论文部分内容阅读
随着计算机视觉、模式识别和网络传输等相关计算机技术的不断发展，交通视频监控正在向着智能化、高清化、数字化和网络化方向发展，监控数据的存储也在由分散的前端存储转向控制中心后台集中存储，且用户对大量监控数据检索也提出了更高的性能要求。因此，当前视频监控系统面临的两个主要基本问题就是海量视频监控数据存储和大规模监控图像的快速检索问题。 本文在分析了当前解决方案在解决上述两问题优缺点的基础上，提出了新的技术解决方案，以解决视频监控在海量监控数据和大规模监控图像检索的问题。 在海量视频监控数据存储方面，基于NoSQL技术，结合Redis和MongoDB设计分布式存储系统。基于Redis实现分布式缓存系统，解决多路监控数据实时高速写入问题;同时，利用Redis有序集合实现基于内存的海量视频文件元信息索引，加快一定时间范围内的视频片段查找;基于MongoDB Shard机制和GridFS组件实现监控数据的分布式存储和灵活伸缩的存储架构，解决海量数据的存储和管理问题;同时，根据MongoDB固定集合的特性以及数据压缩功能，实现监控数据有效的生命周期管理，进一步提高了存储设备的性能。 在大规模监控图像检索方面，采用并行计算技术加速检索过程中的数据处理。本文结合了两种不同并行粒度的计算模型，分别完成大规模监控图像检索过程中不同阶段的任务。基于MongoDB MapReduce实现大规模监控图像的语义标签预处理，充分发挥集群节点的并行处理数据的能力;基于CUDA实现现有图像内容检索算法pHash的并行化，充分发挥GPU高性能并行计算能力，加快图像检索过程。 最后，搭建原型系统，针对本文对相关问题提出的解决思路，设计了相应的测试方案，并对测试结果进行了性能分析，实验证明，本文采用的技术解决方案在解决交通视频监控数据存储和大规模图像检索等方面取得了良好效果。