一种基于分布式检测技术的视频监控方法与流程

本发明涉及计算机程序领域，尤其涉及的是一种基于分布式检测技术的视频监控方法。

背景技术：

现有技术中，随着计算机视觉、多媒体技术、网络技术的发展，视频监控系统已经在我们的生活中随处可见，但随着大数据时代的到来，对于海量的视频数据，如何提高处理速度的同时，又能降低成本，并提高实时性是视频监控的一个关键点和难点。

现有视频监控技术中，对于海量视频，解决视频处理速度的常用方法是通过GPU加速实现，通过GPU的众核架构把同样的指令流并行发送到众核上，从而实现算法的并行化处理。

GPU加速确实能够通过算法并行化提高处理速度，但存在成本高，开发难度大，周期长的问题。

因此，现有技术存在缺陷，需要改进。

技术实现要素：

本发明所要解决的技术问题是：提供一种通过引入大数据分布式集群技术，将视频监控与大数据集群相结合，利用大数据集群的分布式存储和分布式计算能力，有效提高视频监控的处理速度，同时，也降低了硬件成本，开发难度和周期也缩小。

本发明的技术方案如下：一种基于分布式检测技术的视频监控方法，包括如下步骤：S1：获取视频监控数据，对视频监控数据进行背景建模；S2：基于数据的并行化处理，其中，将背景建模的视频监控数据进行视频分割，将视频分割成若干片段；S3：对分割后的片段进行分布式存储，其中，将各片段存储在分布式文件系统HDFS系统上；S4：基于算法的并行化处理，其中，采用多个算法模型对分割的各片段进行分别计算处理；S5：输出计算处理后的视频监控数据；S6：返回步骤S1。

应用于上述技术方案，所述的视频监控方法中，步骤S4中，采用的算法模型包括OpenCV视觉处理库计算模型、Map/Rdecue计分布式算模型、Spark计算模型、Storm实时处理计算模型和Spark MLlib内存计算计算模型。

应用于各个上述技术方案，所述的视频监控方法中，步骤S4中，对分割的各片段进行分别计算处理时，包括运动检测计算处理、目标轨迹跟踪计算处理、目标分类计算处理、以及行为与预测计算处理。

应用于各个上述技术方案，所述的视频监控方法中，步骤S4中，对分割的各片段进行分别计算处理时，还包括身份识别计算处理。

应用于各个上述技术方案，所述的视频监控方法中，步骤S1中，在获取视频监控数据时，具体是获取多个监控单目摄像头的视频监控数据，并对各视频监控数据分别进行背景建模。

应用于各个上述技术方案，所述的视频监控方法中，步骤S4中，在进行基于算法的并行化处理时，还进行多目摄像头融合计算处理。

应用于各个上述技术方案，所述的视频监控方法中，步骤S4中，多目摄像头融合计算处理包括多级摄像头间视频关联检索、多级摄像头间遮挡处理、多级摄像头间一致性处理。

应用于各个上述技术方案，所述的视频监控方法中，步骤S1中，对视频监控数据进行背景建模包括特征提取和关键帧提取。

采用上述方案，本发明通过将视频处理技术与大数据集群融合，将视频处理应用在大数据分布式集群上，一方面降低了硬件成本，另一方面通过大数据分布式集群的数据挖掘能力与实时处理能力，提高了视频处理的实时性和分析挖掘能力。

附图说明

图1为本发明采用的系统框架示意图；

图2为本发明的一种实施流程图。

具体实施方式

以下结合附图和具体实施例，对本发明进行详细说明。

本实施例提供了一种基于分布式检测技术的视频监控方法，本实施例所采用的主要系统框架见图1。

其中，通过在大数据平台集群，如服务器、存储设备、基础网络等的基础上，再配合视频监控所需的多目摄像头、以及传视频输网络构成了基础设施层。

在基础设施层之上，通过对视频小文件优化，视频存储处理以及视频读取处理，进行视频文件在大数据集群运行的相关适配。

并行计算层是核心部分，其中，除了将常用的视觉库OpenCV与Map/Rdecue分布式计算模型结合外，还会将视频处理的算法扩展到Spark计算模型、以及Storm计算模型，Spark的内存计算计算模型，可以使算法迭代效率更高，Storm的流式处理模型，可以支持视频的实时处理。

算法层则包含了视频处理的核心算法，包括运动检测、目标跟踪、目标分类、行为分析与预测等。

应用层则围绕着新型智慧城市公共安全建设的需要，进行人、物品的识别，以及对人群、交通进行监控等。

本发明的主要通过大数据集群的分布式存储和分布式计算来实现，具体见图2。

分布式存储主要是基于大数据集群，将视频分割后，存储到分布式文件系统HDFS系统上。

分布式计算，主要由两部分组成：

第一部分是基于数据的并行化处理，在大数据平台的基础上，进行视频分割，形成多个视频片段，让不同的视频片段在不同的集群节点上处理，是在空间上实现并行化；

第二部分是基于算法的并行化处理，通过大数据集群上运行的并行化计算模型，实现算法的并行化，如Map/Reduce模型，Spark模型。并在在hadoop平台通过Map/Reduce模型、Spark模型中调用OpenCL等视觉库，提高视频处理速度。

视频监控的分析处理主要包括单目摄像头的分析以及多目摄像头融合处理两个主要过程。

单目摄像头分析主要解围绕智能视频识别的核心算法进行，核心算法主要包括四部分：

第一部分是运动检测，目的是从序列图像中将变化区域从悲剧图像中提取出来，运动区域的有效分割对于目标分类、跟踪和行为理解等后期处理作铺垫；

第二部分是目标轨迹跟踪，等价于在连续的图像帧间创建基于位置、速度、形状、文理、色彩等有关特征的对应匹配问题，主要有基于特征的目标轨迹跟踪、基于模型的目标轨迹跟踪、基于区域的目标轨迹跟踪、基于主动轮廓模型的目标轨迹跟踪以及基于预测的目标轨迹跟踪；

第三部分是目标分类，识别运动目标所述所属的类别；

第四部分是行为分析与预测，以及身份识别，其主要是针对人群的行为分析，主要包括人群属性分析和人群行为分析。人群属性分析一种是将人群分解为独立的个体目标，通过检测和分析各个独立目标的运动位置、移动速度及其外观属性来例假人群行为，另一种是将人群目标作为整体对象研究，通过计算人群目标的密度和人群的平均运动速度来分析事件；人群行为分析根据人群的运动特征，进行数学建模和事件推理。

多目摄像头分析主要是解决单摄像头视域有限，实际监控场景中通过单摄像头不可能长时间大范围地跟踪运动目标，通常需要多个摄像头进行协同监控。针对广域监控场景，为了实现多摄像头见目标的联系跟踪，研究基于不同重叠类型的多摄像头之间的一致性匹配方法，实现多摄像头之间稳定的目标连续跟踪，为了减少遮挡的影响，研究多摄像头之间的遮挡处理，实现多摄像头的遮挡抵消处理方法，提高判定精确度。

已应用于某市的新型智慧城市公安项目中，接入了公安的监控视频，处理过程见下：

视频存储：视频存储在大数据集群HDFS中，HDFS分布式文件系统存储视频数据的优势有：HDFS适合流式的数据访问和“一次写多次读”的应用，可以很好的满足视频的访问需求；在Yarn架构下HDFS支持MapReduce、Spark等分布式计算模型，可以高效的对视频数据进行分布式处理。

视频解析与读取：视觉处理库OpenCV对于视频的解析主要提供2个接口：解析本地视频文件和解析摄像头的视频流。但是没有提供内存中二进制流的接口。所以对于HDFS上的二进制流处理需要单独处理，可以调用开源的音视频库如FFmpeg来解决。

视频监控分析处理：将智能视频分析的核心算法运行在大数据分布式集群上，并实现了Map/Reduce分布式计算模型和Spark内存计算模型与视觉处理库OpenCV的交互处理。

本发明具有以下优点：

通过大数据集群的分布式处理，取代了GPU加速，降低了视频监控的硬件成本；

通过视觉处理库与大数据Map/Reduce分布式计算模型和Spark内存计算模型相结合，有效的降低了开发难度，缩短开发周期；

通过视觉处理库与大数据Storm实时处理模型相结合，实现了视频的近实时处理。

本发明已经在某市公安视频监控系统应用，通过大数据集群的横向扩展，可以轻松的实现扩容，比传统的GPU加速扩展性更好。

以上仅为本发明的较佳实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。