[发明专利]一种基于SparkStreaming的奶牛场监控视频实时过滤方法与系统

权利要求书

1.一种基于Spark Streaming的奶牛场监控视频实时过滤方法，其特征在于，在监控视频实时过滤截取的处理过程中，以Sparking Streaming为基础，实时获取每个时间片视频帧流，并在实时获取的过程中进行视频帧数据的预处理，然后以分布式消息队列ZeroMQ为中介，在实时计算框架中利用改进的混合高斯模型的背景建模算法对预处理之后的视频帧流进行截取与过滤。

2.根据权利要求1所述基于Spark Streaming的奶牛场监控视频实时过滤方法，其特征在于，所述实时获取每个时间片视频帧流是通过监控摄像头获取监控视频数据，并通过光纤传输，所述预处理是先对视频帧进行灰度化处理，然后再用滤波算法对视频帧进行去噪和增强，将预处理后的帧数据缓存到分布式消息队列ZeroMQ中，以便Spark Streaming进行读数据与处理数据的后续关键操作。

3.根据权利要求2所述基于Spark Streaming的奶牛场监控视频实时过滤方法，其特征在于，定义从ZeroMQ中取出的前若干帧数据(约10帧)建立一种改进的混合高斯背景模型，作为初步背景模型并缓存到SparkCache。对于之后取出的数据帧，将该帧与初步背景模型按照2.5σ原则进行匹配，当匹配成功时，说明该帧数据有奶牛，继续缓存该帧数据并更新背景模型，否则将该帧数据丢弃，将SparkCache中缓存的数据一并写到本地硬盘或者其他本地或者网络存储设备中。

4.根据权利要求1或3所述基于Spark Streaming的奶牛场监控视频实时过滤方法，其特征在于，利用改进的混合高斯模型的背景建模算法所得的背景更新方程方程如下：

πm^←πm^+α(om(t)-πm^)-αN/Tμm^←μm^+om(t)(α/πm^)(x(t)-μm^)σm^2←σm^2+om(t)(α/πm^)[(x(t)-μm^)2-σm^2]]]>

式中，为第m个混合高斯模型的权值，也即样本来自第m个模型的概率，α为学习率，决定了参数更新速度，为权属参数，N为复杂度约束因子，N取较小的数(例如30)，表示剔除每个模型中的噪声数，T为像素点在t时刻的近期采样数，一个像素点在t时刻的近期采样值为x_t＝(x^(t),x^(t-1),…,x^(t-T))；为第m个高斯模型的均值；为第m个高斯模型的方差。