视频监控大数据的关键技术和应用.pdf
- 格式：pdf
- 大小：73.19 KB
- 文档页数：9
下载文档原格式
合集下载
智能视频监控技术及其主要应用
智能视频监控技术及其主要应用随着科技的迅猛发展，智能视频监控技术已经被广泛应用于各个领域，如城市安全监控、交通管理、工业生产和家庭安防等。
智能视频监控技术是指利用先进的摄像头、图像处理算法和人工智能技术，对监控区域进行实时、准确的监测和分析，以达到安全防范和管理的目的。
本文将重点介绍智能视频监控技术的原理和主要应用。
一、智能视频监控技术的原理1. 摄像头和传感器：摄像头是智能视频监控技术的基础设备，通过摄取监控区域的图像和视频来实时监测。
传感器可以检测温度、湿度、烟雾等环境参数，对环境变化进行实时监测和预警。
2. 图像处理算法：图像处理算法可以对摄取到的图像和视频进行处理和分析，从而提取出有用的信息。
常用的图像处理算法包括目标检测、目标跟踪、行为分析等。
3. 人工智能技术：人工智能技术在智能视频监控中起着至关重要的作用，可以实现目标识别、智能分析和决策。
包括深度学习、神经网络、机器学习等技术，可以对大量的数据进行分析和学习，从而实现自动化和智能化的监控和管理。
1. 城市安全监控：在城市安全监控中，智能视频监控技术可以对公共场所、交通要道、重要建筑等进行24小时不间断的监测，及时发现和应对各类安全隐患和突发事件。
可以通过智能视频监控技术对交通违章、交通事故、人员聚集等情况进行监测和预警，提升城市的安全防范能力。
2. 交通管理：交通管理是智能视频监控技术的重要应用领域之一。
通过智能视频监控技术可以实现对交通流量、车辆违章、交通拥堵等情况的实时监测和分析，提高交通管理的效率和准确性。
智能视频监控技术还可以对公共交通设施、停车场等进行实时监控和管理，提升城市交通管理水平。
3. 工业生产：在工业生产领域，智能视频监控技术可以对生产车间、设备运行、人员作业等进行实时监测和管理，实现生产过程的智能化和自动化。
通过智能视频监控技术可以及时发现生产中的安全隐患和质量问题，提高生产效率和产品质量，降低生产成本。
4. 家庭安防：在家庭安防领域，智能视频监控技术可以通过智能摄像头、智能门锁、智能传感器等设备对家庭安全进行全方位的监控和保护。
大数据在视频监控中的应用
图4检查到此只能说明发动机电脑有问题，决定分解J623，作进一步研究。
结果发现J710的2号脚控制线对应的发动机模块端子，与主板焊接存在脱焊现象，不仔细看不易觉察。
如下图5所示。
解决办法：更换新的电脑板后，试车故障排除。
维修反思：这类故障是典型的启动系统故障，需要一定的电路原理控制知识，但是由于第一次维修时考虑到车子还是个准新车，当更换过继电器后恰好能够启动，就没有进一步考虑故障可能原因，造成客户二次维修，而且抱怨很大，是修理工和维修单位应该思考的问题，对于此类故障应该引以为戒，修理时要更加认真仔细。
避免客户不必要的投诉。
图50引言随着经济的不断发展以及信息技术的不断进步，人们生产生活中的数据信息量急剧的增加，数据存储量要求以及数据分析速度的要求不断地提升，致使大数据得到快速的研发和使用。
随着视频监控系统应用的广泛深入，视频数据的信息量不断地增加，数据存储、传输、分析全都依赖于大数据系统。
因此大数据系统是推动视频监控体系发展的关键，也是视频监控功能实现的关键技术，加强大数据在视频监控体系中的应用研究具有十分重要的现实意义。
1大数据及视频监控数据概述1.1大数据目前，我国大数据并没有形成比较统一的理论认知，可以简单地认为大数据就是传统的数据系统处理技术无法处理和分析的复杂数据体系。
大数据在信息采集、信息管理、存储、分析等方面具有重要的作用，可在庞大的数据信息系统中快速地提取有用的数据内涵，具有较大的实用价值。
1.2视频监控数据分析随着科学技术的不断发展，我国的视频监控系统也逐步实现了智能化、高清化，并且视频监控系统的安装数量不断地增加，致使视频监控系统中的数据信息越来越大。
从视频监控体系的理论来讲，这些数据信息在现实管理工作以及安保工作中具有非常大的应用价值。
但是，在实际工作中这些大量的监控数据，如果只是依靠人工处理的话，在其中提取有用的信息是非常困难的。
因此在现实的生活过程中，视频监控系统的数据信息基本上是处于闲置状态的，其使用的效率非常的低。
人工智能技术在视频监控领域中的应用
人工智能技术在视频监控领域中的应用一、引言随着数字技术的快速发展，人工智能技术越来越受到广泛关注。
大数据、深度学习等一系列技术的迅猛发展，使得智能化已经成为不可逆转的趋势。
在安防领域，人工智能技术也正在得到广泛的应用，尤其是视频监控领域。
本文将重点介绍人工智能技术在视频监控领域中的应用，分为以下几个方面。
二、人脸识别技术在视频监控领域中，人脸识别技术是其中的一个关键技术。
传统的视频监控只能提供图片和视频录像，无法进行人员的精准监控。
而通过人脸识别技术，可以识别出来人员的身份信息，从而实现人员的监管和管理，为日常巡逻和追踪嫌疑人提供了有效帮助。
三、行为识别技术在视频监控领域中，行为识别技术可以帮助用户在监控范围内发现目标人员，并且可以对目标人员的行为进行分类和识别。
例如，可以识别行人是否违规穿行、是否是潜在的犯罪人员等；可以识别车辆是否违规行驶、是否携带危险品等。
通过行为识别技术，可以帮助用户快速发现潜在的危险情况，并采取相应的措施。
四、图像分析技术在视频监控领域中，图像分析技术可以帮助用户快速分析大量的视频数据，并从中获取有价值的信息。
例如，可以分析停车场的车辆数量和类型、可以分析商场的客流量和行走路线等。
通过图像分析技术，用户可以及时了解到监控范围内的情况，同时也可以帮助用户做出更加有效的决策。
五、智能报警技术在视频监控领域中，智能报警技术是其中的一个关键技术。
通过智能算法，监控系统可以自动检测出潜在的异常情况，并发出及时准确的警报。
例如，可以监测到人员持枪、持刀等可疑行为，及时报警，警方可以迅速响应；可以监测到火灾、水浸等危险情况，及时报警，可以避免不必要的损失和伤亡。
六、结语人工智能技术在视频监控领域的应用，已经走向了智能化、数字化、网络化。
随着技术的不断发展和完善，人工智能技术在视频监控领域中的应用，将会越来越广泛，为人们提供更加安全、便捷的生活。
智能视频监控技术及其主要应用
智能视频监控技术及其主要应用随着科技的迅猛发展，智能视频监控技术已经成为了当今社会中不可或缺的一部分。
智能视频监控技术是利用先进的摄像头设备和计算机技术，能够对监控区域进行全面、准确地监测和录像，并且通过识别、分析、存储和传输等功能，实现对监控区域的智能化管控。
在各种行业中，智能视频监控技术被广泛应用，它不仅提高了安全性和管理效率，也为各种场合提供了重要的实时信息和数据支持。
在本文中，我们将深入探讨智能视频监控技术的相关内容，包括其基本原理、主要应用领域和未来发展趋势。
一、智能视频监控技术的基本原理智能视频监控技术是指通过计算机视觉技术和智能算法对监控区域中的目标进行识别、分析和跟踪，以便实现自动化监控、预警和管理。
其基本原理包括图像采集、图像处理、目标识别和行为分析等环节。
首先是图像采集。
智能视频监控系统通过高清摄像头设备对监控区域进行全方位的图像采集，保证视野的完整覆盖和图像的清晰度。
然后是图像处理。
采集到的图像数据经过预处理和增强，消除噪声和模糊，提高图像的清晰度和对比度，以便后续的目标识别和行为分析处理。
接下来是目标识别。
利用计算机视觉技术和智能算法，智能视频监控系统能够对图像中的目标进行准确识别和分类，包括人、车、物体等。
最后是行为分析。
通过对目标的运动轨迹和特征动作进行持续监测和分析，智能视频监控系统能够实现对异常行为、越界闯入等情况的及时识别和报警。
智能视频监控技术在各种行业和领域中都有着广泛的应用，主要包括了城市安防、交通监控、工业生产、商业零售、智能建筑、智慧校园等多个方面。
在城市安防领域，智能视频监控技术能够实现对城市各个重要区域的全天候监控和实时警报，保障城市居民的人身和财产安全。
在交通监控领域，智能视频监控技术能够对道路交通和交通工具进行实时监测和管控，提高交通管理的效率和安全性。
在工业生产领域，智能视频监控技术能够实现对生产线和生产现场的实时监控和远程管理，提高了生产效率和质量控制水平。
视频监控及其关键技术
视频监控及其关键技术14安防徐乐 144402103监控系统是由摄像、传输、控制、显示、记录登记5大部分组成.摄像机通过同轴视频电缆将视频图像传输到控制主机，控制主机再将视频信号分配到各监视器及录像设备，同时可将需要传输的语音信号同步录入到录像机内。
通过控制主机，操作人员可发出指令,对云台的上、下、左、右的动作进行控制及对镜头进行调焦变倍的操作，并可通过控制主机实现在多路摄像机及云台之间的切换。
利用特殊的录像处理模式，可对图像进行录入、回放、处理等操作，使录像效果达到最佳。
监控是各行业重点部门或重要场所进行实时监控的物理基础，管理部门可通过它获得有效数据、图像或声音信息，对突发性异常事件的过程进行及时的监视和记忆,用以提供高效、及时地指挥和高度、布置警力、处理案件等.随着当前计算机应用的迅速发展和推广，全世界掀起了一股强大的数字化浪潮，各种设备数字化已成为安全防护的首要目标。
数码监控报警的性能特点是：监控画面实时显示，录像图象质量单路调节功能，每路录像速度可分别设置，快速检索，多种录像方式设定功能，自动备份,云台/镜头控制功能,网络传输等。
加装时间发生器，将时间显示叠加到图像中。
在线路较长时加装音视频放大器以确保音视频监控质量。
适用范围——银行、证券营业场所、企事业单位、机关、商业场所内外部环境、楼宇通道、停车场、高档社区家庭内外部环境、图书馆、医院、公园。
视频监控系统原理图组成设备视频监控系统产品包含光端机，光缆终端盒，云台，云台解码器,视频矩阵,硬盘录像机，监控摄像机［1］，镜头,支架。
视频监控系统组成部分包括监控前端、管理中心、监控中心、PC客户端及无线网桥.各组成部分的说明如下:(1）监控前端：用于采集被监控点的监控信息，并可以配备报警设备。
①普通摄像头+视频服务器。
普通摄像头可以是模拟摄像头,也可以是数字摄像头。
原始视频信号传到视频服务器,经视频服务器编码后,以TCP/IP协议通过网络传至其他设备。
第六章 网络视频监控关键技术
6.3固定码率和可变码率编码解 码
视频编码可以分为可变码率和固定码率两种。 相对于VBR和ABR来讲，它压缩出来的文件体 积很大，而且音质相对于VBR和ABR不会有明 显的提高。 一般在我们输出视频文件的时候都会碰到一个选 即 CBR与VBR，CBR的英文全称是Constant Bit Rate翻译过来是固定 码率就是说每一秒种的画 面如果看做是一个静止的图片文件的话（实际上 是每一帧的画面大小加起来）它大小是固定的， VBR的英文全称是Variable Bit Rate意思是可变 码率主就是每一秒画面的大小是不固定。
结构专门针对音频及视频应用设计，在多媒体音视 频处理方面具有速度快、成本低、功耗低、易于 产品设计、方便使用等特点，但由于很多功能以 及算法都固化在芯片上，不够灵活，硬件设备厂 家在做产品开发时容易受制于芯片厂商。 专用集成电路ASIC是面向专门用途，为某一 用户特定生产的集成电路，如电视视频处理芯片、 电话中语音处理芯片等。 采用ASIC芯片技术的压缩板卡包括Wischip、 INTIME IME6400和Vweb等。
6.8 图像传感器技术
（1）CCD.。 （2）3CCD。 （3）CMOS。 CMOS和CCD同为在数码相机中可记录光线 变化的半导体。CMOS的制造技术和一般计算机 芯片没什么差别，CMOS的缺点就是太容易出现 杂点，这主要是因为早期的设计使CMOS在处理 快速变化的影像时，由于电流变化过于频繁而会 产生过热现象。 CCD与CMOS的主要性能差别如表6-2所示。
红外摄像机主要用于需要日夜监视、特别强调 夜间监视的目标，而目标周围环境又没有太强 光线的场景。 选择红外摄像机时应该考虑红外灯电源的开关 控制问题，可视技术方面主要由以下三大类： 第一类是：卤素灯。
大数据分析技术在视频监控中的应用
大数据分析技术在视频监控中的应用随着科技的不断发展和进步，大数据分析技术在各个领域都得到了广泛应用，其中之一就是视频监控领域。
视频监控作为一种重要的安全防范手段，广泛应用于公共场所、企事业单位、交通领域等地方。
传统的视频监控系统往往只能提供视频的实时监控，对于大规模的视频数据无法进行有效的分析和利用。
而大数据分析技术的应用，则可以使得视频监控系统具备更加智能化、高效化的特点，为安全防范工作提供更多的有效手段和决策支持。
首先，大数据分析技术可以在视频监控中应用于目标检测和识别。
通过利用深度学习算法和大规模的训练数据，可以实现对目标物体的准确检测和识别。
例如，在监控视频中，可以通过大数据分析技术识别出异常行为，如闯入、滞留等，及时报警，提高监控系统的响应能力。
其次，大数据分析技术可以在视频监控中进行行为分析。
通过对大量的视频数据进行分析和比对，可以提取出目标物体的行为特征和模式，如人员聚集、躲避行为等。
这些行为特征和模式可以作为预警指标，通过与已知的异常行为进行对比，及时发现并报警异常事件。
另外，大数据分析技术还可以与其他技术相结合，实现更加综合的视频监控。
例如，结合人脸识别技术，可以实现对行人的身份识别和追踪；结合车牌识别技术，可以实现对车辆的识别和监控。
通过将大数据分析技术与其他技术相结合，可以提供更加全面和准确的视频监控服务。
此外，大数据分析技术还能对视频数据进行存储和管理的优化。
传统的视频监控系统往往无法处理大量的视频数据，导致存储和管理困难。
而大数据分析技术可以通过数据压缩和存储优化算法，实现对视频数据的高效存储和管理。
同时，通过建立视频数据库和索引技术，可以快速检索和查找所需的视频片段，提高工作效率。
需要指出的是，大数据分析技术在视频监控中的应用还面临一些挑战和问题。
首先，大数据分析技术需要庞大的计算资源和存储空间，因此对于基础设施的要求较高。
其次，大数据分析技术需要大量的训练数据和标注数据，但目前缺乏对于视频监控领域的大规模数据集和标准化的评价指标。
大数据在视频监控中的应用
前沿理论与策略区域治理大数据是一种新型的信息处理技术，在信息数据采集、管理、存储以及分析等方面发挥着重要的作用。
而视频监控系统中具有大量的信息和数据，需要进行存储和分析处理，借助大数据技术能够很好地对数据和信息进行分析和存储，为促进视频监控系统的发展提供了重要保障。
一、大数据在视频监控中的应用优势第一，视频监控系统管理的监控点数量多，数据量巨大，而大数据的数据存储量增长速度很快，且存储量十分庞大。
在视频监控中应用大数据能够方便进行数据、信息的存储；第二，视频监控的数据种类比较多，实际的监控系统中，具有很多类型的数据编码格式。
并且物联网技术种类的不断增加，导致视频监控系统的数据呈现多样化，利用大数据能够对多样化的数据进行有效分析和处理；三是，视频监控的数据信息并不是一成不变的，随着时间的增长，其中的信息量也会不断增长。
大数据的有效应用，不仅能有效提升数据信息的处理速度，同时还满足了视频监控对于数据实效性的要求；四是，视频监控的数据价值密度低，因此需要提高数据处理的效率，收集有用的信息，借助大数据就能够提高数据的处理速度，满足视频监控的需求。
二、大数据在视频监控中的应用1视频监控数据挖掘技术当前，视频监控数据挖掘技术的发展已经比较成熟，并得到有效应用，如视频入侵检测技术、车牌识别技术等。
其实际就是在大量的数据中对有效数据进行挖掘，以及总结以往数据规律和量化将来的数据。
视频监控数据量庞大，但用户需要的信息可能只有一小部分，因此需要使用大数据挖掘技术，将视频监控的数据从静态的事后取证转变为动态的实时预防与告警。
视频数据挖掘的主要目的是在高层语义信息和底层视频数据之间建立一种映射关系，由于该映射关系复杂，一般都会采用多层次信息提取和映射技术挖掘数据。
在对视频数据进行挖掘的过程中，首先应从底层视频数据中提取图像特征信息，包括图像色块、图像纹理、图像边缘、灰度直方图、运动矢量等信息，作为提取原语义信息的基础；其次，利用目标跟踪、目标检测、特征对比等手段在图像中提取原语义信息，包括运动目标轨迹、运动目标、人脸图片等；最后，把原语义信息融合成高层语义级描述信息。
大数据在安防行业的应用
大数据在安防行业的应用随着科技的不断发展，大数据技术在安防行业中的应用越来越广泛。
大数据技术可以通过采集和分析各种数据，识别潜在的安全风险，提供更加精准和高效的安全管理手段。
本文将从视频监控、人脸识别和预测分析三个方面介绍大数据技术在安防行业中的应用。
一、视频监控
大数据技术可以通过采集和分析视频监控数据，识别潜在的安全风险，提高监控效率。
例如，通过分析视频监控数据，可以识别异常行为和事件，如人员聚集、车辆停驻、物品遗留等，及时采取措施，避免安全事故的发生；通过分析视频监控数据，可以优化监控方案和布局，提高监控画面的覆盖面积和清晰度，提高监控效率和效果。
二、人脸识别
大数据技术可以通过采集和分析人脸识别数据，识别潜在的安全风险，提高人脸识别的准确性和效率。
例如，通过分析人脸识别数据，可以识别不同人脸的特征，建立人脸识别数据库，实现对可疑人员的及时识别和预警；通过分析人脸识别数据，可以优化人脸识别算法和模型，提高人脸识别的准确性和效率，降低误识率和漏识率。
三、预测分析
大数据技术可以通过采集和分析各种数据，预测潜在的安全风险，提高安全预警的准确性和效率。
例如，通过分析历史数据和趋势数据，可以预测潜在的犯罪和恐怖袭击事件，提前采取措施，避免事故的发生；通过分析大数据，可以建立预警模型和预测模型，实现对安全事件的及时预警和预测。
综上所述，大数据技术在安防行业中的应用，可以为安防行业的安全管理提供更加精准和高效的手段。
通过大数据技术，可以实现对各种数据的整合和挖掘，为安防行业的发展和安全服务提供科学依据，为城市安全的发展和人民生活提供更好的保障。
分享。
用大数据技术挖掘视频监控数据的价值
用大数据技术挖掘视频监控数据的价值引言概述：随着科技的不断发展，视频监控系统已经成为了现代社会中不可或者缺的一部份。
大量的视频监控数据被记录下来，然而，这些数据往往被浪费掉了。
然而，通过运用大数据技术，我们可以挖掘出这些视频监控数据的巨大价值。
本文将探讨如何利用大数据技术来挖掘视频监控数据的价值。
一、数据存储和管理1.1 视频数据的存储方式视频监控数据通常是以视频文件的形式存储在服务器或者云端。
这些视频文件的存储方式可以采用本地存储或者云存储。
本地存储可以提供更高的数据传输速度和更好的数据安全性，但是存储容量有限。
云存储可以提供更大的存储空间和更灵便的数据访问，但是可能会受到网络带宽的限制。
1.2 数据的索引和标记为了更好地管理和利用视频监控数据，需要对数据进行索引和标记。
索引可以根据时间、地点、事件等关键信息对视频数据进行分类和归档，方便后续的数据检索和分析。
标记可以对视频中的关键事件或者行为进行标记，以便后续的数据分析和挖掘。
1.3 数据的备份和冗余视频监控数据是非常重要的，一旦丢失将无法恢复。
因此，对视频监控数据进行定期的备份是非常必要的。
备份可以采用本地备份和远程备份相结合的方式，以确保数据的安全性和可靠性。
此外，为了应对硬件故障和数据丢失的风险，还可以采用冗余存储的方式，将数据存储在多个存储设备上。
二、数据清洗和预处理2.1 数据清洗视频监控数据通常包含大量的噪声和冗余信息，需要进行数据清洗以提高数据的质量。
数据清洗可以通过去除噪声、修复缺失数据、去除冗余信息等方式进行。
清洗后的数据更加干净和准确，可以提高后续数据分析和挖掘的效果。
2.2 数据预处理视频监控数据的预处理是为了将原始数据转化为可用于分析和挖掘的数据形式。
预处理包括数据格式转换、数据采样、数据压缩等步骤。
预处理后的数据更加规范和可操作，可以提高后续数据分析和挖掘的效率。
2.3 数据特征提取视频监控数据中包含丰富的信息，但是并非所有的信息都对后续分析和挖掘实用。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
视频监控大数据的关键技术和应用随着全国各地平安城市、行业安防等项目的大规模建设，视频监控在安防领域中发挥着越来越重要的作用，成为技术防范的最有力手段。
而在新的技术条件和应用需求的推动下，视频监控将迎来系统融合和大数据的新时代，其产生的数据将会迅速地增长，如何从这些数据中获得有效的信息和服务，是我们必须要面对的重要问题。
笔者认为，大数据处理技术的应用，将成为下一代视频监控的发展关键。
视频监控的大数据趋势视频监控从最早的模拟闭路监控系统开始，经历过模拟监控、数字监控、网络监控等重要发展阶段，如今进入了大数据的时代，并面临着一系列的挑战。
视频监控产生的数据正迅速增长视频监控数据的增长有三个主要的因素。
首先，视频监控不再是一个独立割裂的系统，系统的融合将催生更丰富的数据。
GB/T28181-2011标准的发布和实施，在很大程度上改善了各大平台厂家各自为战、互不兼容的乱象，在“大联网”的背景下，所有的视频监控数据将能实现深度共享和统一处理。
此外，安防监控的发展趋势是融合化，视频监控平台与其它多种系统之间如警综、消防、卡口、门禁等，将实现资源和数据的无缝整合，统一协作，形成社会化的大系统。
其次，高清视频的编解码能力不断提高，导致数据生成的厚度和精度不断提升，高分辨率和高帧率已成为视频监控主流需求。
再次，数据生成点的规模在不断扩大，视频监控的覆盖范围和监控点、卡口的数量都以30%以上的增长率在快速增加。
我国安装的监控摄像头目前已超过3000万个，每年产生数万PB的数据量。
视频监控数据的管理存在瓶颈数据的爆炸式增长，意味着需要投入更多的资源以及付出更多的努力，才能在这些体量庞大的数据中寻找到有价值的信息。
目前对视频监控数据的管理能力较弱，其发展没能跟上数据增长的速度，体现在以下几个方面:1.数据的存储和管理视频监控数据具有高并发、大容量的特点。
以1080P为例，在8Mbps的码率下，每个摄像头每天产生的视频数据约84GB，中等城市的监控规模一般为数千到数万个摄像头，而且这些数据一般要求必须在系统中保存30天以上。
存储系统还必须具有高级别的容错性，存储介质的故障率通常较高，但故障发生时不应造成监控数据的丢失。
此外，由于安防项目本身在不断发展，系统可能要进行在线扩容和升级，这就要求存储系统具有高度的可扩展性，可在系统中简单便捷地增添存储设备。
目前主要采用分级集中存储的方案，视频数据按区域存储在不同的子平台中，通常使用RAID来进行存储。
但RAID在性能、利用率、可靠性等方面很难达到理想的平衡，而且成本偏高。
另外，各区域的视频数据被分割存放，数据共享流程繁琐，不利于存储和计算资源的集中配置，也不利于数据的统一分析。
2.数据的智能分析图像视频的理解和识别一直是计算机视觉领域的难题，由于很难智能地分析出视频中蕴含的丰富内容，我们仍然要耗费大量的人力物力，在海量的视频监控数据中查找有价值的信息。
例如在“周克华”案中，为了查找嫌疑人线索，长沙警方投入约两千名民警，花了1个多月的时间反复查看监控录像，视频量相当于83万部电影。
目前，虽然基于内容的智能分析在安防领域得到了研究和推广，但也仅限于较低层次的应用，例如人脸识别、车牌识别、物体检测、人流统计、周界防范等。
智能分析除了受限于算法的发展，更受限于计算能力的发展，智能分析的算法复杂度较高，而且其样本数量庞大，非普通计算系统所能胜任。
3.数据的融合与协同应用目前，视频监控系统与其它相关系统之间，只是基于视频浏览等基础功能进行有限的对接。
但如果能进行更深入的融合，通过对多种关联数据进行分析，可以挖掘出更有价值的应用，例如刑侦线索分析、案件规律分析、社会舆情分析、金融诈骗分析、公共交通优化等。
如何对这些海量的融合数据进行清洗和选择，并建立有效的分析模型是一个有趣的挑战。
大数据处理的关键技术大数据在近几年成了炙手可热的流行词汇，并经常和云计算联系在一起，它是指大小超出了常用的软件工具在运行时间内可以承受的收集、管理、处理数据能力的数据集。
一般将大数据归纳为三个特征，即3V：体量巨大（Volumn）、类型多样（Variety）、快速处理（Velocity）。
在大数据中，绝大部分由非结构化数据组成。
据统计，目前在全球所有大数据中占主导地位的是图像视频数据，2012年其占比已达到了80%，2013年预计接近90%。
大数据的关键技术涵盖了数据采集、传输、存储、处理、应用等各个环节，本文主要围绕视频大数据的存储和处理来进行阐述。
传统的数据处理方法是以处理器为中心，而大数据具有海量和分布性的特点，需要采取以数据为中心的模式，将计算任务分配到数据所在的节点中执行，减少数据移动带来的庞大开销。
云计算是大数据处理的核心技术，是大数据挖掘的主流方式。
在业界，很多公司已经意识到大数据挖掘的重要意义，研发了一系列针对大数据进行处理的云计算技术，其中最具代表性的是开源的Hadoop及其周边的生态系统。
1.Hadoop及其生态系统Hadoop是一个开源的分布式基础架构，可以让用户轻松构建云计算平台。
Hadoop的优势在于它的灵活性、扩展性、经济性、可靠性，适合对大容量、高速率、多样化的大数据进行分布式的处理，而且具有很高的性能。
例如Visa公司需要计算两年的记录，包括730亿笔交易、高达36TB的数据。
如果用传统方法需要1个月，而采用基于Hadoop 的处理技术只要13分钟。
Hadoop由HDFS分布式文件系统和MapReduce计算模型组成，可以满足大数据存储和处理的需要。
而且，围绕Hadoop已经构建了一个庞大的生态系统，如图1所示。
图1 Hadoop及其生态系统其中，HBase是面向列存储的分布式数据库，Zookeeper是分布式协同工作系统，Avro 是数据序列化系统，Pig和Hive是基于Hadoop的数据挖掘语言和工具，Cascading是封装了Hadoop细节的数据处理工作流API，Mahout是机器学习领域经典算法在Hadoop上的实现，Sqoop可以在HDFS和RDBMS之间转换数据，Flume是海量日志采集系统。
下面将简单介绍较为关键的HDFS、HBase、MapReduce。
2.HDFSHDFS 的系统架构如图2所示。
HDFS中包括 1个NameNode节点，用于记录文件的元数据；还包括多个DataNode节点，提供实际的存储块。
存储在HDFS中的文件被分成块，然后将这些块复制到多个DataNode，以提高数据的并发吞吐量。
存储块的大小（通常为64MB）和副本的数量在创建文件时由客户机决定，由此保证数据的可靠性。
NameNode 可以控制所有文件操作，它与DataNode之间通过心跳来传递状态信息。
HDFS内部的所有通信都基于标准的TCP/IP协议。
图2 HDFS的系统架构视频监控数据具有如下特点：1）需要存储大量GB级甚至TB级的大文件；2）文件具有一次写多次读的特点；3）文件读操作以大规模的流式读和小规模的随机读构成；4）系统需要有效处理并发的追加写操作。
这些特点正好与HDFS的设计理念相符合。
因此HDFS可用于对以视频监控为主的海量数据提供分布式存储和管理。
3.HBaseHBase是构建在HDFS之上的NoSQL数据库。
NoSQL数据库是无模式、非关系型的，能支持对海量数据的高并发存储和访问，可以灵活地处理非结构性的数据，而不需要事先定义它们，因此具有良好的可扩展性。
NoSQL在事务的严格一致性、数据实时同步、支持复杂的查询等方面不具有优势，但在大数据时代，这些特点变得不那么重要。
在数据管理方面，HBase将一整张数据表拆分成许多存储于HDFS下的子表，并由Zookeeper负责数据一致性管理。
在数据模型方面，HBase 以行名、列名、时间戳建立索引，表中的数据项由无结构的字节数组表示。
这种灵活的数据模型保证HBase 适用于多种不同应用环境。
在安防系统中，HBase可适用于各类融合数据的存储和访问，为视频监控与其它不同系统的深度整合提供良好的数据平台。
4.MapReduceMapReduce是由Google提出的一个软件架构，是目前云计算平台上实际公认的并行编模型标准，运行于HDFS和HBase系统之上。
其执行过程如图3所示。
图3 MapReduce的执行过程MapReduce包括Map（映射）和Reduce（化简）两个阶段，首先将待处理的海量数据分割后执行map操作，然后对其输出内容进行合并、排序，再执行reduce操作，将最终结果进行汇总。
整个执行过程的各种细节在MapReduce框架中自动处理，包括任务调度、负载均衡、数据分配、容错机制、网络通信、本地化计算等。
可以说，HDFS和HBase实现了对海量数据高效的分布式存储，而MapReduce在此基础上提供由编程框架自动控制的、对用户透明的计算资源和数据资源的并行调度和数据同步机制，可根据业务规模自动伸缩、从而为程序开发者屏蔽了底层的复杂性，简化了分布式并行处理业务的编程开发工作。
一个典型的MapReduce计算处理通常可以分布到上千个计算节点中来处理上TB的数据，这对海量视频监控数据的并行处理尤为重要。
大数据技术在视频监控中的应用视频监控产生的数据增长很快，需要构建一个弹性而高效的处理平台，主要解决两方面的问题：1）数据的存储、管理、访问；2）数据的处理和分析，包括转换、挖掘、搜索、智能识别等。
基于以上介绍的Hadoop，可以实现一个视频监控大数据的应用框架，将其部署在可扩展的存储和计算资源之上，以满足大数据所带来的各种新的业务需求。
1.视频监控大数据的应用框架应用框架包括了负责对数据进行存储和处理的大数据平台、支持高并发访问的视频分发网络、面向应用的平台调度和服务接口。
如图4所示。
图4 视频监控大数据的应用框架其中，大数据平台基于Hadoop集群来实现，是整个应用框架的核心部分，它接入并存储视频监控数据和其它各类安防数据，然后根据指令对其进行处理。
视频分发网络则是为了满足视频访问的需要，这些访问可能是跨地域分布的，因此应考虑网络带宽的优化。
平台调度和服务则是面向业务和应用的，是大数据平台和用户之间沟通的桥梁，它可以通知大数据平台即时执行来自业务系统的请求，也可以通过设定任务的执行策略，自动触发大数据平台进行指定数据的处理。
此外，与平台管理相关的结构化信息保存在关系型数据库中。
2.大数据平台大数据平台中有两层对外的接口，分别是统一数据接入层、统一存储和计算接口层。
统一数据接入层负责采集视频监控数据和来自其它业务系统的安防数据，它通过配置不同的适配器来接入种类不一的数据类型，对这些数据进行清洗和转换之后，存入HDFS 或HBase中。
对于视频监控数据的接入来说，应支持多种规范，例如GB/T 28181、ONVIF、PSIA等主流协议。