為了解決海量交通視頻數(shù)據(jù)的監(jiān)控和分析問題,本文對Hadoop大數(shù)據(jù)背景下的交通視頻監(jiān)控技術(shù)進(jìn)行了深入研究,提出了基于交通視頻數(shù)據(jù)的異常檢測算法的設(shè)計方案,實現(xiàn)了交通數(shù)據(jù)的實時更新和異常分析,同時針對海量交通監(jiān)控視頻,設(shè)計了基于Hadoop組件MapReduce的并行實現(xiàn)算法,并通過浙江省某市的實際交通數(shù)據(jù)驗證算法的有效性和準(zhǔn)確性。經(jīng)過實驗證明,本文算法可以有效計算出交通擁堵情況和異常情況,相對于傳統(tǒng)方案,本文方案可以聚焦10min范圍內(nèi)的時間粒度對交通情況進(jìn)行實時分析,相對于傳統(tǒng)的分布式計算模型,本文的方案10min延遲可以控制在2.1s,比傳統(tǒng)方案延遲降低了81%,基本滿足交通視頻監(jiān)控的實時和細(xì)顆粒度等要求。 

【文章來源】：液晶與顯示. 2020,35(11)北大核心

【文章頁數(shù)】：6 頁

【部分圖文】：

異常度計算流程

隨著時間的推移，道路周邊基礎(chǔ)設(shè)施如寫字樓的建成、地鐵的運(yùn)營等因素，歷史擁堵數(shù)據(jù)會發(fā)生變化，因此需要采用實時更新的方式來保證歷史數(shù)據(jù)的準(zhǔn)確性。當(dāng)然交通視頻歷史數(shù)據(jù)的更新本身較為耗費(fèi)計算資源，為了減少不必要的重復(fù)計算，本文提出的分片更新算法如圖2所示。更新算法的核心是將時間跨度范圍內(nèi)最早日期的擁堵狀況與當(dāng)前的狀況進(jìn)行比較，如果交通情況從擁堵恢復(fù)為不擁堵則記為M=-1，否則記為M=1。

本文選取浙江省某市的交通視頻監(jiān)控的200個采集點(diǎn)的數(shù)據(jù)進(jìn)行分析，其交通視頻監(jiān)控設(shè)備如圖3所示。標(biāo)注出該組的道路編號，車道標(biāo)號way＿id，車道流量為total＿flow,speed是總速度，occ是車道占有率，本文的實驗流程如下：

【參考文獻(xiàn)】：
期刊論文
[1]一種用于電力監(jiān)控的行人運(yùn)動檢測與跟蹤算法[J]. 江鵬宇,楊耀權(quán),彭蹦.  電力科學(xué)與工程. 2019(06)
[2]基于云計算與GPU的大數(shù)據(jù)挖掘比較[J]. 連彬彬,黃風(fēng)華,謝小烽,鄧小康.  電子技術(shù)與軟件工程. 2017(13)
[3]基于Hadoop的公安視頻大數(shù)據(jù)的處理方法[J]. 劉云恒,劉耀宗.  計算機(jī)科學(xué). 2016(S1)
[4]自動化系統(tǒng)視頻圖數(shù)據(jù)格式分析[J]. 許樂.  科技視界. 2016(17)
[5]基于壓縮感知的變尺度目標(biāo)跟蹤技術(shù)[J]. 毛建森,屈玉福.  液晶與顯示. 2016(05)
[6]基于FPGA的視頻與通訊數(shù)據(jù)融合設(shè)計[J]. 韓紅霞,孫航,張海波.  液晶與顯示. 2015(06)
[7]高斯混合模型自適應(yīng)微光圖像增強(qiáng)[J]. 陳瑩,朱明,劉劍,李兆澤.  液晶與顯示. 2015(02)
[8]基于Hadoop視頻轉(zhuǎn)碼緩存策略的研究[J]. 畢莎莎,陳清華.  計算機(jī)工程與設(shè)計. 2015(03)
[9]采用圖像特征的激光干擾跟蹤效果評估[J]. 錢方,孫濤,郭勁,王挺峰,王巖.  液晶與顯示. 2014(05)
[10]基于局部特征級聯(lián)分類器和模板匹配的行人檢測[J]. 周晨卉,王生進(jìn),丁曉青.  中國圖象圖形學(xué)報. 2010(05)



本文編號：3010745