1.本技术涉及边缘计算技术领域，尤其涉及一种信息处理方法、行车记录仪、边缘节点、通信设备及计算机可读存储介质。
背景技术：
2.当今社会，车辆越来越多，而车辆的违章行为也时有发生，如实线并道、高速上占用应急车道等。这些行为存在一定的危害性，需要被禁止。一般遇到这种情况，都是使用安装在路途中的监控摄像头拍照后处理，但是监控不能覆盖到所有路段，很多时候会抓拍不到这些违章行为。有人会对这些违章行为进行拍照，然后再交给交管部门去处罚，这样可以减少违章行为的发生，但是耗时耗力，效率不高。
技术实现要素：
3.本技术实施例提供了一种信息处理方法、行车记录仪、边缘节点、通信设备及计算机可读存储介质。
4.本技术实施例的技术方案是这样实现的：
5.第一方面，本技术实施例提供了一种信息处理方法，应用于行车记录仪，包括：
6.判断视频中的车辆是否存在违章行为；
7.若判断结果表征存在违章行为，将第一信息发送至所述行车记录仪对应的边缘节点；所述第一信息包括以下至少之一：视频、视频拍摄的位置和视频拍摄的时间。
8.第二方面，本技术实施例提供了一种信息处理方法，应用于边缘节点，包括：
9.接收行车记录仪发送的第一信息；所述第一信息包括以下至少之一：视频、视频拍摄的位置和视频拍摄的时间；
10.从所述视频中提取违章车辆的车牌信息，将违章信息发送至所述云端服务器；所述违章信息包括以下至少之一：车牌信息、视频拍摄的位置和视频拍摄的时间。
11.第三方面，本技术提供一种行车记录仪，包括：
12.判断单元：用于判断视频中的车辆是否存在违章行为；
13.发送单元：若判断结果表征存在违章行为，用于将第一信息发送至所述行车记录仪对应的边缘节点；所述第一信息包括以下至少之一：视频、视频拍摄的位置和视频拍摄的时间。
14.第四方面，本技术提供一种边缘节点，其特征在于，包括：
15.接收单元：用于接收行车记录仪发送的第一信息；所述第一信息包括以下至少之一：视频、视频拍摄的位置和视频拍摄的时间；
16.处理单元：用于从所述视频中提取违章车辆的车牌信息，将违章信息发送至所述云端服务器；所述违章信息包括以下至少之一：车牌信息、视频拍摄的位置和视频拍摄的时间。
17.第五方面，本技术提供一种通信设备，包括：处理器和存储器，该存储器用于存储
计算机程序，所述处理器用于调用并运行所述存储器中存储的计算机程序，执行本技术实施例所提供的任意一种信息处理方法。
18.第六方面，本技术提供一种芯片，包括：处理器，用于从存储器中调用并运行计算机程序，使得安装有所述芯片的设备执行本技术实施例所提供的任意一种信息处理方法。
19.第七方面，本技术提供一种计算机可读存储介质，用于存储计算机程序，所述计算机程序使得计算机执行本技术实施例所提供的任意一种信息处理方法。
20.本技术实施例所提供的信息处理方法，能够充分利用行车记录仪录制视频和边缘计算的特点来自动进行快速且准确的违章行为的识别，节省了大量人力以及时间，提升了效率，并且可以实现城市视频安防搜索特定车辆的功能。
附图说明
21.图1为本技术实施例提供的信息处理方法的实现流程示意图一；
22.图2为本技术实施例提供的偏移量计算的示意图；
23.图3为本技术实施例提供的信息处理方法的实现流程示意图二；
24.图4为本技术实施例提供的提取车牌信息的网络结构示意图；
25.图5为本技术实施例提供的rdb结构示意图；
26.图6为本技术实施例提供的信息处理方法的实现流程图三；
27.图7为本技术实施例提供的行车记录仪700的结构示意图；
28.图8为本技术实施例提供的边缘节点800的结构示意图；
29.图9为本技术实施例提供的通信设备示意性结构图；
30.图10为本技术实施例提供的芯片的示意性结构图。
具体实施方式
31.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行描述，显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
32.需要说明的是，本技术实施例中，术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本技术实施例中，字符“/”，一般表示前后关联对象是一种“或”的关系。
33.在本技术实施例的描述中，术语“对应”可表示两者之间具有直接对应或间接对应的关系，也可以表示两者之间具有关联关系，也可以是指示与被指示、配置与被配置等关系。
34.为便于理解本技术实施例的技术方案，以下对本技术实施例的相关技术进行说明，以下相关技术作为可选方案与本技术实施例的技术方案可以进行任意结合，其均属于本技术实施例的保护范围。
35.图1为本技术实施例提供的信息处理方法的实现流程示意图一，如图1所示，本技术实施例提供信息处理方法，应用于行车记录仪，所述方法包括以下步骤：
36.步骤101：判断视频中的车辆是否存在违章行为。
37.这里，违章行为可以是实线变道、占用应急车道、超速等，本技术对此不作限定。
38.示例性的，可以在行车记录仪中内置神经网络和定位系统，通过神经网络判断视频中的车辆是否存在违章行为，实际应用时，可以在行车记录仪汇中设置轻量的神经网络，轻量神经网络可以使用mobilenet的深度可分离卷积替代原始卷积层，并提前在云端训练好参数后内置于行车记录仪中，深度可分离卷积的卷积结果与原始卷积的结果相同，但能大大降低参数量和运算量，节省计算时间和存储空间，保证行车记录仪可以快速响应。
39.步骤102：若判断结果表征存在违章行为，将第一信息发送至所述行车记录仪对应的边缘节点；所述第一信息包括以下至少之一：视频、视频拍摄的位置和视频拍摄的时间。
40.实际应用时，视频中需要包含违章车辆发生违章行为的片段，视频长度可以根据实际情况进行设置。
41.当多个行车记录仪在第一特定时间内判断同一辆车存在违章行为时，示例性的，当a车辆拍摄到b车辆的违章行为时，a车辆利用两辆车的行车记录仪的定位功能计算两辆车之间的距离，最先计算出与b车辆距离的c车辆，向自己半径一定范围内(如5米)的车发送消息，表示自己拍摄到了b车的违章行为。收到该消息的车如果也拍摄到了b车辆的违章信息，则计算与b车的直线距离和偏移量后发送给c车辆。从c车辆往外发送消息开始，设定一小段时间，如10s内，收集所有传输过来的距离和偏移量信息。这一小段时间过后，c车辆统计距离，然后从小到大选择结果最小的车辆发送返回消息，如果自己是结果最小的，则不给其他车辆再发送消息。
42.收到c车辆返回消息的车辆(或者是c车辆自己)将拍摄到的违章信息上报到边缘节点。其余没有收到返回消息的车辆不进行违章信息的上报。
43.基于此，本技术实施例中，当多个行车记录仪在第一特定时间内判断同一辆车存在违章行为时，所述将第一信息发送至所述行车记录仪对应的边缘节点，包括：
44.第一个计算出自身与违章车辆距离的第一行车记录仪向特定范围内的所有行车记录仪发送第二信息；所述第二信息表征所述第一行车记录仪拍摄到了所述违章车辆的违章行为；
45.在第二特定时间内，若收到所述第二信息的行车记录仪拍摄到了所述违章车辆的违章行为，则该行车记录仪将第三信息发送至所述第一行车记录仪；所述第三信息表征该行车记录仪与违章车辆的距离；
46.所述第一行车记录仪向距离最小的行车记录仪发送返回消息；所述返回消息用于指示所述距离最小的行车记录仪将其对应的第一信息发送至其对应的边缘节点。
47.这里，距离包括直线距离和b车辆偏移量。偏移量计算如图2所示，图2为本技术实施例所提供的偏移量计算的示意图，将拍摄的图像n(n为奇数)等分(图2为5等分)，最中间一分偏移量为0，依次往两边偏移量增加。实际应用时，可以按照车牌号的位置定偏移量，如图2上面的图中，车辆1的偏移量为1，车辆2偏移量为2，下面的图中车辆3的偏移量为0；相应的，c车辆接收到直线距离和偏移量信息后，按照两者一定比例计算得到距离，如直线距离量占比50％，偏移量占比50％。
48.基于此，本技术实施例中，所述距离包括行车记录仪与所述违章车辆的直线距离和偏移量，相应的，在所述第一行车记录仪向距离最小的行车记录仪发送返回消息前，还包
括：
49.所述第一行车记录仪基于接收到的各个行车记录仪的直线距离和偏移量，按照预设比重计算各个行车记录仪与违章车辆的距离。
50.行车记录仪还可以进行车辆搜索，行车记录仪充当视频安防里摄像头的功能，边缘节点将特定车辆的信息发送至其对应的行车记录仪，特定车辆可以是社会车辆，也可以是救护车、消防车等特殊车辆。行车记录仪判断视频中出现目标车辆后，就将视频、视频拍摄的位置和视频拍摄的时间发送至其对应的边缘节点以做进一步的处理，实际应用时，行车记录仪可以通过内置的神经网络识别车牌信息来确定是否为目标车辆。
51.基于此，本技术实施例中，所述信息处理方法，还包括：
52.接收边缘节点发送的车辆信息；
53.基于所述车辆信息搜索目标车辆；
54.当搜索到目标车辆时，向其对应的边缘节点发送第四信息，所述第四信息包括以下至少之一：视频、视频拍摄的位置和视频拍摄的时间。
55.图3为本技术实施例提供的信息处理方法的实现流程示意图二，如图3所示，本技术实施例提供信息处理方法，应用于边缘节点，所述方法包括以下步骤：
56.步骤301：接收行车记录仪发送的第一信息；所述第一信息包括以下至少之一：视频、视频拍摄的位置和视频拍摄的时间；
57.步骤302：从所述视频中提取违章车辆的车牌信息，将违章信息发送至所述云端服务器；所述违章信息包括以下至少之一：车牌信息、视频拍摄的位置和视频拍摄的时间。
58.边缘节点接收到行车记录仪发送的第一信息后，就开始进行任务分析，从视频中提取违章车辆的车牌信息。
59.为提高违章判断的准确度，在提取违章车辆的车牌信息前，再通过更准确的神经网络判断视频中车辆是否确实存在违章行为，若并没有违章行为，则不进行后续处理，如果确认是违章行为，再提取违章车辆的违章信息。
60.基于此，本技术实施例中，在从所述视频中提取违章车辆的车牌信息前，还包括：
61.通过第二神经网络确定视频中是否存在违章行为；
62.若判断结果表征存在违章行为，则从所述视频中提取违章车辆的车牌信息；
63.若判断结果表征不存在违章行为，则不进行后续处理；其中，所述行车记录仪中内置第一神经网络，所述第二神经网络的准确度大于所述第一神经网络的准确度。
64.边缘节点提取车牌信息要保证识别的准确性，截取视频中包括违章车辆违章行为的一帧截图进行超分辨率重建，以便于得到清晰的违章车辆的车牌信息，保证车牌信息提取的准确性。
65.示例性的，参考图4，图4为本技术实施例提供的提取车牌信息的网络结构示意图，如图4所示，将截取的低分辨率图片的hsv中v通道作为网络的输入，对其进行一次如下的卷积操作：fi(y)＝wi*f1(y) bi，其中，wi代表卷积操作的卷积核，f1(y)代表输入的图像，bi代表卷积操作的偏置，fi(y)代表经过卷积操作后的输出图像。
66.对卷积后的结果fi(y)进行三次rdb操作，参考图5，图5为本技术实施例所提供的rdb结构示意图，如图5所示，本技术实施例在rdb结构中引入了多尺度卷积操作，每个rdb中都包含3个多尺度卷积，多尺度卷积后是一个串联concat层以及一个卷积层。多尺度卷积操
作可以用如下公式描述：
67.fi(y)＝p([w
3*3
*(wi*f1(y) bi) bj,w
5*5
*(wi*f1(y) bi) bk])，其中，wi*f1(y) bi代表经过多尺度卷积的第一个卷积层后的结果，w
3*3
和w
5*5
代表卷积核的大小，p代表激活函数，bk代表设置的偏置，[]代表串联操作。
[0068]
多尺度卷积操作之后为一个串联操作(concat)以及一次卷及操作，可用如下公式表示：f
d,con
＝p((wi*[fi(y)] bi))，其中，f
d,con
表示一个rdb的输出结果。
[0069]
需要说明的是，卷积核的大小可以根据实际情况进行设置，本技术对此并不做限定。
[0070]
如图4所示，将三次rdb操作后的结果进行一次卷积操作，再进行一次反卷积操作得到原始图像2倍大小的图像，然后将该图像与输入原始图像双三次插值2倍图高频信息进行残差操作得到重建后的高分辨率2倍图。
[0071]
将重建后的高分辨率2倍图再进行卷积操作和三次rdb操作，将三次rdb操作后的结果进行一次卷积操作，再进行一次反卷积操作得到原始图像4倍大小的图像，然后将该图像与输入原图双三次插值4倍图高频信息，以及高分辨率2倍图进行的双三次插值2倍图高频信息进行残差操作得到重建后的高分辨率4倍图。
[0072]
示例性的，原始图像双三次插值2倍图高频信息可以通过如下步骤得到：步骤1：将原始图像进行双三次插值变成2倍图，使用小波对步骤1中得到的2倍图去噪。目的是去除双三次插值中得到的一些噪声。步骤3：将步骤2中得到去噪的2倍图使用高通滤波器增强图像边缘，保留高频信息。获取原始图像双三次插值4倍图高频信息以及高分辨率2倍图的双三次插值2倍图高频信息的步骤与上述步骤一致，此处不再赘述。
[0073]
对高分辨率4倍图进行卷积操作来定位车牌信息，在通过卷积操作来提取车牌信息。
[0074]
基于此，本技术实施例中，所述从所述视频中提取违章车辆的车牌信息，包括：
[0075]
对第一图片进行超分辨率重建操作，所述第一图片为所述视频中的一帧图片；
[0076]
基于超分辨率重建后的第一图片，提取所述车牌信息；其中，所述超分辨率重建操作，包括：
[0077]
对所述第一图片执行三次残差密集块rdb操作，重建出所述第一图片的2倍图片；将所述2倍图片与第一图片双三次插值2倍图片高频信息进行残差操作得到高分辨率2倍图片；
[0078]
对所述高分辨率2倍图片执行三次rdb操作，重建出所述第一图片的4倍图片；将所述4倍图片、所述第一图片双三次插值2倍图片高频信息以及第一图片双三次插值4倍图片高频信息进行残差操作得到高分辨率4倍图片；其中，所述rdb操作包括：多尺度卷积操作。
[0079]
本技术实施例在rdb中引入多尺度卷积操作，多尺度卷积层通过不同卷积核的卷积操作，丰富了图像的特征，能让rdb提取到更多细节部分，能更好地提升图像的分辨率。对违章图像依次进行插值、去噪和边缘增强的操作来提取高频部分，充分利用原图信息逐步重建出高分辨率2倍图和高分辨率4倍图，其中在重建4倍图中还利用到了重建的2倍图的高频信息，能充分利用原始图像信息与重建的2倍图的高频信息，让重建出的分辨率有一个逐步提升的过程，然后使用重建的图像定位并提取车牌信息，提升信息提取的准确性。
[0080]
边缘节点还可以接受云端服务器发送的车辆信息，再把车辆信息发送至其对应的
行车记录仪进行车辆搜索服务，当行车记录仪判断找到该车辆时，就将视频、视频拍摄的位置和视频拍摄的时间发送给边缘节点，边缘节点接收到视频后，通过准确率更高的神经网络再次判断是否为目标车辆，当发现不是目标车辆时，则不进行后续处理，如果是目标车辆，则向云端服务器发送信息以告知云端服务器已找到目标车辆。
[0081]
基于此，本技术实施例所提供的信息处理方法，还包括：
[0082]
接收云端服务器发送的车辆信息；
[0083]
将所述车辆信息发送至其对应的至少一个行车记录仪；
[0084]
接收行车记录仪发送的第四信息；所述第四信息包括以下至少之一：视频、视频拍摄的位置和视频拍摄的时间；
[0085]
基于所述第四信息确定是否为目标车辆；若确定结果表征是所述目标车辆，则向所述云端服务器发送第五信息；所述第五信息表征已找到目标车辆。
[0086]
参考图6，图6为本技术实施例所提供的信息处理方法的实现流程图三，如图6所示，本技术实施例所提供的信息处理方法，包括：
[0087]
行车记录仪使用轻量的cnn网络初步判断前方车辆是否发生违章行为或接收边缘节点发送的搜索特定车辆的指令，若行车记录仪检测到违章行为或者搜索到特定车辆，则将违章行为或特定车辆相关信息发送至边缘节点。
[0088]
边缘节点接收云端发送的搜索特定车辆的指令并将该指令发送至其对应的行车记录仪。边缘节点接收行车记录仪发送的相关信息，进一步判断是否发生违章行为或者检测是否为需要搜索的特定车辆，如果确定发生违章行为或搜索到特定车辆，则再将相关信息发送至云端服务器进行。
[0089]
云端将需要搜索的特定车辆的信息发送至边缘节点。接收边缘节点发送的车辆违章行为或者已搜索到特定车辆的信息，进行后续相应的处理。
[0090]
本技术实施例所提供的信息处理方法，利用行车记录仪录制的云视频和边缘计算来判断车辆是否发生违章行为。在行车记录仪中内置轻量级卷积神经网络来大致判断违章行为的发生，让行车记录仪拥有简单的检测功能以及检测特殊车辆功能，能自动判断前方车辆的违章行为。
[0091]
本技术实施例还提出了一个上报选择算法，只选择直线距离和偏移量计算最小值的违章信息进行上报。然后边缘节点详细判断违章行为是否发生，使用本提案的卷积神经网络对违章图像进行超分辨率处理以及提取车牌号信息。
[0092]
云端服务器也可以提出搜索特定车辆应用在视频安防场景里，将指定的车辆信息发送给边缘节点，边缘节点将信息发送给接入边缘节点的行车记录仪里，行车记录仪就充当了视频安防里的摄像头的功能。行车记录内置简易的车牌识别网络，进行简单的车牌匹配，匹配成功后将信息发送给边缘节点，边缘节点再次确定信息后将信息发送给云服务器。这样就可以实现城市视频安防搜索特定车辆的功能。
[0093]
本技术实施例还提供了一种行车记录仪700，参考图7，该实施例中的行车记录仪、边缘节点700，包括：
[0094]
判断单元710：用于判断视频中的车辆是否存在违章行为；
[0095]
发送单元720：若判断结果表征存在违章行为，用于将第一信息发送至所述行车记录仪对应的边缘节点；所述第一信息包括以下至少之一：视频、视频拍摄的位置和视频拍摄
的时间。
[0096]
本技术实施例中，当多个行车记录仪在第一特定时间内判断同一辆车存在违章行为时，所述发送单元720：还用于向特定范围内的所有行车记录仪发送第二信息；所述第二信息表征所述行车记录仪拍摄到了所述违章车辆的违章行为；还用于将第三信息发送至所述第一行车记录仪；所述第三信息表征该行车记录仪与违章车辆的距离；还用于向距离最小的行车记录仪发送返回消息；所述返回消息用于指示所述距离最小的行车记录仪将其对应的第一信息发送至其对应的边缘节点。
[0097]
本技术实施例中，所述距离包括行车记录仪与所述违章车辆的直线距离和偏移量，所述判断单元710：还用于基于接收到的各个行车记录仪的直线距离和偏移量，按照预设比重计算各个行车记录仪与违章车辆的距离。
[0098]
本技术实施例中，所述判断单元710：还用于接收边缘节点发送的车辆信息，基于所述车辆信息搜索目标车辆；当搜索到目标车辆时，所述发送单元720：还用于向其对应的边缘节点发送第四信息，所述第四信息包括以下至少之一：视频、视频拍摄的位置和视频拍摄的时间。
[0099]
本领域技术人员应当理解，图7所示的行车记录仪700中的各单元的实现功能可参照前述方法的相关描述而理解。图7所示的行车记录仪700中的各单元的功能可通过运行于处理器上的程序而实现，也可通过具体的逻辑电路而实现。
[0100]
本技术实施例还提供了一种边缘节点800，参考图8，该实施例中的行车记录仪、边缘节点800，包括：
[0101]
接收单元810：用于接收行车记录仪发送的第一信息；所述第一信息包括以下至少之一：视频、视频拍摄的位置和视频拍摄的时间；
[0102]
处理单元820：用于从所述视频中提取违章车辆的车牌信息，将违章信息发送至所述云端服务器；所述违章信息包括以下至少之一：车牌信息、视频拍摄的位置和视频拍摄的时间。
[0103]
本技术实施例中，所述处理单元820：还用于通过第二神经网络确定视频中是否存在违章行为；若判断结果表征存在违章行为，则从所述视频中提取违章车辆的车牌信息；若判断结果表征不存在违章行为，则不进行后续处理；其中，所述行车记录仪中内置第一神经网络，所述第二神经网络的准确度大于所述第一神经网络的准确度。
[0104]
本技术实施例中，所述处理单元820：具体用于对第一图片进行超分辨率重建操作，所述第一图片为所述视频中的一帧图片；基于超分辨率重建后的第一图片，提取所述车牌信息；其中，所述超分辨率重建操作，包括：对所述第一图片执行三次残差密集块rdb操作，重建出所述第一图片的2倍图片；将所述2倍图片与第一图片双三次插值2倍图片高频信息进行残差操作得到高分辨率2倍图片；对所述高分辨率2倍图片执行三次rdb操作，重建出所述第一图片的4倍图片；将所述4倍图片、所述第一图片双三次插值2倍图片高频信息以及第一图片双三次插值4倍图片高频信息进行残差操作得到高分辨率4倍图片；其中，所述rdb操作包括：多尺度卷积操作。
[0105]
本技术实施例中，所述处理单元820：还用于接收云端服务器发送的车辆信息；将所述车辆信息发送至其对应的至少一个行车记录仪；接收行车记录仪发送的第四信息；所述第四信息包括以下至少之一：视频、视频拍摄的位置和视频拍摄的时间；基于所述第四信
processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本技术实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本技术实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。
[0121]
可以理解，本技术实施例中的存储器可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(read-only memory，rom)、可编程只读存储器(programmable rom，prom)、可擦除可编程只读存储器(erasable prom，eprom)、电可擦除可编程只读存储器(electrically eprom，eeprom)或闪存。易失性存储器可以是随机存取存储器(random access memory，ram)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的ram可用，例如静态随机存取存储器(static ram，sram)、动态随机存取存储器(dynamic ram，dram)、同步动态随机存取存储器(synchronous dram，sdram)、双倍数据速率同步动态随机存取存储器(double data rate sdram，ddr sdram)、增强型同步动态随机存取存储器(enhanced sdram，esdram)、同步连接动态随机存取存储器(synchlink dram，sldram)和直接内存总线随机存取存储器(direct rambus ram，dr ram)。应注意，本文描述的系统和方法的存储器旨在包括但不限于这些和任意其它适合类型的存储器。
[0122]
应理解，上述存储器为示例性但不是限制性说明，例如，本技术实施例中的存储器还可以是静态随机存取存储器(static ram，sram)、动态随机存取存储器(dynamic ram，dram)、同步动态随机存取存储器(synchronous dram，sdram)、双倍数据速率同步动态随机存取存储器(double data rate sdram，ddr sdram)、增强型同步动态随机存取存储器(enhanced sdram，esdram)、同步连接动态随机存取存储器(synch link dram，sldram)以及直接内存总线随机存取存储器(direct rambus ram，dr ram)等等。也就是说，本技术实施例中的存储器旨在包括但不限于这些和任意其它适合类型的存储器。
[0123]
本技术实施例还提供了一种计算机可读存储介质，用于存储计算机程序。该计算机可读存储介质可应用于本技术实施例中的行车记录仪、边缘节点，并且该计算机程序使得计算机执行本技术实施例的各个方法中由行车记录仪、边缘节点实现的相应流程，为了简洁，在此不再赘述。
[0124]
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本技术的范围。
[0125]
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0126]
在本技术所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0127]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0128]
另外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
[0129]
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者行车记录仪、边缘节点等)执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read-only memory，)rom、随机存取存储器(random access memory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。
[0130]
以上所述，仅为本技术的具体实施方式，但本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应所述以权利要求的保护范围为准。