一种5G边缘计算网关及其应用
技术领域
本公开属于通信技术领域，尤其涉及一种5G边缘计算网关及其应用。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。
边缘计算，是指将云应用服务中，占用大量存储、运算、带宽等非必要中心处理任务，利用融合网络传输、计算、储存和应用的终端设备执行处理，来提高系统整体服务的实时性、准确性和安全性。
边缘计算技术在靠近用户提供计算、存储等基础设施，并为边缘应用提供云服务环境服务。相比于集中部署的云计算服务，边缘计算解决了时延过长、汇聚流量过大等问题，为实时性和带宽密集型的业务提供更好的支持。随着5G和物联网的快速发展，新兴业务对边缘计算的需求十分迫切。
目前的网关在应用中存在的技术问题是：
网关设备体积较大，安装比较繁琐；多种信息接入的情况下，网关负载加大，网络通信不够稳定，存在时延；不能接入多种协议，满足不了现场多类型设备采集数据的要求；网关不能很好的进行本地数据处理及分析，需要传输至远端，影响实时性。
发明内容
为克服上述现有技术的不足，本公开提供了一种5G边缘计算网关，兼顾各种实际需求，适配多种接入和协议转换，方便客户随需所用。
为实现上述目的，本公开的一个或多个实施例提供了如下技术方案：
第一方面，公开了一种5G边缘计算网关，包括：
处理模块及5G通信模组，所述处理模块包括处理器，所述处理器集成多路接口，所述处理器与5G通信模组通信；
所述处理模块被配置为通过5G通信模组与拾音器、扬声器、摄像机相连，进行语音采集、语音播放、图像采集、数据运算处理；
所述数据运算处理至少包括人脸识别、行为识别、安防监控、车辆监控。
第二方面，公开了一种基于5G边缘计算网关的人脸识别方法，包括：
对采集的图像进行人脸对齐；
基于人脸特征提取算法对人脸对齐后的图像进行人脸特征提取。
进一步的技术方案，在进行人脸对齐时，采用人脸对齐方式算法或不使用人脸对齐算法。
第三方面，公开了一种基于5G边缘计算网关的行为识别方法，包括：
姿势识别模式、物体识别模式、手势识别模式及手势姿态识别模式；
获取识别命令，执行对应的识别模式；
在姿势识别模式下，运用卷积神经网络，采用大卷积核的单人姿态估计模型进行身体关键点检测，进行人体姿势识别；
在物体识别模式下，运用聚类算法，依靠计算机视觉库检测目标物体的各种特征，再通过支持向量机进行特征提取；
手势识别模式，运用灰阶摄像头和红外LED收集数据并生成3D模型，捕捉手部形态，并使用手部模型库进行匹配，识别各类手势；
手势姿态识别模式，运用卷积神经网络进行身体关键点检测，识别手势动作的含义。
第四方面，公开了一种基于5G边缘计算网关的安防监控方法，包括：
基于摄像头采集的图像数据进行实时显示，同时对采集的数据进行实时分析，检测出移动物体，以在移动物体进入监控区域时第一时间发现目标；
用报警框标识出进入监控区域的目标，第一时间锁定可疑目标；
追踪并显示目标移动轨迹。
进一步的技术方案，还包括人员聚集检测步骤，基于摄像头采集的数据，动态分析监控区域的人员聚集指数，进行对聚集人员的实时统计。
进一步的技术方案，还包括将摄像头采集的数据存储至数据中，将可疑人物任意图片作为查询目标，在数据中心搜索出该目标出现的所有视频片段。
第五方面，公开了一种基于5G边缘计算网关的车辆管控方法，包括：
基于摄像头采集的图像数据，对摄像头图像采集区域的车辆进行检测，并采集车辆的车牌信息；
将采集的车辆的车牌信息存储并显示车牌。
以上一个或多个技术方案存在以下有益效果：
本公开的5G边缘计算网关集成多种协议，适合多种不同的设备进行数据采集，将采集后的数据进行处理时，针对不同的应用场景提供不同的模式算法，直接进行本地数据处理功能，实时性更强，网关的功能更加强大。
本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。
图1为本公开实施例网关的结构图；
图2为本公开实施例NPU处理模块电路图；
图3为本公开实施例5G通信模组电路图。
具体实施方式
应该指出，以下详细说明都是示例性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
智慧城市，包括智慧家居、智慧教室、物流、交通、安防等领域，5G边缘计算技术可实现对楼宇、家居、车辆、物品、人员的状态和行为参数进行现场采集分析，并提供一定的自主决策和自动执行能力。同时，边缘计算网关设备中的NPU等AI处理设备，实现快速的人脸识别、物体识别、行为识别等智能图像分析处理。
车联网中，5G边缘计算技术，利用5G的低时延特性，为车辆导航、自动驾驶、辅助驾驶、防碰撞等提供毫秒级的反应保证。同时，高性能的本地AI计算能力，为地图、车外图像、车内图像提供相关数据处理和智能信息，达到快速分析、自动执行和实时预警的效果。
参见附图1所示，本实施例公开了一种5G边缘计算网关，是“云服务+MEC+(AI)边缘计算终端”，本系统设计目标为边缘计算终端。5G边缘计算网关在使用过程中，由前端摄像头采集视频数据，经NPU处理后通过5G通信模组将处理结果发送至服务器端。用户可在服务器端实时查看摄像头视频及相关识别的数据。
边缘计算网关，将智能化服务下沉到服务现场，依靠可靠网络、计算能力与存储能力，支持多类型业务在服务现场的灵活部署和运行，提供实时、可靠、智能和泛在的现场。
因此，边缘计算网关的设计，需具备以下特性：
小型化：小型化设备，安装简便；
轻量化平台：轻量级虚拟应用设计，降低平台负载；
稳定网络：高带宽、低延迟网络接入；
广泛接入：广泛数据采集和协议转换；
本地存储：高密度和较大容量数据存储能力；
本地智能：本地人工智能数据处理分析能力。
为适配云应用边缘计算终端需求，本公开的5G边缘计算网关是一款轻量级物联网设备，具备工业协议解析、数据过滤和分发等核心功能，面对众多行业，打造开放、轻量化定制应用平台，具有跨平台、易使用和二次开发等特点。系统默认适配多种接入和协议转换，方便客户随需所用。
采用高性能低功耗AI处理器芯片，支持android和linux操作系统，采用工业化模块设计，小型化金属封装。
更为具体的实施例子，一种5G边缘计算网关，包括：
NPU处理模块及5G通信模组，所述NPU处理模块包括AI处理器，所述AI处理器集成多路接口，所述AI处理器与5G通信模组通信；
所述NPU处理模块被配置为通过接口与拾音器、扬声器、摄像机相连，进行语音采集、语音播放、图像采集、数据运算处理，通过5G通信模组将处理后的数据上传至服务器；
所述数据运算处理至少包括人脸识别、行为识别、物体识别、安防监控、车辆监控。
参见附图2所示，NPU处理模块通过USB3.0与5G模组通信，通信速率和稳定性较USB2.0有大幅提升。同时也支持USB2.0、UART、PCIE等通信接口。
该5G边缘计算网关能实现：
稳定网络接入：网关以5G为接入MEC主要方式，支持多种有线和无线网络接入方式。
兼容多种接口协议：支持多种主流协议，如以太网、ZigBee、WiFi、LoRa、RS232/485等。
轻量级虚拟化应用：轻量级虚拟化框架技术，实现业务隔离。
模块化功能设计：采用模块设计，提供灵活开发、设计及扩展能力。
本地人工智能：采用高性能NPU，具备执行人工算法、图像处理等能力。
工业化设计：采用工业化处理模块，和轻金属外壳设计。
5G边缘计算网关注重解决图像处理、人脸识别和行为识别，同时支持智慧城市、智能交通、智能家居和车联网等其他应用场景。摄像头可采集图像、人脸、行为等信息，传至NPU处理模块进行处理，处理后的结果可通过5G通信模组上传至服务器。
系统硬件平台以基于嵌入式ARM的人工智能开发板为核心单元，配备拾音器、扬声器、摄像机等模块，构成的语音采集、语音播放、图像采集、数据运算处理等功能单元。
软件计目标是为智能图像识别分析处理、提供快速应用搭建及相关操作平台。该软件作为图像处理识别科研应用工具，主要用于科研、开发、应用，软件平台构建于深度学习、人工智能等技术的主流开源算法框架，采用C++/Java/JavaScript/Python等主流编程语言平台，支持深度学习、人脸识别、语音识别、智能机器人、无线传感器等方面应用。
参见附图3所示，5G模块采用华为5G通信模组，全网通全频段网络制式组网，支持5G SA/NSA双组网模式，兼容未来网络制式；2.0Gbps下行和不低于230Mbps的下行速率；高性能巴龙应用处理器，提供控制器、Wi-Fi、SPI、USB、GPIO等多种接口，支持多种场景应用。5G通信模组采用了四天线的设计，有利于高速通信，同时信号更稳定。
高性能NPU处理模块，Rockchip高性能工业NPU底板，采用高性能AI处理器芯片RK3399Pro，集成高性能、低功耗、NPU，集成多路USB接口及其他多种接口，预装Android和Linux双操作系统，支持双系统启动和一键切换。
人脸识别：
人脸图像比对持1对1、多对1的人脸检测、对齐、特征提取，每个过程多种算法可供选择。
1)提供Harr+AdaBoost、FuSt、Hog+SVM三种人脸检测算法。
2)人脸对齐：提供CFAN、ERT人脸对齐方式算法，也支持不使用人脸对齐算法。
人脸特征提取：提供Hog+欧氏距离、VIPLFaceNet、FaceNet三种人脸特征提取算法。
行为识别：
姿势识别：运用卷积神经网络(CNN)，采用大卷积核的单人姿态估计模型进行身体关键点检测，实现人体姿势识别。
物体识别：运用聚类(K-Means)算法，依靠计算机视觉库检测目标物体的各种特征。再通过支持向量机(SVM)实现特征提取。
手势识别：运用灰阶摄像头和红外LED收集数据并生成3D模型，捕捉手部形态，并使用手部模型库进行匹配，识别各类手势。
姿态识别(手势)：运用卷积神经网络(CNN)进行身体关键点检测，识别手势动作的含义。
上诉人脸和行为识别，可通过NPU处理模块处理后直接在网关内输出，也可通过5G通信模组上传至服务器端。
安防监控：
实时视频监控：可显示实时的网络摄像头数据，了解各个监控区域的实时情况，第一时间发现异常情况，达到实时监控的目的。
移动物体检测：通过对图像的实时分析，确保在移动物体进入监控区域时第一时间发现目标
目标锁定：用报警框标识出进入监控区域的目标，第一时间锁定可疑目标
智能追踪：追踪并显示目标移动轨迹
人员聚集检测：动态分析监控区域的人员聚集指数，实现对聚集人员的实时统计
数据检索：网关的数据库存储所有监控记录并建立模型，将可疑人物任意图片(甚至可以是背面抓拍的图片)作为查询目标，可以在数据中心搜索出他出现的所有视频片段。
车辆管控：
车辆检测：基于视频分析，运动检测和目标跟踪等技术，对通过摄像头图像采集区域的车辆进行检测，并采集车辆的相关信息，实现对车辆的检测。
存储并查看车牌：可持续存储抓取的车辆车牌图像。并可查看抓取到的车牌图像。
以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。
上述虽然结合附图对本公开的具体实施方式进行了描述，但并非对本公开保护范围的限制，所属领域技术人员应该明白，在本公开的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。
