一种面向目标计数任务场景的资源动态调度与管理方法技术

一种面向目标计数任务场景的资源动态调度与管理方法，包括以下步骤：在目标计数任务场景中，将计数时间周期规划为数个计数窗口，利用探针策略以较少的能耗代价预测计数窗口内的目标数量特征，并选择合适的图像帧采样策略与神经网络计数器的神经元层数，使得物联网摄像头系统能够在预定能耗内获得具有最窄置信区间宽度的计数结果；从而使此物联网摄像头系统更好地完成计数任务，达到预定的设计要求，且具有节省能量、计数精度高的特点。计数精度高的特点。计数精度高的特点。

【技术实现步骤摘要】
一种面向目标计数任务场景的资源动态调度与管理方法


[0001]本专利技术属于移动平台能耗优化领域，具体涉及一种面向目标计数任务场景的资源动态调度与管理方法。用于无线缆的物联网摄像头系统在目标计数任务场景下的资源动态调度与管理。

技术介绍

[0002]随着无线通信技术的发展，以及网络基础设施建设的不断完善，物联网(Internet of Things，IoT)技术在日常生活中的方方面面有着日趋重要的应用。而物联网摄像头作为物联网技术应用最广泛的技术之一，其应用场景多种多样，例如：视频监控、交通路口信息采集、车牌识别、人脸识别等。且物联网摄像头具有明显的成本优势：仅需百余元的成本便能每天采集约16GB的视频数据。然而，物联网摄像头的发展同样具有两个较大的阻碍：其一是对线缆的需求，尤其是对提供电力、支持系统运行的电源线缆的需求，因此，其安装的位置将受到较大的限制；其二是隐私问题，由于物联网摄像头传统的工作流程是采集视频，并将采集到的视频数据上传，由于视频的存储、处理工作完全交给了云端计算机，而云端计算机对视频数据的使用不受任何限制和监督，因此物联网摄像头完全无法保证其上传的视频数据不会造成隐私问题。
[0003]基于上述的两个问题，物联网摄像头的发展呈现了两个重要趋势：其一是能源独立化，具有能源独立化特征的物联网摄像头被设计为无需外接线缆就能够连续工作数月乃至数年的系统。目前，领域内主要的企业，例如网件，已经推出了此类产品。这类系统往往具有电池和太阳能电池板，能够在不更换电池的情况下长时间连续运行，且能够方便地安装在任何需要的位置。其二是计算独立化，不同于传统的物联网摄像头，具有计算独立化特征的摄像头能够将计算任务在本地处理，并将计算结果上传至云端服务器，由此杜绝了发生隐私问题的可能。
[0004]尽管能源独立化与计算独立化能够解决线缆对安装位置的限制和对隐私安全的顾虑，但这些特征同样为系统带来了一些取舍上的问题：无线缆的物联网摄像头系统需要有计划地管理能源的消耗，系统需要依据电池电量状态与太阳能电池板收集的能量来计划自己的能量消耗，使得系统能够在实现能量动态平衡的同时完成计算任务。理想情况下，系统应在满足长时间运行要求的同时，尽可能高质量地完成计算任务。显然地，物联网摄像头系统长时间运行的重要条件是：系统运行的平均功耗约等于、或略微大于系统运行时，太阳能电池板收集的能量。考虑一个典型的场景，即一块尺寸为11.5寸*6寸的太阳能电池板，能够每日收集约10Wh的能量，而以1FPS的频率进行目标检测的计算任务耗能约为每日330Wh，即电池板仅能提供约3％的能耗。受限于此条件，即有限的能量，系统所能执行的计算任务是受限的，若实时采集视频数据并以原始大小上传，或是执行高频率的目标检测任务，物联网摄像头甚至只能连续工作数个小时，这显然是不符合系统设计要求的。
[0005]考虑到计算任务的受限状况，本专利技术选取了一种任务场景：基于无线缆的物联网摄像头系统的目标计数任务。此类任务的基本方法是，无线缆的物联网摄像头采集图像数
据，随后计算任务将在物联网摄像头系统上执行，物联网摄像头采集图像数据后将直接在本地执行计算任务，得到计数结果，并将计数结果上传至云计算机。此类任务在一些领域中有着重要的应用，例如：统计某交通路口的车流量，统计某商场的人流量，统计野生动物的数量，统计商店内的货品数量等。其中，计数程序往往是神经网络计数器(neural nets object counters，NN object counters)。随着目前深度学习的发展，出现了许多具有低功耗与高准确率的神经网络计数器，能够较好地完成此任务，同时，针对系统对低能耗的需求，本专利技术考虑利用削减神经元层数的方法，以达到更低的能耗，尽管这种方法可能会使计数准确率有所损失，但权衡合适的使用情形能够更好地完成计数任务。
[0006]可以注意到，对比传统的物联网摄像头，目标计数任务场景下的无线缆物联网摄像头系统的能量分配有着明显区别：系统无需实时高频地采集视频数据，也无需通过无线网络上传大量的视频数据，因此这两部分的能耗将显著降低，但同时，系统需要在本地执行目标计数的计算任务，这是因计算独立化而引入的新的能耗部分，最为重要的是，由于能源独立化的特征，系统需要对能耗进行管理，而是否能合理地管理能耗关系到系统能否长时间运行计算任务、能否达到设计要求。

技术实现思路

[0007]为克服上述现有技术的不足，本专利技术的目的在于提出了一种面向目标计数任务场景的资源动态调度与管理方法，针对无线缆的物联网摄像头系统，此方法面向具有能源独立化与计算独立化特征的物联网摄像头系统，基于目标计数任务的场景，旨在提供一种资源动态调度与管理方法，使此类物联网摄像头系统能够长时间运行的同时，将能源最佳分配，使得物联网摄像头系统能够以理想的质量完成计算任务；具有节省能量、计数精度高的特点。
[0008]为实现上述目的，本专利技术采用的技术方案是：
[0009]一种面向目标计数任务场景的资源动态调度与管理方法，在目标计数任务场景中，将计数时间周期规划为数个计数窗口，利用合适的算法使得物联网摄像头系统能够在预定能耗内获得具有最窄置信区间宽度的计数结果；其特征在于，包括以下步骤：
[0010]步骤S1，设定查询参数，包括计数周期时长、查询目标类别、计数窗口时长以及计划消耗的能量，随后物联网摄像头系统执行步骤S2；
[0011]步骤S2，物联网摄像头系统依据设定参数，在每个计数窗口执行预定的程序，预估本窗口计数目标的数量特征，根据窗口内计数目标的数量特征预测窗口的能量分配，权衡能耗与计数准确率，选择能够在窗口计划预测分配能量内获得最窄置信区间宽度的神经网络计数器神经元层数，并根据预测分配能量、计数器处理图像帧能耗和采集图像帧的能耗计算本窗口需要采集图像帧的数量，并按照计算结果以均匀时间间隔采集图像帧，重复运行直到一个计数周期结束；
[0012]步骤S3，在一个完整的计数周期结束后，物联网摄像头系统以实现最窄的置信区间为目标，分配能量至每一个计数窗口，分配完毕后，物联网摄像头系统执行计数程序，以计数窗口为单位获得整个计数周期的计数结果；
[0013]步骤S4，根据步骤S3完成一个完整的计数周期后，物联网摄像头系统依据计数结果和能量分配更新神经网络模型，以期望在以后的计数获得更准确的计数效果，随后物联
网摄像头系统继续执行相同的计数任务，直到接受新的用户查询请求。
[0014]所述步骤S1中，物联网摄像头系统在限定能耗下取得最好的计数准确度，即最窄的置信区间宽度，默认情况下，限制能耗为30Wh每天，且计数周期时长为24H，置信区间结果对应概率为95％。
[0015]所述步骤S2又包括以下步骤：
[0016]步骤S21，物联网摄像头系统在每个计数窗口的开始，将会处理少量上一个窗口采集到的图像帧，即探针策略，以获得最近一段时间计数目标的数量特征，接着依据最近的计数窗口以及前一天相同时间的计数目标数量特征，预估本窗口内计数目标的数量特征，数量本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种面向目标计数任务场景的资源动态调度与管理方法，其特征在于，包括以下步骤：步骤S1，在物联网摄像头系统中设定查询参数，包括计数周期时长、查询目标类别、计数窗口时长以及计划消耗的能量，随后系统执行步骤S2；步骤S2，物联网摄像头系统依据设定参数，在每个计数窗口执行预定的程序，预估本窗口计数目标的数量特征，根据窗口内计数目标的数量特征预测窗口的能量分配，权衡能耗与计数准确率，选择能够在窗口计划预测分配能量内获得最窄置信区间宽度的神经网络计数器神经元层数，并根据预测分配能量、计数器处理图像帧能耗和采集图像帧的能耗计算本窗口需要采集图像帧的数量，并按照计算结果以均匀时间间隔采集图像帧，重复运行直到一个计数周期结束；步骤S3，在一个完整的计数周期结束后，物联网摄像头系统以实现最窄的置信区间为目标，分配能量至每一个计数窗口，分配完毕后，物联网摄像头系统执行计数程序，以计数窗口为单位获得整个计数周期的计数结果；步骤S4，根据步骤S3完成一个完整的计数周期后，物联网摄像头系统依据计数结果和能量分配更新神经网络模型，以期望在以后的计数获得更准确的计数效果，随后系统继续执行相同的计数任务，直到接受新的用户查询请求。2.根据权利要求1所述的一种面向目标计数任务场景的资源动态调度与管理方法，其特征在于，所述步骤S1中，物联网摄像头系统在限定能耗下取得最好的计数准确度，即最窄的置信区间宽度，默认情况下，限制能耗为30Wh每天，且计数周期时长为24H，置信区间结果对应概率为95％。3.根据权利要求1所述的一种面向目标计数任务场景的资源动态调度与管理方法，其特征在于，所述步骤S2又包括以下步骤：步骤S21，物联网摄像头系统在每个计数窗口的开始，将会处理少量上一个窗口采集到的图像帧，即探针策略，以获得最近一段时间计数目标的数量特征，接着依据最近的计数窗口以及前一天相同时间的计数目标数量特征，预估本窗口内计数目标的数量特征，数量特征包括数次图像帧处理结果的计数目标平均值与标准差，记作记某计数窗口的前一个计数窗口的数量特征为一个计数窗口的数量特征为某计数窗口的同一时间段的前一天的计数窗口的数量特征为估计本窗口内计数目标的数量特征为：S＝mean(0.9S
i
+0.1S
j
)；步骤S22，物联网摄像头系统根据预估的计数目标的数量特征，利用Deep Q-Learning算法，以计数周期的能量限制、预测的计数窗口数量特征为输入，预测本窗口的能量分配；步骤S23，确定能量分配后，结合预估的数量特征，以预先实验结果表格为依据，选择合适的神经网络计数...

【专利技术属性】
技术研发人员：高岭，杨冠华，杨剑锋，王祎昊，周冰，任杰，
申请(专利权)人：西北大学，
类型：发明
国别省市：