基于云計(jì)算的視頻處理技術(shù)研究及其應(yīng)用.pdf

1、運(yùn)動(dòng)目標(biāo)跟蹤技術(shù)是視頻監(jiān)控中的核心技術(shù)之一，它的目的是要在視頻圖像序列中獲取運(yùn)動(dòng)目標(biāo)的速度、加速度、運(yùn)動(dòng)軌跡等信息，這些信息提供給更高層次的處理模塊例如行為理解和描述等使用，運(yùn)動(dòng)目標(biāo)跟蹤結(jié)果的好壞直接影響到高層次的處理結(jié)果。由于監(jiān)控視頻數(shù)據(jù)量的巨大，數(shù)據(jù)分析需要龐大的計(jì)算能力。這些海量監(jiān)控視頻數(shù)據(jù)的存儲(chǔ)和智能分析給我們的當(dāng)前單機(jī)模式下的監(jiān)控系統(tǒng)帶來了巨大的挑戰(zhàn)，傳統(tǒng)單機(jī)模式的視頻監(jiān)控系統(tǒng)已經(jīng)再難以勝任。而云計(jì)算技術(shù)的出現(xiàn)，為這些問題提供

2、了很好解決方案。云計(jì)算被稱為擁有“無限計(jì)算能力”和“無窮存儲(chǔ)空間”，這正是解決高清監(jiān)控視頻數(shù)據(jù)的存儲(chǔ)和海量監(jiān)控視頻數(shù)據(jù)的智能分析提供了保障。
　　本文先系統(tǒng)闡述了云計(jì)算的核心技術(shù)，并介紹了Hadoop云平臺(tái)中的關(guān)鍵技術(shù)，包括分布式文件系統(tǒng)HDFS、并行編程模型MapReduce和Hadoop分布式系統(tǒng)中的作業(yè)調(diào)度機(jī)制。在這之后，詳細(xì)闡述了基于粒子濾波目標(biāo)跟蹤技術(shù)，該技術(shù)是基于云計(jì)算視頻處理的應(yīng)用。本文的主要工作如下：
　　針

3、對(duì)海量監(jiān)控視頻數(shù)據(jù)的存儲(chǔ)和處理，本文提出了基于Hadoop云平臺(tái)的視頻處理系統(tǒng)。本系統(tǒng)分為三層架構(gòu)，分別為IaaS層、PaaS層和SaaS層，其中Hadoop平臺(tái)位于PaaS層，本文在后續(xù)的章節(jié)中重點(diǎn)研究了該層中監(jiān)控視頻數(shù)據(jù)處理技術(shù)即對(duì)視頻圖像序列的運(yùn)動(dòng)目標(biāo)跟蹤技術(shù)。針對(duì)當(dāng)前Hadoop系統(tǒng)中并沒有處理視頻數(shù)據(jù)的數(shù)據(jù)結(jié)構(gòu)，也沒有提供針對(duì)視頻存儲(chǔ)的技術(shù)，本文提出了基于HDFS分布式文件系統(tǒng)的視頻數(shù)據(jù)分幀存儲(chǔ)、視頻數(shù)據(jù)解析為鍵值對(duì)形式和Ma

4、pReduce的輸出結(jié)果的數(shù)據(jù)結(jié)構(gòu)。通過以上這些設(shè)計(jì)，使Hadoop平臺(tái)成為能夠直接處理監(jiān)控視頻數(shù)據(jù)的系統(tǒng)。為了進(jìn)一步提高基于Hadoop云平臺(tái)處理監(jiān)控視頻數(shù)據(jù)的執(zhí)行效率，本文提出了Hadoop任務(wù)優(yōu)化策略，設(shè)計(jì)了自適應(yīng)長(zhǎng)度調(diào)整的兩級(jí)隊(duì)列調(diào)度算法。在該算法中根據(jù)視頻監(jiān)控?cái)?shù)據(jù)的不同類型（cpu密集型或者內(nèi)存密集型）將對(duì)應(yīng)的類型匹配到Hadoop集群相應(yīng)的節(jié)點(diǎn)上去執(zhí)行，并且隊(duì)列的長(zhǎng)度根據(jù)系統(tǒng)運(yùn)行過程中各節(jié)點(diǎn)的運(yùn)行狀態(tài)進(jìn)而自適應(yīng)的調(diào)整，保證了

5、集群能夠最高效的進(jìn)行任務(wù)的調(diào)度和任務(wù)的執(zhí)行。實(shí)驗(yàn)表明，與當(dāng)前現(xiàn)有的Hadoop調(diào)度算法相比，本文提出了改進(jìn)型調(diào)度算法提高了平臺(tái)的執(zhí)行效率。
　　在本文提出的基于Hadoop云平臺(tái)的視頻處理系統(tǒng)之上，本文隨后提出了基于該系統(tǒng)的應(yīng)用：基于Hadoop云平臺(tái)的運(yùn)動(dòng)目標(biāo)跟蹤技術(shù)。該應(yīng)用中的核心部分是算法的MapReduce并行化設(shè)計(jì)，本文先后提出了：基于顏色特征的粒子濾波目標(biāo)跟蹤并行化算法和基于多特征融合的粒子濾波目標(biāo)跟蹤并行化算法。在基

6、于顏色特征的粒子濾波目標(biāo)跟蹤算法中，雖然算法的前后每一步必須是串行執(zhí)行的，但是由于粒子與粒子之間是獨(dú)立的，因此，算法中單獨(dú)的一步中，我們可以利用粒子的獨(dú)立性，將算法進(jìn)行MapReduce并行化設(shè)計(jì)。在基于多特征融合的粒子濾波目標(biāo)跟蹤算法中，多特征之間是獨(dú)立并且沒有數(shù)據(jù)關(guān)聯(lián)的，因此在特征提取過程中利用MapReduce的Map映射階段進(jìn)行并行提取；在特征融合的過程中利用MapReduce的Reduce規(guī)約階段進(jìn)行特征融合。實(shí)驗(yàn)表明，在相同