【技术实现步骤摘要】
本专利技术属于视频大数据智能分析技术及应用领域，尤其涉及一种基于云边端协同的多通道视频大数据实时分析方法及系统。
技术介绍
1、本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
2、随着人工智能、大数据现代分析技术的不断发展，以及多媒体技术的成熟，摄像机产生的视频数据量呈现出快速增长态势。然而，大量的视频数据的处理和分析仍然是一个巨大的挑战，传统的人工分析方法效率低下、精度不高，无法满足当今大规模多通道视频数据分析的需求，因此，如何将现代人工智能、大数据分析技术和深度学习算法应用于提升视频大数据的分析处理能力成为当今研究的热点问题。
3、多通道视频大数据分析是对多组视频数据进行实时分析和加工，将视频大数据按照规则进行组织和管理，方便后续的数据分析和应用，是视频大数据处理的一个重要环节。通过在多通道视频流中引入流媒体、人工智能及大数据分析的方法，对多通道视频流数据进行更合理的结构化实时处理，提高视频大数据的可用性和应用价值。
4、现有轨道列车监控系统本质上为采用多通道视频大数据分析方法对实时采集的视频数据进行分析，通常在轨道沿线安装多个监控摄像头，监控摄像头采集的数据实时传输到处理中心进行分析处理，然后将处理结果在监控中心的进行显示；但是现有的轨道列车监控方法仍然存在明显的技术缺陷，列如：将采集的多路视频汇总到一个终端进行分析处理，视频分析处理延时高，造成网络汇聚压力过大。
技术实现思路
1、为克服上述现有技术的不足，本
2、为实现上述目的，本专利技术的一个或多个实施例提供了如下技术方案：
3、本专利技术第一方面提供了一种基于云边端协同的多通道视频大数据实时分析方法，包括：
4、获取轨道列车的多通道视频流；
5、基于边缘计算设备自动地对多通道视频流进行解码，对解码后的多通道视频流进行目标检测和分类后，将目标检测结果以及视频帧数据封装成json文件，作为消息实时发送至kafka服务器；
6、kafka服务器对边缘计算设备发送的json文件进行处理后发送至客户终端进行显示。
7、本专利技术第二方面提供一种基于云边端协同的多通道视频大数据实时分析系统，包括：
8、视频采集系统，所述视频采集系统用于获取轨道列车的多通道视频流；
9、边缘计算设备，所述边缘计算设备连接视频监控系统，基于边缘计算设备自动地对多通道视频流进行解码，对解码后的多通道视频流进行目标检测和分类后，将目标检测结果以及视频帧数据封装成json文件，作为消息实时发送至kafka服务器；
10、kafka服务器，所述kafka服务器对边缘计算设备发送的json文件进行处理后发送至客户终端进行显示。
11、本专利技术第三方面提供了计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本专利技术第一方面所述的一种基于云边端协同的多通道视频大数据实时分析方法中的步骤。
12、本专利技术第四方面提供了电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本专利技术第一方面所述的一种基于云边端协同的多通道视频大数据实时分析方法中的步骤。
13、以上一个或多个技术方案存在以下有益效果：
14、(1)本专利技术通过对云边端协同下的多通道视频大数据实时分析方法进行研究，基于gsteamer和deepstream的二次开发，对视频流大数据进行合理的编解码，采用人工智能中深度学习目标检测算法，选择合适的感兴趣区roi，从而实现图像分类、文字识别及轮廓提取、比对等功能。本专利技术将采集的多路视频汇总到边缘计算设备进行一次目标检测，在减轻云服务中心计算压力的情况下，提高视频数据处理实时性。
15、(2)本专利技术结合多线程资源分配等机制，对多通道相机视频流进行实时结构化分析，利用nvidia的gpu加速引擎加速神经网络推理，多路监控设备与边缘计算设备多线程通信，每个边缘设备同时接收并处理16路摄像头视频流数据，推理结果(json格式)与对应分析效果图像(base64格式)一并通过大数据技术中的kafka实现多消息并发，实时发送至“云”端服务器，提高应用程序的有效使用率和实时性。
16、本专利技术附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本专利技术的实践了解到。
本文档来自技高网...【技术保护点】
1.一种基于云边端协同的多通道视频大数据实时分析方法，其特征在于，包括：
2.如权利要求1所述的一种基于云边端协同的多通道视频大数据实时分析方法，其特征在于，所述边缘计算设备包括gstreamer组件、nvidia硬件解码层以及nvstream容器；
3.如权利要求2所述的一种基于云边端协同的多通道视频大数据实时分析方法，其特征在于，所述边缘计算设备还包括目标检测和分类模块，目标检测和分类模块包括：改进后的YOLO v5网络、OCR文本识别模块以及图像分类模块；
4.如权利要求3所述的一种基于云边端协同的多通道视频大数据实时分析方法，其特征在于，所述基于改进后的YOLOv5网络对解码后的多通道视频流进行车辆目标检测，包括：将视频流跳帧输入到改进后的YOLO v5网络的目标检测层，利用TensorRT推理引擎加速推理，利用注意力机制对目标的不同特征进行重要性的划分，增加重要特征的权重，抑制不重要的特征，得到车辆目标和行人目标。
5.如权利要求3所述的一种基于云边端协同的多通道视频大数据实时分析方法，其特征在于，所述基于OCR文本识别模
6.如权利要求1所述的一种基于云边端协同的多通道视频大数据实时分析方法，其特征在于，基于sh脚本控制目标进程运行，sh脚本中包含了检测目标进程是否运行的代码以及启动、停止和重启目标进程的代码；
7.如权利要求1所述的一种基于云边端协同的多通道视频大数据实时分析方法，其特征在于，所述json文件包括：摄像机ID、时间、目标检测结果以及图像base64编码。
8.一种基于云边端协同的多通道视频大数据实时分析系统，其特征在于，包括：
9.计算机可读存储介质，其上存储有程序，其特征在于，该程序被处理器执行时实现如权利要求1-7任一项所述的一种基于云边端协同的多通道视频大数据实时分析方法中的步骤。
10.电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7任一项所述的一种基于云边端协同的多通道视频大数据实时分析方法中的步骤。
...【技术特征摘要】
1.一种基于云边端协同的多通道视频大数据实时分析方法，其特征在于，包括：
2.如权利要求1所述的一种基于云边端协同的多通道视频大数据实时分析方法，其特征在于，所述边缘计算设备包括gstreamer组件、nvidia硬件解码层以及nvstream容器；
3.如权利要求2所述的一种基于云边端协同的多通道视频大数据实时分析方法，其特征在于，所述边缘计算设备还包括目标检测和分类模块，目标检测和分类模块包括：改进后的yolo v5网络、ocr文本识别模块以及图像分类模块；
4.如权利要求3所述的一种基于云边端协同的多通道视频大数据实时分析方法，其特征在于，所述基于改进后的yolov5网络对解码后的多通道视频流进行车辆目标检测，包括：将视频流跳帧输入到改进后的yolo v5网络的目标检测层，利用tensorrt推理引擎加速推理，利用注意力机制对目标的不同特征进行重要性的划分，增加重要特征的权重，抑制不重要的特征，得到车辆目标和行人目标。
5.如权利要求3所述的一种基于云边端协同的多通道视频大数据实时分析方法，其特...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。