[发明专利]基于k均值的监控视频热度云存储方法

说明书

本发明提供一种基于k均值的监控视频热度云存储方法，根据经典的k‑means聚类算法对网络上的视频资源进行视频热度分析，预测城市摄像头热度，并将热度较高的视频存储在性能节点高的集群，将热度较低的视频存储在性能节点低的集群中，以加快视频检索速度和后期智能化处理。

技术领域

本发明涉及视频监控技术领域，具体涉及一种监控视频的存储方法。

背景技术

随着数字安防技术的普及，监控技术逐渐往高清化、网络化发展，随之而来的是海量的数据存储问题。海量数据必须拥有能够进行可靠、可保证效率且拥有快速读写以及响应能力的存储。传统的视频监控存储主要分为三个阶段，分别为早期的硬盘录像存储设备、直接连接存储(DAS)和基于网络的网络附加存储(NAS)。为了降低视频监控系统存储设备的成本以及解决大容量存储等问题，构建了Hadoop分布式云存储集群，其构架如图1所示。目前云存储技术发展迅猛，比较知名的有亚马逊云存储、谷歌云存储、IBM、百度云、华为网盘等。然而通用化的Hadoop平台对有如下一些缺点：

1.无法最大化发挥平台智能化处理性能。视频点播回放热度不一样，用户一般只选择高热度视频进行智能化处理，如视频摘要、全景融合，而视频智能化处理对计算机节点性能要求较高，高热度视频存储在低性能节点会降低智能化分析速度。

2.通用视频云存储架构浪费了存储空间。监控视频绝大部分都是冗余数据，且视频存储时效为一个月。Hadoop分布式存储集群备份数固定，对于不同热度的监控视频无差异存储，浪费了存储空间，造成设备利用率低。

3.通用的视频云存储架构对带宽要求高。针对平安城市监控特点，摄像头为几万路、甚至几十万路，分布于城市的各个角落，所有视频流汇聚到一个集群，对网络带宽造成极大压力，甚至会出现网络拥堵，以至于丢失视频数据包。

发明内容

本发明的目的在于通过对基于Hadoop的视频存储架构分析,提出一种面向智能化的双Hadoop集群存储架构。算法基于k均值预测监控视频热度，并根据平安城市监控特点对视频备份数进行调整，从而可提高设备利用率，加快视频文件检索以及智能化分析速度。

本发明的技术方案如下：

一种基于k均值的监控视频热度云存储方法，其特征在于：根据经典的k-means聚类算法对网络上的视频资源进行视频热度分析，预测城市摄像头热度，并将热度较高的视频存储在性能节点高的集群，将热度较低的视频存储在性能节点低的集群中。

对于高热度监控视频的视频热度分析服务每天分析一次，并根据用户进入视频云存储系统的强度分布，重新发布视频热度索引库时间。

本发明提出了一种面向智能化的双Hadoop集群存储架构，将视频监控中使用热度高的视频存放在高性能集群中，以加快视频检索速度和后期智能化处理；同时双Hadoop集群针对不同热度的监控视频可以分别设置备份数，从而节省存储空间，提高设备利用率。

附图说明

图1是现有基于Hadoop的视频存储架构图；

图2是本发明的Hadoop存储架构图；

图3是本发明的k-means算法流程图。

具体实施方式

图1是现有的基于Hadoop的视频存储架构图。本发明是基于已有的Hadoop的视频存储思路，通过Hadoop提供的API接口，实现将接收到的视频流文件从本地上传到HDFS中。此过程中，前端摄像机或者编码器源源不断地将视频流转发过来，然后在服务端采集汇聚(相当于流媒体服务或者NVR的视频采集服务)，本地进行缓存打包数据，然后实时以流的形式将“缓冲区”与HDFS进行对接，之后通过流的方式将文件上传。