[论文解读] Design, Implementation and Simulation of a Cloud Computing System for Enhancing Real-time Video Services by using VANET and Onboard Navigation Systems

Karim Hammoudi, Nabil Ajam+6 more|arXiv (Cornell University)|Nov 25, 2014

Vehicular Ad Hoc Networks (VANETs)参考文献 7被引用 3

一句话总结

本文提出了一种新颖的云计算架构，整合了VANET、车载视觉导航系统以及实时视频处理技术，以增强动态道路监控。通过利用车辆上的边缘计算、路侧单元（RSU）通信以及基于云的分析，该系统实现了对车辆和人员的实时检测与跟踪，用于警察监控，能够在5秒内完成每张图像的面部识别和车牌识别，且数据传输延迟极低。

ABSTRACT

In this paper, we propose a design for novel and experimental cloud computing systems. The proposed system aims at enhancing computational, communicational and annalistic capabilities of road navigation services by merging several independent technologies, namely vision-based embedded navigation systems, prominent Cloud Computing Systems (CCSs) and Vehicular Ad-hoc NETwork (VANET). This work presents our initial investigations by describing the design of a global generic system. The designed system has been experimented with various scenarios of video-based road services. Moreover, the associated architecture has been implemented on a small-scale simulator of an in-vehicle embedded system. The implemented architecture has been experimented in the case of a simulated road service to aid the police agency. The goal of this service is to recognize and track searched individuals and vehicles in a real-time monitoring system remotely connected to moving cars. The presented work demonstrates the potential of our system for efficiently enhancing and diversifying real-time video services in road environments.

研究动机与目标

• 设计一种通用且可扩展的云计算架构，以增强道路环境中的实时视频服务。
• 整合车载视觉系统、VANET和云计算，实现车辆之间的协同监控与数据共享。
• 通过实验验证系统在执法应用中对车辆和人员进行实时检测与跟踪的能力。
• 展示在移动道路环境中，使用嵌入式系统和云平台进行动态地理参考视频分析的可行性。
• 开发一个仿真器，用于在真实移动车辆部署前测试系统性能。

提出的方法

• 系统利用车辆中的车载摄像头捕获实时视频流，并在本地使用Emgu CV进行面部和车牌信息提取。
• 提取的特征（面部、车牌）通过VANET传输至路侧单元（RSU），再转发至云计算节点进行进一步分析。
• 基于云的处理管道将提取的特征与参考数据库匹配，以识别目标人员或被盗车辆。
• 系统采用混合架构，包括基于树莓派设备的边缘计算、RSU中继节点，以及用于数据关联与可视化的集中式云工作站。
• 数据通过基于Google地图的界面实时可视化，包含时间戳和地理定位元数据以支持追踪。
• 系统通过模拟车载嵌入式系统和小型VANET仿真器进行测试，性能指标包括数据传输和处理时间。

实验结果

研究问题

• RQ1 基于云的系统能否有效整合VANET、车载视觉系统和实时视频分析，以增强道路监控服务？
• RQ2 在分布式车载-云架构中，实时面部和车牌识别的效率如何？
• RQ3 在模拟道路环境中，通过VANET到云的传输管道，视频数据的传输和处理具有怎样的延迟与吞吐量特性？
• RQ4 利用移动车辆进行协同监控，在多大程度上可提升对目标人员或车辆的检测与跟踪能力？
• RQ5 该架构在涉及多个移动节点的真实移动场景中，其可扩展性和可靠性如何？

主要发现

• 在2.4GHz Intel Core i5工作站上，面部提取耗时1.08秒，车牌提取耗时3.29秒/张图像。
• 从树莓派到RSU的数据传输耗时1.33秒，从RSU到云节点耗时1.12秒（图像大小为16.5KB，分辨率为640x480）。
• 整个处理管道（包括图像传输与处理）在每张图像处理时间低于5秒，实现准实时监控。
• 系统成功证明了可利用移动车辆作为分布式传感节点，用于警察监控应用。
• 通过仿真和原型实现验证了该架构的可行性，显示出在真实移动环境中部署的潜力。
• 系统支持动态兴趣点（POI）检测，如可用停车位和危险道路状况，并支持车辆与相关部门之间的信息共享。