随着城市规模的扩大,基于视频数据特征分析的公共安全已成为一个重要的问题。在公共安全方面,视频监控系统发挥着越来越大的作用。在视频监控系统中,视频数据特征的研究是当前监控系统在公共安全领域的关键支撑技术。本文主要针对视频数据特征的两个方面,即静态视频特征分析和动态视频特征分析两个方面。静态视频数据分析主要是指检测来自摄像机的图像或视频质量,而动态视频数据特征主要是指对视频中目标行为检测和识别的研究,随着视频监控系统功能需求越来越大,那么基于视频监控数据的静态和动态视频特征数据的分析也越来越受到产业界和学术界的关注。目前,对于静态视频特征数据的研究而言,当监控系统出现故障时,运维团队将会花费大量时间识别和定位存放在云数据中心的视频数据,依次来发现监控系统的故障,当监控系统的摄像头的数量达到大规模情况下,视频监控系统的实时性较难以保证,同时,具有故障的视频数据浪费了云中心的存储空间量。动态视频特征分析对视频数据中的动态行为进行分析,视频监控系统只负责进行记录含有动态行为的视频数据,而不对场景内的行为做出判断。当不法行为出现时,需要消耗大量的人力和物力,从大规模的视频资源中搜索数据。如果将此类面向动态视频特征数据的分析应用到行为识别方法,并部署到云计算模型而应用于云端,大量终端数据从摄像头传输到云端,这样就会造成大规模的视频监控数据消耗大量带宽并传输到云中心,同时也难以保证行为识别的实时性,并增大网络的传输带宽。边缘计算框架的提出对于视频监控数据的处理具有较好优化作用,边缘计算在视频监控数据的源端或附近进行处理,减少传输的数据量,并获取监控视频数据的静态特征或动态特征,提高了视频数据处理的实时性,尤其对实时动态特征的提取起到了关键作用。首先,本文提出大规模视频监控系统的视频有用性模型。视频有用性是一种检测监控系统静态数据特征的模型。在视频有用性中,总结了分布在边缘端、用户端和云端三个域内不同监控系统数据失效类型,以及不同的检测方法。根据不同监控系统数据失效类型的检测方法,提出一种新的调度策略。实验验证不同的检测方法运行在边缘端并不能影响其准确度,并且可提高视频监控系统的平均修复时间。检测到的无效视频数据无需上传到云中心,可提高云中心的存储空间,降低网络带宽的利用率。其次,当检测到摄像头没有出现故障时,可对摄像头读取的数据进行动态视频特征分析。本文提出一种动态视频特征分析框架,该框架分为三部分,即设备端、边缘服务器端和云端,每个部分都包括卷积层、全连接层和退出点。在该框架中进行动态视频特征分析的流程大致如下:（1）从摄像头读取视频数据,将视频数据传入到设备端的动态视频特征分析框架中,当设备端的识别率满足人们的需求时,则将识别结果发送给用户,并经过设备端的退出点且无需将设备端卷积层的输出结果传输到边缘服务器中;（2）否则,将设备端最后一个卷积层的输出结果传送到边缘服务器端,经过边缘服务器端的动态视频特征分析框架,当边缘服务器端的识别率满足人们的需求时,将识别结果发送给用户,并在边缘服务器端退出,即无需将边缘服务器端最后一个卷积层的输出结果传输到云端;否则,将将边缘服务器端最后一个卷积层的输出结果传输到云端,经过云端的动态视频特征分析框架,得到识别结果,将识别结果发送给用户,并退出。本文通过在同一台机器上配置不同的计算资源来模拟设备端、边缘服务器端和云端,并在此基础上进行验证,该动态视频特征分析框架可在保证相同准确率的情况下,减少程序运行时间。