用于车载边缘网络的视频配置方法技术

本发明专利技术公开了一种用于车载边缘网络的视频配置方法，主要解决现有车载视频配置方法视频配置成本较高和使用环境固定的问题。其方案是：1)构建车载边缘网络；2)客户端车辆用户通过车载摄像头采集视频数据，生成待分的视频；3)客户端车辆用户与计算节点建立通信链路；4)应用贝叶斯在线学习获得待分析视频在不同视频配置下的时延与精度，并应用高斯模型衡量当前配置与这些通过学习获得时延与精度的配置相似性，根据相似配置具有相似的性能和配置在有潜力视频配置集合中出现的频次得出最优配置；5)根据视频内容的变化定期重复4)，得到新的最优视频配置。本发明专利技术配置成本低，适用环境广，道路维护安全，可用于自动驾驶车辆，维护道路安全。路安全。路安全。

Video configuration method for vehicle Edge network

【技术实现步骤摘要】
用于车载边缘网络的视频配置方法


[0001]本专利技术属于自动驾驶
，更进一步涉及一种视频配置方法，可用于自动驾驶车辆，维护道路安全。

技术介绍

[0002]目前，自动驾驶汽车和先进的驾驶员辅助系统严重依赖于机载传感器来识别和评估潜在的危险并采取必要的行动，这对传感数据分析的精度和实时性提出了挑战，无线网络的发展为其提供了一种方法。随着现代通信技术的发展，联网汽车比以往任何时候都更接近成为现实。蜂窝车辆无线通信和专用短程通信，由于在带宽、延迟和可靠性方面的显著改进，促进了大规模的车辆通信。此外，新的法规为公共道路上的车辆提供了有益的法律背景，其为增强自动驾驶车辆和辅助驾驶车辆的信息感知铺平了道路，从而提高道路安全。
[0003]同时随着机器学习的发展，可使得部署在道路附近的强大服务器能够运行计算机密集型神经网络，为车辆用户的视频分析进行实时推断提供了方便，特别是，基于深度学习的视频分析是未来服务的关键。然而这种视频分析的实现系统需要较低的端到端延迟和准确的推理。视频配置参数的选取将对其性能指标有重要的影响。
[0004]视频配置参数选取的研究已经受到了较多的关注和研究。如：Xukan Ran等人在“DeepDecision:A Mobile Deep Learning Framework for Edge Video Analytics”中开发了一个用于边缘视频分析的移动深度学习框架，它根据待分析视频的精度需求、帧率需求、能耗成本和网络状态等数据来建立优化问题，其选择视频的帧率、视频编码率和深度学习模型参数，以优化视频分析的精度和可实现的帧率。但是该方法由于在模型中假设可用的深度学习模型和无线链路的准确性和延迟是预先已知，具有一定的数据或平台依赖性，因而仅适用于一个固定的环境。再如：中山大学在其申请号为：202011638574.3的专利文献中公开了一种“基于边缘计算的低时延实时视频分析方法”，该方法首先对设备到边缘服务器延迟数据采集进行分析，然后动态地根据视频内容配置视频流上传的参数以兼顾准确率、资源消耗和时延的平衡进行动态的配置，同时，进行动态profiling执行决策：通过动态计算profiling判断是否需要在每个时隙重新做profiling，最后通过profiling生成的结果和图片差异比对共同决定是否将图片上传服务器。但该方法中由于配置选择对视频分析的影响以理论最优的黄金配置来衡量，成本昂贵，且随着网络状况的时变，黄金配置对应的视频分析的性能未必是最优的，从而影响视频分析精度与时延性能，进而对道路安全造成威胁。

技术实现思路

[0005]本专利技术的目的在于针对上述视频配置方法的不足，提出一种用于车载边缘网络的视频配置选择方法，以降低视频配置成本，维护道路安全，提高出行效率，并扩大适用环境。
[0006]为实现上述目的，本专利技术的技术方案包括如下：
[0007]1)构建车载边缘网络：
[0008]将安装有车载传感器的自动驾驶汽车或者辅助驾驶汽车作为客户端车辆户，将部署在基站附近的服务器作为边缘计算节点，将神经网络模型部署在边缘计算节点处；
[0009]用M个客户端车辆用户组成客户端车辆用户集合：V＝{v1,v2,...,v
j
,...,v
M
}，其中v
j
代表第j个客户端车辆用户，j为从1到M，M≥2；
[0010]用客户端车辆用户集合V和一个边缘计算节点组成车载边缘网络，在车载边缘网络中，客户端车辆用户v
j
均通过C
‑
V2X无线接口建立车与车、车与基站的通信；
[0011]2)客户端车辆用户通过车载摄像头采集视频数据，以生成待分析的视频；
[0012]3)客户端车辆用户与计算节点建立通信链路；
[0013]4)对待分析的视频进行视频配置：
[0014]4a)根据用户需求确定客户端车辆用户的期望帧率λ
*
；
[0015]4b)从所有可选的配置中随机选取初始配置x
t
＝(n
t
,q
t
)，其中n
t
表示神经网络模型输入大小，q
t
代表每个时隙视频帧传输所选择的压缩百分比；
[0016]4c)客户端车辆用户根据所选择的配置x
t
对视频进行压缩处理，并通过其与计算节点建立的通信链路，将压缩处理后的视频上传至边缘计算节点进行视频分析，得到视频在选定配置下的观测精度C(x
t
)和视频上传至边缘计算节点的传输时延、视频分析时延；
[0017]4d)对所得到传输时延、视频分析时延进行模型处理得到观测帧率λ(x
t
)，并通过该λ(x
t
)和C(x
t
)这两个参数生成第t时隙观测奖励信息y
t
；
[0018]4e)将已选视频配置x
t
添加进已选视频配置集合，将观测奖励信息y
t
添加进观测奖励集合；
[0019]4f)根据已选视频配置x
t
与观测奖励y
t
计算高斯模型的均值u
t
(x)和方差k
t
(x,x)，并根据这两个参数，计算所有可选视频配置对应的置信区间上界算法函数值；
[0020]4g)取所有可选视频配置对应的置信区间上界算法函数值中最大值对应的视频配置作为有潜力的视频配置，并将其添加进有潜力的视频配置集合；
[0021]4h)统计有潜力的视频配置集合中各视频配置出现的频次；
[0022]4i)根据高斯模型的均值和各配置在有潜力的视频配置集合中出现的频次选取下一时隙的最优视频配置：
[0023][0024]其中为所有可选视频配置的集合，u
t
(x)为高斯模型的均值，fre(x')为配置x在有潜力的视频配置集合中出现的频次，γ为配置历史频次的权重因子；
[0025]4j)重复4c)
‑
4i)，直至达到设定的迭代次数，得到最优的视频配置；
[0026]5)根据视频内容的变化定期重复4)，得到新的最优视频配置。
[0027]本专利技术与现有技术相比，具有以下优点：
[0028]第一，扩大了使用环境。
[0029]现有车载视频配置方法大多是对所用的深度学习模型和通信链路作出假设，由于该假设深度学习模型的准确性、处理时延和通信链路传输时延均为已知，因而仅仅适用于一个固定的环境。本专利技术应用贝叶斯在线学习的方法，首先学习在当前环境下的不同视频配置的时延与精度，然后应用高斯模型衡量当前配置与这些通过学习获得时延与精度的配置间的相似性，并以此来选择最优配置，而不限于一个固定的环境，即扩大了使用环境。
[0030]第二，降低视频配置成本，提高视频分析精度与时延。
[0031]在实际情况中，由于网络条件时变本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于车载边缘网络的视频配置方法，其特征在于，包括如下：1)构建车载边缘网络：将安装有车载传感器的自动驾驶汽车或者辅助驾驶汽车作为客户端车辆用户，将部署在基站附近的服务器作为边缘计算节点，将神经网络模型部署在边缘计算节点处；用M个客户端车辆用户组成客户端车辆用户集合：V＝{v1,v2,...,v
j
,...,v
M
}，其中v
j
代表第j个客户端车辆用户，j为从1到M，M≥2；用客户端车辆用户集合V和一个边缘计算节点组成车载边缘网络，在车载边缘网络中，客户端车辆用户v
j
均通过C
‑
V2X无线接口建立车与车、车与基站的通信；2)客户端车辆用户通过车载摄像头采集视频数据，以生成待分析的视频；3)客户端车辆用户与计算节点建立通信链路；4)对待分析的视频进行视频配置：4a)根据用户需求确定客户端车辆用户的期望帧率λ
*
；4b)从所有可选的配置中随机选取初始配置x
t
＝(n
t
,q
t
)，其中n
t
表示神经网络模型输入大小，q
t
代表每个时隙视频帧传输所选择的压缩百分比；4c)客户端车辆用户根据所选择的配置x
t
对视频进行压缩处理，并通过其与计算节点建立的通信链路，将压缩处理后的视频上传至边缘计算节点进行视频分析，得到视频在选定配置下的观测精度C(x
t
)和视频上传至边缘计算节点的传输时延、视频分析时延；4d)对所得到传输时延、视频分析时延进行模型处理得到观测帧率λ(x
t
)，并通过该λ(x
t
)和C(x
t
)这两个参数生成第t时隙观测奖励信息y
t
；4e)将已选视频配置x
t
添加进已选视频配置集合，将观测奖励信息y
t
添加进观测奖励集合；4f)根据已选视频配置x
t
与观测奖励y
t
计算高斯模型的均值u
t
(x)和方差k
t
(x,x)，并根据这两个参数，计算所有可选视频配置对应的置信区间上界算法函数值；4g)取所有可选视频配置对应的置信区间上界算法函数值中最大值对应的视频配置作为有潜力的视频配置，并将其添加进有潜力的视频配置集合；4h)统计有潜力的视频配置集合中各视频配置出现的频次；4i)根据高斯模型的均值和各配置在有潜力的视频配置集合中出现的频次选取下一时隙的最优视频配置：其中为所有可选视频配置的集合，u
t
(x)为高斯模型的均值，fre(x')为配置x在有潜力的视频配置集合中出现的频次，γ为配置历史频次的权重因子；4j)重复4c)
‑
4i)，直至达到设定的迭代次数，得到最优的视频配置；5)根据视频内容的变化定期重复4)，得到新的最优视频配置。2.根据权利要求1所述的方法，其特征在于：所述4d)中对所得到传输时延、视频分析时延进行模型处理，是对视频上传至边缘计算节点的传输时延与视频分析...

【专利技术属性】
技术研发人员：蔡雪莲，胡胜贤，付宇钏，田梦秋，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：