随着社会发展,智能安防摄像头逐渐普及,摄像头会对采集的视频利用深度学习技术进行处理,得到视频中目标的特征信息。当危害社会治安的事件发生时,有关部门通常会通过视频数据获取犯罪目标的轨迹信息,采用人工手段进行筛查既费时又费力。所以快速地对海量的特征信息进行分析计算,进而得到视频中特定目标的轨迹信息对公安等部门有重要的现实意义。针对上述背景,本文设计并实现了一个分布式计算系统,能够对摄像头产生的海量特征数据进行快速计算,得到视频中特定目标的各种轨迹信息,例如判断目标是否出现在某个时空范围、获取特定时空范围中目标的轨迹路线以及对视频中的目标进行聚类等。本文主要内容包括:1.对比了两个主流的分布式计算系统的架构,参考Apache Spark算子接口设计,参考MPI的网络接口以及运行方式,结合二者优势,完成了整个系统的设计与实现。算子接口的优势在于,开发人员通过对算子接口进行组合,能够快速完成轨迹场景下多变的业务需求。在系统设计与实现上,采用了简单有效的架构模型,大量使用了模板编程技术,设计了高效的内存以及数据管理模块。保证系统能够快速地完成各种轨迹计算任务。2.对轨迹场景进行了分析,提炼出三个核心的轨迹算子,包括:特征聚类,特征搜索以及伴随分析。为了加快聚类的速度,聚类算子利用了视频数据的时空连续性,采取先合并再分割的策略,使系统能够对百万级别的特征进行快速聚类,相比与传统的聚类算法,极大地提升了算法的运行速度。特征搜索提供了近似搜索和精确搜索两种方式,近似搜索速度相对于精确搜索快很多,但是需要付出索引构建的时间代价,用户可以根据场景来选择不同的方法。最后实现了Apriori算法来进行伴随分析。3.对系统中各个算子进行了功能测试以及性能测试;比较了新的聚类算法与传统聚类算法在运行速度和聚类精度上的差异;对Spark以及本系统共有的算子进行了性能比较,并解释了本系统在架构设计上的优势。