[论文解读] Smart Traffic Monitoring System using Computer Vision and Edge Computing

Guanxiong Liu, Hang Shi+6 more|arXiv (Cornell University)|Sep 7, 2021

Video Surveillance and Tracking Methods参考文献 28被引用 7

一句话总结

本文提出一种用于智能交通监控的两级边缘-云架构，通过动态地在资源受限的边缘云节点与集中式交通管理中心（TMC）之间卸载视频处理任务，结合天气和网络状况，优化拥堵与速度检测。该混合模型在多种真实场景下均优于仅使用边缘或仅使用云的方案，统计验证表明：网络状况差会降低云处理性能，降雪天气则会损害边缘处理的准确性。

ABSTRACT

Traffic management systems capture tremendous video data and leverage advances in video processing to detect and monitor traffic incidents. The collected data are traditionally forwarded to the traffic management center (TMC) for in-depth analysis and may thus exacerbate the network paths to the TMC. To alleviate such bottlenecks, we propose to utilize edge computing by equipping edge nodes that are close to cameras with computing resources (e.g. cloudlets). A cloudlet, with limited computing resources as compared to TMC, provides limited video processing capabilities. In this paper, we focus on two common traffic monitoring tasks, congestion detection, and speed detection, and propose a two-tier edge computing based model that takes into account of both the limited computing capability in cloudlets and the unstable network condition to the TMC. Our solution utilizes two algorithms for each task, one implemented at the edge and the other one at the TMC, which are designed with the consideration of different computing resources. While the TMC provides strong computation power, the video quality it receives depends on the underlying network conditions. On the other hand, the edge processes very high-quality video but with limited computing resources. Our model captures this trade-off. We evaluate the performance of the proposed two-tier model as well as the traffic monitoring algorithms via test-bed experiments under different weather as well as network conditions and show that our proposed hybrid edge-cloud solution outperforms both the cloud-only and edge-only solutions.

研究动机与目标

• 为解决交通摄像头持续向集中式TMC传输视频所导致的带宽与延迟瓶颈问题。
• 缓解仅使用边缘处理（计算能力有限）和仅使用云处理（依赖网络）在实时交通监控中的局限性。
• 设计一种自适应系统，根据动态网络与环境状况，智能地在边缘与云处理之间切换。
• 在不同天气（晴天、雨天、雪天）与网络状况（良好、差）下，评估混合模型的性能。
• 通过统计方法验证网络质量与天气对边缘与云方案检测误差率的影响。

提出的方法

• 系统采用两级架构：靠近摄像头的边缘云节点执行轻量级视频处理，而TMC负责执行重型计算任务。
• 针对拥堵与速度检测任务，每项任务部署两种算法——一种专为边缘（低算力）优化，另一种为TMC（高算力）设计，分别基于不同的计算与网络假设。
• 边缘在资源有限的条件下本地处理高质量视频，而TMC接收的视频可能因网络不稳定而质量下降。
• 系统采用动态切换机制，根据实时网络与天气状况选择最优处理层级。
• 通过真实交通视频在六种天气与网络条件组合下的测试平台实验，对方法进行评估。
• 采用方差分析（ANOVA）进行统计分析，验证网络与天气对误差率影响的显著性。

实验结果

研究问题

• RQ1 在实时视频处理下，网络质量如何影响基于云的交通监控准确性？
• RQ2 恶劣天气（尤其是降雪）如何影响基于边缘的视频处理在交通监控中的性能？
• RQ3 在可变条件下，混合边缘-云架构是否能优于仅使用边缘或仅使用云的解决方案，在拥堵与速度检测中表现更优？
• RQ4 网络状况与天气对边缘与云处理方案中误差率的影响在统计上是否显著？
• RQ5 如何实现边缘与云之间的处理自适应卸载，以在性能与资源约束之间取得平衡？

主要发现

• 网络状况差显著提高了仅使用云方案的误差率，拥堵检测的p值为1.26e−12，速度检测的p值为4.43e−83，表明存在强烈的统计相关性。
• 降雪天气显著降低了边缘处理性能，拥堵检测的p值为1.53e−3，速度检测的p值为2.47e−23，显示具有统计显著性的负面影响。
• 所提出的混合边缘-云模型在所有测试的天气与网络条件下均优于仅使用边缘或仅使用云的方案，表现出更强的鲁棒性。
• ANOVA结果证实，网络质量与天气均为关键性能决定因素，验证了采用自适应处理策略的必要性。
• 该混合模型通过根据实时条件切换处理方式，有效弥补了单一方法的缺陷，实现了最优性能。
• 研究发现，雨天与晴天对检测准确率的影响相似，因此在统计模型中被合并为单一类别。