描述

概述

在本文中，我們將描述使用 Microsoft Azure 服務和 Nvidia Jetson 硬件創建智能閉路電視系統的過程。我們將使用這些數據來跟蹤系統的執行情況，并提供一些想法來增強和改進整體解決方案。

軟件

• 視覺工作室代碼
• 1x Azure 訂閱（可免費試用）

（可選）將 IP 攝像機記錄發布到 Microsoft Azure Linux VM

我們需要做的第一件事是確保我們的攝像頭系統可以將記錄正確保存在云端。我們將以允許我們定期備份長達一個月的記錄的方式來執行此操作，從而在必要時為恢復鏡頭留出充足的時間。如果您使用的不是支持 RTSP 的 IP 攝像機，則可以跳過此部分。

我們將從部署 Azure Linux VM 開始。從技術上講，您選擇什么發行版并不重要，只要您現在如何安裝以下軟件包即可。我們假設您使用的是基于 Debian 的發行版，例如示例中的 Ubuntu。

1.) 創建并通過 ssh 連接到一個新的 Azure Linux VM 實例

2.) 安裝 vsftpd:

sudo apt-get install vsftpd  

3.) 為本地用戶訪問和 PASV 模式配置 vsftpd：

sudo nano /etc/vsftpd.conf   

確保將以下選項設置為禁用匿名登錄允許本地用戶訪問/寫入權限

# Allow anonymous FTP? (Disabled by default).  
anonymous_enable=NO  
#  
# Uncomment this to allow local users to log in.  
local_enable=YES  
#  
# Uncomment this to enable any form of FTP write command.  
write_enable=YES  

接下來，將以下內容添加到 /etc/vsftpd.conf 的最頂部，確保替換占位符值 <>

listen_port= port here>  
pasv_enable=YES  
pasv_max_port= port number here>  
pasv_min_port= port number here>  
pasv_addr_resolve=YES  
pasv_address=

listen_port 應該是一個沒有被其他服務使用的端口號，類似地，用于 psv_max_port 和 pasv_min_port 的端口范圍不應該被使用。建議為 psv_max_port 和 pasv_min_port 使用不超過 10 個端口的范圍。這將允許您為其他服務保留端口，但會將您的最大 ftp 連接數限制為 10，請根據您的用例進行調整。

您的VMDomain.cloudapp.net的完整 DNS可以在 Azure 門戶中虛擬機的概述部分獲得。如果您已配置解析到您的 VM 的自定義 DNS，您也可以在此處使用該值。

配置完成后，重啟服務：

sudo service vsftpd restart  

4.) 允許流量進出 Azure 網絡安全組中的 FTP 服務

在 Microsoft Azure 門戶中，找到您的 VM 的網絡安全組并創建一個新規則以允許來自之前配置的 listen_port 的流量。例如，如果您選擇端口 7001，它將如下所示：

接下來，對 psv_max_port 和 pasv_min_port 范圍執行相同的操作。例如，如果您選擇 pasv_min_port = 10050 和 psv_max_port = 10060

?

5.) 配置攝像頭通過 FTP 將記錄發布到 Azure VM

注意：根據您選擇的相機，可用選項可能會有所不同。

我們將首先登錄我們的 Foscam 相機，選擇“設置”=>“網絡”=>“FTP 設置”

填寫適當的值并選擇測試，注意在FTP服務器連接中指定Camera目錄。這是存儲攝像機記錄的位置。

。

運行以下命令：

crontab -e  

并為有問題的相機添加以下行：

@daily find /home/myuser/Camera/* -type f -mtime +8 -exec rm {} \;   

7.) 在 Azure 中為 Linux VM 配置計劃備份

導航到您的 VM 的概述并選擇“備份”，這將為您提供用于配置 VM 的計劃備份的選項。您的用例可能會有所不同，但這對我來說非常有用，讓我晚上睡得很舒服 =)

下面提供了一個示例備份策略配置：

將對象檢測添加到我們的相機提要中

我們之前使用備份策略將我們的攝像機源設置為記錄到 Microsoft Azure 中，以確保過去的記錄可以使用大約 1 個月。

如果您使用的是受支持的 Foscam 相機，您需要確保能夠連接到它的 RTSP 流。

話雖如此，請繼續閱讀 @ https://github.com/toolboc/IntelligentEdgeHOL提供的自述文件，并在完成這些步驟并驗證對象檢測正在攝像頭流上運行后返回本文。

啟動并運行流后，您應該能夠開始以每秒 10 幀左右的速度檢測80 個受支持的對象，這對于 100 美元的設備來說還不錯！

將檢測到的對象數據推送到 Azure 時序見解中

現在我們有能力在我們的攝像頭源中檢測對象，讓我們將它推送到一個服務中，這將使我們能夠輕松地挖掘數據以對我們的結果進行分析。Azure 時序見解旨在存儲、可視化和查詢大量時序數據，例如 IoT 設備生成的數據。如果您想在云中存儲、管理、查詢或可視化時間序列數據，Time Series Insights 可能適合您。

這將使我們能夠提取一些基本的見解，這些見解可能使我們能夠構建更有趣的東西。例如，想象一下，當郵車實際停在車道上時收到警報，使用國家公園管理局的攝像頭輸入來計算野生動物的種類，或者能夠分辨出人們在他們不應該在的地方并隨著時間的推移對他們進行計數！

首先轉到 Azure 并導航到您在上一步中創建的資源組。此資源組應包含一個 IoT 中心實例。將新的時序見解環境添加到資源組中，并選擇適當的層進行部署。

接下來，將事件源配置為指向您在上一步中創建的 IoT 中心，并確保為其創建一個新的 IoT 中心使用者組。

實例部署完成后，您可以轉到時間序列見解門戶，您可以在其中開始處理檢測到的對象數據。

您會注意到我的相機提要在晚上產生了零結果。

例如，在這個視圖中，一個或多個人似乎很可能在 7 月 16 日中午 12:35 左右出現在攝像機的視野中

讓我們卷磁帶吧！

同樣，如果我們將查詢調整到更寬一點的范圍，我們可以看到過去一小時內車道上似乎有 3 輛車經過。我想這種類型的數據對停車場或城市規劃者可能非常有用。

結論

我們已經演示了如何使用Microsoft Azure 中的虛擬機來設置閉路電視系統，以便在異地存儲記錄。然后，我們通過使用相對便宜的Nvidia Jetson Nano設備分析相機流上的幀來檢測提要中的對象并通過在設備上運行特殊的Azure IoT Edge模塊將它們發布到Azure IoT Hub來增強該系統。這使我們能夠使用 GPU 加速以每秒大約 10 幀的速度執行對 80 個獨特對象的檢測。最后，我們將該數據推送到Azure Time Series Insights實例中以對我們的數據執行分析。

可以理解，此內容可能并非特定于您的用例，但我希望它有助于創建旨在部署在“邊緣”環境中的類似物聯網解決方案。我們已經確定了對象檢測算法的一些問題，但重要的是要注意它總是可以重新訓練或用更合適的東西替換。一旦我們擁有能夠準確檢測我們感興趣的內容的 AI 服務，我們已經表明，您可以通過利用時間序列見解等服務快速深入了解收集的數據點，從而非常輕松地提取見解。因此，我們已經解決了很多大的一般性問題，這些問題應該有助于開發更具體的東西。

如果你喜歡這個內容并想了解我最新項目的最新信息，你可以在 Twitter 上關注我@pjdecarlo。

我總是有興趣了解其他人如何解釋這些內容以供自己使用。如果您有任何很棒的想法來增強此項目或受此內容啟發的您自己的想法，請在評論中分享。

下次見，祝黑客愉快！