RK3588 智能视频分析系统 PRD（v1.2）

---

一、文档综述

1.1 项目背景

为了充分利用瑞芯微 RK3588 芯片提供的：

• NPU：约 6 TOPS（RKNN，INT8 推理能力）
• VPU：多路 1080p 硬件解码/编码
• RGA：硬件图像处理（缩放/颜色转换/OSD 等）

构建一套纯 C++ 实现、高性能、低延迟、模块化的边缘计算视频分析平台。平台主要部署在园区、仓库、工厂等场景，实现就地智能分析与处理，减少带宽与中心算力压力。

1.2 核心目标

• 高性能
  • 单 RK3588 支持 8–16 路 1080p 实时分析
  • 单路端到端（拉流→推理→输出）延迟 < 500ms
• 低耦合
  • 基于插件 + DAG 流水线架构
  • 算法、业务逻辑与底层框架完全解耦
• 易运维
  • JSON 配置驱动
  • 支持热更新，无需重启进程即可变更流程/参数
• 多场景覆盖
  • 同一套框架通过不同配置图覆盖：
    • 安防报警
    • 录像存储
    • 转码网关（RTSP/HLS）
    • 混合场景（报警 + 存储 + 推流）

---

二、总体架构设计

2.1 系统逻辑架构

[ media-server 主进程 ]
        |
        +-- Graph Manager        (图管理：加载配置、构建DAG、热更新/回滚)
        |
        +-- Plugin Loader        (插件加载：dlopen .so，检查 ABI 版本)
        |
        +-- AiScheduler          (统一调度 NPU 推理请求)
        |
        +-- Metrics & Logger     (监控指标、日志)
        |
        +-- HTTP Server          (REST API + Web 控制台 + 状态查询)

• media-server：主入口，负责初始化配置、图构建、主事件循环。
• Graph Manager（GraphMgr）：
  • 对应多个 graph（每个 graph 一路/一组业务流程）。
  • 实例化节点（Node），建立边（Edge），负责热更新时的 diff & 切换。
• Plugin Loader：
  • 动态加载插件 .so，校验节点类型和 ABI 版本。
• AiScheduler：
  • 所有 AI 节点统一将推理任务提交到 AiScheduler，由其管理 NPU 资源。
• HTTP Server：
  • 对外提供图状态查询、节点指标、配置热更新触发等。

2.2 数据流架构（DAG）

• Graph（图）：一个完整业务通道。例如：Camera 1 的“拉流→AI→报警+录像+推流”。
• Node（节点）：功能基本单元，由动态加载的 .so 实例实现。
• Edge（边）：节点间的数据通道，每条边对应一个 SPSC（单生产者单消费者）环形队列。
• 多分支支持：一个节点可以有多个下游（多条边），实现一对多分支。

示意：

[in] → [pre] → [ai_yolo] → [det_post] ───→ [alarm]
                              └──────→ [osd] → [storage]
                                         └──→ [publish]

说明：det_post 是检测结果后处理节点（可选）。它会对 frame->det 做过滤/修正/二次验证，使 OSD 与告警读取到一致的“后处理结果”。

2.3 多硬件解耦架构（已完成）

为支持 RK3588 之外的平台（Atlas/Jetson 等），已将硬件强绑定模块抽象为统一接口层，并保留 RK3588 默认实现与 DMA-BUF 快路径：

• 推理：IInferBackend（默认 Rk3588InferBackend）
• 图像处理：IImageProcessor（默认 Rk3588ImageProcessor，RGA/Swscale 兜底）
• 编解码：IDecoder / IEncoder（默认 RK3588 MPP 路径）
• 缓冲区：FrameBuffer 统一 DMA/内存同步语义

运行时通过 HwFactory 根据配置选择后端实现：

• 配置字段：platform / hw_platform（不填默认 rk3588）
• 可扩展实现：Atlas* / Jetson*（保持现有业务配置不变，仅切换硬件实现）

---

三、数据模型（Frame & 元数据）

3.1 检测结果结构（Detection & DetectionResult）

约定：所有 AI 节点写入此结构，OSD / 报警 等节点只读。

struct Rect {
    float x;   // 左上角X，像素或归一化坐标
    float y;   // 左上角Y
    float w;   // 宽
    float h;   // 高
};

struct Detection {
    int   cls_id;    // 类别ID
    float score;     // 置信度 [0,1]
    Rect  bbox;      // 检测框
    int   track_id;  // 跟踪ID，可选（无则 -1 或 0）
};

struct DetectionResult {
    std::vector<Detection> items;
    int img_w;              // 推理输入宽
    int img_h;              // 推理输入高
    std::string model_name; // 模型名/版本
};

约定：

• bbox 坐标标准在 PRD 中约定好（建议：像素坐标），避免后续插件互相搞混。
• class 映射表由 AI 节点自行维护，OSD/报警通过 cls_id 做规则匹配。

3.2 Frame 结构

enum class PixelFormat {
    NV12,
    YUV420,
    RGB,
    BGR,
    UNKNOWN
};

struct Frame {
    int width;
    int height;
    PixelFormat format;

    int dma_fd;             // DMA-BUF FD；无则为 -1
    uint8_t* data;          // CPU 内存指针（可选，有则指向内存buffer）

    uint64_t pts;           // 时间戳（微秒）
    uint64_t frame_id;      // 单调递增ID

    std::shared_ptr<DetectionResult> det;       // AI 检测结果（通用目标检测）
    std::shared_ptr<FaceDetResult> face_det;    // 人脸检测结果
    std::shared_ptr<FaceRecogResult> face_recog;// 人脸识别结果
    std::shared_ptr<void> user_meta;            // 扩展元数据（具体类型由插件间约定）
};

约定：

• 零拷贝优先：解码/前处理尽量通过 dma_fd 传递，必要时才用 data。
• 节点默认只读图像数据，可以更新 det / face_det / face_recog / user_meta。
• 所有队列中传递的都是 std::shared_ptr<Frame>，实现多下游共享。

3.3 人脸检测结果结构（FaceDetResult）

struct Point2f {
    float x;
    float y;
};

struct FaceDetItem {
    Rect bbox;                          // 人脸框
    float score;                        // 检测置信度
    int track_id;                       // 跟踪ID（可选，-1表示无）
    bool has_landmarks;                 // 是否有关键点
    std::array<Point2f, 5> landmarks;   // 5点关键点：左眼/右眼/鼻尖/左嘴角/右嘴角
};

struct FaceDetResult {
    std::vector<FaceDetItem> faces;
    int img_w;                          // 原始图像宽
    int img_h;                          // 原始图像高
    std::string model_name;             // 模型名（如 "retinaface"）
};

3.4 人脸识别结果结构（FaceRecogResult）

struct FaceRecogItem {
    Rect bbox;                          // 人脸框（与检测结果对应）
    int best_person_id;                 // 匹配的人员ID（-1表示陌生人）
    std::string best_name;              // 匹配的人员姓名（"unknown"表示陌生人）
    float best_sim;                     // 最高相似度
    float second_sim;                   // 次高相似度（用于margin判定）
    bool unknown;                       // 是否为陌生人
    std::vector<float> embedding;       // 特征向量（可选，调试/注册用）
};

struct FaceRecogResult {
    std::vector<FaceRecogItem> items;
    int img_w;
    int img_h;
    std::string model_name;             // 模型名（如 "arcface"）
};

---

四、插件模型与生命周期

4.1 节点通用字段（Node 通用配置）

每个节点配置中推荐包含以下通用字段：

{
  "id": "唯一节点ID",
  "type": "节点类型，如 input_rtsp / ai_yolo",
  "enable": true,
  "role": "source|filter|sink",          // 可选，但建议写上，便于校验
  "queue": {                             // 可选：覆盖边上的默认队列策略
    "size": 128,
    "policy": "drop_oldest"              // drop_oldest / drop_newest / block
  },
  "debug": {                             // 可选：调试/日志开关（生产默认建议关闭）
    "stats": false,                      // 各节点的周期性统计日志（processed/queue/drops 等）
    "stats_interval": 100,               // 统计日志间隔（帧数）
    "detections": false,                 // 部分 AI 节点的前几帧检测框调试输出
    "ffmpeg_log_level": "error"         // FFmpeg 日志级别（影响 HLS/RTSP mux 的内部日志；默认 error）
  },
  "...特定节点参数..."
}

• enable = false：GraphMgr 构建图时可直接忽略该节点及相关 edges。
• role 主要用于配置校验（source 不应有上游，sink 不应有下游等）。

日志/性能建议：

• 生产环境建议：global.log_level=warn，并保持各节点 debug.stats=false，避免高频 stdout/stderr 造成 CPU 抖动。
• 需要定位丢帧/队列积压时，再对目标节点打开 debug.stats=true（并把 stats_interval 调大，如 500/1000）。

4.2 INode 接口（含 Drain）

// NodeStatus 用于描述处理结果
enum class NodeStatus {
    OK,       // 正常处理
    DROP,     // 丢弃该帧（例如不满足条件）
    ERROR     // 发生错误，需要记录日志
};

class INode {
public:
    virtual ~INode() = default;

    // 1. 初始化：解析 JSON 配置，申请静态资源
    virtual bool Init(const Json::Value& config) = 0;

    // 2. 启动：启动内部线程（如有），准备接收/发送数据
    virtual bool Start() = 0;

    // 3. 处理数据：GraphMgr 从队列中取到 Frame 后调用
    //  - 对 filter/sink 节点：正常消费上游 Frame
    //  - 对 source 节点：通常可忽略（见下文约定）
    virtual NodeStatus Process(std::shared_ptr<Frame> frame) = 0;

    // 4. 动态配置更新：支持热更参数（如改变报警阈值、bitrate）
    //    返回 true 表示就地更新成功，无需重建节点
    virtual bool UpdateConfig(const Json::Value& new_config) { return false; }

    // 5. Drain：停止前，**不再有新输入**，但需处理完内部队列/缓冲数据
    //    如：storage 完成当前切片写入，publish 发送剩余帧等
    virtual void Drain() {}

    // 6. 停止：释放资源（线程、句柄、内存等），Drain 之后调用
    virtual void Stop() = 0;
};

4.3 插件导出与 ABI 版本

#define ABI_VERSION 20250101

#define REGISTER_NODE(TYPE_NAME, CLASS_NAME)    \
extern "C" {                                    \
    INode* CreateNode() {                       \
        return new CLASS_NAME();                \
    }                                           \
    const char* GetNodeType() {                 \
        return TYPE_NAME;                       \
    }                                           \
    int GetAbiVersion() {                       \
        return ABI_VERSION;                     \
    }                                           \
    const char* GetNodeDescription() {          \
        return "node: " TYPE_NAME;              \
    }                                           \
}

GraphMgr 在加载插件 .so 时：

• 调用 GetAbiVersion() 校验兼容性。
• 通过 GetNodeType() 找到对应 type 的构造函数。

4.4 Source 节点约定

为避免把所有采集逻辑都硬塞进 Process()，PRD 中统一约定：

• role == "source" 的节点（如 input_rtsp / input_file）：
  • 在 Start() 中启动内部采集线程。
  • 线程中从外部拉流/读文件，构造 Frame，通过框架提供的 FrameEmitter 写入下游队列。
  • Process() 可以是空实现或仅做心跳/监控。
• role != "source" 的节点：
  • 由 GraphMgr 驱动 Process(frame)，消费上游队列元素。

GraphMgr 负责：

• 对非 source 节点：循环从对应队列取 Frame → 调用 Process()。
• 对所有节点：在热更新 / 停止时，控制 Drain() 和 Stop() 的调用顺序。

---

五、配置系统（Config System）

整个系统由 config.json 驱动，主要包含三层：

• global：全局配置
• templates：pipeline 模板（复用节点与拓扑）
• instances / graphs：具体业务实例（通道）

5.1 顶层结构示例

{
  "global": {
    "plugin_path": "/usr/lib/rknodes",
    "log_level": "info",
    "metrics_port": 9000
  },
  "templates": { ... },
  "instances": [ ... ],
  "graphs": [ ... ]  // 可选：直接手写graph
}

说明：global.log_level 只控制框架内部 Logger（debug/info/warn/error）； 若启用了 FFmpeg（例如 publish 的 HLS mux），建议通过节点 debug.ffmpeg_log_level 将 FFmpeg 内部日志降到 error， 避免出现大量类似 hls ... Opening ... 的 info 日志刷屏。

• 优先方式：使用 templates + instances 快速生成多路通道。
• 高级用法：直接使用 graphs 写复杂拓扑（例如：一条流拆成多个完全不同的分支）。

5.2 DAG 多分支完整示例（带报警 + 存储 + 推流）

{
  "graphs": [
    {
      "name": "cam1_pipeline",
      "nodes": [
        {
          "id": "in_cam1",
          "type": "input_rtsp",
          "role": "source",
          "enable": true,
          "url": "rtsp://user:pwd@ip/stream1"
        },
        {
          "id": "pre_cam1",
          "type": "preprocess",
          "role": "filter",
          "enable": true,
          "dst_w": 768,
          "dst_h": 768,
          "dst_format": "rgb",
          "resize_mode": "letterbox"
        },
        {
          "id": "ai_cam1",
          "type": "ai_yolo",
          "role": "filter",
          "enable": true,
          "model_path": "./models/best-768.rknn",
          "model_version": "v8",
          "model_w": 768,
          "model_h": 768,
          "num_classes": 11,
          "conf": 0.35,
          "nms": 0.45,
          "class_filter": [3, 6]
        },
        {
          "id": "pp_cam1",
          "type": "det_post",
          "role": "filter",
          "enable": true,
          "default": { "enable": false },
          "per_class": [
            {
              "class_id": 0,
              "enable": true,
              "processors": [
                { "type": "conf_gate", "conf_min": 0.65 },
                { "type": "bbox_gate", "min_w": 10, "min_h": 10 }
              ]
            }
          ]
        },
        {
          "id": "osd_cam1",
          "type": "osd",
          "role": "filter",
          "enable": true,
          "draw_bbox": true,
          "draw_text": true
        },
        {
          "id": "alarm_cam1",
          "type": "alarm",
          "role": "sink",
          "enable": true,
          "rules": [
            {
              "name": "intrusion_day",
              "object": ["person"],
              "roi": "roi1",
              "min_duration_ms": 500,
              "schedule": "08:00-20:00"
            }
          ]
        },
        {
          "id": "storage_cam1",
          "type": "storage",
          "role": "sink",
          "enable": true,
          "mode": "continuous",
          "segment_sec": 300,
          "path": "/rec/cam1"
        },
        {
          "id": "publish_cam1",
          "type": "publish",
          "role": "sink",
          "enable": true,
          "codec": {
            "video": "h264",
            "bitrate_kbps": 2048,
            "gop": 50
          },
          "outputs": [
            { "proto": "rtsp", "port": 8554, "path": "/live/cam1" },
            { "proto": "hls",  "path": "/data/hls/cam1/index.m3u8", "segment_sec": 2 }
          ]
        }
      ],
      "edges": [
        ["in_cam1", "pre_cam1"],
        ["pre_cam1", "ai_cam1"],
        ["ai_cam1",  "pp_cam1"],
        ["pp_cam1",  "alarm_cam1"],
        ["pp_cam1",  "osd_cam1"],
        ["osd_cam1", "storage_cam1"],
        ["osd_cam1", "publish_cam1"]
      ]
    }
  ]
}

说明：如果不需要后处理：

• 推荐：保留 pp_cam1 节点（enable:true），并确保其不启用任何处理链（例如：default.enable=false 且 per_class 为空），此时 det_post 会作为轻量透传。
• 若确实要移除该节点：需要同时删除并重连拓扑（例如改回 ai_cam1 -> osd_cam1 与 ai_cam1 -> alarm_cam1），仅设置 enable=false 会导致下游节点无输入而构图失败。

通过简单改动即可支持不同组合：

• 不报警：alarm_cam1.enable = false 或移除该节点/边。
• 只转码网关：直接连 ["in_cam1", "publish_cam1"]，并禁用 AI/OSD/报警/storage。
• 只录像：["in_cam1", "storage_cam1"]。

5.3 模板（templates）与实例（instances）

5.3.1 模板示例：标准安防流程

"templates": {
  "standard_security": {
    "nodes": [
      { "id": "in",  "type": "input_rtsp", "role": "source", "url": "${url}" },
      { "id": "pre", "type": "preprocess", "role": "filter", "dst_w": 768, "dst_h": 768, "resize_mode": "letterbox" },
      { "id": "ai",  "type": "ai_yolo", "role": "filter", "model_path": "./models/best-768.rknn", "model_version": "v8", "num_classes": 11, "conf": 0.35, "class_filter": [3, 6] },
      { "id": "pp",  "type": "det_post", "role": "filter", "enable": true, "default": { "enable": false } },
      { "id": "osd", "type": "osd",      "role": "filter" },
      { "id": "pub", "type": "publish",  "role": "sink", "path": "/live/${name}" }
    ],
    "edges": [
      ["in", "pre"],
      ["pre", "ai"],
      ["ai", "pp"],
      ["pp", "osd"],
      ["osd", "pub"]
    ]
  }
}

5.3.2 实例与 override（禁用某些节点）

"instances": [
  {
    "name": "cam_01",
    "template": "standard_security",
    "params": {
      "url": "rtsp://192.168.1.101/stream1",
      "name": "office"
    },
    "override": {
      "nodes": {
        "ai":  { "enable": true },
        "osd": { "enable": true }
      }
    }
  },
  {
    "name": "cam_02_only_transcode",
    "template": "standard_security",
    "params": {
      "url": "rtsp://192.168.1.102/stream1",
      "name": "transcoder"
    },
    "override": {
      "nodes": {
        "ai":  { "enable": false },
        "osd": { "enable": false }
      }
    }
  }
]

GraphMgr 在加载时将模板 + 实例 merge 成具体的 graph（节点 ID 会按实例名做前缀防冲突）。

5.4 热更新与回滚（简要）

• 通过 inotify 监控 config.json。
• 检测到变更时：
  1. 读取新配置 → JSON Schema 校验；
  2. 构建新的图对象（dry run），包括插件加载与节点实例化；
  3. 与旧图做 diff：
     • 能 UpdateConfig 的节点优先调用 UpdateConfig；
     • 需要重建的节点：先创建新节点并预热（如加载模型），然后做 边的原子切换；
  4. 对旧节点：依次调用 Drain() → Stop()；
  5. 若任意步骤失败：回滚到旧配置，并输出错误日志。
• 保留上一份有效配置，支持手动回滚。

---

六、功能模块定义（插件类型）

下表是“典型插件类型”，后续可以扩展更多。

6.1 输入与前处理

节点类型	功能描述	关键参数	硬件依赖
input_rtsp	拉取 RTSP 流，断线重连	url, reconnect_sec	MPP VDEC / 网络
input_file	读取本地 MP4/MKV 文件循环播放	path, loop	MPP VDEC
preprocess	缩放、裁剪、NV12→RGB/BGR 等	dst_w, dst_h, dst_format, resize_mode	RGA / GPU

Preprocess 节点参数说明

关键参数：

参数	类型	说明	默认值
dst_w	int	输出宽度	640
dst_h	int	输出高度	640
dst_format	string	输出格式: rgb, bgr, nv12, yuv420	保持原格式
resize_mode	string	缩放模式: stretch, keep_ratio, letterbox	stretch
use_rga	bool	是否使用 RGA 硬件加速	true

resize_mode 说明：

• stretch: 拉伸填充，可能改变目标宽高比
• keep_ratio: 保持比例缩放，可能无法填满目标尺寸
• letterbox: 保持比例缩放，边缘填充黑色（推荐，避免目标变形）

当使用 letterbox 模式时，系统会自动记录变换元数据（FrameTransformMeta），后续节点（如 ai_yolo、osd）会自动处理坐标映射，无需手动转换。

6.2 AI 分析

节点类型	功能描述	关键参数	硬件依赖
ai_yolo	通用目标检测（YOLOv5/v8）	model_path, model_version, num_classes, conf, nms, class_filter	NPU(RKNN)

ai_yolo 配置示例（best-768.rknn）：

{
  "id": "yolo_cam1",
  "type": "ai_yolo",
  "model_path": "./models/best-768.rknn",
  "model_version": "v8",
  "model_w": 768,
  "model_h": 768,
  "num_classes": 11,
  "conf": 0.35,
  "nms": 0.45,
  "class_filter": [3, 6]
}

关键参数：

参数	类型	说明
model_path	string	RKNN 模型路径
model_version	string	模型版本: v5 或 v8
num_classes	int	模型类别数（必须与实际一致）
conf	float	置信度阈值（0-1）
nms	float	NMS IoU 阈值（0-1）
class_filter	array	只输出指定类别的检测结果，如 [3, 6] 表示只检测 boots 和 Person
ai_face_det	人脸检测（含5点关键点）	model_path, conf, nms, max_faces, output_landmarks
ai_face_recog	人脸识别（对齐+特征提取+检索）	model_path, gallery, threshold, align
ai_pose	关键点检测（可选扩展）	model_path
ai_custom	自定义 AI 算法	model_path, custom_param 等

6.2.1 det_post（检测结果后处理，按类别策略链）

det_post 是一个 Filter 节点，位于 ai_yolo 之后，负责对 frame->det->items 做按类别可配置的后处理。

设计目标：

• 不同类别可以挂不同的处理器链（Processor/Strategy Registry），避免“一个类别一个插件”。
• 默认改写 frame->det，让 osd / alarm 读到一致结果。

配置示例：

{
  "id": "pp_cam1",
  "type": "det_post",
  "role": "filter",
  "enable": true,

  "default": { "enable": false },
  "per_class": [
    {
      "class_id": 3,
      "enable": true,
      "processors": [
        { "type": "conf_gate", "conf_min": 0.65 },
        { "type": "bbox_gate", "min_w": 10, "min_h": 10 },
        { "type": "roi_gate", "roi": { "x": 0.1, "y": 0.1, "w": 0.8, "h": 0.8 }, "mode": "center" }
      ]
    },
    {
      "class_id": 5,
      "enable": true,
      "processors": [
        { "type": "hsv_ratio", "h_min": 0, "h_max": 20, "s_min": 20, "v_min": 70, "ratio_min": 0.7,
          "max_samples": 2048, "step": 0, "min_samples": 32,
          "crop": { "x": 0.0, "y": 0.0, "w": 1.0, "h": 1.0 } }
      ]
    },
    {
      "class_id": 7,
      "enable": true,
      "processors": [
        { "type": "lab_kmeans", "k": 3, "iters": 8, "l_max": 50, "ratio_min": 0.4,
          "max_samples": 2048, "step": 0, "min_samples": 64,
          "crop": { "x": 0.0, "y": 0.0, "w": 1.0, "h": 1.0 } }
      ]
    }
  ]
}

内置 processors（当前实现）：

• conf_gate：按置信度过滤（conf_min）
• bbox_gate：按框尺寸过滤（min_w, min_h）
• roi_gate：按 ROI 过滤（roi:{x,y,w,h} 归一化；mode:center 使用 bbox 中心点判断）
• hsv_ratio：框内采样像素转 HSV，统计阈值命中占比（h_min/h_max/s_min/s_max/v_min/v_max/ratio_min，支持 crop/max_samples/step）
• lab_kmeans：框内采样像素转 Lab，KMeans 聚类后取最暗簇做判定（k/iters/l_max/ratio_min，支持 crop/max_samples/step）

注意：hsv_ratio/lab_kmeans 需要 Frame 提供可读的像素数据（frame->data 可访问）。若上游是纯 DMA-BUF 且未映射到 CPU，这两类处理器会自然退化为“不过滤”。

ai_yolo 参数说明：

• model_version: "v5", "v8" 或 "auto"（自动检测）
• num_classes: 模型类别数（默认 80）
• class_filter: 只检测指定类别 ID 的数组，如 [0, 1, 2]

所有 AI 节点通过 AiScheduler 使用 NPU，不直接持有 NPU 句柄。

6.2.2 ai_face_det（人脸检测）

人脸检测节点，基于 RetinaFace/SCRFD 等轻量模型，输出人脸框和 5 点关键点。

配置示例：

{
  "id": "face_det_cam1",
  "type": "ai_face_det",
  "role": "filter",
  "enable": true,
  "model_path": "./models/RetinaFace_mobile320.rknn",
  "conf": 0.6,
  "nms": 0.4,
  "max_faces": 10,
  "output_landmarks": true,
  "input_format": "rgb"
}

参数说明：

• model_path: RetinaFace RKNN 模型路径
• conf: 置信度阈值（默认 0.6）
• nms: NMS 阈值（默认 0.4）
• max_faces: 最大检测人脸数
• output_landmarks: 是否输出 5 点关键点（用于后续对齐）
• input_format: 输入格式 rgb 或 bgr

输出： 写入 frame->face_det，供 ai_face_recog 和 osd 读取。

6.2.3 ai_face_recog（人脸识别）

人脸识别节点，读取检测结果，对每个人脸进行对齐、特征提取、人脸库检索。

配置示例：

{
  "id": "face_recog_cam1",
  "type": "ai_face_recog",
  "role": "filter",
  "enable": true,
  "model_path": "./models/mobilefacenet_arcface.rknn",
  "align": true,
  "emit_embedding": false,
  "max_faces": 10,
  "input_format": "rgb",
  "threshold": {
    "accept": 0.45,
    "margin": 0.05
  },
  "gallery": {
    "backend": "sqlite",
    "path": "./models/face_gallery.db",
    "load_on_start": true,
    "expected_dim": 512
  }
}

参数说明：

• model_path: ArcFace/MobileFaceNet RKNN 模型路径（输入 112x112，输出 512D embedding）
• align: 是否使用 5 点关键点做仿射对齐（推荐开启）
• emit_embedding: 是否在结果中输出 embedding（调试用，生产关闭以省内存）
• threshold.accept: 相似度接受阈值（高于此值认为匹配成功）
• threshold.margin: top1 与 top2 相似度差值阈值（可选，用于降低误识率）
• gallery.backend: 人脸库后端（当前支持 sqlite）
• gallery.path: SQLite 数据库路径
• gallery.expected_dim: embedding 维度（需与模型匹配）

判定规则：

• top1_sim >= accept 且（可选）top1_sim - top2_sim >= margin → 识别为该人
• 否则标记为 unknown

输出： 写入 frame->face_recog，供 osd 和 alarm 读取。

6.2.4 人脸识别 Pipeline 示例

[input_rtsp] → [preprocess] → [ai_face_det] → [ai_face_recog] → [osd] → [publish]

完整配置示例：

{
  "name": "cam1_face_recog",
  "nodes": [
    { "id": "in_cam1", "type": "input_rtsp", "url": "rtsp://..." },
    { "id": "pre_cam1", "type": "preprocess", "dst_w": 1280, "dst_h": 720, "dst_format": "rgb" },
    { "id": "face_det_cam1", "type": "ai_face_det", "model_path": "./models/RetinaFace_mobile320.rknn", "conf": 0.6 },
    { "id": "face_recog_cam1", "type": "ai_face_recog", "model_path": "./models/mobilefacenet_arcface.rknn", "gallery": { "path": "./models/face_gallery.db" } },
    { "id": "osd_cam1", "type": "osd", "draw_face_det": true },
    { "id": "pub_cam1", "type": "publish", "outputs": [{ "proto": "rtsp_server", "port": 8555, "path": "/live/face" }] }
  ],
  "edges": [
    ["in_cam1", "pre_cam1"],
    ["pre_cam1", "face_det_cam1"],
    ["face_det_cam1", "face_recog_cam1"],
    ["face_recog_cam1", "osd_cam1"],
    ["osd_cam1", "pub_cam1"]
  ]
}

注意：人脸识别应在原始分辨率（如 1280x720）上进行，检测模型内部会自动缩放到 320x320 推理，输出坐标缩放回原始尺寸。这样从高清图裁剪对齐人脸，识别质量更高。

6.2.5 人脸库（Gallery）说明

人脸库使用 SQLite 存储，表结构：

CREATE TABLE person (
    id INTEGER PRIMARY KEY,
    name TEXT NOT NULL,
    created_at TEXT,
    extra TEXT           -- JSON 扩展字段
);

CREATE TABLE embedding (
    id INTEGER PRIMARY KEY,
    person_id INTEGER NOT NULL,
    embedding BLOB NOT NULL,  -- 512D float32 向量
    created_at TEXT,
    FOREIGN KEY (person_id) REFERENCES person(id)
);

检索实现：

• 小库（≤几千人）：CPU 暴力点积，无需额外索引
• 大库（≥几万人）：可扩展 HNSW/Faiss 等 ANN 索引

6.3 业务逻辑与输出

节点类型	功能描述	关键参数	硬件依赖
osd	绘制检测框、文字等	draw_bbox, draw_text, labels, line_width, font_scale	RGA / CPU
alarm	报警规则 + 多种报警动作	rules, actions（见下文详细说明）	CPU
storage	持续录像（MP4/TS 切片）	mode, segment_sec, path	MPP VENC + IO
publish	编码并推流（RTSP/HLS）	codec, bitrate, outputs	MPP VENC + 网络
zlm_http	内嵌 HTTP 文件服务（为 HLS 提供访问）	root, prefix, port, ssl	ZLMediaKit(mk_api)

说明：当前实现中 publish 的 proto:"hls" 为落盘生成 m3u8/ts 文件，path 应指向 index.m3u8 文件路径；若需要通过网络播放，建议新增 zlm_http 节点启动内嵌 HTTP，并将 root 指向 HLS 父目录（如 /data/hls）。

osd 参数说明：

• labels: 自定义类别标签数组，如 ["cat", "dog", "bird"]，为空则使用 COCO 默认标签

6.4 alarm 插件详细说明

alarm 插件采用模块化 Actions 架构，支持多种报警动作的灵活组合：

架构设计：

┌─────────────────────────────────────────────────────────┐
│  AlarmNode                                              │
│  ┌──────────────┐  ┌──────────────────────────────────┐ │
│  │ RuleEngine   │  │ FrameRingBuffer (pre-event)     │ │
│  │ - 类别过滤    │  │ - 保存最近 N 秒的帧             │ │
│  │ - ROI 检测    │  └──────────────────────────────────┘ │
│  │ - 持续时间    │                                       │
│  │ - 冷却控制    │  ┌──────────────────────────────────┐ │
│  └──────────────┘  │ AlarmActions (可配置)             │ │
│                    │  - LogAction      → 日志输出      │ │
│                    │  - HttpAction     → HTTP 回调     │ │
│                    │  - ExternalApiAction → 外部API报警 │ │
│                    │  - SnapshotAction → 截图+上传     │ │
│                    │  - ClipAction     → 视频片段+上传 │ │
│                    └──────────────────────────────────┘ │
└─────────────────────────────────────────────────────────┘

完整配置示例：

{
  "id": "alarm_cam1",
  "type": "alarm",
  "role": "sink",
  "labels": ["矿体A", "矿体B", "异物"],
  "rules": [
    {
      "name": "ore_detection",
      "class_ids": [0, 1],
      "objects": ["矿体A"],
      "roi": { "x": 0.1, "y": 0.1, "w": 0.8, "h": 0.8 },
      "min_duration_ms": 500,
      "cooldown_ms": 5000,
      "schedule": "08:00-20:00"
    }
  ],
  "actions": {
    "log": { "enable": true, "level": "info" },
    "http": {
      "enable": true,
      "url": "http://业务系统/api/alarm",
      "timeout_ms": 3000,
      "include_media_url": true
    },
    "external_api": {
      "enable": false,
      "getTokenUrl": "http://业务系统/api/getToken",
      "putMessageUrl": "http://业务系统/api/putMessage",
      "tenantCode": "32",
      "channelNo": "${vod_channelNo}",
      "timeout_ms": 3000,
      "include_media_url": true,
      "token_header": "X-Access-Token",
      "token_json_path": "responseBody.token",
      "token_cache_sec": 600
    },
    "snapshot": {
      "enable": true,
      "format": "jpg",
      "quality": 85,
      "upload": {
        "type": "minio",
        "endpoint": "http://minio:9000",
        "bucket": "alarms",
        "access_key": "${MINIO_ACCESS_KEY}",
        "secret_key": "${MINIO_SECRET_KEY}"
      }
    },
    "clip": {
      "enable": true,
      "pre_sec": 5,
      "post_sec": 10,
      "format": "mp4",
      "upload": { "type": "local", "path": "/tmp/alarms" }
    }
  }
}

external_api 动作说明（对接外部系统报警：先取 token，再上报告警）：

• 取 token：对 getTokenUrl 发起 HTTP POST，默认从响应 JSON 的 responseBody.token 读取（可用 token_json_path 修改点号路径）。
• 上报告警：对 putMessageUrl 发起 HTTP POST，并携带 Header：Content-Type: application/json、X-Access-Token: <token>（可用 token_header 修改）。
• 上报请求体（固定结构）：

{
  "tenantCode": "32",
  "channelNo": "<vod_channelNo>",
  "alarmContent": "<msg>",
  "alarmTime": "YYYY-MM-DD HH:MM:SS",
  "picInfo": [{"url": "<picUrl>"}],
  "videoInfo": [{"url": "<videoUrl>"}]
}

• alarmTime 使用本地时间格式化。
• picUrl/videoUrl 来自 snapshot/clip 动作上传后的 URL（通常为 MinIO 返回链接）；若为空则对应数组为空。
• alarmContent：若配置中未提供 alarmContent，默认使用 rule_name。

external_api 参数说明：

• 必填：getTokenUrl, putMessageUrl, tenantCode, channelNo
• 常用可选：timeout_ms（默认 3000）、include_media_url（默认 true）、token_cache_sec（默认 600；为 0 时仅在 401/403 时刷新 token）
• 其它可选：token_header、token_json_path、alarmContent、max_queue_size / queue_policy、max_retries / retry_backoff_ms

规则参数说明：

• class_ids: 要监控的类别 ID 数组（与模型输出对应）
• objects: 要监控的类别名称数组（需配合 labels 使用）
• roi: 感兴趣区域，归一化坐标 (0-1)
• min_duration_ms: 目标在 ROI 内持续多久才触发报警
• cooldown_ms: 同一规则连续触发的冷却时间
• schedule: 有效时间段，格式 "HH:MM-HH:MM"

上传器类型：

• local: 保存到本地文件系统
• minio: 上传到 MinIO 对象存储
• s3: 上传到 AWS S3（兼容 MinIO）

6.5 storage 插件详细说明

storage 插件用于持续录像（7x24 小时），与 alarm 的事件录像功能互补。

配置示例：

{
  "id": "storage_cam1",
  "type": "storage",
  "role": "sink",
  "mode": "continuous",
  "format": "mp4",
  "codec": "h264",
  "segment_sec": 300,
  "path": "/rec/cam1",
  "filename_pattern": "%Y%m%d/%H%M%S",
  "fps": 25,
  "bitrate_kbps": 2000
}

参数说明：

• mode: 录像模式，当前支持 continuous（持续录像）
• format: 输出格式，mp4 或 ts
• segment_sec: 单个文件时长（秒）
• filename_pattern: 文件名模式，支持 strftime 格式

---

七、线程模型（Thread Model）

7.1 线程类型与职责

线程类型	职责	绑核策略（可配置）
main	程序入口、配置加载、GraphMgr 调度	默认 CPU0
input-io	RTSP 网络 IO	大核/通用
decode	调用 MPP 解码	大核
preprocess	RGA/GPU 前处理	视情况绑核
ai-worker	调度 AiScheduler，异步调用 NPU	大核
post/osd	OSD 绘制、报警逻辑等	小核优先
storage	文件写入、切片管理	小核
publish	RTSP/HLS 推流	小核
metrics/log	指标采集、日志异步写入	任意核

7.2 配置控制

• 节点配置中可增加字段：

"cpu_affinity": [2, 3]   // 可选

• 若未配置，由框架根据 role 和负载自动分配。

---

八、性能指标（Performance Targets）

场景	指标	目标值
8×1080p@25fps	整机总处理帧率	≥ 200 fps
单路端到端	延迟	≤ 500 ms（典型 ≤ 380）
NPU	利用率	≥ 90%
8 路全开	CPU 占用	≤ 30%
7×24 小时运行	内存泄漏	无明显增长（< 10MB）

测试要求（简要）：

• 在实际 RK3588 设备上，使用典型 YOLO 模型和 8 路 RTSP 输入进行长稳测试。
• 统计长时间运行中的 CPU、内存、NPU 使用情况。

---

九、监控与运维（Metrics & Ops）

9.1 节点级指标

每个节点提供以下基本指标（通过 HTTP / Prometheus 等暴露）：

• node_input_fps / node_output_fps
• queue_length（入队/出队队列长度）
• frame_drop_count
• error_count
• avg_process_time_ms（Process 平均处理耗时）

9.2 图 / 通道级指标

• 通道状态：running / error / disabled
• 报警次数 / 最近报警时间
• 当前推流客户端数（RTSP/HLS）
• 当前录像文件信息（路径 / 大小 / 最近片段时间）

9.3 管理接口（REST 简要）

• GET /api/graphs：列出所有 graph 状态
• GET /api/graphs/{name}：单通道详情
• POST /api/config/reload：触发配<EFBFBD><EFBFBD><EFBFBD>重加载
• GET /api/nodes/{id}/metrics：查询节点指标
• POST /api/nodes/{id}/config：动态更新节点配置（调用 UpdateConfig）

---

十、开发与部署环境

• 硬件平台：RK3588（4×A76 + 4×A55 + NPU + VPU + RGA）
• 工具链：
  • 板上编译：GCC 10+（推荐）
  • 交叉编译：aarch64-linux-gnu-gcc 12+（可选）
  • 构建：CMake ≥ 3.20
• 调试：
  • gdbserver + VSCode 远程调试
  • RKNN Profiler 分析 NPU 利用率
• 日志：
  • spdlog 异步日志
  • 日志级别可运行时调整（通过配置或 REST 接口）

10.1 板上编译（推荐）

在 RK3588 板子上直接编译，无需配置交叉编译环境。

依赖安装：

# Ubuntu/Debian
sudo apt update
sudo apt install -y build-essential cmake git pkg-config \
    libavformat-dev libavcodec-dev libavutil-dev libswscale-dev

编译命令：

cd Rk3588Sys

# 配置（启用所有硬件加速）
cmake -S . -B build \
  -DCMAKE_BUILD_TYPE=Release \
  -DRK3588_ENABLE_FFMPEG=ON \
  -DRK3588_ENABLE_MPP=ON \
  -DRK3588_ENABLE_RGA=ON \
  -DRK3588_ENABLE_ZLMEDIAKIT=ON \
  -DRK_ZLMK_API_LIB_PATH=$PWD/third_party/rknpu2/examples/3rdparty/zlmediakit/aarch64/libmk_api.so \
  -DRK_ZLMEDIAKIT_INCLUDE_DIR=$PWD/third_party/rknpu2/examples/3rdparty/zlmediakit/include

# 编译
cmake --build build -j$(nproc)

CMake 选项说明：

选项	说明	默认值
RK3588_ENABLE_FFMPEG	启用 FFmpeg 拉流/软解码	OFF
RK3588_ENABLE_MPP	启用 MPP 硬件编解码	OFF
RK3588_ENABLE_RGA	启用 RGA 硬件图像处理	OFF
RK3588_ENABLE_RKNN	启用 RKNN NPU 推理	OFF
RK3588_ENABLE_ZLMEDIAKIT	启用内置 RTSP Server	OFF

运行：

# 纯转码网关
./build/media-server --config configs/sample_cam1.json

# 带预处理的 pipeline
./build/media-server --config configs/sample_preprocess.json

# 内置 RTSP Server 模式
./build/media-server --config configs/sample_cam1_rtsp_server.json

10.2 交叉编译（可选）

在 x86 主机上交叉编译，适合 CI/CD 或批量部署。

# 需要安装交叉编译工具链
sudo apt install gcc-aarch64-linux-gnu g++-aarch64-linux-gnu

# 配置
cmake -S . -B build-cross \
  -DCMAKE_TOOLCHAIN_FILE=cmake/aarch64-linux-gnu.cmake \
  -DCMAKE_BUILD_TYPE=Release \
  -DRK3588_ENABLE_FFMPEG=ON \
  -DRK3588_ENABLE_MPP=ON \
  -DRK3588_ENABLE_RGA=ON

# 编译
cmake --build build-cross -j$(nproc)

# 同步到板子
rsync -avz build-cross/ user@board_ip:/opt/media-server/

---

十一、扩展与演进

1. 新增算法插件

   • 实现新的 INode 子类（例如 ai_cls, ai_reid）。
   • 使用 REGISTER_NODE 编译为 .so 放入 plugin_path。
   • 在 config.json 中新增节点即可接入全流程。

2. 新增输出类型

   • 新增 publish_webrtc、storage_s3 等节点类型。
   • 不改动上游图结构，只调整 sink 部分。

3. 分布式扩展（后续版本）

   • 引入 ZeroMQ / NanoMSG，将远端设备作为特殊节点处理（如 remote_sink）。
   • 中控只维护抽象图，实际在多台 RK3588 设备上分布执行。

---

---

附录：问题修复与调试文档

已知问题修复

问题	文档	日期
YOLOv8 FP16 数据解析错误	docs/bugfix_yolov8_fp16.md	2025-02
RKNN 输出格式配置错误	docs/fix_rknn_output_format.md	2026-02

调试与开发文档

• docs/models.md - 模型转换与部署指南
• docs/Agent_API_Extensions.md - Agent API 扩展说明
• docs/API_Device_RemoteMgmt_InterfaceTable.md - 远程管理接口