边缘计算是将计算能力由云端下沉到网络边缘侧,实现实时业务,高效数据处理,应用智能及安全与隐私保护的新型计算系统和技术。边缘计算可以使传统视频监控应用场景不再受限于网络带宽传输能力,实现实时的判断和分析。本文工作如下:(1)论文自主搭建了边缘计算下的视频监控系统,整合并提出了边缘计算下包括视频流采集、视频帧过滤算法的过滤层、使用Docker编排的视频分析层、前端技术渲染层的完整视频分析处理框架。视频分析层使用容器使各功能模块(人脸识别)不依赖于环境且相互独立,便于监控管理。通过实验表明过滤层提出的算法可以明显降低分析处理时间和平均处理时延30%。(2)用Tensorflow、dlib等搭建了CNN人脸识别模型,实验通过对CNN参数的不断调整得到了使识别率、总训练时间以及损失熵等CNN性能达到最优平衡的学习率和单次训练样本容量值。(3)提出了CNN合作训练优化模型。它由一台边缘服务器和多个智能视频终端组成,先将训练集发给视频终端,边缘服务器执行部分CNN,其余的CNN传播由视频终端完成,边缘服务器收到反馈后更新参数,并再次进行下一次传播。该模型根据可用带宽在视频终端和边缘服务器之间自适应地划分CNN,实验表明训练性能不受边缘服务器性能干扰,且总训练时间节省了10倍以上,有效缓解了CNN人脸识别因服务器性能和网络带宽对训练性能带来的负面影响。(4)提出了协作计算优化策略,制定了具体的视频数据资源分配方案和矩阵模型。给出了边缘计算下CNN人脸识别的协作计算优化详细步骤,从数学角度表明该优化可以提高处理速度及众多视频终端对计算资源的利用效率。(5)提出了边缘节点调度优化模型,建立了根据节点状态匹配节点优先级,对任务请求节点优先分配资源并上传的任务调控中心。提出了基于边缘节点调度器的任务调度优化算法,通过数据举例和实验结果对比表明了该算法能够将人脸识别的准确率提升10%。而在网络带宽较差的情况下,该算法的人脸识别率也保持在80%以上,能够满足边缘计算下的视频监控系统对视频数据的分析处理要求。