基于云計算的視頻處理技術(shù)研究及其應(yīng)用.pdf

1、運動目標跟蹤技術(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動目標的速度、加速度、運動軌跡等信息，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，運動目標跟蹤結(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)分析需要龐大的計算能力。這些海量監(jiān)控視頻數(shù)據(jù)的存儲和智能分析給我們的當前單機模式下的監(jiān)控系統(tǒng)帶來了巨大的挑戰(zhàn)，傳統(tǒng)單機模式的視頻監(jiān)控系統(tǒng)已經(jīng)再難以勝任。而云計算技術(shù)的出現(xiàn)，為這些問題提供

2、了很好解決方案。云計算被稱為擁有“無限計算能力”和“無窮存儲空間”，這正是解決高清監(jiān)控視頻數(shù)據(jù)的存儲和海量監(jiān)控視頻數(shù)據(jù)的智能分析提供了保障。
　　本文先系統(tǒng)闡述了云計算的核心技術(shù)，并介紹了Hadoop云平臺中的關(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)度機制。在這之后，詳細闡述了基于粒子濾波目標跟蹤技術(shù)，該技術(shù)是基于云計算視頻處理的應(yīng)用。本文的主要工作如下：
　　針

3、對海量監(jiān)控視頻數(shù)據(jù)的存儲和處理，本文提出了基于Hadoop云平臺的視頻處理系統(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平臺位于PaaS層，本文在后續(xù)的章節(jié)中重點研究了該層中監(jiān)控視頻數(shù)據(jù)處理技術(shù)即對視頻圖像序列的運動目標跟蹤技術(shù)。針對當前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)，也沒有提供針對視頻存儲的技術(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、視頻數(shù)據(jù)解析為鍵值對形式和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，使Hadoop平臺成為能夠直接處理監(jiān)控視頻數(shù)據(jù)的系統(tǒng)。為了進一步提高基于Hadoop云平臺處理監(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)計了自適應(yīng)長度調(diào)整的兩級隊列調(diào)度算法。在該算法中根據(jù)視頻監(jiān)控數(shù)據(jù)的不同類型（cpu密集型或者內(nèi)存密集型）將對應(yīng)的類型匹配到Hadoop集群相應(yīng)的節(jié)點上去執(zhí)行，并且隊列的長度根據(jù)系統(tǒng)運行過程中各節(jié)點的運行狀態(tài)進而自適應(yīng)的調(diào)整，保證了

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

6、于顏色特征的粒子濾波目標跟蹤算法中，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立的，因此，算法中單獨的一步中，我們可以利用粒子的獨立性，將算法進行MapReduce并行化設(shè)計。在基于多特征融合的粒子濾波目標跟蹤算法中，多特征之間是獨立并且沒有數(shù)據(jù)關(guān)聯(lián)的，因此在特征提取過程中利用MapReduce的Map映射階段進行并行提?。辉谔卣魅诤系倪^程中利用MapReduce的Reduce規(guī)約階段進行特征融合。實驗表明，在相同