新的变码率视频服务器缓存管理策略

提出的 ROC(resist- overload capability)缓存管理策略 ,包括缓存准入策略和替换算法 ,解决了变码率视频服务器间隔缓存的缓存管理问题。 ROC缓存准入策略基于统计缓存准入策略 ,能提供概率的缓存服务质量保证和较高的缓存利用率。实验结果表明 :在典型系统配置下 ,ROC可以提高约 2 5 %的系统吞吐量 ;相对确定性缓存准入策略和STP- L缓存替换算法 ,可以多服务约 17%的视频流 ,平均缓存利用率也要高出约 38%。仿真实验结果证明了 :ROC充分发挥了间隔缓存算法优势 ,是一种非常有效的变码率视频服务器缓存管理策略     

流媒体服务器的间隔缓存管理策略研究

对间隔缓存管理策略进行了分析研究，提出了一种新型的抢占式间隔缓存调度方法和相应的准入控制算法以及系统实现方法．这种抢占式间隔缓存调度方法将间隔大小和流速率比值作为间隔抢占时的比较标准，通过抢占比值最大的间隔提高间隔缓存的抢占效率．由于同时考虑了空间和时间因素，相对传统管理策略，这种方法对复杂的异构环境具有更好的适应性．     

一种自适应的流媒体服务器缓存调度算法

在分析现有的流媒体缓存技术优缺点的基础上,提出一种采用间隔缓存的自适应混合型间隔缓存算法(adaptive hybrid interval cache,AHIC).该策略充分考虑用户行为模式和影片冷热度对缓存策略性能的影响,采取分段缓存和间隔缓存相结合的方式,通过周期性地统计影片的流行度和用户访问行为,实现了缓存的接纳和替换.仿真实验表明,与传统的间隔缓存策略相比,AHIC策略能够有效的提高缓存的字节命中率.     

基于BACnet网络的视频监控系统研究

分析了BACnet网络与视频监控系统相结合的必然性，通过对BACnet协议进行扩展，提出了一套基于BACnet标准的视频监控系统模型，模型充分考虑了视频流传输及视频源控制的特点，定义了视频流对象和视频设备对象及其相关服务，所有定义遵循BACnet对扩展的支持，通过一个实验系统，证明了方案的可行性。     

一种基于缓存对象未来价值的淘汰算法

为解决分布式系统缓存淘汰算法的缓存污染、抖动、命中率低等问题,综合考虑缓存对象最近的访问时间、访问频次、分片优先级和对象大小等因素,提出一种基于缓存对象未来最小价值(LFV)的淘汰算法。通过回归模型预测每个缓存对象的访问概率,利用分片优先级和对象大小计算每个缓存对象的未来价值,将LFV最小的对象进行淘汰。理论分析和仿真结果表明:该策略能有效提高请求命中率,避免缓存污染,降低节点间网络开销,提升了整体服务质量。     

对象存储系统的合作缓存方案

结合对象存储系统的数据访问模式,综合设计客户端和元数据服务的缓存,构造存储系统的合作缓存方案.该方案将客户端和元数据服务器的缓存作为整体进行设计,以达到提高缓存利用率的目的;通过缓存准入策略合理选择数据传送模式,减少数据传送的通信量;同时,合作缓存方案根据数据对象的大小、访问成本和网络负载动态地调整缓存策略,提高存储系统的服务质量.实验显示,合作缓存方案能较好地适应不同的工作负载,有效提高了系统的输入输出性能.     

基于HTTP流化的自适应码率混合控制算法

HTTP流化自适应流媒体技术已逐渐应用于媒体视频传输. 提出一种新的自适应码率控制算法, 将视频资源缓存、网络吞吐量共同作为混合控制的主要参数. 在视频资源缓存控制机制中, 通过采用缓存空间均衡的方式, 调整单个视频分片进入缓存区所消耗的时间, 使视频数据总量保持在均衡范围内. 在网络吞吐量控制机制中, 根据当前网络状况, 利用保守策略提升视频码率, 并利用逻辑斯谛方程确定码率下调幅度. 通过使用双参数进行码率决策, 能有效避免单一使用某一个参数而产生的决策精度上的不足, 从而实现控制性能最优. 在实际网络带宽情况下, 该算法已在使用MPEG-DASH标准的参考平台上得到验证.     

基于 P2P的VOD系统中数据缓存策略研究

提出了一种结合内存缓存与磁盘缓存的新型缓存策略.该策略在原有内存缓存基础上增加了磁盘缓存,数据从内存中被淘汰时,从磁盘缓存空间中选择合适磁盘分片进行缓存,并建立索引管理已缓存数据,使对等网络中的节点利用彼此的闲置磁盘资源缓存更多的媒体数据,服务器的负载得到有效降低,节点在对等网络中从其他节点获取数据的成功率明显提高.实验证明,该缓存策略有效提高了系统的整体服务能力,充分利用对等网络中的空闲节点资源降低视频服务器的负载.     

基于代理服务器缓存的Internet分层视频点播

针对目前访问Internet设备的差异性,为了降低网络传输成本,提出了一种基于视频分段的缓存算法来传输经过分层编码的视频流,其中分层视频段缓存优先级的计算来自于视频对象间的优先级、视频对象内的优先级以及用户接收带宽的分布．与缓存整个视频层的方案相比,仿真实验结果也证实了提出的针对分层视频流的缓存方案在给定缓存空间大小的情况下,可以大大降低视频服务器的点击率,而且在不增加实现复杂度的情况下也能满足用户接入带宽的差异性．     

基于Hibernate的数据缓存的优化技术

Hibernate是连接Java对象模型和关系数据模型的桥梁。对于查询操作繁复的系统而言，良好的缓存管理机制和合理的缓存应用模式往往是性能提升的关键。首先对Hibernate持久层的二级缓存机制进行较为详细的分析，然后通过提高QueryKey匹配效率对缓存进行优化，从而有效地提高了SQL的比较效率。     

基于网格的运动目标检测与跟踪处理

为提高运动目标的检测与跟踪处理速度,设计了一个基于网格计算的解决方案,应用网格计算以分布并行方式来处理图像序列. 网格计算节点上执行的一个任务对应处理图像序列中的一个帧图像单元,一个帧图像单元包含了每次处理过程中所涉及的一帧或多帧图像,因而网格计算中的任务数即为图像序列中的帧图像单元数. 利用Condor系统搭建了一个网格计算试验台,开发了一个用户交互界面和若干中间件服务模块. 以基于相邻帧差法和模板匹配法的运动背景下的目标检测和跟踪算法为例进行了试验. 试验结果表明,该方案具有可行性,并能大幅度缩减计算时间,提高处理效率.      

一种视频对象提取与跟踪的新方法

针对视频对象的分割问题，提出了一种新的视频对象提取与跟踪方法．首先采用分水岭分割和区域合并的方法进行初始分割，再通过光流场估计和全局运动估计计算全局运动的残余误差，在分割的每个区域上利用残余误差数据进行假设检验以确定运动区域，组合所有的运动区域即可提取完整的视频对象．然后使用双向投影的方法在后续帧中快速准确地跟踪视频对象，前向投影用来定位视频对象和简化分割计算，后向投影则用来确定每个分割的区域是否属于跟踪的视频对象．对MPEG-4测试序列的实验结果表明，本方法具有良好的分割性能．     

智能视频监控系统的设计研究

提出了一种由视频采集、传输网络、中心服务平台、客户端等4部分组成的智能视频监控系统模型,通过对模型组成及功能分析、关键技术的实现方法,说明了系统的设计方案,阐述了智能视频监控系统设计中应解决的问题。     

一种基于脉冲耦合神经网络的运动目标提取方法

运动目标提取是视频分析和理解的基础,在视频监控应用中具有重要的意义.本文在帧间差分法运动检测的基础上,研究了运动目标的提取方法.针对现有方法存在的对帧间差结果噪声敏感和低效的问题,引入了一种脉冲耦合神经网络PCNN(Pulse Coupled Neural Network)方法.通过一种特别的映射方法,该PCNN网络模型能有效地抑制噪声,并能高效地提取运动目标.实验结果证明,该PCNN方法比现有一些方法具有更高的精度和更快的速度.     

一种自动分割视频对象的新方法

提出了一种视频对象自动分割及跟踪方法。该算法首先进行相邻帧差分检测和Canny边缘提取,得到相邻帧差分边缘模板;其次在相邻帧差分边缘和当前帧边缘的基础上,检测出视频对象的初始边缘模板。然后分为快变和慢变两部分进行跟踪,并对视频对象边缘模板更新以适应对象的运动;最后根据跟踪更新出的视频对象二值边缘模板,通过文中提出的填充技术及模板轮廓修正得到精确的视频对象模板提取出视频对象。实验验证表明,该算法对目标的整体运动和局部形变都有较强的适应性。此外,算法还具有简便、准确性高的特点。     

视频特技中钢丝绳的检测与消除技术的研究

针对视频特技中手工消除钢丝绳的问题，提出了一种基于静止图像的检测和消除方法．并在此基础上提出了一种基于运动估计模型的改进方案，改进方案充分考虑了特技演员和摄像机的运动对钢丝绳位置的影响，通过实验分析了2种检测和消除方案的准确性和适应性。实验结果表明．对于复杂背景下的图像，改进方案虽计算量较大，处理时间较长，但检测效果较好。     

基于高斯混合模型的视频对象分割算法

针对应用高斯混合模型（GMM）进行视频建模与分割时的模型选择及参数估计初值选择的难点，提出了一种基于GMM的视频对象分割算法．首先进行特征提取，在特征矢量中引入加权运动信息，可根据不同需要选择合理的加权系数，然后通过分割投影进行模型选择及期望最大化（EM）算法的参数初始化并估计参数，这种初值选择方案使得EM算法的初值和真实值较接近，加快了迭代运算的收敛速度，从而提高了视频对象的分割速度，最后对特征矢量进行聚类分割．仿真实验表明，在保持良好分割效果的同时，所提算法的运算速度约为常规方案的76％，并且具有良好的稳定性．     

视频对象分割技术的研究

叙述了采用视频标准MPEG-4和MPEG-7进行视频分割技术的一些基本概念和常用的分割方法,同时针对每种方法的优缺点进行了分析,并对发展趋势进行了展望。