一种车联网中视频语义驱动的资源分配方法组成比例

本发明专利技术公开了一种车联网中视频语义驱动的资源分配方法，属于车联网领域。首先构建车辆端与边缘服务器端视频语义通信的车联网系统模型；然后统计实验数据并结合回归方法，构建视频语义驱动的资源分配指导模型；再利用视频码率计算单位车辆的检测准确率，并将最大化单位车辆的检测准确率为优化目标，构建车联网中视频语义驱动的资源分配优化模型；并通过分析目标函数的单调性实现模型的简化；在视频语义驱动的资源分配优化模型的基础上，构建强化Q学习算法模型；通过构建状态空间、动作空间和环境反馈，并执行动作、观测状态、获得奖励来训练求解资源分配优化模型。本发明专利技术考虑了不同视频的语义差异和车联网非稳态信道条件，优化了车辆端到边缘服务器端视频语义任务的频谱分配，实现了平均目标检测精度最大化。

【技术实现步骤摘要】
一种车联网中视频语义驱动的资源分配方法
本专利技术属于车联网领域，涉及车联网边缘计算场景下的视频传输系统，具体是一种车联网中视频语义驱动的资源分配方法。
技术介绍
随着人工智能和车联网技术的发展，智能计算和车辆通信的融合发展成为必然趋势。当前在车联网场景中，车辆端到边缘服务器端的大量计算任务卸载需求给车联网通信资源带来了巨大的压力，因此亟需研究高效的资源分配方法来提高车联网中的资源利用率。现有的车联网中资源分配方法可以分为两类：服务质量(QualityofService，QoS)驱动的资源分配方法和用户体验质量(QualityofExperience，QoE)驱动的资源分配方法。基于QoS的资源分配方法主要是通过合理地分配带宽、功率、时延等通信资源，以优化网络的吞吐量、传输速率、时延、抖动等网络效率指标，面向的主体是通信系统的物理层或网络层；基于QoE的资源分配方法主要是通过分配通信资源以提升传输视频的流畅度、清晰度、用户满意度等指标，以满足接收用户的各种主观需求。以上两种传统的资源分配方法面向的主体是传输网络或人类用户，不考虑本文档来自技高网...

【技术保护点】
1.一种车联网中视频语义驱动的资源分配方法，其特征在于，具体步骤包括：/n步骤一、构建车辆端与边缘服务器端视频语义通信的车联网系统模型；/n系统模型包括蜂窝基站(Base Station，BS)和M辆装有摄像头的智能网联汽车；/n整个系统的通信和计算过程如下：1)车辆发起视频传输请求，对所采集的视频进行预处理，获取视频信息并将其上传到边缘服务器，同时边缘服务器获取信道状态信息(Channel State Information，CSI)；2)边缘服务器获取视频信息和CSI，根据视频语义驱动的资源分配方法得到最优资源分配结果；3)车辆根据资源分配的结果完成视频的编码压缩，通过无线信道传输到边缘服...

【技术特征摘要】
1.一种车联网中视频语义驱动的资源分配方法，其特征在于，具体步骤包括：
步骤一、构建车辆端与边缘服务器端视频语义通信的车联网系统模型；
系统模型包括蜂窝基站(BaseStation，BS)和M辆装有摄像头的智能网联汽车；
整个系统的通信和计算过程如下：1)车辆发起视频传输请求，对所采集的视频进行预处理，获取视频信息并将其上传到边缘服务器，同时边缘服务器获取信道状态信息(ChannelStateInformation，CSI)；2)边缘服务器获取视频信息和CSI，根据视频语义驱动的资源分配方法得到最优资源分配结果；3)车辆根据资源分配的结果完成视频的编码压缩，通过无线信道传输到边缘服务器；4)边缘服务器将接收到的视频进行解码，对视频进行语义理解并将结果反馈给各车辆；
步骤二、构建视频语义驱动的资源分配指导模型；
详细的资源分配指导模型建模步骤如下：
步骤201、构建视频量化参数(QuantitativeParameters，QP)值和压缩率的关系；
采用H.265视频编码压缩标准对视频数据进行编码压缩处理，使得视频传输的码率小于或等于带宽限制下的传输速率；压缩编码过程中不同的QP值对应不同的压缩步长，QP值越小，压缩步长越小，视频码率越接近原始视频码率，传输所需的带宽越大；
步骤202、构建压缩率和检测准确率的关系；
采用基于区域的快速卷积神经网络(FasterRegion-basedConvolutionalNeuralNetwork，FasterR-CNN)算法对Caltech数据集和Waymo数据集中不同压缩程度的视频进行目标检测，目标类型主要包括行人、车辆和交通信号灯等；其中，两个数据集中20％的视频数据用于测试，80％的视频数据用于训练；
步骤203、构建QP值和检测准确率的关系；
统计步骤202中不同压缩率所对应的QP值以及对应的检测准确率的实验数据，并根据数据结果拟合出如下的指数关系模型：



q表示视频量化参数QP值，P表示检测精度，α1α2α3为模型参数；
步骤204、构建QP值和视频码率的关系；
根据实验拟合出如下的指数关系模型：
q＝β1exp(β2Rm)
Rm为第m辆车所采集视频的码率，β1β2为模型参数，exp(·)表示以自然常数e为底的指数函数；
步骤205、构建检测准确率和视频码率的关系；
联合上述两步所得的关系模型，可得检测准确率与码率的关系模型如下：



码率的大小与传输过程中的带宽资源有关，至此得到了面向视频语义理解准确率(即目标检测任务中的检测准确率)的带宽资源分配指导模型；上述目标检测准确率与码率的关系模型从理论上给出了语义驱动的资源分配算法的优化方向；
步骤三、利用视频码率计算单位车辆的检测准确率，并将最大化单位车辆的检测准确率为优化目标，构建车联网中视频语义驱动的资源分配优化模型；
优化模型如下所示：















C5:Δt≤t≤T
M为车辆总数，N为目标类别总数；δn表示不同检测类别的权重，即不同类别的检测目标(如人、车、交通灯)在语义分析任务中可能具有不同的重要性；Im,n表示原视频中待检测的目标数量(密度)，Im,nPn则表示能正确检测到的目标数量，即可正确理解的视频语义；Bm是为每个车辆分配的带宽；
约束条件C1表示传输视频的码率受到车辆的传输速率限制，其中，每辆车在时隙t的传输速率如下所示：



Bm为每个车辆分配的带宽，Sm、hm(t)和分别表示发射功率、信道增益和噪声功率；
约束条件C2表示所有车辆分配的带宽之和不超过总带宽Btotal；
约束条件C3表示每个车辆分配...

【专利技术属性】
技术研发人员：郭彩丽，陈九九，刘芳芳，杨洋，朱美逸，
申请(专利权)人：北京邮电大学，
类型：发明
国别省市：北京;11