【技术实现步骤摘要】
本专利技术涉及视频分析，特别指一种基于边缘计算设备的视频分析方法及系统。
技术介绍
1、视频分析是一种对视频流中的内容进行识别和理解的技术，例如图像分类、目标检测、目标跟踪等，视频分析在交通监控、人员跟踪以及事件检测等领域有着广泛的应用。
2、针对视频分析，传统上需要将所有视频流传输到云端进行处理，这与一些部署场景的带宽限制相冲突，即无法上传所有摄像头的视频流，且传统的视频流压缩/采样技术会降低视频流的质量和分辨率，从而影响视频分析的准确性，因此产生了利用边缘计算设备进行视频分析的需求，即通过边缘计算设备先对视频流进行预处理，再将预处理后的视频流上传云端分析。边缘计算是一种将数据处理和分析从云端转移到网络边缘的技术，即靠近数据源的地方，例如摄像头、传感器、路由器等，边缘计算可以减少网络延迟、节省带宽、提高数据的安全性与隐私性。
3、然而，由于边缘计算设备的资源、性能有限，而每个应用程序(视频分析程序)都需要在边缘计算设备上运行一个完整的深度神经网络(dnn)，导致边缘计算设备无法同时支持多个独立的应用程序，进而影响视频分析效率。
4、因此，如何提供一种基于边缘计算设备的视频分析方法及系统，实现提升视频分析效率，成为一个亟待解决的技术问题。
技术实现思路
1、本专利技术要解决的技术问题，在于提供一种基于边缘计算设备的视频分析方法及系统，实现提升视频分析效率。
2、第一方面，本专利技术提供了一种基于边缘计算设备的视频分析方法，包括如下步骤
3、步骤s1、基于神经网络创建若干个微分类器；
4、步骤s2、获取大量的历史视频流，对各所述历史视频流进行预处理以及标注后，构建数据集；
5、步骤s3、基于所述数据集对各微分类器进行训练，将训练后的各所述微分类器下发给对应的边缘计算设备；
6、步骤s4、边缘计算设备获取关联的摄像头的实时视频流，将所述实时视频流输入微分类器以过滤无关的图像帧，将过滤后的所述实时视频流通过tcp协议上传云端；
7、步骤s5、云端对接收的所述实时视频流实时进行视频分析，生成视频分析结果。
8、进一步的，所述步骤s1中，所述微分类器用于对视频流的图像帧进行二分类，生成相关或者无关的分类结果，对所述分类结果为无关的图像帧进行过滤。
9、进一步的，所述步骤s2具体为：
10、获取大量的历史视频流，对各所述历史视频流进行格式转换的预处理后，对各所述历史视频流中的各图像帧的感兴趣内容进行标注，基于标注后的各所述历史视频流构建数据集。
11、进一步的，所述步骤s3具体为：
12、基于预设比例将所述数据集划分为训练集、验证集以及测试集，利用所述训练集对各微分类器进行训练，训练过程中不断优化所述微分类器的损失函数以及包括随机失活率、权值衰减率、学习率的超参数，直至满足预设的收敛条件；
13、利用所述验证集对训练后的微分类器进行验证后，再利用所述测试集对验证后的微分类器进行测试，若测试通过，则结束所述微分类器的训练，通过tcp协议将训练后的各所述微分类器下发给对应的边缘计算设备；若测试不通过，则扩充所述训练集继续对微分类器进行训练。
14、进一步的，所述步骤s5具体为：
15、云端对接收的所述实时视频流实时进行视频分析，生成视频分析结果，通过显示屏展示所述视频分析结果，通过国密算法对所述视频分析结果进行加密后，通过tcp协议实时推送给预先关联的移动终端；
16、对所述视频分析结果进行哈希计算得到哈希值，随机生成一对称密钥，利用所述对称密钥对视频分析结果进行加密，并备份至ipfs系统，将所述哈希值以及ipfs系统返回的索引地址绑定后上传至区块链。
17、第二方面，本专利技术提供了一种基于边缘计算设备的视频分析系统，包括如下模块：
18、微分类器创建模块，用于基于神经网络创建若干个微分类器；
19、数据集构建模块，用于获取大量的历史视频流，对各所述历史视频流进行预处理以及标注后，构建数据集；
20、数据集训练模块，用于基于所述数据集对各微分类器进行训练，将训练后的各所述微分类器下发给对应的边缘计算设备；
21、实时视频流过滤模块，用于边缘计算设备获取关联的摄像头的实时视频流，将所述实时视频流输入微分类器以过滤无关的图像帧，将过滤后的所述实时视频流通过tcp协议上传云端；
22、视频分析模块，用于云端对接收的所述实时视频流实时进行视频分析，生成视频分析结果。
23、进一步的，所述微分类器创建模块中，所述微分类器用于对视频流的图像帧进行二分类，生成相关或者无关的分类结果，对所述分类结果为无关的图像帧进行过滤。
24、进一步的，所述数据集构建模块具体用于：
25、获取大量的历史视频流，对各所述历史视频流进行格式转换的预处理后，对各所述历史视频流中的各图像帧的感兴趣内容进行标注，基于标注后的各所述历史视频流构建数据集。
26、进一步的，所述数据集训练模块具体用于：
27、基于预设比例将所述数据集划分为训练集、验证集以及测试集，利用所述训练集对各微分类器进行训练，训练过程中不断优化所述微分类器的损失函数以及包括随机失活率、权值衰减率、学习率的超参数，直至满足预设的收敛条件；
28、利用所述验证集对训练后的微分类器进行验证后，再利用所述测试集对验证后的微分类器进行测试，若测试通过，则结束所述微分类器的训练，通过tcp协议将训练后的各所述微分类器下发给对应的边缘计算设备；若测试不通过，则扩充所述训练集继续对微分类器进行训练。
29、进一步的，所述视频分析模块具体用于：
30、云端对接收的所述实时视频流实时进行视频分析，生成视频分析结果，通过显示屏展示所述视频分析结果，通过国密算法对所述视频分析结果进行加密后，通过tcp协议实时推送给预先关联的移动终端；
31、对所述视频分析结果进行哈希计算得到哈希值，随机生成一对称密钥，利用所述对称密钥对视频分析结果进行加密，并备份至ipfs系统，将所述哈希值以及ipfs系统返回的索引地址绑定后上传至区块链。
32、本专利技术的优点在于：
33、1、通过基于神经网络创建若干个微分类器，获取大量的历史视频流进行预处理以及标注后构建数据集，基于数据集对各微分类器进行训练，将训练后的各微分类器下发给对应的边缘计算设备；接着边缘计算设备获取关联的摄像头的实时视频流，将实时视频流输入微分类器以过滤无关的图像帧，将过滤后的实时视频流通过tcp协议上传云端，最后云端对接收的视频流实时进行视频分析，生成视频分析结果；即创建并训练若干个轻量级的微分类器，使得边缘计算设备可同时运行多个微分类器来对获取的实时视频流进行处理，过滤无关的图像帧以减轻带宽压力以及云端视频分析压力，进而极大的提升了视频分析效率，且由于未对传输的实时视频本文档来自技高网...
【技术保护点】
1.一种基于边缘计算设备的视频分析方法，其特征在于：包括如下步骤：
2.如权利要求1所述的一种基于边缘计算设备的视频分析方法，其特征在于：所述步骤S1中，所述微分类器用于对视频流的图像帧进行二分类，生成相关或者无关的分类结果，对所述分类结果为无关的图像帧进行过滤。
3.如权利要求1所述的一种基于边缘计算设备的视频分析方法，其特征在于：所述步骤S2具体为：
4.如权利要求1所述的一种基于边缘计算设备的视频分析方法，其特征在于：所述步骤S3具体为：
5.如权利要求1所述的一种基于边缘计算设备的视频分析方法，其特征在于：所述步骤S5具体为：
6.一种基于边缘计算设备的视频分析系统，其特征在于：包括如下模块：
7.如权利要求6所述的一种基于边缘计算设备的视频分析系统，其特征在于：所述微分类器创建模块中，所述微分类器用于对视频流的图像帧进行二分类，生成相关或者无关的分类结果，对所述分类结果为无关的图像帧进行过滤。
8.如权利要求6所述的一种基于边缘计算设备的视频分析系统，其特征在于：所述数据集构建模块具体用
9.如权利要求6所述的一种基于边缘计算设备的视频分析系统，其特征在于：所述数据集训练模块具体用于：
10.如权利要求6所述的一种基于边缘计算设备的视频分析系统，其特征在于：所述视频分析模块具体用于：
...【技术特征摘要】
1.一种基于边缘计算设备的视频分析方法，其特征在于：包括如下步骤：
2.如权利要求1所述的一种基于边缘计算设备的视频分析方法，其特征在于：所述步骤s1中，所述微分类器用于对视频流的图像帧进行二分类，生成相关或者无关的分类结果，对所述分类结果为无关的图像帧进行过滤。
3.如权利要求1所述的一种基于边缘计算设备的视频分析方法，其特征在于：所述步骤s2具体为：
4.如权利要求1所述的一种基于边缘计算设备的视频分析方法，其特征在于：所述步骤s3具体为：
5.如权利要求1所述的一种基于边缘计算设备的视频分析方法，其特征在于：所述步骤s5具体为：
6.一种基...
【专利技术属性】
技术研发人员：赵泽钧，袁苇，张宏辉，
申请(专利权)人：福建新大陆通信科技股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。