智慧城市视频云建设应用研究
甘勇
（广东奥迪安监控技术股份有限公司，广州510000）
摘要： 随着科学技术的发展，视频监控技术逐步向智能化、大数据、视频云的方向发展与应用。视频云建设应针对当前视频建设的现状、存在的问题及需求进行整体规划，把握好视频云建设的物理架构、逻辑架构、数据资源以及视频云建设中的关键技术，并根据实际设计相关的应用场景，从而保证视频云在智慧城市中产生良好的社会效益及经济效益。
关键词： 智慧城市；视频云；大数据；数据库
1 视频云定位
现阶段视频智能应用水平低，缺乏功能强大视频图像解析和信息综合应用手段。视频云是实现视频资源共享和视频能力开放，视频图像资源和其他信息资源服务平台进行信息资源共享与应用支撑。智慧城市中视频云建设规划应考虑：构建视频云基础资源层、视频资源共享体系，建设分级分类视频图像信息数据库；构建开放体系，基于统一的视频云应用支撑平台，把视频图像调阅、视频图像解析、多源多维感知数据访问、大数据检索等以云服务的方式共享开放，并注册到信息资源服务平台服务目录里统一呈现；在云计算基础设施上，构建面向治安、刑侦、指挥等多业务场景下“视频云+应用”系统，创新视频大数据防控、检索、情报、侦查等业务应用模式。
2 物理架构设计
视频云物理建设包含前端感知设备、传输网、节点视频云平台建设等。前端感知设备包含：人脸采集设备、车辆采集设备、Wi-Fi 采集设备等，前端感知设备就近接入传输网。传输网络包含：传输链路、交换设备等。节点视频云平台主要对前端数据进行汇聚、管理和分发，包含云基础环境建设、虚拟化服务器、云存储设备、网络设备以及各类业务应用所需服务器等。
3 逻辑架构设计
视频云平台基于大数据架构设计，按相关标准，以数据汇聚、数据共享与能力开放为目标，支撑视频业务应用及基于平台开放服务接口共享视频云服务，可设计分为“六层”：
图1 视频云逻辑架构图
（1）感知采集层：固定及移动监控视频（如执法记录、车载监控、无人机等）、互联网+停车场、其他社会面（如企业、店铺等）视频和公安内部（如监所等）监控视频等感知设备。
（2）传输网络层：支撑前端采集设备接入和数据传输，包含视频网、内网、互联网、移动信息网等。
（3）基础设施层：为平台服务层、数据层提供业务系统运行、视频图像存储和解析、数据分析等所需基础IT 资源，包括搭建云计算资源、多类数据混合存储的云存储资源，并能够通过云资源管理平台构建一个开放、高效的资源环境，实现多业务承载、服务自动化部署、资源弹性伸缩等功能。
（4）汇聚层：由统一的视频图像信息联网汇聚平台实现视频图像、多源信息的汇聚。
（5）服务层（视频云平台层）：
①视频图像信息数据库：主要实现资源目录数据同步，用户订阅的各地市数据汇聚和存储，并把数据通过同步级联模式传送到视频图像信息数据库。
②视频图像解析平台：实现对接入的视频流、人脸抓拍图片进行视频结构化处理；并预留一定的视频图像解析能力，满足用户突发事件等应急情况的视频图像解析处理。视频图像解析能力，通过视频云应用支撑平台开放API 供上层系统及第三方系统调用。视频图像解析后数据汇聚到视频图像信息数据库，为上层应用提供数据服务能力。
对于需要主动发现和预警的重点人员，需要通过人脸进行布控告警，一旦疑似该人员出现在某布控区域内，系统应自动告警并通知做好控制措施。以防控重点小区惯偷布控为例，业务流程大致如下：
（6）应用层：视频云+应用，提供视频调阅、数据检索等应用。
2.3 不同年龄皮肤病患病情况比较 2岁、3岁、4岁和5岁儿童皮肤病总体患病率分别为33.57%、26.01%、26.78%和35.54%，差异无统计学意义(χ2=4.795，P>0.05)；2岁、3岁、4岁和5岁儿童湿疹、感染性皮肤病发病率差异有统计学意义(P<0.05)。见表2。
4 视频云基础设施设计
4.1 视频云计算资源池设计
①数据缓存服务器：按数据的类型（人脸与视频的大图、小图、结构化数据、特征值等），根据视频路数、每天文件数、文件大小可以计算出每天数据入库量，从而得出数据平均入库流量；每节点吞吐量具体可以根据实测录得；数据可选择保存到内存、缓存到磁盘，按缓存到内存估算，缓存30 秒；根据单节点内存大小，可以计算出数据缓存服务器集群节点服务器的数量。
特征数据是通过算法解析出来的非结构化数据，人像轨迹检索、以图搜图等业务场景下对特征库进行海量比对检索，要求高计算、高I/O 吞吐能力，特征数据存储与检索一般按内存和SSD 盘两级缓存，需要大内存、高性能SSD 盘；特征数据服务器应根据特征值类型、天数、路数、每天文件数、文件大小计算出存储容量，并适当冗余，计算出磁盘数量，进行服务器性能配置。
主要部署视频调阅、数据检索等业务应用基础资源，使用普通的CPU、内存等通用计算资源，支撑人脸抓拍摄像机、人脸抓拍图片数据和结构化数据接入、媒体流转发、抓拍数据检索和以及解析平台。根据相关测试与项目的实际数据验证，14 物理核支持100 路人脸抓拍接入或1000 条/秒的结构化数据接入或200 张/秒的“大图”片和“小图”片的接入或支持64 路的媒体流转发；可以根据实际前端数量，计算出配置14 物理核数据接入服务器、数据转发服务器、系统应用服务器、人脸布控服务器数量，然后进行统计分析出需要该服务器总核数、内存数，然后加上平台对计算资源消耗以及考虑硬件故障情况下的资源备份和业务突发高峰的资源预留，从而计算出CPU 维度与内存维度等。
（2）大数据计算类
承载海量视图数据关联分析的大数据平台，需要高计算、高I/O，不适合虚拟化部署，设计保留物理化部署。
话音刚落，市旅游发展委主任吕玲回答说：“我市旅游资源最大的特点是山水生态资源丰富，现有20家国家A级景区都在山间与乡村。一直以来，我们都是通过大力发展乡村旅游带动全域旅游。下一步，我们将以建设‘国内高端乡村旅游目的地’为目标，进一步整合资源，打造精品，在实施‘三化’上下功夫，不断推动乡村旅游提质升级。”
视频业务需要灵活、异构的计算、存储、网络等基础资源；固化支撑系统逐渐不能满足业务发展需要，需要基于云计算技术重新构建IT 基础设施，以满足视频业务应用部署、视频图像解析、视频联网等各种异构资源的需求。通过虚拟化技术，把所有资源整合后在逻辑上以单一整体的形式呈现，资源进行动态扩展和配置，按需使用资源。视频云平台主要为数据采集汇聚、视频图像解析以及视频大数据和智能化应用提供基础资源支撑，按计算应用分类设计：
②结构化数据分析服务器节点：用于存储人脸、车辆、视频结构化数据，考虑并发读写和可靠性要求，数据可按每6 块盘做RAID5，再按2 副本存放，磁盘有效使用空间按80%计算。从硬盘空间来考虑，根据单服务器有效利用空间：裸容量/有效利用系数、前端结构化有效数据及索引空间的存储容量计算出服务器的数量。
（3）特征检索类
电气点检员的主要工作内容就是对在线生成设备（系统）进行点检、定期的检查，对照标准发现设备的异常现象和隐患，分析、判断其劣化程度，提出检修方案，并对方案的实施进行全过程监控的人员。电气专业点检员和其他点检员一样，必须具有较强的管理意识，强烈的工作责任心，以及较强的管理能力。还必须具有广泛的知识面扎实的专业知识，熟练的检修技术和处理现场电气设备故障的能力。
（1）通用计算类
（4）GPU 高性能计算类
基于上述单元信息知识组织的流程，建立基于本体和关联数据的单元信息知识组织框架，如图3所示，该框架为4层结构，从下至上分别为数据层、语义聚合层、数据关联层和应用层。各层功能相对独立，上层功能基于底层功能实现。
人脸解析、视频结构化，大量消耗计算资源，单一CPU 无法满足，设计高性能GPU 计算资源支撑。人脸解析对象为人像脸抓拍摄机抓拍的人脸“小图”片，人脸“小图”片检测用CPU 进行分析，GPU 完成人脸特征提取计算，根据测试结果和项目实际验证，CPU（14 物理核作为1 颗CPU）和GPU 的比例按照1:1 的比例计算，CPU 的单元按14 物理核计算。14 物理核和1 张GPU 卡支持180 张/秒的人脸特征数据解析。
视频结构化对象为实时视频流或录像视频流，视频流的解码以及行人和车辆分类分析采用CPU 完成，占用CPU 的性能相对于人脸图片解析更高，GPU 完成行人或车辆图片的结构化数据的解析和目标数据的提取，根据测试结果和项目实际验证，CPU（14 物理核作为1 颗CPU）和GPU 的比例按照1:1 的比例计算，CPU的单元按14 物理核计算。根据人脸解析服务器与视频结构化服务器的数量、核数与内存进行分析计算出CPU 维度、GPU 维度、内存维度，从而选择等效高密GPU 服务器。
4.2 视频云存储资源池设计
视频云存储资源进行图片的解析及解析结果的“大图”片和“小图”片存储。一般情况下，视频专网“大图”片存储周期90 天，“小图”片存储周期360 天。结构化数据和非结构化数据存储空间计算考虑自身存储空间，还考虑基于数据提供的数据访问服务性能指标要求，满足业务需求并发度和响应时间。存储资源池设计采用全对称分布式云存储方案，云存储产品采用全对称逻辑架构，每个节点均可提供服务；通过负载均衡设计，数据访问在集群内均匀分布。涉及虚拟机镜像存储、“大图”、“小图”非结构化数据存储、结构化数据存储；虚拟机镜像存储根据系统盘、数据盘及有效容量系数计算磁盘数量；非结构化数据存储根据非结构化数据存储时间、大小计算出总容量，计算出服务器数量；结构化数据设计采用分布式数据库高性能CPU 服务器本地硬盘存储。
视频云平台运行需要大量异构CPU/GPU 计算资源、存储资源做支撑，以支撑视图结构化解析、视频图像信息数据库建设以及视频资源共享与开放，需要云资源统一管理平台技术对异构资源进行统一管理与调度。云资源管理平台设计采用虚拟化技术，把所有异构CPU/GPU 计算资源、存储资源整合后在逻辑上以单一整体形式呈现，根据需要进行动态扩展和配置，当计算业务量突变时，云资源管理平台自动启用有空余能力的相应计算资源参与到计算需求中，实现解析任务、检索任务、大数据分析业务等按需弹性伸缩使用资源。
4.3 视频云网络资源设计
视频云应用支撑平台提供统一的云服务管理框架，为使用视频服务和视频大数据服务提供统一用户认证和服务申请的统一入口。视频云应用支撑平台按照相关规范及时发布和更新服务目录；由云服务API、开放服务平台框架和云服务能力三大部分组成，视频图像解析系统、视频图像信息数据库以及第三方系统需要开放的服务通过向视频云应用支撑平台注册来供业务应用使用。
数学核心素养主要指学生在学习时可以合理运用数学知识解决问题、思考问题，进而形成良好的学习能力、习惯与品质，为学生在日后发展奠定良好基础.
图2 网络物理架构
4.4 云管理平台设计
如果单就理论上而言，无功补偿最好的方式是哪里需要无功，就在哪里补偿，整个系统将没有无功电流的流动。但在实际电网当中这是不可能做到的。因为无论是变压器、输电线路还是各种负载，均会需要无功。所以实际电网当中就补偿装置的安装位置而言有如下几种补偿方式：（1）在变电所母线集中安装并联电容器组；（2）在高低压配电线路中分散安装并联电容器组；（3）在配电变压器低压侧和用户车间配电屏安装并联补偿电容器。
如图5所示，当微纳测头受Y向负载时，中心体会发生微小的Y向移动和转动。由于梁的长度远远大于其厚度，故可以忽略Y向移动，只考虑平面内的弯曲和绕梁中心轴线的转动[15]。
5 视频云平台软件设计
视频云平台软件设计主要包含视频图像解析系统、视频图像信息数据库等设计。
教师叙述的这个故事，描绘出一个自学成才的学生形象，并阐述了自己认同的观点，即学生要有自我意识，要学会自学。他在叙事过程中重新组织了自己的教学经验，将故事和观点进行了有机结合，对学生学习和自己教学进行了一次深刻的反思，通过这种方式生成了自己的实践性知识，可以说叙事就是教育经验的一种理论形式。
视频图像解析系统遵循相关标准设计，实现对视频、图片进行实时结构化分析与内容信息提取，为上层业务提供视频图像内容信息、目标特征等相关信息。视频图像解析系统设计应针对多厂商多算法的视频图像处理与分析引擎提供集成框架，为多智能解析厂商提供一个开放的集成开发与运行环境，为业务应用提供视频图像的结构化解析能力。
视频图像信息数据库是平台核心部分，负责提供数据的汇聚接入、数据处理、数据资源存储、数据服务与数据开放能力，主要包括各类数据的存储与管理；各类数据库应遵循相关数据资源编目和数据元标准要求建库与设计，包括基础资源库、专题资源库与元数据库等。
6 视频云应用支撑平台设计
网络设计应可靠、冗余，区分业务、存储、管理平面，设备具备板卡冗余、电源冗余、链路冗余等设计，可扩展。网络设计如下：核心层与接入层分层设计，采用双链路冗余；核心层设计2 台核心交换机，采用CSS 虚拟集群技术；接入交换机之间采用堆叠技术；管理平面采用冗余架构部署2 台管理交换机，用于网络、服务器、存储等设备管理平面的接入，网管对接管理整个云平台；部署2 台万兆级核心防火墙设备，双机热备模式旁挂于核心或者串联到平台出口，提供授权访问、入侵检测、病毒防护、数据防泄漏等防护，保障平台数据安全。
7 视频云+应用系统设计
视频云+应用系统根据实际提供典型应用场景应用功能，服务实战；典型业务应用场景设计如下。
7.1 资源调阅类
针对重点场所防控，对重点场所出现的活动对象进行抓拍和特征采集。业务流程大致如下：
●人脸摄像机自动采集视频流、抓拍人脸图片；
●如该路视频配置视频解析算法，则在后台会自动对该路视频流进行结构化处理；
在竞赛课堂上，学生代表表现得非常积极和认真，有的设计了精美的PPT课件，为同学们进行讲解，在讲解的同时，还穿插了视频小片断；有的选择同学搭档真人示范表演……同学们准备的精细度、设计的巧妙度、内容的新颖度和演员间配合的到位程度不断给老师和同学们带来惊喜。
●针对人脸图片，数据进入视频图像信息数据库后会自动进行人脸建模二次分析；
●所有特征数据、模版数据、结构化数据等会按照数据入库标准进入视频图像信息数据库统一管理，而视频按照标准进入视频监控联网平台或视频监控共享平台存储；
●用户可通过视频图像信息数据库或者视频云+应用系统访问已授权访问的任何一个点位的视频资源，可调阅实时视频、实时人脸图片，可进一步查看其相关联的特征数据、结构化数据等。
7.2 布控告警类
③视频云应用支撑平台：通过统一服务接口，提供媒体流转发、视频转码及视频结构化、人脸比对等服务。
●在布控库中选择该惯偷人脸照片，设定好布控区域和布控告警策略；
●系统按设定好的策略，对布控区域每个摄像机采集或分析的人像“大图”、人脸“小图”入库时，会将抠出的人脸“小图”发送给视频解析系统；
●视频解析系统将人脸“小图”进行解析处理，并将该人脸模版与该布控对象的人脸模版数据进行比对，并给出相似度阈值；
●如相似度阈值大于设定好的告警阈值，视频云+应用系统将自动按照告警策略产生告警提示并推送信息。
合作经济组织的产生和发展，是农民适应商品经济、市场经济的产物，其基础性因素是农民与其最基本的生产资料——土地联结紧密程度。本文按照农民与土地联结紧密程度以及相关法律法规出台的情况，把改革开放以来农民合作经济组织的发展分为三个阶段。
以《农村人民公社工作条例》的制定和修正过程为例。1961年3月22日，广州中央工作会议通过《农村人民公社工作条例（草案）》。紧接着，毛泽东要求把它放到群众中去征求意见以便修改。
7.3 大数据检索类
治安和情报领域需关注重点人员行踪，刑侦领域需关注嫌疑对象的身份排查。
以重点人员身份排查为例，其业务流程如下：
HH-2数显恒温水浴锅：金坛市科兴仪器厂；JJ-1精密定时电动搅拌器：江苏省金坛市荣华仪器制造有限公司；101-2A型电热鼓风干燥箱：天津市泰斯特仪器有限公司；玻璃成膜器，20×20cm：实验室自制；XLW智能电子拉力试验机：济南兰光机电技术有限公司。
●在视频云+应用系统中调用人脸云追踪功能，将该N 张照片作为输入，选择一定区域、时间范围，系统将从所有的人脸抓拍库中按照相似度找出照片供用户确认；
目前国内外对屋顶绿化资源潜力评估尚无统一的指标与方法,本文借鉴文献[2]的评估方法,选择建筑年代、承重结构、遮荫状况、屋顶功能、屋顶构造、屋顶坡度、建筑高度和设备面积为评估的8个关键影响因子[3-7],各因子之间没有显著关联性,等权考虑．将8个影响因子分为约束性因子和限制性因子两类,并根据差异和程度不同进行分级,具体见表1．
●用户人工确认系统提示的相似度较高照片后，系统能自动根据抓拍图片的时空关系在地图上刻画该人员活动轨迹。
7.4 行人轨迹分析
针对公安民警重点关注的人员，为了掌握嫌疑人员的行动轨迹，需要查看大量的视频录像，才能画出嫌疑人员的行动轨迹，此过程消耗大量警力资源。如果所在区域有安装人脸抓拍摄像机，使用人脸识别技术采用行人轨迹分析技战法，可利用已有的人脸图片或者系统检索出的人脸图片，搜索出一定时间段及监控范围内的相似人脸图片，选择目标人员人脸图片，结合地理坐标信息在电子地图上刻画出人员时空轨迹，分析目标人员“从哪里来、到哪里去、沿途经过哪里”。
7.5 频繁出入分析
针对一些嫌疑人可能在案发地提前踩点多次出现，系统支持对某一区域抓拍的人脸进行频次分析，找出在一段时间范围内，在某一区域内多次出现的人脸，以便民警对频繁出现的人员进行关注，提供案件线索。
7.6 同行人分析
针对团伙作案及尾随作案，通过提供嫌疑人或受害者信息，选定摄像头，获得满足同行条件的结果，从而找到与案（事）件或目标人员有关联的同伙、蓄意尾随人员等，协助案（事）件进行相关人员的证据采集与处理。用于检索重点人员、关注人员或嫌疑犯在某个时空范围内的同行者，广泛应用于刑侦、情报、治安、禁毒、反恐等场景；可协助民警快速找到同案或同伙人员，并掌握其活动规律。根据目前主要应用场景同行分析模型可以衍生出盗窃同伙分析、上访人员同伙分析、邪教同伙分析、吸毒人员同伙分析、群体事件同伙分析、肇事人员同伙分析、社会矫正人员同伙分析等技战法。
8 结语
视频云应根据前端接入数量和类型总体规划、分步建设、逐步扩容，支撑实战化应用。在建设中，根据标准规范体系，采用直接引用和自行制定相结合办法设计满足标准、规范和切实可行视频云建设方案，用以保障视频云顺利建设和平台运行环境的形成；本文对智慧城市视频云建设应用具有一定的参考意义。
参考文献：
[1]文信翔.智慧城市视频云方案研究与设计[J].通信电源技术，2018，35(11):149-149+154.
[2]白建华.“视频云”为城市安全保驾护航[J].中国公共安全，2017，10:127-129.
[3]连珂，何博文，王毅.基于云计算技术的视频图像综合应用技术研究[J].警察技术，2016，03:73-76.
Research on the Application of Developing Process of Smart Cities Cloud Video
GAN Yong
（Guangdong Advance Monitor&Control Technology Co.,Ltd.,Guangzhou 510000）
Abstract: With the development of the Science and technology,the video surveillance technology gradually tends to be more intelligent,embraces huge data and towards the development and application of the cloud video.In the process of the building cloud video,we should figure out the status quo of the video building,the existing problems and the customer’s specified requirements in all respects.And then we should make sure the physical and logical framework,data resources,the crucial technology in the building of the cloud video as well as the actual application status to ensure favorable social and economic benefits.
Keywords: Smart Cities;Cloud Video;Big Data;Database
文章编号 ：1007-1423（2019）17-0089-05
DOI： 10.3969/j.issn.1007-1423.2019.17.019
作者简介：
甘勇（1984-），男，本科，工程师，研究方向为电子与测控技术、视频监控应用、智能化与系统集成
收稿日期： 2019-03-28 修稿日期：2019-04-10
标签：智慧城市论文; 视频云论文; 大数据论文; 数据库论文; 广东奥迪安监控技术股份有限公司论文;