一种智能视频监控系统及多视频流自适应配置方法与流程

1.本发明涉及监控系统领域，具体为一种智能视频监控系统及多视频流自适应配置方法。


背景技术：

2.在现在的生活场景中，越来越多的感知终端、通信终端、执行终端和边缘设备被部署于生活环境当中，在大量感知终端中，摄像头以其提供信息的不可替代性和丰富性占据了至关重要的地位，基于摄像头网络的智能视频监控系统需要进行多路高维视频流的计算密集型视觉检测任务，保障系统的运行效率和操作规范，基于摄像头数据传输网络的智能视频监控系统要求多路高维视频流的视觉检测任务快速完成并准确响应，并需根据视频检测系统数据传输效果进行配置自适应调节。
3.然而，多路视频流各层级及同级接入设备之间相互竞争有限通信资源，导致视觉检测任务完成时间推迟，并使检测精度降低，对智能视频监控系统质量具有低时延、高精度要求方面的极大影响，因此，如何设计有效的边缘协作机制进行智能视频监控是亟待解决的关键问题。


技术实现要素：

4.(一)解决的技术问题
5.针对现有技术的不足，本发明提供了一种智能视频监控系统及多视频流自适应配置方法，解决了多路视频流各层级及同级接入设备之间相互竞争有限通信资源，使数据传输存在时延过高、传输数据精度不满足要求的问题。
6.(二)技术方案
7.为实现以上目的，本发明通过以下技术方案予以实现：一种智能视频监控系统，包括云平台服务器，所述云平台服务器连接有边缘计算层，所述边缘计算层连接有监控捕捉层。
8.优选的，所述云平台服务器包括视觉检测结果接收、历史记录数据存储、远程实时访问、ai分析、系统设备管理和选型协议。
9.优选的，所述边缘计算层包括深度学习算法、视觉检测配置信息、视觉数据检测、网络资源监控、视频流配置算法和视频流缓存划分。
10.优选的，所述云平台服务器连接有ai智能分析模块、设备管理处理器和远程通信模块。
11.优选的，所述边缘计算层连接有接入设备、一般设备和第一通信模块。
12.优选的，所述监控捕捉层连接有摄像采集设备和第二通信模块。
13.优选的，所述云平台服务器与边缘计算层双向连接，所述边缘计算层与监控捕捉层双向连接。
14.优选的，多视频流自适应配置方法，具体包括以下步骤：
15.s1.系统参数初始化
16.初始化摄像采集设备分辨率、视觉检测配置信息和视频流缓存划分；
17.s2.系统运行
18.边缘计算层进行网络资源监控，对第二通信模块进行带宽变换检测，当带宽变化超过设定阈值，启动重配置程序进行带宽重新配置；
19.s3.启动配置程序
20.对第一通信模块和第二通信模块进行带宽重分配；
21.s4.自适应优化
22.根据s2获得的带宽分配信息，进行初始化摄像采集设备分辨率、视觉检测配置信息和视频流缓存划分的参数重配置，降低多路异构qos视频流的时延，加强摄像采集设备数据采集的平均精度；
23.s5.数据设置
24.根据s4重配置的视频配置信息，将重配置信息中的目标检测模型进行确认，并通过第一信息模块发送至一般设备，并将视频重配置信息中的视频分辨率信息传递至接入系统的所有摄像采集设备；
25.s6.目标检测模型确认
26.每个接入系统的摄像采集装置根据接收到的视频重配置的视频分辨率信息进行重新配置；
27.s7.进行视觉数据检测任务
28.监控捕捉层进行视觉检测任务，并将视觉检测任务获得数据通过第二通信模块上传至边缘计算层；
29.s8.视觉数据算法分析
30.根据边缘计算层结合深层学习算法，根据预先配置完成的视觉检测配置信息对采集的视觉模型数据进行分析处理，并进行数据流缓存划分；
31.s9.数据上传
32.处理获得数据通过第一通信模块上传至云平台服务器，用于历史记录数据存储和远程实时访问。
33.有益效果
34.本发明提供了一种智能视频监控系统及多视频流自适应配置方法。具备以下有益效果：
35.1、本发明提供了一种智能视频监控系统及多视频流自适应配置方法，该智能视频监控系统通过设置云平台服务器与边缘计算层双向连接，边缘计算层与监控捕捉层双向连接，由监控捕捉层获取视频模型信息数据，交由边缘计算层进行分析处理，边缘计算层根据分析所得数据对模型信息获取进行优化，并将重配置信息递交监控捕捉层，监控捕捉层确认优化视频信息捕捉模型，并进行模型信号重配置，降低数据传输负担，降低时延，提高视频数据传输精度。
36.2、本发明提供了一种智能视频监控系统及多视频流自适应配置方法，该多视频流自适应配置方法通过系统运行采集捕获的数据，进行初始化摄像采集设备分辨率、视觉检测配置信息和视频流缓存划分的参数重配置，降低多路异构qos视频流的时延，加强摄像采
集设备数据采集的平均精度。
37.3、本发明提供了一种智能视频监控系统及多视频流自适应配置方法，该多视频流自适应配置方法将每个接入系统的摄像采集装置根据接收到的视频重配置的视频分辨率信息进行重新配置，更具当前最佳带宽分配情况进行视频分辨率信息进行最优配置。
附图说明
38.图1为本发明功能组成示意图；
39.图2为本发明云平台服务器组成示意图；
40.图3为本发明边缘计算层组成示意图；
41.图4为本发明监控捕捉层组成示意图。
42.其中，1、云平台服务器；2、边缘计算层；3、监控捕捉层；4、视觉检测结果接收；5、历史记录数据存储；6、远程实时访问；7、深度学习算法；8、视觉检测配置信息；9、视觉数据检测；10、ai分析；11、系统设备管理；12、选型协议；13、网络资源监控；14、视频流配置算法；15、视频流缓存划分；16、接入设备；17、一般设备；18、第一通信模块；19、ai智能分析模块；20、设备管理处理器；21、远程通信模块；22、摄像采集设备；23、第二通信模块。
具体实施方式
43.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
44.实施例：
45.如图1-4所示，本发明实施例提供一种智能视频监控系统，包括云平台服务器1，云平台服务器1连接有边缘计算层2，边缘计算层2连接有监控捕捉层3；
46.云平台服务器1包括视觉检测结果接收4、历史记录数据存储5、远程实时访问6、ai分析10、系统设备管理11和选型协议12，边缘计算层2包括深度学习算法7、视觉检测配置信息8、视觉数据检测9、网络资源监控13、视频流配置算法14和视频流缓存划分15，云平台服务器1连接有ai智能分析模块19、设备管理处理器20和远程通信模块21，边缘计算层2连接有接入设备16、一般设备17和第一通信模块18，监控捕捉层3连接有摄像采集设备22和第二通信模块23，云平台服务器1与边缘计算层2双向连接，边缘计算层2与监控捕捉层3双向连接，便于指令和信息的双向传达；
47.多视频流自适应配置方法，具体包括以下步骤：
48.s1.系统参数初始化
49.初始化摄像采集设备22分辨率、视觉检测配置信息8和视频流缓存划分15；
50.s2.系统运行
51.边缘计算层2进行网络资源监控13，对第二通信模块23进行带宽变换检测，当带宽变化超过设定阈值，启动重配置程序进行带宽重新配置；
52.s3.启动配置程序
53.对第一通信模块18和第二通信模块23进行带宽重分配；
54.s4.自适应优化
55.根据s2获得的带宽分配信息，进行初始化摄像采集设备22分辨率、视觉检测配置信息8和视频流缓存划分15的参数重配置，降低多路异构qos视频流的时延，加强摄像采集设备22数据采集的平均精度；
56.s5.数据设置
57.根据s4重配置的视频配置信息，将重配置信息中的目标检测模型进行确认，并通过第一信息模块18发送至一般设备17，并将视频重配置信息中的视频分辨率信息传递至接入系统的所有摄像采集设备22；
58.s6.目标检测模型确认
59.每个接入系统的摄像采集装置22根据接收到的视频重配置的视频分辨率信息进行重新配置，更具当前最佳带宽分配情况进行视频分辨率信息进行最优配置；
60.s7.进行视觉数据检测任务
61.监控捕捉层3进行视觉检测任务，并将视觉检测任务获得数据通过第二通信模块21上传至边缘计算层2，边缘计算层2对上传的数据进行分析处理；
62.s8.视觉数据算法分析
63.根据边缘计算层2结合深层学习算法7，根据预先配置完成的视觉检测配置信息8对采集的视觉模型数据进行分析处理，并进行数据流缓存划分15，目标检测模型的深度学习算法7包括通用的骨干网模型和针对对于目标检测任务的卷积神经网格模型；
64.s9.数据上传
65.处理获得数据通过第一通信模块18上传至云平台服务器1，用于历史记录数据存储5和远程实时访问6，便于通过对记录数据进行比对，对系统进行进一步优化。
66.尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。