基于边缘计算与云端协同的安防视频流智能分析方法及系统与流程

摘要: 本技术涉及信息,具体涉及基于边缘计算与云端协同的安防视频流智能分析方法。背景技术:1、随着智慧城市与平安城市建设推进,安防监控摄像头数量激增,海量视频数据的实时...
基于边缘计算与云端协同的安防视频流智能分析方法及系统与流程

本技术涉及信息,具体涉及基于边缘计算与云端协同的安防视频流智能分析方法。

背景技术:

1、随着智慧城市与平安城市建设推进,安防监控摄像头数量激增,海量视频数据的实时回传与分析对网络带宽和云端算力提出了严峻挑战。边缘计算与云端协同架构通过在靠近数据源头的边缘节点完成视频预处理与特征提取,再将轻量化的特征数据上传至云端进行深度分析,已成为解决上述瓶颈的主流技术方向。然而,现有边云协同视频分析方法大多采用固定的抽帧策略或单一的压缩比设置,缺乏对网络带宽动态变化与边缘缓存状态的联合感知与自适应调控能力。例如,中国专利申请cn115103157a公开了基于边云协同的视频分析方法,通过对监控视频流进行抽帧后与误预警图片集进行相似度对比来实现异常检测;另一现有技术则根据边缘网关和云服务器的计算资源占用率将视频数据划分为连续抽帧类和非连续抽帧类进行动态分配。上述方案均未充分考虑网络带宽抖动对关键事件视频数据传输质量的影响,难以在带宽受限且波动剧烈的实际监控场景中保证高价值事件信息的完整上传与准确分析。

技术实现思路

1、有鉴于此,本公开实施例提供了基于边缘计算与云端协同的安防视频流智能分析方法,至少部分解决现有技术中存在的问题。

2、基于边缘计算与云端协同的安防视频流智能分析方法,包括:

3、获取当前网络带宽抖动幅度与边缘缓存队列积压长度;

4、基于所述网络带宽抖动幅度与边缘缓存队列积压长度,确定关键事件触发后的视频流抽帧密度及特征摘要压缩比;

5、根据所述抽帧密度及特征摘要压缩比对视频流进行动态采样与特征提取;

6、将提取后的视频特征数据上传至云端进行进一步智能分析与行为判别。

7、优选的,所述基于网络带宽抖动幅度与边缘缓存队列积压长度确定抽帧密度及压缩比进一步包括:

8、获取当前网络带宽平均值b_avg和抖动幅度δb;

9、获取边缘缓存队列积压长度q;

10、根据以下公式调整抽帧密度f=f0(δb/b_avg)+q/k,其中f0为基准抽帧密度,k为缓冲区比例系数;

11、当δb大于预设阈值t_δb时,增加f的值以提升抽帧频率。

12、优选的,所述基于网络带宽抖动幅度与边缘缓存队列积压长度确定抽帧密度及压缩比进一步包括:

13、获取实时网络延迟d_delay;

14、结合之前计算出的抽帧密度f和特征摘要压缩比c;

15、根据以下公式动态调整c=c0(f/f_max)(q/q_max),其中c0为初始压缩比,f_max为最大允许抽帧率,q_max为缓存最大容量;

16、在c超过设定上限c_upper时,减少f的数值以保证上传数据完整性。

17、优选的,所述根据抽帧密度与特征摘要压缩比进行视频流动态采样进一步包括:

18、计算关键事件发生前的背景特征差异度e_diff;

19、结合当前时间戳t判断是否处于高峰期时段t_period;

20、若e_diff>阈值t_diff且t_period为繁忙期,则启用更高精度压缩比c_high;

21、否则,默认采用低精度压缩比c_low以节约带宽。

22、优选的,所述将提取后的视频特征数据上传至云端进一步包括:

23、获取当前云平台负载状态s_cloud;

24、基于以下公式决定上传周期p=p0(s_cloud/s_ref),其中p0为基准上传周期,s_ref为参考负载值;

25、当s_cloud<参考负载值时,减少p缩短上传间隔,加快响应速度;

26、若p小于下限p_min,则强制保持p_min避免资源滥用。

27、优选的,所述基于关键事件触发的场景划分进一步包括:

28、检测关键事件类型并标记为event_type;

29、根据event_type确定是否需要保留原始画面或仅特征信息;

30、根据以下公式评估传输优先级p_prior=α(event_type_priority+βδb^γ),其中α、β、γ为权重系数;

31、高优先级事件在带宽不足时优先上传,并增加抽帧密度以确保完整性。

32、优选的,所述在边缘节点部署多级缓存结构进一步包括:

33、初始化三级缓存,包含快速缓存r_cache、中速缓存m_cache、慢速缓存l_cache);

34、根据历史丢包率packet_loss_rate决定缓存级别;

35、采用以下公式进行缓存决策:如果packet_loss_rate>threshold_loss则使用m_cache,否则使用r_cache;

36、当l_cache仍有存储空间时,将部分非紧急特征数据暂存到l_cache中。

37、优选的,所述特征摘要压缩比调整过程引入用户权限等级进一步包括:

38、采集用户的访问权限标识u_level;

39、设置压缩比限制c_limit=c0+(u_levelλ),其中λ为每级权限对应的增量因子;

40、若c

41、若c>c_limit则降低抽帧密度以保证安全性与完整性之间的平衡。

42、优选的,所述针对特定场景下网络波动的优化措施进一步包括:

43、计算过去5分钟内的带宽标准差σ_bandwidth;

44、基于以下公式判定是否触发动态补偿机制:如果σ_bandwidth>threshold_b则activate_compensate为真否则为伪;

45、在compensate为真时启动额外的特征压缩算法c_comp=c_base(σ_bandwidth/σ_ref);

46、同时提高关键帧抽帧频率f_base(σ_bandwidth/σ_ref)以避免丢失关键信息。

47、优选的,所述基于多摄像头协作下的同步机制进一步包括:

48、获取各摄像头之间的时间戳差t_offset;

49、建立同步矩阵s_matrix用于对齐视频流内容;

50、通过以下公式补偿图像偏移:compensation_factor=max(0,(t_offset/t_sync_window)),其中t_sync_window为同步窗口长度;

51、当compensation_factor超过设定门限t_comp_max时启动帧同步调整,减少信息误差。

52、优选的,所述基于边缘设备算力的自适应策略进一步包括:

53、获取边缘节点可用算力a_avail;

54、通过以下公式评估资源利用率utilization_ratio=a_avail/a_total,其中a_total为总可用算力;

55、根据utilization_ratio自动调整抽帧密度和压缩比,即f_new=f_old(1utilization_ratio)+f_baseutilization_ratio;

56、在低算力情况下减少复杂特征提取操作,以保障系统稳定性。

57、本公开实施例提供了基于边缘计算与云端协同的安防视频流智能分析方法,包括:获取当前网络带宽抖动幅度与边缘缓存队列积压长度;基于所述网络带宽抖动幅度与边缘缓存队列积压长度,确定关键事件触发后的视频流抽帧密度及特征摘要压缩比;根据所述抽帧密度及特征摘要压缩比对视频流进行动态采样与特征提取;将提取后的视频特征数据上传至云端进行进一步智能分析与行为判别。通过本公开实施例的方案,能够解决如何根据网络带宽抖动幅度与边缘缓存队列积压长度,对关键事件触发后的视频流抽帧密度及特征摘要压缩比进行联合调控,以解决有限回传带宽下高价值事件信息完整性缺失问题。