基于移动边缘计算与隐私masking实时超像素的监控无感知人流密度估计系统设计.docxVIP

PAGE2

基于移动边缘计算与隐私masking实时超像素的监控无感知人流密度估计系统设计

摘要

随着智慧城市建设的深入推进，公共安全监控系统的覆盖范围日益扩大，人流密度估计已成为大型公共场所安全管理的关键技术手段。然而，传统基于云计算的视频监控方案在实时性方面存在瓶颈，且大规模视频数据的上传对网络带宽造成了巨大压力。更为严峻的是，监控视频中包含的大量面部生物特征信息极易导致个人隐私泄露，引发公众对安全与隐私平衡的担忧。针对上述问题，本课题设计并实现了一种基于移动边缘计算与隐私masking实时超像素的监控无感知人流密度估计系统。

本系统采用“端-边”协同架构，将计算任务从云端下沉至边缘侧，有效降低了响应延迟。在端侧，设计了一种基于实时超像素分割的面部隐私遮挡算法，能够在低算力环境下快速识别并模糊处理面部区域，实现视频数据的“脱敏”处理，确保非授权人员无法获取原始面部信息。在边缘侧，构建了基于深度学习的密度级联检测模型，对脱敏后的视频流进行特征提取与密度图回归，实现高精度的人流密度估计。系统通过级联检测机制，先定位人头区域再回归密度，有效解决了高密度场景下的遮挡难题。

本文首先分析了当前监控系统的痛点与隐私保护需求，确立了系统的研究目标与技术路线。其次，详细阐述了超像素分割与密度估计等关键技术原理，并完成了系统的需求分析与总体架构设计。在详细设计阶段，重点描述了隐私遮挡模块与