欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2026101816166
申请人: 苏州大学
专利类型:发明专利
专利状态:已下证
专利领域: 电通信技术
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种云边端场景下的视频帧自适应卸载方法,其特征在于,包括:

将待卸载视频流按照预设时隙划分为多个视频块;

基于视频块中各个图像帧的边缘像素数量、图像熵,以及各个图像帧与其前一图像帧之间的光流标准差值,获取各个图像帧的预测精度;

基于云端模型推理精度、边缘模型推理精度,以及表征各图像帧卸载位置的二进制参数,构建各个视频块的最大理论精度表达式;

基于云端模型处理能力、边缘模型处理能力、时隙负载数据,以及预设时隙的长度,构造时隙负载队列,包括:基于云端模型处理能力、边缘模型处理能力,以及预设时隙的长度,计算系统每时隙处理数据量,表示为:;基于系统每时隙处理量,以及时隙的时隙卸载数据量,构建时隙负载队列,表示为:;其中,表示第时隙结束时的系统负载系数,表示第时隙结束时的系统负载系数,表示取最大值;

基于预设时隙的延迟与预设截止时间,构造时隙延迟队列,包括:基于云端卸载比例、待卸载视频流的视频帧率与视频分辨率、预设时隙的长度、帧参数与云端带宽,计算云端延迟,表示为:;基于边缘卸载比例、待卸载视频流的视频帧率与视频分辨率、预设时隙的长度、帧参数与边缘带宽,计算边缘延迟,表示为:;对云端延迟与边缘延迟求和,获取预设时隙内卸载数据所带来的延迟,表示为:;基于预设时隙的延迟与预设截止时间,构造时隙延迟队列,表示为:;其中,帧参数为表示图像帧宽高与数据量的参数,表示第时隙结束时的系统延迟系数,表示第时隙结束时的系统延迟系数;

基于时隙负载队列与时隙延迟队列,构造Lyapunov函数,表示为:;其中,表示第时隙的状态变量所对应的Lyapunov函数,表示第时隙结束时的系统负载系数的平方,表示第时隙结束时的系统延迟系数的平方;

并计算获取漂移项,表示为:;其中,表示第个时隙的漂移项,表示条件期望;

基于漂移项与最大理论精度表达式,转换获取draft-plus-penalty形式的优化目标函数,并取优化目标函数的相反数作为适应度函数;

以各个视频块的不同云卸载比例与边缘卸载比例为个体,构造初始种群,进行更新,直至适应度函数收敛,获取各个视频块的目标个体;

基于各个视频块的目标个体对应的目标云卸载比例与目标边缘卸载比例,将各个视频块中的所有图像帧按预测精度由大到小的顺序,卸载至云端、边缘或本地。

2.根据权利要求1所述的云边端场景下的视频帧自适应卸载方法,其特征在于,基于视频块中各个图像帧的边缘像素数量、图像熵,以及各个图像帧与其前一图像帧之间的光流标准差值,获取各个图像帧的预测精度,包括:获取视频块中第个图像帧中各个像素点的梯度,将梯度大于预设梯度阈值的像素点作为边缘像素,得到边缘像素数量;

计算视频块中第个图像帧的图像熵,表示为:;

计算视频块中第个图像帧与其前一图像帧之间的光流标准差值,表示为:;

将视频块中第个图像帧的、与,输入训练好的支持向量回归模型中,获取视频块中第个图像帧的预测精度;

其中,表示视频块中第个图像帧中灰度值为的像素出现的归一化概率,表示图像帧中第个像素点的光流矢量大小,表示图像帧中所有光流矢量大小的平均值,,表示图像帧中像素点总数。

3.根据权利要求1所述的云边端场景下的视频帧自适应卸载方法,其特征在于,基于云端模型推理精度、边缘模型推理精度,以及表征各图像帧卸载位置的二进制参数,构建各个视频块的最大理论精度表达式,包括:基于云端模型推理精度与表征第个时隙中第个图像帧是否在云端卸载的二进制参数的乘积,获取第个时隙中第个图像帧的云端理论精度,表示为:;

基于边缘模型推理精度与表征第个时隙中第个图像帧是否在边缘卸载的二进制参数的乘积,获取第个时隙中第个图像帧的边缘理论精度,表示为:;

利用目标追踪衰减模式,基于第个时隙中第个图像帧的云端理论精度、边缘理论精度、本地理论精度,以及表征第个时隙中第个图像帧是否在本地卸载的二进制参数,计算第个时隙中第个图像帧的本地理论精度,表示为:;

基于第个时隙中视频块的个图像帧的云端理论精度、边缘理论精度与本地理论精度,计算视频块的最大理论精度,表示为:;

其中,,表示视频块中图像帧的总帧数;表示预设精度衰减系数,表示待卸载视频流的视频帧率。

4.根据权利要求1所述的云边端场景下的视频帧自适应卸载方法,其特征在于,基于漂移项与最大理论精度表达式,转换获取draft-plus-penalty形式的优化目标函数,表示为:;

其中,表示最大理论精度,表示penalty惩罚项系数。

5.根据权利要求1所述的云边端场景下的视频帧自适应卸载方法,其特征在于,基于各个视频块的目标个体对应的目标云卸载比例与目标边缘卸载比例,将各个视频块中的所有图像帧按预测精度由大到小的顺序,卸载至云端、边缘或本地,包括:将视频块中所有图像帧按预测精度由大到小的顺序排序,获取待卸载序列;

将待卸载序列中前帧图像帧卸载至云端,并从待卸载序列中删除,更新待卸载序列;

将待卸载序列中前帧图像帧卸载至边缘,并从待卸载序列中删除,更新待卸载序列;

将待卸载序列中剩余的图像帧卸载至本地;

其中,表示云端卸载比例,表示待卸载视频流的视频帧率,表示边缘端卸载比例。

6.一种基于如权利要求1至5任一项所述的云边端场景下的视频帧自适应卸载方法的装置,其特征在于,包括:视频划分模块,用于将待卸载视频流按照预设时隙划分为多个视频块;

预测精度获取模块,用于基于视频块中各个图像帧的边缘像素数量、图像熵,以及各个图像帧与其前一图像帧之间的光流标准差值,获取各个图像帧的预测精度;

卸载比例获取模块,用于基于云端模型推理精度、边缘模型推理精度,以及表征各图像帧卸载位置的二进制参数,构建各个视频块的最大理论精度表达式;基于云端模型处理能力、边缘模型处理能力、时隙负载数据,以及预设时隙的长度,构造时隙负载队列;基于预设时隙的延迟与预设截止时间,构造时隙延迟队列;基于时隙负载队列与时隙延迟队列,构造Lyapunov函数,并计算获取漂移项;基于漂移项与最大理论精度表达式,转换获取draft-plus-penalty形式的优化目标函数,并取优化目标函数的相反数作为适应度函数;以各个视频块的不同云卸载比例与边缘卸载比例为个体,构造初始种群,进行更新,直至适应度函数收敛,获取各个视频块的目标个体;

自适应卸载模块,用于基于各个视频块的目标个体对应的目标云卸载比例与目标边缘卸载比例,将各个视频块中的所有图像帧按预测精度由大到小的顺序,卸载至云端、边缘或本地。