边缘计算下的实时活动监控系统

⃝可在www.sciencedirect.com上在线获取ScienceDirectICTExpress 7（2021）182www.elsevier.com/locate/icte基于边缘计算的实时活动识别监控框架艾西瓦娅米努·雷·伊·卡勒印度SRM科学技术学院计算机科学工程系接收日期：2021年1月31日;接收日期：2021年4月2日;接受日期：2021年4月30日2021年5月7日网上发售摘要基于闭路电视（CCTV）的监控已成为安全系统的基本组成部分。在大多数情况下，监控信号仅用作证据。边缘计算的出现为实现专注于预防犯罪的实时监控系统带来了希望。所提出的架构包括在边缘设备中启用的卷积神经网络（CNN），具有降低的计算复杂性，其对拉、推和其他手部运动等各种动作进行分类，并使用边界框在图像帧中定位所识别的活动。所提出的架构给出了一个警报，每当一个可疑的活动被检测到。系统根据SRM IST园区的数据集进行验证时，发现是有效的c2021韩国通信和信息科学研究所（KICS）。出版社：Elsevier B.V.这是一个开放的访问CC BY-NC-ND许可证下的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。关键词：边缘计算;卷积神经网络;可疑活动1. 介绍视频监控系统已经从第一代模拟CCTV系统发展到最近开发的全自动广域监控系统，该系统用于室内监控，可以执行视频分析，如行为分析，数据融合等。随着基于云计算的出现和边缘计算引入监控系统，可以进行实时处理。使用边缘计算几乎消除了网络和计算延迟。使用边缘计算，云计算和物联网（IoT），监控系统在[2，3]中开发。[2]由边缘云组成，在数据采集和中心云之间建立一个小型的分布式云。这些边缘云提高了监控系统的响应能力，但安装迷你云结构既复杂又昂贵，而且实际上并没有利用边缘计算概念的优势。在[3]中，边缘设备完成了大部分计算部分，因此速度更快，当需要进一步帮助时，可以到达云。但是，根据云平台∗ 通讯作者。电子邮件地址：ad6735@srmist.edu.in（Aishwarya D.），minur@srmist.edu.in（Minu R.I.）。同行评审由韩国通信和信息科学研究所（KICS）负责https://doi.org/10.1016/j.icte.2021.04.010需要网络带宽并且容易出现安全问题。因此，重要的是使用边缘计算设备来提取边缘概念的全部优势。然而，边缘设备受到计算资源的限制，并且有必要开发用于边缘设备的轻量级算法。使用Raspberry pi作为边缘设备，轻量级CNN作为图像处理单元，在[4]中提出了一个模型。但是这种轻量级CNN架构只做对象分类，而不做对象的定位。对于一个自动监控系统，人体活动检测是非常重要的，该模型的误报率为18.1%，这是不是很有效。除了基于深度学习的CNN架构之外，混合机器学习算法[5]和高级图像处理算法[6]也被用于目标检测和定位，并且已被证明具有更好的准确性。然而，机器学习算法需要手动特征工程，即必须由特征工程师明确指定必须从图像建模（学习）的特征，这是一项繁琐的任务。然而，在图像处理算法中，没有学习过程。因此，架构将不会优化其效率，数据由于利用边界框在图像帧中定位所识别的对象也是可疑活动识别的重要任务，因此可以使用其他CNN架构，2405-9595/2021韩国通信和信息科学研究所（KICS）。出版社：Elsevier B.V.这是一个开放的访问CC BY-NC-ND许可证下的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。艾西瓦娅和Minu R.I.ICT Express 7（2021）182183x[i]J [k]如果x [i][j][k]！ = b[i][j][k]本地化被考虑。基于区域的卷积神经网络（RCNN）[7]用于对象检测。RCNN模型虽然准确，但计算复杂且速度慢。更快的RCNN [8]成功地实现了RCNN的更高效率，但对于边缘设备来说也很复杂。因此，为了在使用边缘计算的监控系统中结合实时活动检测，需要轻量级CNN架构。轻量化是指减少模型参数[9]。结构越轻，边缘器件的性能越好. [10]中的监测模型使用N-Yolo，这是一种轻量级方法。然而，[10]每次都在背景对象上进行处理。为了进一步减少模型参数，[11]和[12]中提出的架构使用前景提取和轻量级CNN进行监视。前景物体在黑色背景中呈现白色，并且在[11]中完成了抽油机、车辆和行人之间的分类。尽管减少了CNN的输入负载，[11]使用GoogLeNet，这不是一个轻量级的CNN。在[12]中，前景提取的方法类似于[11]，其中，前景对象被替换为白色，并且[12]仅针对检测人类。对于分类由人类执行的活动，仅仅白色前景是不太有效的。本文提出了一种基于CNN的体系结构，该体系结构由使用低复杂度前景提取算法获得的输入提供，该算法不会将前景对象替换为白色前景对象，而是仅移除背景。该网络旨在通过对所执行的原子活动进行分类并将其定位在图像帧上来执行人类活动检测。该架构被证明是低复杂性的，因为它不处理不必要的数据，并且在检测到可疑活动的情况下足够准确地发出警报。本文的其余部分组织为，第2节解释了用于使architec- ture轻的优化策略，第3节描述了所提出的方法，第3节评估的实验结果和第4节得出的结论。2. 优化策略虽然最有效的CNN架构需要Graph-监控视频的输入源具有相同的尺寸、相同的分辨率、照明，并且其中的对象大多是直的或仅略微倾斜。因此，可以避免数据的增加、以不同角度收集数据的要求为了简单起见，可以增加步幅的值，并将填充保持为0（因为，即使角数据丢失，它们也会被前一帧或下一帧覆盖）由于人类活动检测是主要的集中，较小的滑动窗口（锚框）不包括在架构中。如果一个人站得离摄像机很远，他们看起来太小而不能被识别为一个人，则假定他们将在前一帧或下一帧中被捕获，或者将看起来更靠近附近监视摄像机的焦视图。3. 拟议的人类活动检测方法拟议的架构由Raspberry Pi作为边缘计算设备组成。监控摄像头连接到pi套件。输入视频被分解成帧，然后被传递到前景提取单元。然后，将前地面检测到的图像传递到卷积神经网络，该卷积神经网络执行人体活动检测和定位。3.1. 前景提取进行前景提取以降低计算复杂度[9]。通过执行与背景图像的逐像素比较来提取图像的前景通过将图像转换为三维矩阵来进行比较。如果像素值相同，则输入图像中的像素是背景，因此将其转换为白色像素（值替换为255）。如果值不同，则表示存在前景对象，因此矩阵值保持不变。将典型处理单元和张量处理单元，工作，将它们整合到具有1.5 GHz处理器f（ y）={255[]如果x [i][j][k]==b[i][j][k]（一）时钟速度需要很多折衷。从开发用于处理监控视频的智能和低计算CNN架构的角度来看，具体考虑以下几点，最初捕获的固定背景图像用于计算。背景图像可以由授权人员手动更新，无论何时旧背景发生变化。当摄像机的焦点视图中没有运动或没有人时，监控摄像机只记录背景。通过提取前景并使用低复杂度图像处理算法对其进行分析，这些帧可以被CNN该等式适用于i、j、k的所有值。其中，0是图像的高度0 j图像的宽度，0

下载后可阅读完整内容，剩余1页未读，立即下载