[发明专利]基于边缘计算的实时人工智能视频系统的硬件架构

说明书

技术领域

本发明涉及安防技术领域，具体涉及一种基于边缘计算的实时人工智能视频系统的硬件架构。

背景技术

图像人工智能，或称之为智慧视觉，相关技术现在越来越成为大众生活中的一部分。特别是在行业应用里，比如安防领域实时视频监控网络中的人脸识别、行为识别、车辆识别等，此类项目具有数据量极大、业务种类极复杂多样、实时性要求极高、原生器材设备难以更新的特点。而当前在安防摄像头网络智慧视觉种类的项目中通用的技术很难同时满足上述几点要求、同时还具有成本高居不下、可移植性差的特点。

现有技术中，实时视频网络智能化的数据流方案基本为：

前端：定制摄像头搭配GPU+X86芯片；

后端：高配计算中心；

工作方式：前端摄像头进行视频采集对其中每帧或固定频率取帧，之后利用X86芯片与GPU利用卷积神经网络模型协同计算分析及筛选帧内容，比如提取人形、车形。人形、车形图片分析结果经由网络传送至后端计算中心进行进一步处理，比如分析人的外形特征、行为、车的种类等。

实践发现，现有技术方案存在如下技术问题：

成本高：成本主要集中在前端，X86芯片和GPU都价格不菲，尤其是GPU，如果在前端网络大规模安装，成本将非常高昂。另外考虑到摄像头点位基本都在户外，为达到在下雨等极端天气下对设备的保护、同时兼顾对X86芯片及GPU的散热问题，又需要一笔支出。另外类似项目的后端计算中心大多采用服务器原装整机，价格很高。

维护繁琐：由于显卡和X86芯片散布在各个摄像头点位，而且各摄像头所处环境、高度不一，维护相当不便。

实施困难：此技术实施最大问题在于需要更换原有普通摄像头而造成极大浪费，不利于推广。

发明内容

本发明实施例提供一种基于边缘计算的实时人工智能视频系统的硬件架构，用于解决现有技术存在的成本高、维护繁琐和实施困难的技术问题。

采用的技术方案为：一种基于边缘计算的实时人工智能视频系统的硬件架构，其特征在于，包括：后端计算中心和多路摄像头数据流硬件结构，每一路所述摄像头数据流硬件结构包括一摄像头组件和一树莓派组件，所述树莓派组件作为中继设备数据连接于所述摄像头组件和所述后端计算中心之间；所述摄像头组件，安装在室外，用于拍摄监控视频；所述树莓派组件，安装在机房内，用于获取所述摄像头组件拍摄的视频流，从获取的视频流中捕获人物和车辆的图像；所述后端计算中心，安装在机房内，用于获取所述树莓派组件捕获的图像，针对获取的图像进行分析识别。

从以上技术方案可以看出，本发明实施例具有以下优点：

1、由于采用树莓派组件作为中继设备，前端采用普通的摄像头即可满足需求，不必搭配GPU+X86芯片，可以大幅降低成本；树莓派组件安装于机房内，不受恶劣环境的影响，可靠性高，维护简单；普通摄像头与树莓派组合的结构，成本低且易实施，有利于大规模推广。

2、前端摄像头、树莓派组件和后端计算中心的性能更加均衡，避免了潜在的木桶短板和性能浪费；比如在树莓派这样的低性能运算单元上，不涉及机器学习模型运算的纯视觉处理算法可以恰到好处的占用其全部计算资源；另外在后端的计算中心上，此种搭配也可保证cpu和gpu的负载平衡，不会出现性能瓶颈或浪费，保证成本在较低水平。

如上，本发明核心思想在于牺牲一小部分性能空间换取极大的成本节约，并且，将计算量合理发散到网络边缘的低功耗计算节点——树莓派组件上，使系统功能更加均衡，同时积极利用好实施现场已有的设备，减少浪费。

附图说明

为了更清楚地说明本发明实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1是本发明实施例提供的一种基于边缘计算的实时人工智能视频系统的硬件架构的示意图；

图2是本发明实施例中树莓派组件的结构示意图；

图3是本发明实施例中树莓派组件提取的图像的示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。