一种边缘计算和云计算融合的实时视频监控方法及系统技术方案

本发明专利技术公开了一种边缘计算和云计算融合的实时视频监控方法，包括：构建样本的训练库，使用样本训练库中的图像信息训练CNN卷积神经网络，构建CNN卷积神经网络模型结构作为训练芯片内容，将训练芯片嵌入前端边缘设备中；实时提取边缘设备监控视频，将原始视频分解为多帧图像；通过CNN卷积神经网络训练芯片对多帧图像进行特征和相似性计算；将提取出的相似性图片和信息存储到远程云端设备，长期备份管理，提供给监管部门使用和分析计算，将消息推送相关部门单位，对相关部门实施报警。本发明专利技术还公开了一种实时视频监控系统。本发明专利技术的优点在于：在边缘设备端使用CNN卷积神经网络图像识别检索技术实时对图片处理，解决了云服务器海量存储和计算压力。

【技术实现步骤摘要】
一种边缘计算和云计算融合的实时视频监控方法及系统
本专利技术涉及一种边缘计算领域、云计算领域和图像处理及模式识别领域的实时监控方法及系统。
技术介绍
在最近的几十年里，视频监控系统已经成为城市甚至是国家必不可少的一种管理手段，管理人员不需要亲临现场就可以掌握现场的信息，减少人力和物力的开销。通过监控系统可以提高管理和监督的效果，同时降低重大事故的发生的概率。但是传统的监控仍然需要大量人力对图像进行比对、分类、识别来实时的监测，导致监测结果的准确度和精度较差，同时给存储设备带来了巨大的压力。随着机器学习兴起，神经网络的应用也越来越广泛。我们认识的一些神经网络的算法，旨在模拟生物学习的计算模型，其在各个领域成功的应用也让人了解到其独特的魅力。而卷积神经网络作为神经网络的一种，是专门用来处理类似网格数据的神经网络，特别是在图像的分类、识别、相似性和特征计算方面有着显著的效果。然而随着云计算发展日趋成熟，传统存储方式的空间限制被打破。云计算是使用集群技术、分布式文件系统等功能，将网络中大量各种不同类型的存储设备通过应用软件集合起来协同工作，共同对外提供数据存储和业务访问功能的系统。
技术实现思路
本专利技术所要解决的技术问题在于视频监控系统边缘设备端不能实时对图片进行处理，云服务器海量存储和计算压力的问题。本专利技术解决其技术问题所采用的技术方案是：提供了一种边缘计算和云计算融合的实时视频监控方法，包括如下步骤：步骤S1，构建样本的训练库，使用样本训练库中的图像信息训练CNN卷积神经网络，构建CNN卷积神经网络模型结构作为训练芯片内容，将训练芯片嵌入前端边缘设备中；步骤S2，实时提取前端边缘设备监控视频，将原始视频分解为多帧图像；步骤S3，通过CNN卷积神经网络训练芯片对多帧图像进行测试，提取出图像的特征和相似性；步骤S4，将提取出的相似性图片和信息存储到远程云端设备，长期备份管理，提供给监管部门使用和分析计算，将消息推送相关部门单位，对相关部门实施报警。作为上述技术方案的进一步改进，本专利技术中监管部门提供相应的监测图像信息，作为CNN卷积神经网络的样本库，构建CNN卷积神经网络模型结构。作为上述技术方案的进一步改进，卷积神经网络模型结构包括：(1)输入层：输入层是获取的多张训练样本的图像；(2)卷积层：将输入层中的图像，通过卷积层中的过滤器filter对图像进行卷积操作，利用局部感知和参数共享的特点，提取出图像的各种特征；(3)激励层：每个卷积层后加入激励函数Relu，加入非线性因素处理；(4)池化层：对输入的特征图进行压缩处理，在连续的卷积层中间插入池化层；(5)全连接层：连接所有的的特征，将输出值送给softmax分类器；(6)输出层：通过分类提取出训练样本的特性和相似性作为输出的结果。作为上述技术方案的进一步改进，步骤S2具体包括：实时提取监控设备中视频，提取其中具有人脸图像的部分，把提取出来的视频按照每秒5帧进行分解，选取其中清晰度最高的一张图像，作为CNN卷积神经网络的测试集图像。作为上述技术方案的进一步改进，步骤S4具体包括：步骤S41，前端边缘设备获取的视频，按照需求提取出图像、语音和高清视频，并对这些信息进行加密处理，并传输至远程云端服务器；步骤S42，远程云端将接收到的数据进行多种类型的计算；步骤S43，对云服务器中数据进行维护；步骤S44，云端将分析计算出的信息数据直接传输到相关监管单位，并进行报警。本专利技术还提供了一种边缘计算和云计算融合的实时视频监控系统，包括：CNN卷积神经网络训练模块：构建样本的训练库，使用样本训练库中的图像信息训练CNN卷积神经网络，构建CNN卷积神经网络模型结构作为训练芯片内容，将训练芯片嵌入前端边缘设备中；前端边缘计算模块：实时提取前端边缘设备监控视频，将原始视频分解成多帧图像，通过CNN卷积神经网络智能芯片，对多帧图像进行测试，提取出图像的特征和相似性；后端云存储模块：将提取出的相似性图片和信息存储到远程云端设备，长期备份管理，进行复杂计算，推送报警，将分析出来的具有价值的信息传输至监管部门。作为上述技术方案的进一步改进，CNN卷积神经网络训练模块中，监管部门提供相应的监测图像信息，作为CNN卷积神经网络的样本库，构建CNN卷积神经网络模型结构。作为上述技术方案的进一步改进，卷积神经网络模型结构包括：(1)输入层：输入层是获取的多张训练样本的图像；(2)卷积层：将输入层中的图像，通过卷积层中的过滤器filter对图像进行卷积操作，利用局部感知和参数共享的特点，提取出图像的各种特征；(3)激励层：每个卷积层后加入激励函数Relu，加入非线性因素处理；(4)池化层：对输入的特征图进行压缩处理，在连续的卷积层中间插入池化层；(5)全连接层：连接所有的的特征，将输出值送给softmax分类器；(6)输出层：通过分类提取出训练样本的特性和相似性作为输出的结果。作为上述技术方案的进一步改进，前端边缘计算模块中，实时提取监控设备中视频，提取其中具有人脸图像的部分，把提取出来的视频按照每秒5帧进行分解，选取其中清晰度最高的一张图像，作为CNN卷积神经网络的测试集图像。作为上述技术方案的进一步改进，后端云存储模块中，包括下述单元：数据存储单元，用于将前端边缘设备获取的视频，按照需求提取出图像、语音和高清视频，并对这些信息进行加密处理，并传输至远程云端服务器；分布式计算单元，用于将远程云端接收到的数据进行多种类型的计算；数据维护单元，用于对云服务器中数据进行维护；报警单元，用于通过云端将分析计算出的信息数据直接传输到相关监管单位，并进行报警。与现有技术相比，本专利技术所具有的有益效果在于：有效解决了视频监控系统前端摄像头的智能处理能力，进而实现重大刑事案件和恐怖袭击活动预警系统和处置机制，提高视频监控系统的防范刑事犯罪和恐怖袭击的能力，使得视频监控系统具有更强的实用意义，在公共安全行业具有广阔的应用前景，此外减少了监管部门的工作量，提高了办事效率，满足了监管部门对实时监控系统更高的需求。附图说明图1是本专利技术实施例一种边缘计算和云计算融合的实时视频监控方法的流程示意图；图2是本专利技术实施例一种边缘计算和云计算融合的实时视频监控系统的模块示意图。具体实施方式以下结合附图对本专利技术的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本专利技术，并不用于限制本专利技术。如图1所示，提供了一种边缘计算和云计算融合的实时视频监控方法，包括：步骤S1,构建样本的训练库，使用样本训练库中的图像信息训练CNN卷积神经网络，将训练芯片嵌入前端边缘设备中。监管部门提供相应的监测图像信息，作为CNN卷积神经网络的样本库，构建卷积神经网络模型结构，其中包括：(1)输入层：输入层是我们获取的多张训练样本的图像。(2)卷积层：将输入层中的图像，通过卷积层中的过滤器filter对图像进行卷积操作，利用局部感知和参数共享的特点，提取出图像的各种特征。(3)池化层：对输入的特征图进行压缩处理。在连续的卷积层中间插入池化层。池化操作减少数据量，减少参数，降低计算防止过拟合。(4)全连接层：连接所有的的特征，将输出值送给softmax分类器。(5)输出层：通过分类提取出训练样本的特性和相似性作为输出的结果。本文档来自技高网...

【技术保护点】
一种边缘计算和云计算融合的实时视频监控方法，包括如下步骤：步骤S1，构建样本的训练库，使用样本训练库中的图像信息训练CNN卷积神经网络，构建CNN卷积神经网络模型结构作为训练芯片内容，将训练芯片嵌入前端边缘设备中；步骤S2，实时提取前端边缘设备监控视频，将原始视频分解为多帧图像；步骤S3，通过CNN卷积神经网络训练芯片对多帧图像进行测试，提取出图像的特征和相似性；步骤S4，将提取出的相似性图片和信息存储到远程云端设备，长期备份管理，提供给监管部门使用和分析计算，将消息推送相关部门单位，对相关部门实施报警。

【技术特征摘要】
1.一种边缘计算和云计算融合的实时视频监控方法，包括如下步骤：步骤S1，构建样本的训练库，使用样本训练库中的图像信息训练CNN卷积神经网络，构建CNN卷积神经网络模型结构作为训练芯片内容，将训练芯片嵌入前端边缘设备中；步骤S2，实时提取前端边缘设备监控视频，将原始视频分解为多帧图像；步骤S3，通过CNN卷积神经网络训练芯片对多帧图像进行测试，提取出图像的特征和相似性；步骤S4，将提取出的相似性图片和信息存储到远程云端设备，长期备份管理，提供给监管部门使用和分析计算，将消息推送相关部门单位，对相关部门实施报警。2.根据权利要求1所述的一种边缘计算和云计算融合的实时视频监控方法，其特征在于：所述步骤S1中，监管部门提供相应的监测图像信息，作为CNN卷积神经网络的样本库，构建CNN卷积神经网络模型结构。3.根据权利要求2所述的一种边缘计算和云计算融合的实时视频监控方法，其特征在于：卷积神经网络模型结构包括：(1)输入层：输入层是获取的多张训练样本的图像；(2)卷积层：将输入层中的图像，通过卷积层中的过滤器filter对图像进行卷积操作，利用局部感知和参数共享的特点，提取出图像的各种特征；(3)激励层：每个卷积层后加入激励函数Relu，加入非线性因素处理；(4)池化层：对输入的特征图进行压缩处理，在连续的卷积层中间插入池化层；(5)全连接层：连接所有的的特征，将输出值送给softmax分类器；(6)输出层：通过分类提取出训练样本的特性和相似性作为输出的结果。4.根据权利要求1所述的一种边缘计算和云计算融合的实时视频监控方法，其特征在于：步骤S2具体包括：实时提取监控设备中视频，提取其中具有人脸图像的部分，把提取出来的视频按照每秒5帧进行分解，选取其中清晰度最高的一张图像，作为CNN卷积神经网络的测试集图像。5.根据权利要求1所述的一种边缘计算和云计算融合的实时视频监控方法，其特征在于：步骤S4具体包括：步骤S41，前端边缘设备获取的视频，按照需求提取出图像、语音和高清视频，并对这些信息进行加密处理，并传输至远程云端服务器；步骤S42，远程云端将接收到的数据进行多种类型的计算；步骤S43，对云服务器中数据进行维护；步骤S44，云端将分析计算出的信息数据直接传输到相关监管单位，并进行报警。6.一种边缘计算和云计算融合的...

【专利技术属性】
技术研发人员：张以文，钟响亮，吴金涛，严远亭，
申请(专利权)人：安徽大学，
类型：发明
国别省市：安徽,34