Сочинение на тему Анализ системы видеонаблюдения в реальном времени на интерфейсе обработки изображений Hadoop

Традиционные системы безопасности работают, чтобы максимально избежать преступлений. Наблюдение в реальном времени дает возможность предотвратить преступления, прежде чем они могут произойти. Реализация мер безопасности также очень трудоемка и обычно требует вмешательства человека. Автономная система безопасности сделает безопасность экономически жизнеспособной, и она работает быстро. С помощью распознавания лиц, объектов и поведения в видеопотоке, предоставленном камерами видеонаблюдения, можно обнаружить различные виды преступной деятельности, и властям будет оказана помощь в принятии мер. Охват большого количества систем видеонаблюдения, распределенных по широкому пространству, может генерировать много данных и требует огромной вычислительной мощности для обработки этих данных. Следовательно, мы будем использовать интерфейс обработки изображений Hadoop, чтобы распределить задачу обработки по облачной сети, чтобы улучшить связь между властями различных областей.

В настоящее время практически во всех местах системы безопасности работают довольно пассивно. Камеры видеонаблюдения, установленные в этой системе, записывают видео и передают их руководителю. Такая система безопасности подвержена человеческим ошибкам. Быстрые действия не возможны, которые необходимы для многих условий, чтобы предотвратить противника. Вся система безопасности работает локально и предоставляет ограниченные облачные возможности. Такая статическая система устарела и сама по себе находится под угрозой безопасности в результате неправильного использования и взлома. Поэтому мы предлагаем современную динамическую систему с возможностями работы в облаке с мощным наблюдением в реальном времени и, возможно, дешевле, чем существующая система. Видеозаписи с нескольких камер видеонаблюдения дойдут до местной станции. Эти видеопотоки будут предоставляться по предварительным алгоритмам распознавания объектов и будут проходить процесс отбраковки на локальной станции.

После начального процесса распознавания объектов видеопоток будет разделен на небольшой блок, состоящий из нескольких изображений. Эти изображения будут сопоставлены с соответствующими узлами для обработки, и их результаты будут уменьшены для получения окончательного результата.

Авторы [1] предложили масштабируемую систему обработки видео по сети Hadoop. Система использует FFmpeg для кодирования видео и OpenCV для обработки изображений. Они также демонстрируют систему слежения за лицом, которая объединяет несколько изображений одних и тех же людей. Захваченный видеопоток сохраняется в распределенной файловой системе Hadoop. Система не устанавливает надлежащие механизмы безопасности, и хранение такого огромного количества данных в HDFS не будет экономически эффективным,

Система в [2] использовала кластеры Hadoop с поддержкой Nvidia CUDA для повышения производительности сервера, используя возможности параллельной обработки ядер CUDA, присутствующих в графических процессорах Nvidia. Они продемонстрировали алгоритм обнаружения лиц на основе AdaBoost в сети Hadoop. Хотя оснащение кластеров графическими процессорами Nvidia может увеличить стоимость кластеров, ядра CUDA потенциально могут значительно улучшить работу по обработке изображений. Хотя мы стремимся внедрить систему в существующее оборудование, чтобы минимизировать стоимость.

Авторы в [3] использовали Hadoop Framework для обработки астрономических изображений. Они реализовали масштабируемый конвейер обработки изображений через Hadoop, который предусматривал облачные вычисления астрономических изображений. Они использовали существующую библиотеку C ++ и JNI, чтобы использовать эту библиотеку в Hadoop для обработки изображений. Хотя они достигли успеха, многие оптимизации не были проведены, и Hadoop не был должным образом интегрирован с библиотекой C ++.

В обзоре [4] описаны различные службы безопасности, предоставляемые в Hadoop Framework. Обсуждаются службы безопасности, которые необходимы для такой структуры, как аутентификация, контроль доступа и целостность, включая то, что Hadoop предоставляет, а что нет. Hadoop имеет несколько недостатков безопасности, которые можно использовать для инициации атаки воспроизведения или просмотра файлов, хранящихся в узле HDFS. Следовательно, согласно ученому, хороший метод проверки целостности и метод контроля авторизации необходимы.

Распознавание объекта, указанное в [5], обеспечивает эффективный способ распознавания 3-мерного объекта по 2-мерному изображению. В его заявленной методологии определенные особенности объекта остаются постоянными независимо от угла обзора. Специальное извлечение этих функций позволит сэкономить огромное количество ресурсов по сравнению со старыми системами распознавания объектов, которые воссоздают все трехмерные объекты с использованием анализа глубины.

Как показано в [6], исходные собственные грани не могут точно классифицировать грани, когда данные поступают с разных углов и источников света, как в нашей задаче. Следовательно, мы используем концепцию TensorFace. Векторное пространство различных изображений, натренированных под разными углами, применяется к SVD в N-режиме к полилинейному анализу для распознавания лиц.

Распознавание поведения может быть выполнено, как указано в [7]. Объекты будут извлечены из видеопотока и применены к дескрипторам объектов, событиям модели и событию / поведению, моделям. Выходные данные будут отображены из пространства пространственных объектов в пространство меток поведения, где классификатор отобразит его как нормальный или ненормальный.