基于改进gmm方法的设备运行状态云监控装置的制造方法
【专利说明】基于改进G圓方法的设备运行状态云监控装置
[0001]
技术领域： 本发明专利涉及基于改进GMM方法的设备运行状态云监控装置。
[000引【背景技术】： 设计和实现基于S0A架构的并行计算框架完成不同的视频智能分析任务。该平台利用 基于S0A架构的云计算系统实现海量视频智能分析，能够瞄准视频分析的巨大市场需求， 弥补在该领域的空白，在未来云计算、云存储和大数据智能分析的市场竞争中占有一席之 地。
[000引
【发明内容】
： 1.基于S0A架构的云视觉平台 面向服务的体系结构（service-orientedarchitec1:ure，S0A)是一个组件模型，它将 应用程序的不同功能单元(称为服务）通过该些服务之间定义良好的接口和契约联系起来。 接口是采用中立的方式进行定义的，它应该独立于实现服务的硬件平台、操作系统和编程 语言。该使得构建在各种该样的系统中的服务可-种统一和通用的方式进行交互。
[0004] 采用如图1所示的基于S0A的云视觉框架。该框架WServiceBus为核也，包括 数据采集模块、控制台模块、文件数据存储模块、图像识别模块和业务分析模块组成。其中 数据采集模块分为终端控制器采集和终端控制器代理采集两种模式，W应对远程摄像机能 否直接访问的情况；控制台模块用于处理API、定时调度、手工触发（UI)和失败作业处理等 情况；文件数据存储基于皿FS架构，通过http方式实现文件读写。
[0005] 1.基于混合高斯模型背景建模的设备运行状态监测 高斯模型就是用高斯概率密度函数精确地量化事物，将一个事物分解为若干的基于高 斯概率密度函数形成的模型。对图像背景建立高斯模型的原理及过程：图像灰度直方图反 映的是图像中某个灰度值出现的频次，也可为是图像灰度概率密度的估计。
[0006] 混合高斯模型使用K个高斯模型来表征图像中各个像素点的特征，在新一峽图像 获得后更新混合高斯模型，用当前图像中的每个像素点与混合高斯模型匹配，如果成功则 判定该点为背景点，否则为前景点。通观整个高斯模型，它主要是有方差和均值两个参数 决定，，对均值和方差的学习，采取不同的学习机制，将直接影响到模型的稳定性、精确性 和收敛性。
[0007] 混合高斯模型给出的概率密度函数实际上是几个高斯概率密度函数的加权和。 每个GMM由K个Gaussian分布组成，每个Gaussian称为一个"Component",该些 Component线性加成在一起就组成了GMM的概率密度函数：
(1) 根据上面的式子，如果我们要从GMM的分布中随机地取一个点的话，实际上可W分为 两步；首先随机地在该K个Component之中选一个，每个Component被选中的概率实际上 就是它的系数^k,选中了Component之后，再单独地考虑从该个Component的分布中选 取一个点就可W了。假设现在有N个数据点，我们认为该些数据点由某个GMM模型产生，现 在我们要需要确定nk、Uk、〇k该些参数。很自然的，我们想到利用最大似然估计来确定该 些参数，GMM的似然函数如下：
(2) 由于在对数函数里面又有加和，我们没法直接用求导解方程的办法直接求得最大值。 为了解决该个问题，我们利用EM算法，分布迭代的求得最大值，并获得取得最大值时各个 参数的值。具体可分为W下几步： 1)初始化参数nk，yk，2k，一种流行的做法是先通过K-means算法对数据点进行聚 类，根据聚类结果选取参数的初始值。
[0008] 2)Estep;估计数据由每个Component生成的概率(并不是每个Component被选 中的概率）；对于每个数据Xi来说，它由第k个Component生成的概率为
(3) 然而，由于式子里的Kk，Uk，2k正是需要我们估计的参数，我们采用迭代法。
[0009] 3)Mstep;对式（3)进行求导，求出最大似然所对应的参数值：
4)计算似然函数的值(式（2))，检查似然函数是否收敛。若收敛了，说明似然函数已经 取得最大值，此时参数对应的值即为各参数的最大似然估计。否则，则迭代进行Estep,M step。
[0010]
【附图说明】： 图1基于S0A的云视觉总体框架；图2给出了基于S0A的云视觉硬件连接框图；图3为 数据存储模块的连接框图。图4利用混合高斯模型背景建模得到设备运行状态监控结果； 具体实施方法： 图4中红色矩形框为场景中检测到的运动物体，用来标识设备的运行状态。每峽场景 的左下侧"Work" "Idle"用来表示设备是运行还是闲置。红色字体为运行状态，绿色字体 为闲置状态。后面的时间为单数据源每峽的数据处理时间，平均为16ms，该意味着，一台单 机能同时支持10个数据源的实时、并发处理。由于云平台采用分时处理机制，假定每5分 钟访问一次数据源，云视觉具有单机支持120个数据源的并发处理能力。
[0011] 将上述视频智能分析模块应用于基于S0A架构的云视觉的性能验证，具有如下特 性： 1)更易维护 业务服务提供者和业务服务使用者的松散禪合关系及对开放标准的采用确保了该特 性的实现。建立在WS0A基础上的信息系统，当需求发生变化的时候，不需要修改提供业务 服务的接口，只需要调整业务服务流程或者修改操作即可，整个应用系统也更容易被维护。
[0012] 2)更高的可用性 该特点是在于服务提供者和服务使用者的松散禪合关系上得W发挥与体现。使用者无 须了解提供者的具休实现细节。
[001引 3)更好的伸缩性 依靠业务服务设计、开发和部署等所采用的架构模型实现伸缩性。使得服务提供者可W互相彼此独立地进行调整，W满足新的服务需求。
[0014]
【具体实施方式】： 1. 一种基于云计算的设备监管装置，其组成包括：摄像机、云视觉的设备监管装置的 算法模块内嵌到DSP模块中、监控器和声光报警仪。其特征是；通过监管摄像机实时将采集 到的设备录像信息通过RJ45网口通信传送到云视觉的设备监管装置的ROM中，并通过内 嵌到DSP模块中的算法将采集到的数据进行图像处理分析，对设备的空闲判断在监控器上 显示出来，并就可W通过手机短信的方式或移动终端可W在线实时观察数据信息，可W远 程监管设备，减少大量的人力、物力。设计和实现基于S0A架构的并行计算框架完成不同 的视频智能分析任务。
[0015] 2.根据专利要求1所述的基于云视觉平台的设备监管装置，其特征是；通过摄像 机采集到的实时图像，在DSP内进行图像处理的算法分析，通过改进的高斯背景建模技 术，对设备运转与否实现判读，并通过无线和有线两种模式现在实时地监控.利用基于 S0A架构的云计算系统实现海量视频智能分析，能够瞄准视频分析的巨大市场需求，弥补在 该领域的空白，在未来云计算、云存储和大数据智能分析的市场竞争中占有一席之地。
【主权项】
1. 基于改进GMM方法的设备运行状态云监控装置，其组成包括：摄像机、内嵌到DSP模 块中的云视觉的设备监管的算法模块、监控器和声光报警仪。2. 其特征是：通过监管摄像机实时将采集到的设备录像信息通过RJ45网口通信传送 到云视觉的设备监管装置的ROM中，并通过内嵌到DSP模块中的算法将采集到的数据进行 图像处理分析，对设备的空闲进行判断，并在监控器或手持终端机上显示出来，并可以通 过手机短信的方式或移动终端可以在线实时观察数据信息，可以远程监管设备，减少大量 的人力、物力。3. 设计和实现基于SOA架构的并行计算框架完成不同的视频智能分析任务。4. 根据专利要求1所述的基于改进GMM方法的设备运行状态云监控装置，其特征是： 通过摄像机采集到的实时图像，在DSP模块内进行图像处理的算法分析，通过改进的高斯 背景建模技术，对设备运转与否实现判读，并通过无线和有线两种模式在线实时地监控， 并在服务器端实现声光报警。5. 利用基于SOA架构的云计算系统实现海量视频智能分析，能够瞄准视频分析的巨大 市场需求，弥补在该领域的空白，在未来云计算、云存储和大数据智能分析的市场竞争中占 有一席之地。
【专利摘要】一种基于改进的GMM设备运行状态云监控装置，主要实现某些租赁公司和设备运作公司对机器故障和设备运行能力的实现后台实时监控、查询的目的。并可以同时监控人员的流动、设备的运转的目的，以便于能够对人员的岗位职责、设备的运作状态以及故障评估做出判断。同时，后台采用设计和实现基于SOA架构的并行计算框架完成不同的视频智能分析任务，来实现设备、人员工作状态的远程监管的目的。本发明及提出解决方案，而且设备运行状态和人员识别部分采用图像处理中的改进GMM和优化算法，保证了系统实时性的同时，也提高了辨识准确率，提高了工作效率。
【IPC分类】H04N7/18, G06T7/00, H04L29/08
【公开号】CN104902220
【申请号】CN201410743853
【发明人】王燕清, 庄路路, 李扬
【申请人】哈尔滨理工大学
【公开日】2015年9月9日
【申请日】2014年12月9日