即插即用的分布式云端視頻處理系統(tǒng)

劉智慧，周 媛，苗耀鋒

（西安外事學(xué)院 現(xiàn)代教育技術(shù)中心，西安 710077）

0 引言

近年來，數(shù)字監(jiān)控設(shè)備的普及使得所需儲存的數(shù)字視頻內(nèi)容大量增加，從這些視頻內(nèi)容中分析取得重要的信息與事件將依賴于視頻處理的技術(shù)：人臉識別、車牌識別、對象檢索及移動檢測等技術(shù)。由于視頻處理運算的復(fù)雜度是相當高的，有此需求的個人、商家、公司或政府等單位，都要花費很大的成本去購置高性能的設(shè)備來進行復(fù)雜視頻處理運算。而云計算平臺具有并行化運算及集中式資源共享的特性，剛好可以解決這樣的問題[1]。如何將視頻處理模塊進行云端化的架構(gòu)及流程即是本文探討的主要問題。

1 分布式視頻處理系統(tǒng)架構(gòu)

1.1 視頻處理云端化的可行方案

要將視頻處理模塊功能整合到云端平臺中，可采用下列三種方式：1)視頻處理模塊直接執(zhí)行：等同于在單臺個人計算機執(zhí)行一支視頻處理程序，無法有效利用云端資源。2)替原本的視頻處理模塊，重寫工作分配程序：在租賃的多臺虛擬主機上，自行重寫Client/Server程序及負載平衡機制，來分派視頻處理工作到這些主機上，并以Socket方式進行虛擬主機間的溝通。3)使用某種PaaS的平臺，利用它提供的框架，修改視頻處理算法：例如使用Hadoop，利用Hadoop提供的應(yīng)用程序開發(fā)接口，采用如Java/C/C++語言修改既有的視頻處理模塊，以實作Hadoop的MapReduce機制。

圖1 云端視頻處理平臺的系統(tǒng)架構(gòu)與運行流程

1.2 系統(tǒng)架構(gòu)

本論文以Hadoop并行化架構(gòu)為基礎(chǔ)，著重PaaS層的中介平臺開發(fā)，開發(fā)一套云端視頻處理平臺來作為視頻處理與云端平臺的媒介。

我們提出的平臺架構(gòu)及其運作流程如圖1所示，系統(tǒng)的前端用戶接口采用GWT工具[2]所開發(fā)，是一個網(wǎng)絡(luò)桌面系統(tǒng)。系統(tǒng)主要包含三個功能：1)Web Server；2)Hadoop；3)VA Server。Web Server服務(wù)器端程序采用GWT工具開發(fā)，主要將前端用戶所傳來的視頻分析要求和參數(shù)轉(zhuǎn)送給Hadoop系統(tǒng)。Hadoop系統(tǒng)主要分為二個部份，第一部份是MapReduce，主要是處理分布式并行運算；第二個部份是HDFS，用來進行分布式儲存和備份系統(tǒng)的數(shù)據(jù)及分析結(jié)果。VA Server安裝有多種視頻處理模塊VA-1,VA-2,…,VA-N，當它接收到VA Client所傳送過來的task時，會利用VA loader加載需要的視頻處理模塊，然后由Processor模塊進行分析，再將分析的結(jié)果回傳給VA Client，然后由VA Client直接將分析結(jié)果寫入HDFS。

接下來，我們將介紹整個系統(tǒng)的運作流程，每個流程都用帶括號的數(shù)字表示。

使用者利用前端網(wǎng)絡(luò)桌面系統(tǒng)的使用者接口來啟動某個云端視頻處理應(yīng)用程序，并輸入需要的分析參數(shù)，這個request將被傳送給后端的Web Server。

1）Web Server依據(jù)request的需求，自動產(chǎn)生Hadoop系統(tǒng)執(zhí)行所需要的input config files，然后將input config files儲存在HDFS，以供Hadoop MapReduce platform使用。

2） Web Server開始啟動Hadoop系統(tǒng)的Map-Reduce程序。

3）由HDFS讀取需要的input config files，針對requested job的MapReduce運作，作需要的配置，并且將此job分割為許多較小的tasks，然后分散到TaskTrackers，然后每個TaskTrackers再傳送task給自己的VA Client模塊。

4）VA Client模塊將此task，傳送給自己的VA Server。

5）VA Server根據(jù)task的參數(shù)，讀取要分析的live/stored video sources。

6）VA loader加載要使用的VA模塊，然后Processor開始對接收到的視頻進行分析，再將所得到的分析結(jié)果，回傳給VA Client。

7）VA Client將分析結(jié)果寫入HDFS。

8）Web Server周期性去讀取儲存于HDFS的分析結(jié)果。

9）Web Server將分析結(jié)果回傳給前端網(wǎng)絡(luò)桌面系統(tǒng)的使用者接口來顯示。

2 系統(tǒng)設(shè)計

圖2 車牌識別系統(tǒng)流程圖

2.1 視頻處理模塊—車牌識別

本文的車牌識別方法主要有三個步驟：車牌定位、字符切割與字符識別，個別模塊分述如下。

1）車牌定位：采用垂直方向的影像梯度做前處理，利用預(yù)先設(shè)定大小的移動窗口快速掃描整張影像，同時利用統(tǒng)計的車牌樣本的邊緣密度、長寬比、最小長寬等信息，檢查掃描區(qū)域是否為影像中的車牌候選區(qū)域。

2）字符切割：字符切割采用X-Y切割的方式[3]，首先針對車牌候選區(qū)塊做X方向掃描以定出字符區(qū)域的最高及最低的水平位置。接著對Y方向進行掃描，以車牌候選區(qū)塊的1/6高度為搜尋區(qū)域，找出垂直灰階投影的區(qū)部峰值，并針對峰值間以最符合字符區(qū)塊長寬比為原則進行區(qū)塊合并。

3）字符識別：步驟2）求得車牌字符后，將每個字符影像進行正規(guī)化，并擷取局部特征為Zone、Cross、Histogram和Profile等四大類。

2.2 云端視頻處理演示平臺

我們使用了八臺e-Box主機(Atom 1.8GHz)來構(gòu)建一個小型的實驗性云計算平臺，我們的云端視頻處理系統(tǒng)安裝于此云計算平臺。在前端的行動攝影機部份，此行動式攝影機可通過3G/WiMax/WiFi的無線網(wǎng)絡(luò)上傳實時取得的影音信息到中央服務(wù)器組以進行視頻及分析。我們的云端視頻處理平臺，將針對行動式攝影機取得的實時影音數(shù)據(jù)流，作并行化的視頻處理運算，來驗證此云端平臺的可行性及有效性。

在網(wǎng)絡(luò)桌面系統(tǒng)的實作部份，我們使用了Ext GWT[4]來加以實作，Ext GWT是一個以GWT為基礎(chǔ)的因特網(wǎng)應(yīng)用程序框架，可幫助程序設(shè)計者快速開發(fā)GWT的使用者接口。如圖3所示，是我們的前端網(wǎng)絡(luò)桌面的畫面，為了同時分析四個行動式攝影機所傳送過來的實時影像，我們同時開啟四個分析窗口，當開始車牌識別分析時，這些分析要求會被傳送給后面的云端視頻處理平臺，然后將這些分析工作，分散給不同的云端主機進行運算，最后再回傳結(jié)果并顯示在前端的應(yīng)用程序窗口，如圖3的(1)所顯示的車牌號碼6797QD，即為視頻中所行駛的車輛所掛的車牌號碼。此外，我們的網(wǎng)絡(luò)桌面可實時顯示目前每個云端主機的CPU使用率，來觀察每個云端主機目前的負載情況，如圖3的(2)所示，并證明分析工作有被分散到多個云端主機上，所以每個云端主機的CPU使用率都很低，表示分析工作并沒有集中到同一個云端主機，而造成某個主機過高的CPU使用率。

2.3 實驗結(jié)果

我們使用了八臺e-Box主機來測量車牌識別的執(zhí)行時間，來觀察多臺主機并行化視頻處理的效能?？偣驳膱?zhí)行時間(Total Time)分為：

1）從儲存裝置讀取要分析的影像數(shù)據(jù)，然后通過網(wǎng)絡(luò)傳輸?shù)皆贫酥鳈C的時間(Query Time)；

2）將識別出的車牌號碼通過網(wǎng)絡(luò)傳輸，寫入到儲存裝置的時間(InsertResult Time)；

3）作車牌檢測及識別的時間(VA Time)。

本次實驗總共測量處理1000 frames所需的時間，frame的大小為352×240，并且每張frame都具有車牌，所以每張frame都會被檢測并且識別出正確的車牌號碼。Query Time和InsertResult Time在不同的云端主機個數(shù)的實驗結(jié)果如圖4所示，VA Time和Total Time在不同的云端主機個數(shù)的實驗結(jié)果如圖5所示。如同所預(yù)期的，當可以并行作車牌識別的云端主機個數(shù)增加時，InsertResult Time、VA Time、Total Time都隨之減少，尤其是占最大比例計算時間的VA Time，當主機個數(shù)呈倍數(shù)增加時，VA Time即呈倍數(shù)減少。

然而，Query Time卻沒有隨著主機個數(shù)的增加而減少，這是因為受限于網(wǎng)絡(luò)的頻寬，存取影像數(shù)據(jù)的I/O速度和主機間互相競爭存取網(wǎng)絡(luò)和儲存裝置所導(dǎo)致，即使有多臺主機的并行化處理，仍然無法減少Q(mào)uery Time。當主機個數(shù)增加到3臺時，是能夠減少Q(mào)uery Time的，但是當主機個數(shù)過多時，由于大家同時競爭存取網(wǎng)絡(luò)和儲存裝置，而導(dǎo)致Query Time小量增加。然而這個問題應(yīng)該可以通過增加云端平臺局域網(wǎng)絡(luò)的頻寬及使用高速且分布式的儲存裝置來加以改善。然而，Query Time只占了整體執(zhí)行時間的一小部份，因此并不會嚴重地影響到執(zhí)行的效能，整體的執(zhí)行時間仍然依賴于VA Time，當視頻分析的主機個數(shù)增加時，確實大量地減少所需要的VA Time來提升效能。

3 結(jié)論

本論文提出了一個云端視頻處理平臺，可通過云端化的程序及流程將視頻處理模塊整合到云端平臺上，以進行有效率的并行化運算。對于需要云端化視頻處理平臺的公司而言，如保安公司，此平臺可簡便地云端化即有的視頻處理模塊。對具有大型云端主機出租的供貨商，如中國電信、中國聯(lián)通，此平臺可為供貨商提供的云端硬件資源，構(gòu)建應(yīng)用程序云端化的架構(gòu)。對制造視頻處理模塊的廠商而言，可讓設(shè)計者不需要考慮云端化應(yīng)用程序設(shè)計實作的復(fù)雜度，仍然用原來的概念及方式來編寫應(yīng)用程序。

圖4 Query和InsertResult Time的執(zhí)行時間

圖5 車牌識別時間(VA Time)和總執(zhí)行時間

[1]祝家鈺,肖丹,等.云計算下負載均衡的多維QoS 約束任務(wù)調(diào)度機制[J].計算機工程與應(yīng)用,2012,25(3): 90-95.

[2]曾誼暉,鄂加強,等.基于Berkeley DB和GWT的對象持久性研究[J].微計算機信息,2011,27(2):195-150.

[3]王睿,李斌,等.基于形狀上下文識別算法的車牌識別研究[J].計算機仿真,2011,28(11): 343-345.

[4]胡曉紅,付永軍,等.基于策略的Web服務(wù)安全解決方案研究[J].微計算機信息,2008,16(3): 93-94.