手势识别方法、装置、终端设备及可读存储介质
CN112861687A (zh) 用于门禁系统的口罩佩戴检测方法、装置、设备和介质
CN111899187A (zh) 场景信息的处理方法、装置、存储介质及电子装置
CN113221920B (zh) 图像识别方法、装置、设备、存储介质以及计算机程序产品

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