[发明专利]一种结合边缘计算与深度学习的智能终端视频分析算法

说明书

本发明特别涉及一种结合边缘计算与深度学习的智能终端视频分析算法。该结合边缘计算与深度学习的智能终端视频分析算法，在边缘端设备搭载运动目标检测模型，实时处理原始视频数据，分析视频中的运动目标，从而有效降低网络的延迟问题；同时通过保留关键帧信息，包括背景和运动目标，达到视频压缩的目的，从而节省大量的存储空间和定位异常行为的查找时间。该结合边缘计算与深度学习的智能终端视频分析算法，替代传统流程中在后端处理器中完成视频分析的过程，将利用深度学习得到的训练模型搭载到摄像头中，这样每台摄像机就是一台微型处理器，具备实时处理视频流的能力，极大的减少了存储压力和网络传输压力。

技术领域

本发明涉及边缘计算、深度学习与视频分析技术领域，特别涉及一种结合边缘计算与深度学习的智能终端视频分析算法。

背景技术

得益于处理器性能的提高和深度学习等算法的革新，视频分析可以对未经编辑的海量原始视频进行针对性的分析和处理。基于视频分析技术的发展，提供客户需求的特定性信息，人脸识别、运动目标检测、行人重识别等视频分析应用应运而生。视频分析充分利用摄像头提供的海量视频及后端处理器，实时展现监测结果和自动警报。

现今较为流行的视频分析方法多为前端摄像头采集视频，通过网络传输到后端处理器进行分析和检测。该视频分析方法需要占用大量的存储空间，对存储空间和网络传输速度要求较高，实时性难以保证，且成本较高。因此，结合深度学习技术，为网络摄像机或其他智能终端增添识别、检测等功能的发展趋势可谓日益显著。

目前，检测效果理想的应用多建立在深度学习的基础上，其关键在于对海量数据的学习和反复的迭代训练，因而对处理器的存储、配置、速度等要求较高。

当前，边缘计算逐渐成为一种新的发展趋势。边缘计算指在靠近物或数据源头的网络边缘侧，融合网络、计算、存储、应用核心能力的开放平台，就近提供边缘智能服务，满足行业数字化在敏捷连接、实时业务、数据优化、应用智能、安全与隐私保护等方面的关键需求。

边缘端的视频分析可以将训练后的模型直接部署到智能终端，对实时视频进行处理、分析和保存，可以满足多样化的定制需求，扩展到多种应用场景。但是由于数据量庞大，训练次数过多会导致模型过大的问题，因此，考虑如何压缩模型大小成为亟待解决的一个关键问题。

基于以上情况，本发明提出了一种结合边缘计算与深度学习的智能终端视频分析算法。

发明内容

本发明为了弥补现有技术的缺陷，提供了一种简单高效的结合边缘计算与深度学习的智能终端视频分析算法。

本发明是通过如下技术方案实现的：

一种结合边缘计算与深度学习的智能终端视频分析算法，其特征在于：在边缘端设备搭载运动目标检测模型，实时处理原始视频数据，分析视频中的运动目标，从而有效降低网络的延迟问题；同时通过保留关键帧信息(背景和运动目标)达到视频压缩的目的，从而节省大量的存储空间和定位异常行为的查找时间。

本发明结合边缘计算与深度学习的智能终端视频分析算法，包括以下步骤：

第一步，采集样本，并在正常图像中生成缺陷样本和正样本；

第二步，利用将标记的正样本数据集和缺陷样本数据集进行模型训练；

第三步，模型剪枝

对卷积核进行排序，用最小堆排序方法，设阈值为N，去掉N个排名最低的参数；

第四步，参数微调和迭代

训练和学习所有参数，重复模型训练和模型剪枝，直到模型精度达到要求；

第五步，保存模型，将其部署到边缘端设备，完成目标检测任务。

所述第一步中，利用半监督学习的方式扩充正样本数据集和缺陷样本数据集。