您当前的位置:>  解决方案公安

产品介绍

详细介绍

警务云计算平台视频资源解决方案


1 项目背景与必要性分析


1.1 城市安防与云计算

城市公共场所往往有成千上万路监控摄像头遍布街头,昼夜不停地监视和录像,在改善社会治安的同时,也产生出海量的视频数据需要监控管理平台存储和处理。要对这些海量视频通过人工进行重点图像的抓拍,困难很大。

首先,需要对所有的视频录像进行逐帧浏览,才能发现重点图像,这无疑工作量巨大,甚至犹如大海捞针。其次,即使找到了重点图像,人工抓拍,并且要记录下对应 的原始视频图像的时间点等,也是工作量很大,效率很低。由于人的生理特征所限,长时间观看视频录像,容易产生视觉疲劳,还有可能漏掉重要图像和线索。

理想情况是一旦有重要事件发生,系统就可在事后能快速查找到线索。针对上述海量监控视频录像的事后分析,传统以人海战术为主的视频线索查找,显然不能满足高 效查找,正面临巨大挑战,急需一种更为高效的、自动的、智能的系统实现上述需求。目前,基于云计算的大规模数据存储和处理技术以及视频图像智能处理分析技 术可以解决这一问题。通过视频浓缩摘要,缩短视频事件的播放时间,通过目标内容识别、分类等实现快速查找事件线索,缩小查看范围的功能,这些都极大地减轻 警方刑侦人员的工作负荷,海量视频分析功能的实现和应用将大大提高监控效率。

国内外很多公司以及机构都在这一领域投入了大量的研究,将云计算,智能识别等技术联系在一起,更好的为安防服务。充分利用云计算的海量数据计算能力和智能的 处理能力,不仅能大大缩小了对于各类事件的事后取证所需要的时间,提高了取证效率,而且对于各种突发事件的预防、响应都起到了积极有效的作用。


1.2 项目必要性

公共区域视频监控系统的建设是平安城市建设必不可少的重要组成部分,其视频监控资源的整合、优化以及利用程度是城市信息化程度的重要标志之一,大部分的公共 区域中已建成大量、属于各个部门、基于不同制式标准、不同设备、不同平台的视频监控系统,但目前这些资源并没有得到有效整合,无法跨平台、跨部门进行集中 优化处理,这就造成了城市现有视频资源利用率低、重复建设、缺乏统一调度等不良现象,本项目基于这个现状旨在建设一个统一的、城市级的视频监控平台,将城 市现有的视频监控资源有效整合起来,并在此基础上针对各类城市管理中的应用需求,实现高效实用的业务应用。通过构建Glo-video综合视频监控云平台 (以下简称“平台”),将城市可利用的全部视频资源经过优化、整合及智能处理后,透明地呈现给使用者,为城市管理提供有力支撑。

“平台”在现有信息化建设基础上,集成现有视频监控资源,建设大规模视频实时接入处理分析监控平台,实现与现有平台,网络摄像机、以及新建监控设备的对接,实 现上万路的视频接入。对上述视频监控平台的视频接入后,要求实现转码处理、智能识别、解码上墙和数据存储回看等功能,以满足不同终端的访问需求、实现车流 统计等交通数据的提取、对关键数据进行存储、以及实现大屏控制等功能。实现从传统的模式向云模式的转换,并可以带来巨大的获益。



2 平台架构设计

根据省厅已有建设情况和对实际需求的深入分析,本方案利用 GloStor云存储和 JobKeeper云调度技术构建统一的GloVideo云视频监控管理平台软件,部署在标准X86服务器集群上,通过对已有监控资源的整合,实现海量高清视频监控的数据存储和智能处理。


2.1 网络架构

 

2.1.1 网络拓扑

针对某省的实际情况,多级GloVideo云视频监控系统采用分布式架构,分级管理和部署。以街道派出所为单位,初期拟定每个所部署一台“minicloud”(“minicloud”迷你云微型数据仓库将在下面的章节中进行详细描述),用于视频数据的保存,从区级到市级再到省级分别部署GloVideo系统,GloVideo系统的架构会在2.2中进行具体描述。。

整个“平台”构建于公安网之上,其中,省级中心处于核心地位,部署元数据服务器,用以统一管理元数据信息,各派出所则使用“minicloud”中的三个互为冗余的节点担当存储节点的角色。“平台”遵循“就近接入、本地存储、中心统筹、权限管理”的方针,随着存储容量需求的增加,只需在容量不足的派出所增加存储节点(服务器)即可,十分方便。而区县级和市级主要负责对区域视频的汇聚和处理,部署GloVideo系统,并将处理后得到的信息提供给各上层应用服务。

GloVideo云视频监控平台针对省级的建设方案采用多级部署的方式,大致拓扑如下图所示:


2-1 GloVideo多级部署概要图

初步预计每个派出所需要存储的监控摄像机按100路左右,平均码流按2Mbps计算,则存放半个月需要的存储容量约为:

2 / 8 * 3600 * 24 * 15 *100 = 32.4TB

minicloud”是由三台服务器所组成的小型云平台,能够存储的总容量为:

9 * 3 * 3 = 81TB

为了保证数据的可靠性,对数据进行11备份后,可用容量为:40.5TB,可以满足初期的需求。随着使用和前端设备的增设,容量需求会愈发增加,这时亚博同样提供了机架式的扩展方案,当存储容量不足时,只需在“minicloud”下新增存储节点(服务器),系统容量会自动增加,实现扩容十分方便。

前端监控设备所采集到的视频数据保存在所属的“minicloud”中,或经过接入服务器,接入所属区级的GloVideo监 控平台中进行管理和处理,各级客户端访问相应中心服务器,按需操作和调控。云处理服务器提供空前的数据处理能力,提供诸如视频转码、内容识别等海量数据的 处理支持。查看历史视频时,接入云存储遵守分区接入、分局接入和就近接入原则,考虑到突发事件会致使查看视频记录的人员增多,分布式部署可以很好地缓解接 入压力。

3 图像资源库

图 像资源库是一个图像和视频的海量数据库,它也正逐步成为公安系统中的一个重要环节。图像资源库的建立,首先可以很好的关联“人、案、事、物、地、组织、时 间”等要素,关联重点人员信息、车辆轨迹信息、事件信息和情报线索,提供可视化的人口图像信息,做到“一人一档”、“一案一档”,利于串并案件的分析。其 次,对刑侦审讯的全程同步音频、视频,确保执法过程公开公正公平。同时,对海量的历史图像信息统一管理,结合云计算分布式处理能力,建立高效索引机制,使 得庞大的历史数据在事后取证回调时可以秒级处理。


3.1 图像资源库建设内容

在某省警务云计算平台的基础上,构建图像资源平台,可以有效地提升办案效率,实现执法过程录象同步、串案并案事件检索、智能识别特征提取等功能。当然,构建图像资源库也需要许多进一步的工作。首先,基于警务云计算平台,获取到相关视频、图像信息,其次需要对这些图像进行一些优化和识别计算,提取关键特征,形 成文本化信息,之后放入“数据立方”中统一管理和索引,以供各类上层服务的调用。 

3.2 图像资源库架构

结合自主、可控、安全的软件和硬件环境,基于云计算的分布式处理能力和海量数据存储能力,构建统一的图像资源库平台(图像数据库),并进行已有的图像内容标注技术和图像检索技术的适配整合和接口标准化工作,其架构图如下所示:

4-1 图像资源库架构图

在自主可控安全的图像数据库平台的基础之上,实现图像内容标注技术的整合,包括基于颜色、纹理和形状的特征标注,以及智能交通参数统计技术、周界闯入侦测检索、重要场所监控技术、人脸检索技术、视频烟雾和火焰检测等视频图像内容的智能识别标注。

在自主可控安全的图像数据库平台的基础之上,结合图像内容标注技术,实现图像检索技术的整合、图像内容的标注及图像检索。


3.3 关键技术

 




4 应用实例

 

4.1 道路状况检测

随着城市化进程的加快,交通拥堵已经变的越来越严重。交通拥堵使得交通事故发生率变高,加剧了环境污染,造成资源浪费,给人们的出行带来极大的不便。面对越来越拥堵的交通和有限的土地经济资源,智能交通系统(ITS) 应运而生。它是将先进的信息技术、数据通信传输技术、电子传感技术、电子控制技术及计算机处理技术等,有效地集成,运用于整个交通管理而建立的一种在大范 围内、全方位发挥作用的、实时、准确、高效的综合交通运输管理系统。车流量检测、车辆排队长度、车速检测是智能交通系统的重要环节,传统车辆检测器如磁感 应线圈有着诸多缺点和局限,鉴于这种情况,基于计算机和图像处理技术,利用机器视觉检测器来进行车辆检测成为一种特别有潜力的替代方法,有望取代传统检测 器成为现代智能交通系统的一个重要组成部分。


Ø  车流量统计

    车流量统计可以提供给客户某一时间段内,某条道路上的车流大小,有助于管理者更加方便的对道路交通进行管理。车流统计的流程是:

5-1 车流统计流程图

为了提高车流统计精度,采用“虚拟线圈”的方式对每个车道分别进行车流统计,最后再汇总这条干道上的车流总量。

5-2 车流量统计


Ø  车辆排队长度

       对交通干道,特别是红绿灯路口的拥堵车辆,进行拥堵长度计算。有利于交通管辖人员实时了解车辆运行情况,并及时进行车交通管理。也可以方便普通驾驶员了解各个路口的拥挤程度,提前更改自己的行车路线,节约时间。

       对于不同的应用需求,对车辆排队长度的要求不同,如在公路收费系统中,仅需要检测车辆的排队长度,根据车辆排队长度进行提醒,精度要求不是很高。而对于智能交通控制系统来说,它要参考车辆排队长度进行信号灯的配时、交通诱导等,因此对检测精度要求相对较高。


5-3 不同车道的车辆排队长度


Ø  车速检测

地感线圈获取车速,需要在道路下埋设地感线圈,相对架设摄像头麻烦很多,而且不易于日后维护。利用视频图像测车速,实现了方便快捷的获取车速的目的。

视频测车速,一般需要完成以下几点:

视频测速计时方案,即如何准确计算车辆在视频图像上从一处行驶到另一处所经历的时间;交通场景图像标定,即建立实际场景位置与视频图像位置的映射关系;

行驶车辆跟踪,即在交通场景视频图像上准确、快速地定位、跟踪行驶车辆。

5-4 车辆测速场景示意图


4.2 车辆轨迹跟踪

利用视频图像的运动目标检测、跟踪以及车牌识别算法,实现对道路上车辆轨迹信息的自动记录,实现实时比对报警被盗、抢或嫌疑车辆。

运动目标检测即通过视频图像帧与帧之间的关系,建立背景模型,再通过图像减法,将运动目标从背景模型中分割出来。

           原始图像                检测的车辆           去除阴影/噪声的车辆

5-5 去除阴影算法

实际应用时,车辆周围会产生很多阴影,这些阴影也处于运动之中,因此会被当成是运动目标被一起检测出来。为了提高运动检测精度,需要加入阴影去除模块,将该部分去除。如上图所示,红色区域为检测到的阴影。

目标跟踪的宗旨是通过定位目标在视频的每一帧图像的位置来产生目标随时间变化的移动轨迹。常用跟踪方法有点跟踪、内核跟踪以及轮廓跟踪。

5-6 多车辆跟踪效果

利用多摄像头的协同合作,可以实现多摄像头协同跟踪。即车辆驶离该摄像头摄像范围时,可以通知临近摄像头继续实现跟踪,这样就可以绘制范围更大的车辆运行轨迹路线图了。

该功能在针对犯案人员驾车逃跑的追踪,和事后的分析上有着重要意义。利用云计算的优势,对海量视频数据实时分析,根据掌握的特征信息,对犯案人员的逃跑轨迹 实时追踪,甚至在一定基础上模拟和预判线路进行提前的布防和围捕,对于事中的追踪抓捕能起到很好的辅助作用;同样的,对于事后的案件,也可以根据特征分析 该段时间内的相关路段视频文件(而非通过人员回看),从中追踪出罪犯的逃跑路线,从而推测出犯人的所在位置,对之后缩小搜捕范围起到一定的作用。