一种基于Hadoop和监控视频流的车辆轨迹统计方法技术

本发明专利技术公开了一种基于Hadoop和监控视频流的车辆轨迹统计方法，该方法经过车辆检测算法、车牌识别算法、分布式视频处理和车辆轨迹统计，首先基于改进后的tiny‑yolo模型对视频帧进行车辆检测定位，结合HSV颜色模型、SVM分类器和文字定位技术从定位到的车辆区域中定位出车牌区域，通过改进后的LeNet‑5模型进行车牌字符识别，将车辆检测和车牌识别的处理算法编译为动态链接库，扩展MapReduce对视频类型格式的支持并在Map中通过JNI接口与动态链接库交互实现对监控视频流的分布式处理，通过Combiner、Partition、Reduce三个阶段对分析结果汇总，最终实现对车辆轨迹的统计和车辆帧的存储，该方法不仅车辆检测和车牌识别算法对复杂环境的适应性强，而且通过JNI接口与MapReduce交互方式在执行效率上更高效。

A statistical vehicle trajectory Hadoop and monitoring method based on video stream

The invention discloses a vehicle trajectory Hadoop statistical method and monitoring based on video stream, the method after the vehicle detection algorithm, license plate recognition algorithm, distributed video processing and vehicle trajectory statistics based on tiny Yolo model theimproved positioning frame of video vehicle detection, vehicle positioning plate region area combined with HSV color model, SVM classifier and text positioning technology from the orientation to the, through the improved LeNet model 5 license plate character recognition, compile the algorithm of vehicle detection and license plate recognition for the dynamic link library, extended MapReduce support for video format and type of interaction to achieve the distributed processing of monitoring video stream through the JNI interface and the dynamic link library in Map, the analysis results by Combiner, Partition, Reduce in three stages, and eventually realize the vehicle trajectory The method not only has strong adaptability to complex environment for vehicle detection and license plate recognition algorithm, but also is more efficient in execution efficiency through JNI interface and MapReduce interaction mode.

【技术实现步骤摘要】
一种基于Hadoop和监控视频流的车辆轨迹统计方法
本专利技术涉及云计算、计算机视觉
，具体是一种基于Hadoop和监控视频流的车辆轨迹统计方法。
技术介绍
在车辆网、智能交通迅速发展的环境下，交通监控摄像头的普及促使了视频数据量的指数式增长，如果不能充分挖掘视频数据中的有效信息，必然造成资源浪费，而在交通监控视频中，车辆信息作为主要信息在交通监管、智能交通的发展中发挥重要作用，如何从海量监控数据中充分挖掘车辆信息成为研究热点。而传统的集中式视频处理方式面对海量增长的监控视频数据存在处理能力不足和不可扩展的问题。近年来，机器学习、深度学习技术因为对数据更好的分类能力在图像处理领域得到广泛研究，并通过大量的研究也证明了其相比于传统算法具有更好的分类效果，在复杂环境下具有更好的适应性和鲁棒性。而城市道路和高速公路都是动态变化的环境，易受天气、光照等环境影响，传统的处理算法往往难以适应天气和光线等条件的变化。由于Hadoop平台底层机制是由Java实现，而图像处理往往属于计算密集型任务，通过Hadoop对图像的分布式处理，传统采用JavaCV、HadoopStreaming的方式执行本文档来自技高网...

【技术保护点】
一种基于Hadoop和监控视频流的车辆轨迹统计方法，其特征在于，具体包括如下步骤：1）将各场景下的监控视频上传到HDFS，执行Hadoop任务；2）Hadoop视频数据处理接口从HDFS上读取视频数据初始化Xuggler解码库，Xuggler解码库解析视频数据，得到一系列<key，value>交由Map处理，其中key为视频名_帧号，value为视频帧元数据；3）Map函数对传入的<key，value>进行分析，具体是通过JNI与动态链接库交互实现对车辆检测定位和车牌识别，通过车辆检测算法从视频帧图像中定位到车辆区域，通过车牌识别算法对定位到的车辆区域进行车牌识别，未定...

【技术特征摘要】
1.一种基于Hadoop和监控视频流的车辆轨迹统计方法，其特征在于，具体包括如下步骤：1）将各场景下的监控视频上传到HDFS，执行Hadoop任务；2）Hadoop视频数据处理接口从HDFS上读取视频数据初始化Xuggler解码库，Xuggler解码库解析视频数据，得到一系列<key，value>交由Map处理，其中key为视频名_帧号，value为视频帧元数据；3）Map函数对传入的<key，value>进行分析，具体是通过JNI与动态链接库交互实现对车辆检测定位和车牌识别，通过车辆检测算法从视频帧图像中定位到车辆区域，通过车牌识别算法对定位到的车辆区域进行车牌识别，未定位到车辆区域直接执行下一次<key，value>，将识别到车牌的帧图像以视频名_车牌号_时间戳形式进行命名写回到HDFS进行存储，Map输出<key1，value1>进入Combiner阶段，其中key1为车牌号，value1为封装了初始化统计次数1、时间戳以及视频名的容器对象；4）Combiner接收单前视频Split中的Map输出，以相同的key1归并Map输出结果为<key1，list<value1>>形式进行处理，引入时间戳和阈值判别来有效避免相同车辆在连续帧中出现带来的统计偏差，如果满足效验条件，行车频次加1，反之，不对行车频次进行累加，Combiner输出<key1，value2>进入Partition阶段，其中key1为车牌号，value2为封装了累计统计次数、视频名的容器对象，Partition阶段根据value2中的视频名进行分区，每个分区对应一个Reduce处理；5）Reduce接收Partition分配的多个Combiner结果，以相同的key1归并Combiner分析结果为<key1，list<value2>>形式进行处理，对list<value2>中存在相同视频名的value2中的统计次数进行累加并汇总，对不同视频名的value2中的统计次数进行汇总，最终生成新的<key1，value3>，其中key1为车牌号，value3为包含了该车牌号在不同视频名下分别出现次数，汇总结果以文本形式写入到HDFS；经过上述步骤，完成车辆轨迹统计。2.根据权利要求1所述的一种基于Hadoop和监控视频流的车辆轨迹统计方法，其特征在于，步骤2中，所述的Hadoop视频数据处理接口，是通过结合开源库Xuggler重写Hadoop的记录读取器和Hadoop支持的数据输入输出类型格式，使MapReduce支持对HDFS中的视频类型格式数据的并行处理，具体方法为：1)重写Hadoop的记录读取器，设计实现RecordReader类的VideoRecordReader类，重写initialize()方法从HDFS上获取视频文件初始化Xuggler解码库，Xuggler解码库将视频文件解码为一系列帧图像，将帧图像作为value，视频名_帧号作为key，重写getCurrentKey()方法、getCurrentValue()方法、nextKeyValue()方法将一系列帧图像以<key:视频名_帧号,value:帧元数据>形式交由Map处理,value为实现了Writable接口的ImageWritable类型，并需要重写Writable接口中的序列化方法和反序列化方法；2)重写Hadoop输入输出格式，设计VideoInputFormat类和ResultOutputFormat类，VideoInputFormat类继承自FileInputFormat类，VideoInputFormat类中重写creatRecordReader()方法获支持读取视频数据为一系列<key,value>的VideoRecordReader类对象，重写isSplitable()方法，返回flase，不对Block进行逻辑切分，根据默认大小分配Mapper数量;ResultOutputFormat类继承自FileOutputFormat类，并自定义ResultRecordWrite类，重写write()方法，支持将Reduce执行结果中的车牌号、视频名、累计统计次数以Text形式写出到HDFS，支持将Map执行结果中识别到车牌的视频帧图像以Image形式写出到HDFS。3.根据权利要求1所述的一种基于Hadoop和监控视频流的车辆轨迹统计方法，其特征在于，步骤3）中，所述的车辆检测算法，是基于改进后的卷积神经网络tiny-yolo模型实现，tiny-yolo模型是深度学习目标分类算法中具有实时、多类别目标检测定位能力的YOLOv2框架中的一种，该模型包含9个convolution层、6个max-pooling层和一个region层，网络第1层为输入层，接收大小为416x416的RGB图像；第2层到第16层分别为卷积层C1、池化层P1、卷积层C2、池化层P2、卷积层C3、池化层P3、卷积层C4、池化层P4、卷积层C5、池化层P5、卷积层C6、池化层P6、卷积层C7、卷积层C8、卷积层C9;P1~P5的池大小均为2x2，滑动步长为2，P6的池大小为2x2，滑动步长为1，C1~C8分别包含16、32、64、128、256、512、1024、1024个filter，每个filter中的每个像素点与上一层大小为3x3的“感受野”相连，卷积步长为1且均采用LeakyReLU函数作为激励函数，C9层包含了125个filt...

【专利技术属性】
技术研发人员：陈名松，王伟光，董适，周信玲，
申请(专利权)人：桂林电子科技大学，
类型：发明
国别省市：广西,45