CN116723295A - 基于gpgpu芯片的多摄像头监控管理系统 - Google Patents
基于gpgpu芯片的多摄像头监控管理系统 Download PDFInfo
- Publication number
- CN116723295A CN116723295A CN202310682588.2A CN202310682588A CN116723295A CN 116723295 A CN116723295 A CN 116723295A CN 202310682588 A CN202310682588 A CN 202310682588A CN 116723295 A CN116723295 A CN 116723295A
- Authority
- CN
- China
- Prior art keywords
- module
- video
- camera
- processing
- gpgpu
- 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
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 54
- 238000012545 processing Methods 0.000 claims abstract description 70
- 238000007726 management method Methods 0.000 claims abstract description 60
- 238000005516 engineering process Methods 0.000 claims abstract description 30
- 238000004458 analytical method Methods 0.000 claims abstract description 22
- 238000000034 method Methods 0.000 claims abstract description 20
- 238000001514 detection method Methods 0.000 claims abstract description 18
- 230000006870 function Effects 0.000 claims abstract description 15
- 230000008569 process Effects 0.000 claims abstract description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 47
- 230000005540 biological transmission Effects 0.000 claims description 18
- 238000003860 storage Methods 0.000 claims description 17
- 238000013500 data storage Methods 0.000 claims description 16
- 230000002159 abnormal effect Effects 0.000 claims description 14
- 238000013461 design Methods 0.000 claims description 13
- 238000004891 communication Methods 0.000 claims description 11
- 238000013523 data management Methods 0.000 claims description 9
- 238000013135 deep learning Methods 0.000 claims description 9
- HPTJABJPZMULFH-UHFFFAOYSA-N 12-[(Cyclohexylcarbamoyl)amino]dodecanoic acid Chemical compound OC(=O)CCCCCCCCCCCNC(=O)NC1CCCCC1 HPTJABJPZMULFH-UHFFFAOYSA-N 0.000 claims description 7
- 230000006399 behavior Effects 0.000 claims description 7
- 230000033001 locomotion Effects 0.000 claims description 7
- 230000004044 response Effects 0.000 claims description 7
- 230000006835 compression Effects 0.000 claims description 6
- 238000007906 compression Methods 0.000 claims description 6
- 238000011161 development Methods 0.000 claims description 6
- 230000003993 interaction Effects 0.000 claims description 6
- 230000008447 perception Effects 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 6
- 238000010801 machine learning Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 206010000117 Abnormal behaviour Diseases 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 3
- 238000005286 illumination Methods 0.000 claims description 3
- 230000009545 invasion Effects 0.000 claims description 3
- 230000001360 synchronised effect Effects 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 239000008186 active pharmaceutical agent Substances 0.000 claims 1
- 238000001914 filtration Methods 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000007635 classification algorithm Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Closed-Circuit Television Systems (AREA)
Abstract
本发明公开了基于GPGPU芯片的多摄像头监控管理系统，基于GPGPU芯片的多摄像头监控管理系统包括系统架构模块、多摄像头接入模块、视频采集处理模块、数据存储管理模块、用户界面管理模块、网络安全模块。基于GPGPU芯片具备强大的并行计算能力，能够同时处理多个摄像头的视频数据。这使得系统能够实时处理和分析多路视频流，提高系统的处理速度和效率；快速进行目标检测、跟踪和行为分析，提供实时的监控和警报功能，解决了监控系统中的警报功能可能存在误报问题，智能识别与操控解决了旧技术需要专业知识和技术支持的人力支出。
Description
技术领域
本发明涉及多摄像头监控管理领域，更具体地说，涉及基于GPGPU芯片的多摄像头监控管理系统。
背景技术
随着科技发展和进步、人们的财力物力增加，为了实现安全保护和实现远程监管，监控被应用到了生活的各个场景中。多摄像头可以实现多视角全方位展现，方便快速识别异常；同时，实时监控于需要实时监控的场所，如银行、商场、交通枢纽等，可以帮助监控人员及时发现潜在的安全威胁，减少盗窃、破坏等犯罪行为的发生；在大型工厂或仓库中，监控系统可以监视生产线、货物存储区域等，及时发现异常情况，避免损失和生产中断。
但当前多摄像头监控管理系统的配置和部署过程相对复杂，需要专业知识和技术支持。这可能使得一般用户在设置和使用系统时遇到困难；监控系统中的警报功能可能存在误报问题，即错误地将正常活动识别为异常活动，导致频繁的警报触发。这可能会给用户带来困扰，并降低对警报的关注度
为此，我们提供基于GPGPU芯片的多摄像头监控管理系统来解决上述问题。
发明内容
本发明的目的在于提供基于GPGPU芯片的多摄像头监控管理系统，以解决上述背景技术提出的问题：
为实现上述目的，本发明提供如下技术方案：
优选的，所述基于GPGPU芯片的多摄像头监控管理系统包括系统架构模块、多摄像头接入模块、视频采集处理模块、数据存储管理模块、用户界面管理模块、网络安全模块。
所述摄像头接入模块负责与多个摄像头设备进行通信，获取视频流。视频采集处理模块接收来自摄像头接入模块的视频流，并进行图像采集和处理；
所述视频采集处理模块对采集到的视频流进行实时处理，得到处理后的视频，所述处理后的视频数据保存到适当的存储介质中，由数据存储与管理模块负责管理；
所述数据存储管理模块负责管理监控系统生成的数据；
所述用户界面管理模块从所述数据存储理模块中获取数据，所述数据存储管理模块和所述用户界面与所述管理模块之间进行数据交互和通讯，所述用户界面与所述管理模块提供包括添加、删除、配置摄像头的摄像头管理功能，所述摄像头接入模块负责实际与摄像头设备进行通信，执行所述用户界面与管理模块发出的指令，所述用户界面与管理模块和摄像头接入模块之间需要进行指令传递和交互；
这些模块之间的联系形成了一个完整的系统，协同工作以实现多摄像头监控管理系统的各种功能和任务，具体实现可能因应用需求和资源限制而有所不同，在实际设计中，还需要考虑诸如系统性能优化、错误处理；
优选的，所述系统架构模块包括硬件模块和软件模块，所述硬件模块选择支持GPGPU计算的NVIDIA的CUDA架构芯片，所述软件模块使用C++和CUDA编程语言和框架，开发GPGPU计算相关的部分，与摄像头进行通信；
优选的，所述多摄像头接入模块包括摄像头选择模块和摄像头接口模块在选择多摄像头接入时，可以考虑以下几个因素来确定摄像头设备的分辨率、帧率和图像质量：
应用需求：根据具体的监控需求和应用场景，确定所需的图像质量和细节级别。如果需要更高的图像清晰度和细节捕捉能力，可以选择更高分辨率和更高图像质量的摄像头；
系统性能：考虑系统的计算能力和带宽限制。较高的分辨率和帧率会增加系统的计算和存储压力，因此需要确保系统能够处理和传输这些数据。同时，还要考虑网络带宽和存储容量的要求；
实时性需求：如果需要实时监控和响应，帧率就至关重要。较高的帧率可以提供更流畅的实时视频流，并有助于更快速地检测和分析场景中的事件。
预算限制：根据预算限制，选择合适的摄像头设备。通常来说，具有更高分辨率、更高帧率和更好图像质量的摄像头设备往往价格更高；
所述摄像头选择模块选择包括720p(1280x720)、1080p(1920x1080)、2K(2560x1440)和4K(3840x2160)的分辨率，选择包括30帧/秒和60帧/秒的频率，选择包括30帧/秒和60帧/秒的频率和清晰图像质量的摄像头设备；
所述多摄像头接入模块基于深度学习的图像编码技术、自适应压缩算法设计和实现更高效的视频压缩算法，在保持较低的带宽和存储需求的同时，提供更好的视频质量；
所述多摄像头接入模块利用机器学习和计算机视觉技术，开发实时场景分析和目标识别算法，对视频流中的目标进行自动识别和分析；
所述多摄像头接入模块设计和优化专门用于视频处理的硬件，提供低功耗和高性能的处理能力，定制的视频处理器架构、高效的并行计算单元和专用的图像处理单元；
所述多摄像头接入模块基于云计算的视频处理将视频处理任务迁移到云端，通过云计算资源来实现高效的视频处理，包括在云端部署大规模的视频处理集群，以支持多摄像头的实时处理和分析；
所述多摄像头接入模块基于深度学习的图像修复、视频降噪算法开发算法和技术来实现实时的图像增强和视频修复，提高视频质量并减少噪声、抖动等干扰；
所述多摄像头接入模块设计和实现高效的视频传输和流媒体技术，在有限带宽和网络环境下实现高质量的视频传输和实时播放，包括自适应流媒体技术、优化的视频编码和网络传输协议。
优选的，所述视频采集处理模块包括视频采集模块、视频解码模块和图像处理模块，所述视频采集模块使用包括OpenCV(Open Source Computer Vision Library)、MediaFoundation、Video4Linux(V4L)、DirectShow和GStreame的API从每个摄像头中获取视频流，并进行实时的视频采集；
所述OpenCV(Open Source Computer Vision Library)是一个广泛使用的计算机视觉库，提供了许多用于视频采集、处理和分析的函数和工具。它支持多种视频捕获设备和接口，如USB摄像头、IP摄像头等，并提供了简单易用的API；
所述Media Foundation是Windows操作系统上的一个多媒体框架，提供了视频采集、编码和解码的功能。它支持各种摄像头设备和视频格式，并提供了用于视频采集的API，如MFCreateSourceReaderFromMediaSource；
所述Video4Linux(V4L)是在Linux系统上用于视频采集的API集合，它提供了与摄像头设备进行交互的功能。通过V4L API，可以获取视频流并进行处理；
所述DirectShow是Microsoft Windows上的一个多媒体框架，用于视频采集、处理和渲染。它提供了一套强大的API，可以与摄像头设备进行交互，获取视频流数据；
所述GStreamer是一个功能强大的开源多媒体框架，提供了用于视频采集、处理和流媒体的API和工具。它可以在多个平台上使用，并支持各种摄像头设备；
这些API都提供了各种功能和灵活性，可以根据系统需求和开发环境选择适合的API来进行视频采集。根据操作系统、开发语言和目标平台的不同，选择合适的API来实现视频采集功能；
所述视频采集模块多摄像头基于包括同步触发、精确时间戳、帧对齐在内的技术同步采集；
所述视频采集模块使用低噪声传感器、增强的图像处理算法和动态范围扩展技术提供出色的低光和高动态范围性能，在各种光照条件下捕捉清晰的视频；
所述视频采集模块基于无线视频传输协议、高效的视频编码和解码算法、低功耗的无线通信技术实现无线视频传输和采集；
所述视频采集模块通过传感器和环境感知技术，实现环境感知和自适应采集策略，根据环境光照、动态变化和场景需求等因素，自动调整采集参数和设置；
这些方法可以帮助提升视频采集处理模块的性能、效率和功能，提供更好的用户体验和应用场景。具体的创新方向可以根据应用需求、技术趋势和市场需求来确定。
所述视频解码模块对视频流进行解码，获得原始图像数据；
所述图像处理模块使用GPGPU芯片进行并行计算，对每个摄像头的图像进行包括目标检测、人脸识别、行为分析的实时处理，得到处理后的视频数据。
优选的，所述数据存储管理模块包含存储模块和数据管理模块，所述存储模块选择包括硬盘、SSD和云存储存储介质，存储所述处理后的视频数据；
所述数据管理模块设计数据库结构来管理监控系统生成的包括摄像头信息、事件日志、图像识别结果数据。
优选的，所述用户界面管理模块包括用户界面模块、视频显示模块和告警通知模块；
所述用户界面模块设计直观易用的用户界面，监视和管理多个摄像头；
所述视频显示模块在用户界面中实时显示处理后的视频流，并提供对视频流的各种操作和控制选项；
所述告警与通知模块设置监控系统和警报系统，利用图像处理和计算机视觉技术，对摄像头捕捉到的视频进行包括目标检测、人脸识别、运动检测、物体追踪的算法分析和行为检测，检测出包括经授权的入侵、物体丢失、异常行为的异常活动，得到视频分析的数据结果；
所述基于视频分析的结果，通过设定特定的规则、阈值和模型检测到人员进入受限区域或发生激烈运动，则将其标记为异常活动，系统触发包括声音警报、弹出警报窗口、发送电子邮件和短信的警报；
触发所述警报时，同时记录相关的时间戳、摄像头信息和异常活动的描述；
接收到所述警报后，所述监控系统将警报信息发送给相关的安全人员、管理人员或应急人员；
监控系统支持对警报的包括记录警报的处理状态、采取的行动和响应时间的响应和追踪。
需要注意的是，异常活动检测和警报触发的准确性和可靠性非常重要。这可能需要使用高级的图像处理和机器学习算法，并对算法进行训练和优化，以提高异常活动检测的准确率和减少误报率。此外，系统还应考虑灵敏度设置、多重验证和集成用户反馈等因素，以提高整体的监控系统性能。
优选的，所述网络安全模块包括网络连接模块和安全模块；
所述网络连接确保监控系统与摄像头之间的网络连接稳定，并支持适当的带宽要求；
所述安全模块采取包括身份验证、加密通信和访问控制的安全措施，保护监控系统的安全性和数据隐私
相比于现有技术，本发明的优点在于：
(1)GPGPU芯片具备强大的并行计算能力，能够同时处理多个摄像头的视频数据。这使得系统能够实时处理和分析多路视频流，提高系统的处理速度和效率。
(2)GPGPU芯片的并行计算能力和高性能图像处理能力使得多摄像头监控管理系统能够实时响应异常活动和警报触发。系统可以快速进行目标检测、跟踪和行为分析，提供实时的监控和警报功能
(3)GPGPU芯片支持通用计算架构，可以使用编程语言如CUDA或OpenCL进行编程。这使得开发人员可以针对特定的视频处理和分析任务进行优化，实现更高效的算法和算法优化。
(4)GPGPU芯片的通用计算架构和可编程性使得系统具有良好的算法扩展性。新的图像处理和分析算法可以通过编程模型进行实现和集成，使得系统可以根据需求灵活地进行功能扩展和算法升级。
附图说明
图1为本发明的整体系统示意图。
具体实施方式
实施例：请参阅图1，基于GPGPU芯片的多摄像头监控管理系统，基于GPGPU芯片的多摄像头监控管理系统包括；
基于GPGPU芯片的多摄像头监控管理系统包括系统架构模块、多摄像头接入模块、视频采集处理模块、数据存储管理模块、用户界面管理模块、网络安全模块。
摄像头接入模块负责与多个摄像头设备进行通信，获取视频流。
视频采集处理模块接收来自摄像头接入模块的视频流，并进行图像采集和处理；
视频采集处理模块对采集到的视频流进行实时处理，得到处理后的视频，处理后的视频数据保存到适当的存储介质中，由数据存储与管理模块负责管理；
数据存储管理模块负责管理监控系统生成的数据；
用户界面管理模块从数据存储理模块中获取数据，数据存储管理模块和用户界面与管理模块之间进行数据交互和通讯，用户界面与管理模块提供包括添加、删除、配置摄像头的摄像头管理功能，摄像头接入模块负责实际与摄像头设备进行通信，执行用户界面与管理模块发出的指令，用户界面与管理模块和摄像头接入模块之间需要进行指令传递和交互。
本发明中，系统架构模块包括硬件模块和软件模块，硬件模块选择支持GPGPU计算的NVIDIA的CUDA架构芯片，软件模块使用C++和CUDA编程语言和框架，开发GPGPU计算相关的部分，与摄像头进行通信；
本发明中，多摄像头接入模块包括摄像头选择模块和摄像头接口模块；
摄像头选择模块选择包括720p(1280x720)、1080p(1920x1080)、2K(2560x1440)和4K(3840x2160)的分辨率，选择包括30帧/秒和60帧/秒的频率，选择包括30帧/秒和60帧/秒的频率和清晰图像质量的摄像头设备；
多摄像头接入模块基于深度学习的图像编码技术、自适应压缩算法设计和实现更高效的视频压缩算法，在保持较低的带宽和存储需求的同时，提供更好的视频质量；
多摄像头接入模块利用机器学习和计算机视觉技术，开发实时场景分析和目标识别算法，对视频流中的目标进行自动识别和分析；
具体的，目标算法包括：
特征提取算法：这些算法通过提取图像或视频中的特征来表示目标对象，例如边缘、纹理、颜色等。常见的特征提取方法包括SIFT(尺度不变特征变换)、HOG(方向梯度直方图)和SURF(加速稳健特征)等；
分类算法：这些算法通过将提取的特征与预定义的模型或训练数据进行比较和分类，来判断目标对象的类别。常见的分类算法包括支持向量机(SVM)、卷积神经网络(CNN)、决策树和随机森林等；
目标检测算法：这些算法不仅可以识别目标对象的类别，还可以确定目标在图像或视频中的位置。常见的目标检测算法包括基于滑动窗口的方法(如HOG+SVM、CascadeClassifier)、基于深度学习的方法(如YOLO、Faster R-CNN)和基于区域的方法(如Selective Search、Edge Boxes)等；
多摄像头接入模块设计和优化专门用于视频处理的硬件，提供低功耗和高性能的处理能力，定制的视频处理器架构、高效的并行计算单元和专用的图像处理单元；
多摄像头接入模块基于云计算的视频处理将视频处理任务迁移到云端，通过云计算资源来实现高效的视频处理，包括在云端部署大规模的视频处理集群，以支持多摄像头的实时处理和分析；
多摄像头接入模块基于深度学习的图像修复、视频降噪算法、开发算法和技术来实现实时的图像增强和视频修复，提高视频质量并减少噪声、抖动等干扰；
具体的，视频算法包括：
基于滤波的算法：滤波是最常用的视频降噪方法之一。其中，均值滤波、中值滤波和高斯滤波是常见的滤波技术，通过在视频中的每个像素周围应用滤波器来平滑图像，并减少高频噪声。
基于运动估计的算法：这类算法利用视频序列中的帧间差异和像素的运动估计来降低噪声。通过对帧间差异进行建模和分析，可以提取出真实的图像信息，并抑制噪声。
基于小波变换的算法：小波变换可以将图像信号分解为不同的频率子带，并且噪声通常存在于高频子带中。通过对视频进行小波变换，可以选择性地对不同频率子带进行降噪处理，从而减少噪声的影响。
基于深度学习的算法：深度学习技术在视频降噪方面也取得了显著进展。通过使用卷积神经网络(CNN)或生成对抗网络(GAN)，可以学习到视频中的噪声分布，并生成清晰的图像序列。这些算法能够通过大规模数据集的训练来提高降噪效果。
基于稀疏表示的算法：这类算法假设图像或视频可以由稀疏表示来描述，即可以使用较少的基础模板来表示整个图像。通过稀疏表示和稀疏编码技术，可以有效地降低噪声的影响，并恢复出清晰的图像或视频。
多摄像头接入模块设计和实现高效的视频传输和流媒体技术，在有限带宽和网络环境下实现高质量的视频传输和实时播放，包括自适应流媒体技术、优化的视频编码和网络传输协议。
本发明中，视频采集处理模块包括视频采集模块、视频解码模块和图像处理模块，视频采集模块使用包括OpenCV(Open Source Computer Vision Library)、MediaFoundation、Video4Linux(V4L)、DirectShow和GStreame的API从每个摄像头中获取视频流，并进行实时的视频采集；
视频采集模块多摄像头基于包括同步触发、精确时间戳、帧对齐在内的技术同步采集；
视频采集模块使用低噪声传感器、增强的图像处理算法和动态范围扩展技术提供出色的低光和高动态范围性能，在各种光照条件下捕捉清晰的视频；
视频采集模块基于无线视频传输协议、高效的视频编码和解码算法、低功耗的无线通信技术实现无线视频传输和采集；
视频采集模块通过传感器和环境感知技术，实现环境感知和自适应采集策略，根据环境光照、动态变化和场景需求等因素，自动调整采集参数和设置；
视频解码模块对视频流进行解码，获得原始图像数据；
图像处理模块使用GPGPU芯片进行并行计算，对每个摄像头的图像进行包括目标检测、人脸识别、行为分析的实时处理，得到处理后的视频数据。
本发明中，数据存储管理模块包含存储模块和数据管理模块，存储模块选择包括硬盘、SSD和云存储存储介质，存储处理后的视频数据；
数据管理模块设计数据库结构来管理监控系统生成的包括摄像头信息、事件日志、图像识别结果数据。
本发明中，用户界面管理模块包括用户界面模块、视频显示模块和告警通知模块；
用户界面模块设计直观易用的用户界面，监视和管理多个摄像头；
视频显示模块在用户界面中实时显示处理后的视频流，并提供对视频流的各种操作和控制选项；
告警与通知模块设置监控系统和警报系统，利用图像处理和计算机视觉技术，对摄像头捕捉到的视频进行包括目标检测、人脸识别、运动检测、物体追踪的算法分析和行为检测，检测出包括经授权的入侵、物体丢失、异常行为的异常活动，得到视频分析的数据结果；
基于视频分析的结果，通过设定特定的规则、阈值和模型检测到人员进入受限区域或发生激烈运动，则将其标记为异常活动，系统触发包括声音警报、弹出警报窗口、发送电子邮件和短信的警报；
触发警报时，同时记录相关的时间戳、摄像头信息和异常活动的描述；
接收到警报后，监控系统将警报信息发送给相关的安全人员、管理人员或应急人员；
监控系统支持对警报的包括记录警报的处理状态、采取的行动和响应时间的响应和追踪。
本发明中，网络安全模块包括网络连接模块和安全模块；
网络连接确保监控系统与摄像头之间的网络连接稳定，并支持适当的带宽要求；
安全模块采取包括身份验证、加密通信和访问控制的安全措施，保护监控系统的安全性和数据隐私
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的仅为本发明的优选例，并不用来限制本发明，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (7)
1.基于GPGPU芯片的多摄像头监控管理系统，其特征在于，所述基于GPGPU芯片的多摄像头监控管理系统包括系统架构模块、多摄像头接入模块、视频采集处理模块、数据存储管理模块、用户界面管理模块、网络安全模块。
所述摄像头接入模块负责与多个摄像头设备进行通信，获取视频流。
视频采集处理模块接收来自摄像头接入模块的视频流，并进行图像采集和处理；
所述视频采集处理模块对采集到的视频流进行实时处理，得到处理后的视频，所述处理后的视频数据保存到适当的存储介质中，由数据存储与管理模块负责管理；
所述数据存储管理模块负责管理监控系统生成的数据；
所述用户界面管理模块从所述数据存储理模块中获取数据，所述数据存储管理模块和所述用户界面与所述管理模块之间进行数据交互和通讯，所述用户界面与所述管理模块提供包括添加、删除、配置摄像头的摄像头管理功能，所述摄像头接入模块负责实际与摄像头设备进行通信，执行所述用户界面与管理模块发出的指令，所述用户界面与管理模块和摄像头接入模块之间需要进行指令传递和交互。
2.根据权利要求1所述基于GPGPU芯片的多摄像头监控管理系统，其特征在于，所述系统架构模块包括硬件模块和软件模块，所述硬件模块选择支持GPGPU计算的NVIDIA的CUDA架构芯片，所述软件模块使用C++和CUDA编程语言和框架，开发GPGPU计算相关的部分，与摄像头进行通信；
3.根据权利要求1所述基于GPGPU芯片的多摄像头监控管理系统，其特征在于，所述多摄像头接入模块包括摄像头选择模块和摄像头接口模块；
所述摄像头选择模块选择包括720p(1280x720)、1080p(1920x1080)、2K(2560x1440)和4K(3840x2160)的分辨率，选择包括30帧/秒和60帧/秒的频率，选择包括30帧/秒和60帧/秒的频率和清晰图像质量的摄像头设备；
所述多摄像头接入模块基于深度学习的图像编码技术、自适应压缩算法设计和实现更高效的视频压缩算法，在保持较低的带宽和存储需求的同时，提供更好的视频质量；
所述多摄像头接入模块利用机器学习和计算机视觉技术，开发实时场景分析和目标识别算法，对视频流中的目标进行自动识别和分析；
所述多摄像头接入模块设计和优化专门用于视频处理的硬件，提供低功耗和高性能的处理能力，定制的视频处理器架构、高效的并行计算单元和专用的图像处理单元；
所述多摄像头接入模块基于云计算的视频处理将视频处理任务迁移到云端，通过云计算资源来实现高效的视频处理，包括在云端部署大规模的视频处理集群，以支持多摄像头的实时处理和分析；
所述多摄像头接入模块基于深度学习的图像修复、视频降噪算法开发算法和技术来实现实时的图像增强和视频修复，提高视频质量并减少噪声、抖动等干扰；
所述多摄像头接入模块设计和实现高效的视频传输和流媒体技术，在有限带宽和网络环境下实现高质量的视频传输和实时播放，包括自适应流媒体技术、优化的视频编码和网络传输协议。
4.根据权利要求1所述基于GPGPU芯片的多摄像头监控管理系统，其征在于，所述视频采集处理模块包括视频采集模块、视频解码模块和图像处理模块，所述视频采集模块使用包括OpenCV(OpenSourceComputerVisionLibrary)、MediaFoundation、Video4Linux(V4L)、DirectShow和GStreame的API从每个摄像头中获取视频流，并进行实时的视频采集；
所述视频采集模块多摄像头基于包括同步触发、精确时间戳、帧对齐在内的技术同步采集；
所述视频采集模块使用低噪声传感器、增强的图像处理算法和动态范围扩展技术提供出色的低光和高动态范围性能，在各种光照条件下捕捉清晰的视频；
所述视频采集模块基于无线视频传输协议、高效的视频编码和解码算法、低功耗的无线通信技术实现无线视频传输和采集；
所述视频采集模块通过传感器和环境感知技术，实现环境感知和自适应采集策略，根据环境光照、动态变化和场景需求等因素，自动调整采集参数和设置；
所述视频解码模块对视频流进行解码，获得原始图像数据；
所述图像处理模块使用GPGPU芯片进行并行计算，对每个摄像头的图像进行包括目标检测、人脸识别、行为分析的实时处理，得到处理后的视频数据。
5.根据权利要求1所述基于GPGPU芯片的多摄像头监控管理系统，其征在于，所述数据存储管理模块包含存储模块和数据管理模块，所述存储模块选择包括硬盘、SSD和云存储存储介质，存储所述处理后的视频数据；
所述数据管理模块设计数据库结构来管理监控系统生成的包括摄像头信息、事件日志、图像识别结果数据。
6.根据权利要求1所述基于GPGPU芯片的多摄像头监控管理系统，其征在于，所述用户界面管理模块包括用户界面模块、视频显示模块和告警通知模块；
所述用户界面模块设计直观易用的用户界面，监视和管理多个摄像头；
所述视频显示模块在用户界面中实时显示处理后的视频流，并提供对视频流的各种操作和控制选项；
所述告警与通知模块设置监控系统和警报系统，利用图像处理和计算机视觉技术，对摄像头捕捉到的视频进行包括目标检测、人脸识别、运动检测、物体追踪的算法分析和行为检测，检测出包括经授权的入侵、物体丢失、异常行为的异常活动，得到视频分析的数据结果；
所述基于视频分析的结果，通过设定特定的规则、阈值和模型检测到人员进入受限区域或发生激烈运动，则将其标记为异常活动，系统触发包括声音警报、弹出警报窗口、发送电子邮件和短信的警报；
触发所述警报时，同时记录相关的时间戳、摄像头信息和异常活动的描述；
接收到所述警报后，所述监控系统将警报信息发送给相关的安全人员、管理人员或应急人员；
监控系统支持对警报的包括记录警报的处理状态、采取的行动和响应时间的响应和追踪。
7.根据权利要求1所述基于GPGPU芯片的多摄像头监控管理系统，其征在于，所述网络安全模块包括网络连接模块和安全模块；
所述网络连接确保监控系统与摄像头之间的网络连接稳定，并支持适当的带宽要求；
所述安全模块采取包括身份验证、加密通信和访问控制的安全措施，保护监控系统的安全性和数据隐私。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310682588.2A CN116723295A (zh) | 2023-06-09 | 2023-06-09 | 基于gpgpu芯片的多摄像头监控管理系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310682588.2A CN116723295A (zh) | 2023-06-09 | 2023-06-09 | 基于gpgpu芯片的多摄像头监控管理系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116723295A true CN116723295A (zh) | 2023-09-08 |
Family
ID=87869197
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310682588.2A Pending CN116723295A (zh) | 2023-06-09 | 2023-06-09 | 基于gpgpu芯片的多摄像头监控管理系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116723295A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117082217A (zh) * | 2023-10-17 | 2023-11-17 | 北京比格凯特科技有限公司 | 一种基于Jetson平台的智能视频监控系统 |
-
2023
- 2023-06-09 CN CN202310682588.2A patent/CN116723295A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117082217A (zh) * | 2023-10-17 | 2023-11-17 | 北京比格凯特科技有限公司 | 一种基于Jetson平台的智能视频监控系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR101942808B1 (ko) | 객체 이미지 인식 dcnn 기반 cctv 영상분석장치 | |
| Tsakanikas et al. | Video surveillance systems-current status and future trends | |
| US20190304102A1 (en) | Memory efficient blob based object classification in video analytics | |
| IL261696A (en) | System and method for training a classified object through computational learning | |
| KR102194499B1 (ko) | 객체 이미지 인식 dcnn 기반 cctv 영상분석장치 및 그 장치의 구동방법 | |
| Othman et al. | A new IoT combined body detection of people by using computer vision for security application | |
| US8675065B2 (en) | Video monitoring system | |
| US20190130165A1 (en) | System and method for selecting a part of a video image for a face detection operation | |
| CN107222660B (zh) | 一种分布式网络视觉监控系统 | |
| Mishra et al. | An intelligent motion detection using OpenCV | |
| US10445885B1 (en) | Methods and systems for tracking objects in videos and images using a cost matrix | |
| Butt et al. | Detecting video surveillance using VGG19 convolutional neural networks | |
| Murugan et al. | Security system using raspberry Pi | |
| CN116723295A (zh) | 基于gpgpu芯片的多摄像头监控管理系统 | |
| Turchini et al. | Convex polytope ensembles for spatio-temporal anomaly detection | |
| CN116419059A (zh) | 基于行为标签的自动监控方法、装置、设备及介质 | |
| Murthy et al. | AI Based Criminal Detection and Recognition System for Public Safety and Security using novel CriminalNet-228 | |
| US20220180102A1 (en) | Reducing false negatives and finding new classes in object detectors | |
| Singh et al. | A cellular logic array based data mining framework for object detection in video surveillance system | |
| Sikandar et al. | A review on human motion detection techniques for ATM-CCTV surveillance system | |
| Shabbir et al. | Analyzing Surveillance Videos in Real-Time using AI-Powered Deep Learning Techniques | |
| Kharbanda et al. | Enabling Sustainable Development Through Artificial Intelligence-Based Surveillance System on Cloud Platform | |
| Cornelio | Suspicious Object Detection with Alarm Notification for Security Personnel | |
| Mallick et al. | Artificial Intelligence based Video Monitoring System for Security Applications. | |
| Appiah et al. | Autonomous real-time surveillance system with distributed ip cameras |
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 |