一种基于Atlas的嵌入式人体检测边缘视觉计算系统的制作方法

一种基于atlas的嵌入式人体检测边缘视觉计算系统
技术领域
1.本发明涉及人体检测技术领域，尤其涉及一种基于atlas的嵌入式人体检测边缘视觉计算系统。


背景技术：

2.当前的人体检测、聚集排队检测、行为检测等检测算法采用的方式有两种：
3.1、图像视频处理服务器从nvr或者安防监控摄像头采集视频流，推送到视频算法解析服务器进行视频检测处理；
4.2、人体检测、聚集排队检测、行为检测等检测算法内置在各智能安防摄像头处理后，推送到中心服务器进行归档解析。
5.上述技术方案的不足有：
6.1、视频传输大量占用带宽资源；
7.2、视频处理大量占用中心端服务器解析资源；
8.各监测算法内置到各种特定的智能安防摄像头上，囿于摄像头算力，只能局限于几种特定的算法，如果需要增加计算场景，则需要增加采购其他类型的智能检测设备。


技术实现要素：

9.基于背景技术中提出的技术问题，本发明提出了一种基于atlas的嵌入式人体检测边缘视觉计算系统。
10.本发明提出的一种基于atlas的嵌入式人体检测边缘视觉计算系统，包括包括业务处理简要流程、边缘计算设备和facesdk/bodysdk算法模块，所述业务处理简要流程包括以下步骤：
11.s1、边缘计算设备开机后，系统启动运行；
12.s2、facesdk/bodysdk算法模块初始化；
13.s3、准备相机；包括有三个子流程：相机取流模块、视频流处理模块、设备状态处理模块和人体处理模块；
14.s4、相机取流模块从预定义的相机信息中获取视频流；
15.s5、视频流会被单帧以队列形式推送给到视频流算法处理模块根据加载算法进行解析；
16.s6、解析的结构化结果会根据业务需要处置后以可视化结果形式呈现给到用户。
17.优选地，所述相机取流模块的处理流程包括有以下步骤：
18.s11、相机取流模块从预定义的相机信息中获取视频流；
19.s12、如果相机取流失败，取流模块会进行多次尝试，如果仍然失败，会以异常形式告知应用层；
20.s13、获取视频流成功后，会对视频流进行解码，并将帧数据以队列存入全局处理缓冲区。
21.优选地，所述视频流的处理流程包括有以下步骤：
22.s21、视频流处理任务逐条从缓冲区队列取帧，并根据预设定的跳帧数进行解析检测；
23.s22、通过人体/自助设备目标分类算法对目标筛选出人体、自助设备，并得出目标结构化信息。
24.优选地，所述自助设备的处理流程：
25.s31、通过设备故障检测算法对目标状态进行检测；
26.s32、发现设备不存在故障，则从缓冲区队列继续取帧做故障检测；
27.s33、如果发现设备存在故障，则判断故障事件是否存在故障队列中；
28.s34、如果故障已存在，则增加故障发生时长；
29.s35、如果故障不存在，则新创建故障并记录故障发生时长。
30.优选地，所述人体处理模块包括有以下流程：
31.s41、通过人体检测算法获取人体的一些结构化信息；
32.s42、通过预训练好的人体跟踪深度学习模型对人体分配全局跟踪id；
33.s43、对全景视图中存在人体数进行排队算法判定，符合排队逻辑的调度进入排队处理流程；
34.s44、对全景视图中存在人体数进行聚集算法判定，符合聚集逻辑的调度进入聚集处理流程；
35.s45、对全景视图中做人体骨骼关键点检测，通过预训练好的行为检测深度学习模型进行行为分类；
36.s46、将行为分类后，调度进入各行为的处理流程中。
37.本发明中的有益效果为：可以在公司采购集成人体检测、排队检测、聚集检测、行为检测、自助设备故障检测等场景的监控系统时，仅需采购嵌入集成了本系统的atlas 500智能边缘计算小站即可解决。
38.为客户解决了：
39.1、避免因视频传输导致需要建设的较大的带宽资源，仅需传输解析后的结构化数据即可
40.2、避免因视频解析导致的中心端服务器资源的较大规模占用
41.3、可以利旧现有部署或者采购普通安防监控摄像头/nvr设备
42.因采用智能边缘计算的aiot架构，可将中心服务器部署在互联网端或远端机房。
附图说明
43.图1为本发明提出的一种基于atlas的嵌入式人体检测边缘视觉计算系统的结构示意图；
44.图2为本发明提出的一种基于atlas的嵌入式人体检测边缘视觉计算系统的业务处理全流程的结构示意图；
45.图3为本发明提出的一种基于atlas的嵌入式人体检测边缘视觉计算系统的关键流程拆卸的结构示意图。
具体实施方式
46.下面结合具体实施方式对本专利的技术方案作进一步详细地说明。
47.下面详细描述本专利的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本专利，而不能理解为对本专利的限制。
48.在本专利的描述中，需要理解的是，术语“中心”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本专利和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本专利的限制。
49.在本专利的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“设置”应做广义理解，例如，可以是固定相连、设置，也可以是可拆卸连接、设置，或一体地连接、设置。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本专利中的具体含义。
50.参照图1
‑
3，一种基于atlas的嵌入式人体检测边缘视觉计算系统，业务处理简要流程、边缘计算设备和facesdk/bodysdk算法模块，业务处理简要流程包括以下步骤：
51.s1、边缘计算设备开机后，系统启动运行；
52.s2、facesdk/bodysdk算法模块初始化；
53.s3、准备相机；包括有三个子流程：相机取流模块、视频流处理模块、设备状态处理模块和人体处理模块；
54.s4、相机取流模块从预定义的相机信息中获取视频流；
55.s5、视频流会被单帧以队列形式推送给到视频流算法处理模块根据加载算法进行解析；
56.s6、解析的结构化结果会根据业务需要处置后以可视化结果形式呈现给到用户。
57.本发明中，相机取流模块的处理流程包括有以下步骤：
58.s11、相机取流模块从预定义的相机信息中获取视频流；
59.s12、如果相机取流失败，取流模块会进行多次尝试，如果仍然失败，会以异常形式告知应用层；
60.s13、获取视频流成功后，会对视频流进行解码，并将帧数据以队列存入全局处理缓冲区。
61.本发明中，视频流的处理流程包括有以下步骤：
62.s21、视频流处理任务逐条从缓冲区队列取帧，并根据预设定的跳帧数进行解析检测；
63.s22、通过人体/自助设备目标分类算法对目标筛选出人体、自助设备，并得出目标结构化信息。
64.本发明中，自助设备的处理流程：
65.s31、通过设备故障检测算法对目标状态进行检测；
66.s32、发现设备不存在故障，则从缓冲区队列继续取帧做故障检测；
67.s33、如果发现设备存在故障，则判断故障事件是否存在故障队列中；
68.s34、如果故障已存在，则增加故障发生时长；
69.s35、如果故障不存在，则新创建故障并记录故障发生时长。
70.本发明中，人体处理模块包括有以下流程：
71.s41、通过人体检测算法获取人体的一些结构化信息；
72.s42、通过预训练好的人体跟踪深度学习模型对人体分配全局跟踪id；
73.s43、对全景视图中存在人体数进行排队算法判定，符合排队逻辑的调度进入排队处理流程；
74.s44、对全景视图中存在人体数进行聚集算法判定，符合聚集逻辑的调度进入聚集处理流程；
75.s45、对全景视图中做人体骨骼关键点检测，通过预训练好的行为检测深度学习模型进行行为分类；
76.s46、将行为分类后，调度进入各行为的处理流程中。
77.英文缩略语、关键术语、非通用术语的解释
78.人体检测human detection
79.排队检测human queue detection
80.聚集检测human aggregation detection
81.行为检测pedestrian abnormal behavior detection
82.自助设备故障检测equipment fault detection
83.边缘终端嵌入式应用embedded application
84.智能边缘计算小站edge intelligent computing device
85.atlas 500智能小站atlas 500ai edge station
86.以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。