Int ern at i onal  Journ al of Ele ctrical  an d  Co mput er  En gin eeri ng   (IJ E C E)   Vo l. 8 ,  No. 6 ,  D ece m ber 201 8,  pp. 5 089 ~5 097   IS S N: 20 88 - 8708 ,  DOI: 10 .11 591/ ijece . v8 i 6 . pp50 89 - 5 097     5089       Journ al h om e page :  http: // ia es core .c om/ journa ls /i ndex. ph p/IJECE   Pos t  Eve nt Invest igat i on o f Multi - s tream Vi deo   Data Utilizin g  Hadoop  Cluster       Jyoti  Pa r so l a,   Du r gaprasad   Ga n godk ar, A nkush Mi ttal   Dep ar t m ent   o f  C om pute r  Scie n ce &   Engi ne eri ng ,   Graphi c  Era Uni ver sit y ,   Indi a       Art ic le  In f o     ABSTR A CT   Art ic le  history:   Re cei ved   Ma r 5 , 2 01 8   Re vised  Ju l   4 ,   201 8   Accepte d  J ul   29 , 2 01 8       Rapi d  adv ance m ent   in  t ec hno l og y   and  in - expens ive   c amera   ha s   rai sed  th e   nec essit y   o f  m onit oring  s y stems   for  surv ei l la n c e  applic at ions.   As   a  result   dat a   ac qu ire d   from   num ero us   ca m era s  d eplo y ed   for  surv ei llanc e  is   tre m endous.   W hen  an  ev ent   is  t r igge red   the n ,   m anua l l y   inve st ig at ing  such  a  m assive  dat a   is  a  complex   ta sk .   Thus  it  is  esse nti al  to  expl or e  an  appr o ac h   tha t ,   c an  store   m assive  m ult i - strea m   vide o   data   as  well  as,   pro ce ss   the m   to   find  use ful   infor m at ion.   To  addr ess  the   challe ng e   of  stor ing  and   proc essing   m ult i - strea m   vi deo  data,   we  h ave   used  Hado op,   which  has  grown  int o  a   le ad ing  computi ng  m odel   for  d at a  intensi ve  ap pli c at ions.   In  th is  pape r  w e   propose  a  novel   te chn ique   for  p e rform ing  post  eve nt  inv esti ga ti on   on  stored   surveil l anc e   vid eo   data.   Our  al g orit hm   stores  vi deo  data  in  HD FS   in  such  a  wa y   that  it   eff i ciently   ide n ti fi es  t he  lo ca t ion  of   da ta   from   HD FS   base d   on  th e   ti m e  of  occ u rre nce   of  ev ent   a nd  per form   furt her   proc essing .   To  prove   eff iciency   of  ou r  proposed  work ,   we  have   per for m ed  eve nt  detec ti on  in  th e   vide o  b ase d  on  t he  ti m e   per iod   p rovide d  b y   the  u ser.   In  o rde r  to  e stim at e   the   per form anc e  o f  our  appr oac h ,   we  eva luated   th e  storage   and  proc essing  of   vide o  d at a   b y   v ar y ing  ( i)  pix el  resolut ion   of  vi deo  fra m e   (ii )   si ze   of   vid eo   dat a  (i ii )    num ber   of  red uce rs  (workers)  exe cu ti n g  the   ta sk  (iv)  th e  num ber   of  nodes  in  the   cl uster.   Th e  proposed  fra m ework  eff ic ie n tl y   ac h ie ve  s pee d  up   of   5. 9  for  la rg e  fi les   of  1024X 1024   pixe l  r esolut ion   vide o  fra m es  th us  m ake s  it  appr opriate   for  t he    f ea sib le pra c t ic a l  dep lo y m ent   in  an y   app li c at io ns .   Ke yw or d:   Hado op D ist ri bu te d  Fil e Syst e m   Ma p  Re duce   Re du ce rs   Copyright   ©   201 8   Instit ut e  o f Ad vanc ed   Engi n ee r ing  and  S cienc e .    Al l   rights re serv ed .   Corres pond in g  Aut h or :   Jyoti  Par s ola ,    Dep ar t m ent   of  Com pu te r  Scie nce & E ng i nee rin g,   Gr a phic  Er a  Unive rsity ,   De hradun,  In dia .   Em a il :   j yote e.ne gi@ gm ail.co m       1.   INTROD U CTION   In te ll igent  vi de o  surveil la nce   syst e m   (V SS)  has  evo l ved   a s  an  act ive  stud y  area  in  com pu te r  visio n  because   of   it s  nu m erous  real  tim e   app li cat ion s  f or   s ocial   secur it y.  It  intends   to  detect ,  identify   an d  tra ck  the   obj ect   in  va rio us   vi deo   fr am es  or   im age  sequ e nce.  T he  m o t ive  beh i nd  is  to  est ablish  an  intel li gen t   visu al   su r veill ance  sy stem   and  rein s ta te   the  tra diti on al   sur veill ance  syst em   du e  to  dep l oym ent   of  m ulti ple  cam eras  for  c on ti nu ous  m on it or ing.  W hen  an   e ven t  oc cur s   the n  t he  capab il it y  to  pe rfor m   scal able  an d  ti m ely   analy ti cs   to  this  e xtensi ve  acc um ulated   data  is  a  hi gh  prefe ren c e   for  e ver y  int el li gen t  VSS.  Ther e f or e  t he  m ajo r   chall enges  fac ed  by  vid e o  s urveil la nce  sy stem   are ;  a)  S tora ge  of  c on t inuousl y  incre asi ng   gig a ntic   data,   gen e rated  by  the  m ulti ple  su rv ei ll ance   cam eras.   b)   Prom pt  pr oces sin g  of  progressively   rising   data  w he n  a n  even t i s  trig gered    Pr oc essin g  a nd  sto rin g  c onsist ently   grow i ng  da ta   with  c onve ntio nal  net work  sto rag e   a nd   data base  syst e m   is  no t  an  easy   ta sk.  Hado op,  w hic h  wa s  ori gi nally   design e d  by  Goo gle,  has  e vo l ved   i nto   do m inant  processi ng  m od el   f or  s uch  a pp li cat io ns   whic h  are   data   e xh a us ti ve   [ 1].  It’s  e xtensi ble,   tolera nt  to   er r or  an d  sp li ts  and   co py   data,  sen ds   t he  com pu ta ti on  w he re  data  r esi des.   Hado op  ha s  recei ved  so   m uch   rec ogniti on  because   of  i ts e asy  accessi bili ty .   Evaluation Warning : The document was created with Spire.PDF for Python.
      IS S N : 2088 - 87 08   In t J  Elec  &  C om p  En g,   V ol.  8 , N o.   6 ,  Dece m ber  2 01 8   :   5 089   -   5 097   5090   The  str uctur e  of   Ha doop  is   ver y  rigid   s o  it   is  no t  trivia l  to  dev el op  and   de plo y  the  com plex   al gorithm s  to  t he  Ma pRe du c e   m od el .  Alt hough  a  lot  of   re search  ha ve  be en  pe rfo rm ed  fo r  vid e o  proce ssing  [2] - [6]   with H a doop,  ye t  it   has   not  b ee n  util iz ed  f or p os t  e ve nt  in vestigat io n.   T hus  t he  m otivati on  o f   our  w ork   is give n  as  foll ow s:     Handle m ulti ple stream s f ro m  v a rio us  s urvei ll ance cam eras.     Stor a ge  a nd ti m el y analy sis of exte ns ively   accum ulate d  m assive  data to  iden ti fy a n  e ve nt of i nterest.     Sp ee d up in  pe rfor m ance    We  ha ve  use d  Hado op   for  st or a ge  an d  proc essing  si ng le   s tream   su rv ei ll a nce  data  on   a  sing le   no de  cl us te r  as   disc us se d  in   [ 7].  I n  this   pa pe r,   we  pro po se   a  f ram ewo rk  f or  po st   eve nt  in ve sti gation  a s  s how n  in   Fig ure  1,  w hi ch  st or es   the   m ult i - stream   data  acc um ulate d  from   m ulti ple  cam eras  de plo ye d  for  vid e o  su r veill ance a ppli cat ion , i nto  t he HD FS.   If an  ev e nt o cc urs t hen,  us er  sends  query to  an al y ze the r e quire d data  al ong  with  th e   tim e  du rati on   w hen  the  e ve nt  is  s uspect ed   to  occur.   Ba s ed   on  the  ti m e   durati on,   the  syst e m   identifie s  the  locat ion   of   th e  data  residi ng   i n  the  Data Nod e  in  the  cl us te r  an d  com pu ta ti on   is  execu te d  by   Hado op   Ma pR edu ce .   O ur   pr opose d  a ppro ac h  for  post  eve nt   inv est igati on   of   s uch   a  m ass ive  data,  overc om es  the  nee d  f or   a naly sis  of  e ntire  data  ge ner at ed  by  the  set   of  vid e o  cam eras  de plo ye d  f or   m on it or in g  purpose   thu s   re du ci ng the c om pu ta ti on  ti m e.   The  r em ai nin g  pap e r  is  a rr a ng e d  i n  the  f ollow i ng  way,   sect ion   II   dis cusses  t he  rel evan t  st ud y   perform ed  by  var i ou s   re sear cher s .  S ect ion  III  disc us ses   the  arc hitec tur e  of  post  eve nt  in vestigat io n  wit h  Hado op  an d   a naly ses  the  al gorithm   pr op ose d  for  m ulti - stream   vi deo   data  proce ssin g  a nd   stora ge   with   Hado op secti on  IV   w hich  sho ws results a nd  perform ance an al ysi s and sec ti on   V discus se s the c oncl us io n.         Fig ure  1 .   Fr am ewor k  f or  po st  even t i nv e sti ga ti on   with  hado op       2.   RELATE D  W ORK   It  has  bee n  show n  in  [ 1]  that  Had oo p  Ma pr e duce  is  app r opriat e  for  processi ng   te xt   data  wh ic h  require  sam e  com pu ta ti on   to  be  perform e d  in  the  e ntire  m assive  data  residin g  in  t he  H DF S .  Th eref or e   init ia ll y  Ma pR edu ce   wa s  use d  f or  the   pro bl e m s  li ke  searc hing,  s ort ing  la rg e  data,   la rg e   scal e  ind e xing,   gr a ph   com pu ta ti on   [ 8 ]   m a trix  com p utati on   [ 9 ] .  Som e  research er s   hav e  trie d  to  use   it   fo r  i m age  proces si ng   a nd  la rg e  scal e  query  pr ocessin g  an d  query  s earc h   as   well   [ 10 ] ,   [ 11] .  I n  [12]  par al le l  exec ution  of  scat te red   datab ase  is   perform ed.   A  colo red   im age  is  con ver te d  into  gray scal e  im age  and   pa ra ll el y  featur es  are  dr a w n  ou t.  High  reso l ution  im ages  a re  pro c essed  a nd  fea tures  a re  rem ov e d  with  H adoo p  Ma pRe du ce   [ 13 ] .   H adoo p  Ma pRed uce  fra m ewo r k  is  al so   util iz ed  for   app li c at ion   li ke  i m age  retrieval  based   on   the  con te nt  [14].  An  i m age  ref inem ent  m et ho d  with   Ma pRe du ce   is  discu ssed   in  [ 15] .  It  nee ds  i m ages  to  b e   st ream ed  on ly   once  com par ed  to  ot her   file   syst e m   wh ic h  ne eds  e ach  ti m e  entire   i m age  or   par t  of   im age  stream ed  after  a pp l yi ng   filt er.  [ 16 ]   Pro po s ed  a  dist ribu te d  im age  proces sin g  syst e m   nam ed  SEIP ,  w hich  is   buil t  on  Ha doop,  a nd   e m plo ys  exten sible  in  node   arch it ect ure  to  sup port  va r iou s  kinds  of  i m age  proce ssing   al gorith m s   on   distrib uted  plat form s w it h  G P U  acce le rat or s .  [17 ]   Hav e  use d hado op for cl us te rin g  cat e go rical  d at a.    Few  resea rc h  inv e sti gators  ha ve  us e d  vi deo   data  processi ng  [18]   (v i de o  transc odin g)   wit h  Hado op  Ma pRed uce   f r a m ewo r k  as  di scusse d  by  [2] .   [3 ]   Pe rfor m s  pa rall el   vid e o  a naly sis  and  processi ng  w her ea s   vid e o  play in g,  sh ari ng   a nd   stora ge  [ 4]  w it h  Hado op   cl us te r.   Ha doop   has  bee n  use d  f or   la r ge  vid e o  m anag em ent  [ 5]   an d  f or  O bj ect   detect io n  an d  cl ass i ficat ion   [6 ] .   T he   w ork  im ple m ented   in  [ 19 ]   is  the   distrib uted  vis ual  enh a ncem e nt  us in g  histo gram   equ al iz at ion   al gorit hm  on   i m age  datab ase  fr om   su rv e il la nce  ca m eras.  T he  e xp e rim ent is cond ucted  i n ps eudo dist rib ute d  m od e  unde r Ha do op MapR edu ce  arc hitec ture .                                                                                                                                                            Vn   V2   V1   …   O u t p u t   V i d e o   S tr e a m s   Us e r   Q u e r y   S la v e   n   S la v e   1   M a ste r   S la v e   2   S la v e   i   Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec & C om p  Eng   IS S N: 20 88 - 8708     Pos t  Eve nt Inv est iga ti on  of M ulti - s tre am Vid eo Da t a Uti li zi ng Ha doop Cl us te r   ( Jyoti  P arsola )   5091   Hen ce   base d  on  the  a bove  li te ratur e  s urv ey   it   is  evident   that  Hado op   Ma pRed uce  has  no t  bee n  util iz ed  for  po st  even t  inv e sti gation  a pp li ca ti on s  an d  m or eov e r  the  pro bl e m   of   m ulti ple   strea m s  storag e  an d  processi ng of s urveil la nce  data is sti ll  a ch al le ng e .       3.   ARCHITE CT UR E  F OR  H ADOOP  A N D  A N ALY S I S  OF   MU LT I  STREA M  VID E O  D AT A   US I NG HA D OOP   We  hav e   de sign ed   our  e ve nt   inv est igati on   syst e m   based  on  a  Ma pRe du ce   f ram ewo rk   f or   data   stora ge  a nd  d at a  proces sin g.   Ha do op  is  a n  op e n  sourc e  s oft war e   f ram ewo r k   li cen sed   by   an  a pac he,   it   is   use d  for  distrib uted processi ng  [2 0] ,   [21] ,   [ 26] ,   [27]   and  d ist rib uted  de posit or y of  e xtensiv e  da ta set  acro ss gr oup  of   nodes  bu il d  on  low  pr ic e d   com pu te rs.   Trait s  intrinsi c  to  Hado op  are  data  part it ion ing   a nd   par al le l  com pu ta ti on   of  la rg e  dat aset s.   Its  stora ge  a nd  com pu ta ti on al   capab il it ie s  scal e  with  the  add it io n  of  hos ts  to  a   Hado op  cl us te r,   a nd  can   rea ch  vo l um e  of   siz es  in  the   pe ta byte s  on  cl us te rs  with  t housa nds  of  ho sts.  It  com pr ise s  of   t wo   pr i ncipal  el e m ents  as  discuss e d  in  [ 7].  First  is   Hadoop  Distrib ute d  Fil e  Syst e m   (H D FS )   us e d  f or  distri bu te d  file   syst e m ,  seco nd   is   Ma pRed uce  wh ic h  is  the   e xecu ti on  e ngin e  or  data  proc essin g  fr am ewo r k  as  s how n  in  Fig ure   2 .   The  a naly sis o f  the m ulti - stream  v ideo  data  usi ng H a doop is  don e  in  t hr ee   diff e re nt phase s     Stor i ng the m ulti - strea m  v ide o data t o  t he H DF S     Pr oc essin g  m ulti - stream  v ideo  d at a  with m apr ed uce     Accu m ulati ng   al l t he  res ults a nd d is play ing t he result.   In   VS S ,  data  a ccum ulate d  from   var iou s  ca m eras  dep l oyed  f or   m on it or i ng   pur pose  is  m assive  an d  con ti nu ously   keep   on  inc reas ing .  Q uestion   is  to  store  s uc h  an  e xtrem ely  la rg e  data.  More ov e r  the  issue   beco m es  m or e  com plex  wh e n  an  e ve nt  is  trigg e red   a nd  the  data   is  to  be  pro cesse d  to  ext ract  the  us ef ul   inf or m at ion   re gardin g  a ny  e ven t.   Tra diti on al   m et ho d  us e d  for  e xtracti ng  us ef ul  in f orm at ion   is  to  c heck  th e   entire  databas e,  w hic h  is  c om pu ta ti on al ly   exp e ns i ve.   Th ere  s houl d  be  so m e  m easur e  w her e   the   use r  c a n  search   the  pa rtic ular dat a  base d   on the tim e o f occu rr e nce  of eve nt,  in ste ad of  searc hing t he  en ti re  databa se.    Ther e f or e  f or   t his  pur pose  Ha doop   H DF S  is  us e d .   Data  in  HDFS  is  proce ssed  in  batc hes .  Ther e f or e   stream s  are  buff e red   i nto   loc al   m e m or y  and   the n  data  i s  trans ferred  i nto   the  HDFS.   More ov e r   Hadoop  wa s   or i gin al ly   design e d  f or  te xt  processi ng   th us ,   there  is  no   su pp or t  in  Ha doop  f or   proc essing  vid e o  da ta .  We   extract  fr am es  from   vid eo  strea m   and   store  them   as  Seq ue nce  fi le   in  the  HDFS .  Se que nc e  fi le s   are  Had o op  par ti cula r  archi ve  file   la youts  ver y  m uch   li ke  to  ta r  and   zi p.   It  bri ngs  to gethe r  the  file   set   with  a  key  and   a   value  com bin a ti on   wh e re  key   is  the  file   nam e  an d  value   is  the  co nte nt  of  file .  T he  gen e r at ed  se qu e nce  file   is  m os tly  half  the  siz e  of   the  or i gin al   data  an d  hen ce  ta ke s  lim it ed  m e m or y  area  in  HD F S   conver ti ng  it   s tora ge  eff i ci ent.  T hes e  file s  can  be  separ at e d  an d  processe d  in  pa rall el .  Fo r  vide o  analy ti c  app li cat ion s  li ke  m ot ion   detect ion,  rat he r  tha n  c om par in g  eve ry  al te rn at e  fr am e  it   is  su f fici ent  to   process  e ve ry  al te rn at e  fift h  fr am e   [22 ].     3.1.   Data S to r age   R at her   tha n  stori ng   al l  the  vi deo   fr am es  we  store  eve ry  al te rn at e  fift h  fra m e  wh ic h  f urt her   re duce s   the  sto rag e   spa ce  in  HDFS.     W e  us e   a  novel  te ch nique  f or  sto rin g   the  se qu e nce   file s  ( fr am es)  us i ng   Algorithm   1 .  Ever y  vi deo   ca m era  is  identifie d  with  a  un i qu e  ide ntifie r  li ke  V1,  V 2, … . ,Vn  w hile  storin g  the   seq uen ce  file   we  ge ner at e  th e  nam e   of   seq ue nce  file   by  co ncatenati ng  ca m era  identifie r ,  date,  tim e  and   fr am e   nu m ber ,   eg .  V 1_1_07 _2016_ 10_12_ 22_ 1  w her e   V 1  is  t he   nam e  of   t he  c a m era  or  strea m ,  1_ 07_2 016  is  the  date   ( Day_M onth _Y ea r  form at ) ,  10 _12_22  is  the  tim e   (Hour _Minu te s _Sec onds  f or m at )   an d  1  is  the   fr am e   nu m ber .   T his  appr oach   f aci li ta te s  app r opria te   identific at ion   of  DataN ode   wh e re  the  fr a m e  has  been   s tore d.  Th us   overc omi ng   the  tim e  r equ i red   to  sea rch   entire  data  accum ulate d  so   far.  This  da ta   in  the  HDFS  is   separ at e d  into  blo c ks   ( def a ult   siz e  of   bl ock   i s  64   M b )   a nd   f ur t her   sto re d  i n  va rio us   no de s  of   the  cl us te r .  Each   blo c k  is  rep li ca te d  with  3 co pi es  in t he  m achines  of the cl us t er.       Alg o rith m  1:   Data  sto rage in HDF S   Inp u t:  m u ltip le  vid eo  strea m s       Ou tp u t: Sequ en ce fil e     Step  1:   Fo r  ev er y   v id eo  f ra m e  ( )   o f                              Sto re      with  the n a m e as   + date + ti m e+                             Fra m e                                    n u m b er;                          Vs +5 ;     Step  2:   Co n v ert  st o red     to  seq u en ce fil e     Step  3:   Co p y  S eq u en ce fil e to th e H DFS                       Evaluation Warning : The document was created with Spire.PDF for Python.
      IS S N : 2088 - 87 08   In t J  Elec  &  C om p  En g,   V ol.  8 , N o.   6 ,  Dece m ber  2 01 8   :   5 089   -   5 097   5092   3.2.   Data Pr ocessi ng   The  Ha doop  Ma pRed uce  w ork  flo w  as  show n  in  Fig ure  3,   us e r  ente rs  the  query  with  the  tim e   and  sen ds   it   to  the  m ast er.  In   the  m ast er  Jo btrac ker   div ide s  the   j ob  to  va rio us   ta sk s  an d  sen ds  it   to  the  Tasktrack er   residin g  in  the  sla ve  nodes .  The  ta sk s  are  ex ecut ed  by  the  m ap  and   re duc e  fu ncti on   res pe ct ively .   The  proces s  of   Data Node  identific at io n  and   data  proce ssing   al gorith m   is   fu rthe r  di scusse d  in  Algorithm   2  Re s ults  is   accum ulate d  by   the  Tas kTr ac ker   an d  final  outp ut  is  ge ne ra te d.   T o  pro ve  t he  e ff ic ie ncy  of  ou r   propose d  w ork  we  are  fin ding   m otion   in  the   vid e o  data  on  the  basis  of   t he  tim e  of   occ urren ce  of  eve nt  as  pro vid e d  by  the   us er . Movi ng obj ect   detect io n base d on m otion  se gm entat ion  is it sel f  a c halle ng e  in VS S.    A  lot  of   resear ch  ha ve  bee n  pe rfor m ed  for  m o t ion   segm entat ion   a nd   has   been   broad ly   cl assifi ed  int o  Ba ckgrou nd   s ub t racti on   a nd   tem po ral  dif f eren ci ng.  I n  ba ckgr ound  sub tract ion   m otion   [ 23 ]   is  dete ct ed  by  fin ding  the   di f fer e nce  betwee n  the   prese nt  f ram e  and   the   r efere nce  bac kgrou nd  w her ea s   in  case   of  t em poral   diff e re nce  [ 24 ]   m otion   is  dete rm ined  by  cal culat ing   the  pixe l  wise  diff e re nce  bet ween   t he   pr ese nt  fr am e  and   the  earli er   f ra m e.  The  m otion  detect io n  a lgorit hm   as  propose d  i n  [ 25] ,  is  use d  in  our  syst em   fo r  fin ding  m ov ing  o bject s.  O ne  of  the   e ff ic ie n t  m et hods  o f   f ram e  diff ere ncin g  is bl ock  m at ching , f or  ide ntifyi ng m ov ing   obj ect s.   In  bloc k  m at ching  a s  s how n  i n  Fi gure   7  the   c urren t   f ram e    is  div ide d  int o  bl ocks  a nd  sim ilarly   pr e vious   f ram e         is  al so  di vid e d  i nto  bl ock s   a nd  the  b loc ks  of      are   sea rch e d i nto       so  if   a b lo ck  of      is   fou nd in dif fere nt p i xel locati on in   it  i m plies  that m otion  is  pro du ce d.           Fig ure   3 .   Ma p red uce  job exe cution fl ow for  m otion  d et ect ion       Alg o rith m  2:  Iden tif icatio n  of  DataNod e &  data P roces sin g   Inp u t: Data,  ti m e  a n d  du ration  o f  an even t   Ou tp u t: Resu ltan t m o tio n  vecto r .       Step  1:   Use r  sen d s th e qu ery  in th e  f o r m  of  date and  ti m e  to th e  m aste r.     Step  2:   M aster  se n d s th e co m p u tatio n  to th e Jo b Tr acke rand  Na m e No d e                         id en tif ies  d ata locatio n      Step  3:   Jo b Tr acke r  sp lits th e job  into  the Task T racker      Step  4:   The  co m p u tatio n  is execu ted  f u rther by  m ap  an d  r ed u ces in  the                          d ata  r esid i n g  in th e data no d e  and  r esu lt is sen t  b ack to  the                          Task Tr acker .     Step  5:   Jo b Tr acke r  accu m u l ates th e  r esu lt f ro m  T ask T ra ck er  an d  f o rwar d s                           it to th e  m aster       Ma ny  te chn iq ues  ha ve  been  propose d  by  var i ou s  sc hola rs  f or   perform ing   m at ching   com pu ta ti on.   Su m   of   Ab s olut e   Diff e re nce  ( SAD)  is  us e d  i n  [ 25 ]   f or   m easur i ng  the  dif f eren ce   bet wee n  the   tw o   vi de o  f ram e   blo c k,  a s it  is hi gh ly  ef fici ent.   The  l ow e r valu e o f  S AD m ea ns  the  h i gh e r  si m il arity b et we en  the  tw o bloc ks . It   is cal culat ed us ing  e q.1.      ( 1 , 2 ) = ∑ ∑ | ( , , 1 ) − = − 1 = 0 ( + 1 , + 2 , 2 ) | = − 1 = 0   (1)     I n p u t                                                              Jo b   C h u n k   S l a v e     Jo b   M a st e r   U se r   Jo b   C h u n k   M a p   Da ta   S p li t   Da ta   S p li t   R e d u c e     R e du c e   M a p   M a p   O u t p u t                   H D F S     F r a m e   1   F r a m e   2   F r a m e   n   Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec & C om p  Eng   IS S N: 20 88 - 8708     Pos t  Eve nt Inv est iga ti on  of M ulti - s tre am Vid eo Da t a Uti li zi ng Ha doop Cl us te r   ( Jyoti  P arsola )   5093   wh e re  ( 1 ,  2 )  ={ - z  ≤   1 , 2   ≤ z }     Moti on v ect or   (m v)  = ( 1 ,  2 ))  |m i n  sa d ( 1 ,  2 ) )           (2)       In   (1)  &  ( 2)  ( ,)   a nd  ( , )  dis play s   the   intensit y  of   pi xel s  in  the  earli er  an d  prese nt   fr am e   su bse que ntly .  SAD( 1 ,  2 )  is  the  total   value   of  abs olu te   diff e r ence  at   the   pi xe l  locat ion   1 ,   2     [ - z,  z]   is  the   search  a rea in  t he  searc h win dow . m v  ind ic at es the m otion  v ect or at sm all est  r at e o f SA D  com pu te d  i n fr am es  distant  with  ti m e    t 1   and  t 2 .  Dim ension   of  m ot ion   blo c k  i s  ch os e n  for  16   x  16  a nd  sea rc h  window  siz e  is  of  32  x32 pixels .   The  jo b  of  co m pu ti ng   m otio n   vect or   in  t he   scop e  betwe en  [ - 31,  32 ]   i nto   f ram es  of  a  vi deo   is   com pu ta ti on al ly   hig h  pr ic e d,   as  a  resu lt   sear ch  is  sta rted   w hen ,  m otion   bl ock   is  on   t he  s a m e  po sit ion   of  the   ref e ren ce  f ram e   i.e.  blo ck  a nd  searc h  wind ow   are  c oin ci di ng   in  m idd le .  If   there  is  no  change  the n  val ue  of  SAD  is  zero   a nd  if  a  bl ock   i nc lud es  m ov em e nt  then  blo c k  presents  the  m axim u m   value  of   abs olu te  d iffe ren ce   SAD o   is c om pu te d wit h  t he  e x.(3):       0 = ∑ ∑ | ( , , 1 ) − = − 1 = 0 = − 1 = 0 ( , , 2 )   (3)     wh e re a  , b i ndic at es p os it io n of pi xel in ea rlie r  ( ref e re nce) a nd prese nt  f ra m e.   Adding  to   this   a   thres hold   ( th )   is  e nforce d   to  SAD o   to  decr ease   proce ssing   ti m e.  It  helps  t o  dete r m ine  wh et her to   i niti al iz e the searc h or n ot  on   the  basis  of ex . ( 4).           Searc h Deci sion   =                            (4)         Fo r  eac h   bl oc k  m i ld  th   can  be   fixed   as  par t   of   25 6  X  15= 3840  w her e ,  256  is  16   X  16   blo c k  pi xel   value. Pa rt v al ue  li es  within t he ran ge of ( 0. 4  , 0 .1).   The  resu lt a nt  is   a  set   of  m otion  vect or.  Acc um ulati ng   al l  the  re su lt s  for  e ver y  fr am e  of   a  vid e o  final   m ot ion   is   pl otted.   I n  orde r  to   fin d  out  the   m ot ion   detect ion  w e  us e  SAD  to   detect   th e  m otion   in   th e  vi de o  fr am es  as  afor e m entione d.   Ma p  f un ct io n  read s  t wo   fra m es  as  an  in put  an d  s plit s  each  f ram e  into  32   by  32   pix el   siz e  blo c ks   a nd  each   bl ock  is  assig ne d  a  key  a nd  val ue  c on ta ini ng  the  32   by  32  bl ock  an d  t his  outp ut  is   cal le d  as  interm ediat e  data.  Each  key  val ue   pair  is  passe d  to  the  re du c e  functi on   in  s uch   a  m ann er  that  the   values  co ntaini ng  the  sam e  ke y  is  passe d  to   the  sam e  reduc er.  T he  ta s k  of  m otion   detect ion  is  pe rfo rm e d  by  the r e duce f un ct ion  a n d i t fin ds  t he  m ov in g object  base d o n  m otion  se gme ntati on .     3.3.   Result  A cc um ulat i on   Finall y  al l  the  resu lt s  c om pu te d  by  va rio us   re ducers   f or  al l  the  bl oc ks   of   t he  vi de o  f ram e  are   accum ulate d  a  final   outp ut  i s  obta ine d  dis play ing  the  m ov i ng  obj ect   on  t he  c orres pond i ng  vid e o  fra m es.  Algorithm   3  s hows  t he  data  accum ulati on   process .   T his  a ppr oach   ca n  be   us e d  to  detect   the  eve nt  in   m ulti ple  stream s  wh ere   the  po s sible  ti m e  of  occ urre nce  of  the   ev e nt  is  pro vid e d  by  the   use r.  It   can  be  obser ve d  from   the abo ve  e xp l anati on that  ou r propose d  a pp ro ac h  ca n  ac hi eve th e  foll owing     Eff ic ie nt  Sto r age  of  m ulti - stream   vid eo  data  acc um ula te d  f ro m   num ero us  cam eras  de plo ye d  f or   su r veill ance i nto  the  HDF S.      Extract  data  ba sed o n  the  tim e  of  occurre nce  of eve nt  prov i de d by the  us e r.     Ana ly ti cs of th e m assive d at a  with Ma pRed uc e in s hort ti m e.     Alg o rith m  3: Dat a  Accu m u latio n   Inpu t :  Motio n  Ve cto r  f o r  ev ery f ra m e   O utp ut :  Mov in g  Object      Step1 :  Motio n  vecto rs ar e  ob tain ed  f o r  ev ery  set  of                          v id eo  f ra m es.     Step  2 : Resu lts ar e  accu m u lat ed .     Step  3 : M o tio n  vecto rs ar e  plo tted  ac co rdin g  to th e us er                           q u ery       4.   RESU LT S  &  PERFO R MANC E E V ALU ATIO N   We  hav e  ana ly zed  perform ance of  our pro posed fram ewo r k i n  the  foll owin g  m ann er;     By   m easur in g  t he  c om pu ta ti on  ti m e fo r vary ing   1            If   SAD o <th     0          oth erwise   Evaluation Warning : The document was created with Spire.PDF for Python.
      IS S N : 2088 - 87 08   In t J  Elec  &  C om p  En g,   V ol.  8 , N o.   6 ,  Dece m ber  2 01 8   :   5 089   -   5 097   5094   1)   nu m ber   of r e ducers  (w orker s )   2)   nu m ber   of no de s buil ding cl ust er     Com pu ta ti on al  eff ic ie nc y f or  higher  p i xel r e so luti on  vid e o fr am es b y va ryi ng  t he  siz e  of  vid e o fr am e.         (a)     (b)     (c)     (d)     Fig ure  4 .   Sh adow  [ 28]  ( a ) or i gin al   fr am e (b)  seg m ented  m ov in g object a nd  B as el ine  [ 28 ]   ( c ) Ori gin al  fr a m e   ( d )  Se gm ented m ov ing   obj ect         (a)     (b)     (c)     (d)     Fig ure  5 .   I nter mitt ent Objec t  Motio n   [ 28]  ( a ) or igi nal fram e ( b)   segm ented  m ov in g obje ct  an d  G rou nd  Tru th   [29] ( c ) Ori gina l fr am e ( d )  Se gm ented  m ov ing o bject         (a)     (b)     (c)     (d)     Fig ure  6 .   CAVI AR_ Meet _Wa l kToget her 1   [30 ]   (a)   Or i gin al   f ram e (b ) Segm ented  m ov i ng  obj ect  a nd  CA VIAR _   walk3  [30]  ( c ) Ori gin al  fram e  ( d ) Segm ented  m ov ing   obj e ct       The  pro posed  work   is  i m plem ent ed  on   I nt el   cor e  i5  3.10  GH z  with  4  GB  of   m e m or y  on   Ubu ntu   12.04  as  a n  op erati ng   syst e m   Hado op   ve rsion  is  1.2 .1.  We  hav e   us e d  5  a nd  10  nodes   cl ust er  f or   perf orm ance   evaluati on. W e   hav e  e valuate d  pe rfor m ance  by  var yi ng  file   siz e  an d  data  s iz e  of   a  cl us te r   and   it s  aff ect  o n  the  com pu ta ti on   ti m e.  Detect ion  of  m otion   is  dri ven  on  vid e o  fr am es  (graysc al e)  with   pix el   siz e  256  X  25 6,   512  X  512  a nd  1024  X   10 24.  C olored   vi deo  f ram e  are  conv erted  t o  gr ay s cal e  befor e   pr ocessin g.  Ca lc ulate d  mo t ion   detect ion o n   var i ou s  vid e o  sequ e nces  is  dis play ed  on  fig ure   4  to  6.   Ja va CV  wh ic h  i s  wr ap per   f or  O pe nCV   li br a ry  [31 ]   is  us ed  to   plo t  m otion   vector .  Fi g ure   4  to  6  show s  th e  or igi nal  fr am e  and   the  c orre sp on ding  segm ented   fr am es  wh e re  m ot ion   is  i dent ifie d .  E xperi m ent  is  com pute d    on  sta nda rd  dataset   acce ssible  ope nl y  Chan ge   Detect ion   Be nc hm ark   [ 28 ] ,   Lab or at ory   f or   Im age   &  Me dia  U ndersta ndin g  (LI M U)   [29 ] ,  C on te xt  Aw a re   Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec & C om p  Eng   IS S N: 20 88 - 8708     Pos t  Eve nt Inv est iga ti on  of M ulti - s tre am Vid eo Da t a Uti li zi ng Ha doop Cl us te r   ( Jyoti  P arsola )   5095   Visio n  Using  I m age - Ba sed   A ct ive  Re cogniti on   (CA VIAR)  [30 ] .  For  analy zi ng   Ma pRe du ce  perfor m ance  for  m ot ion   detect i on   al gorithm ,  Hado op   Ma pR edu ce  Cl us te r  i s  est ablishe d.   The  cl us te r  co ns ist s  of  9  sal ve   nodes  and 1 m ast er n od e .   Our  propose d  fr am ewo r k  e ff i ci ently   reduces   the  sto rag e   spa ce  in  H DFS  a nd  the  resu lt s  of   data  siz e  reducti on  are  s how n  in   Ta ble   1 .  Fi rst  col umn  of  the  ta ble  r epr ese nts   the  ori gin al   data  siz e,  seco nd  col um n  is   the  data  siz e  w hich  is  re duce d  w he n  only   al te rn at e  fift h  f r a m e  is  stored   t he  data  reducti on   pro duced  is   about   80  - 85  %  an d  thir d  colum n  disp la ys  the  data  siz e  red uctio n   achieved  by  the  com pr essio n  due  to  the  sequ e nc e   file   ge ner at io n  and  the  c om pr ession  is  ab out  80%.  The  res ult  cl early   sho ws  the   ef fici en cy   of   our  a ppr oach  i n  te rm s o f  sto rage.       Table  1 .   Stora ge  sp ace  r e du ct i on in H DF S .   Origin al Data  Size   Red u ced Data size       Seq u en ce Fil e co m p ressed  data   5 0 0  M B   1 0 0  M B   2 0  M B   1  GB   2 0 4 .8 MB   4 0 .96  M B   1 .5 GB   3 0 7 .5 MB   6 1 .6 MB   2  GB   4 0 9 .6 MB   8 1 .92  M B   2 .5 GB   5 1 1  M B   1 0 3 .2 MB       4.1.   Perfo r ma nce  Eva lu at i on   on Mul ti Node  Cl ust er   1)   A naly sing   ta sk  e xec ution t i m e w it h  va ryi ng num ber   of   node s in  the cl ust er.   The  e xtensi bili ty   and   rob us tn ess  of  the  fram ewor k  is  eval ua te d  by  a naly sing  the  m ulti   st ream   vid eo   data  on  va rio us  no des  of  the   cl us te r .  E xper i m ent  is  exec ut ed  with  diff e r ent  nu m ber   of  node s  t o  be  a ble  t o  unde rstan d  s pe ed up. Pa rall el  sp ee d up  S p is  m e asur e d  a s  giv e n by e. q.   ( 5 )         = 1                    (5)     wh e re  T 1    is   th e  total   e xecu ti on  ti m e  cal cul at ed  in   on e   node   cl us te r  a nd  T n   is  the   total   exec utio n  ti m e  cal culat ed  in  n  node  cl ust er  wer e  n  >  1.   va lue  of  S p   s hows  the  num ber   of   tim es  par al le l  execu ti on  is  fa ste r  than  r unning  t he  sam e  Ma pRedu ce   al gorith m   on   the  si ng l e  node   cl us te r .     I f  it   is  gr eat er   than   1,  it   entai ls  that   there  i s   at   le a st  so m e  gain  from   do in g  t he   w ork  i n  paral le l.   Exec utio n  ti m e  fo r   vi deo  f ram es  of  pixe l  reso l ution  25 6  x  25 6,   512  X   512  a nd  10 24  X  10 24  in  se qu e ntial   (a  si m ple  j ava  pro gr am )  an d  Ma pRed uce   cl us te r of v a rio us   nodes  and    c om p uted  s pee d u p  is s how n  i n F ig ur e  7.   T he pr ocessi ng tim e is the t otal t im e to   cal culat e  m oti on   detect ion   in   the  required   da ta   siz e  and   w e  hav e  searc he d  100  MB   data   in  the  HD F S  as  well   as in se quentia l and f ur t her pe rfor m ed  m otion   detect ion i n  t he respecti ve   da ta .             Fig ure  7 .   S pee d up f or m otion   detect ion al gorithm  o f  a ) 2 56  X 256  pix el   r esolutio n vide o fr am e w it h  diff e re nt num ber   of   node s in   a Ma pRed uce  cl us te r b) 5 12  X 51 2 pixel  res olu ti on  vid e o f ram e  with d if f eren t  nu m ber   of no de s in  a  MapRe du ce  cluster  c)   1024  X 102 4 p ixel   res olu ti on  vid e o fr am e  wi th d if fer e nt  num ber   of no des  in  a  Ma pRed uce cl us te r.       4.2.   Analysin g  T ask Exec ut io n T im e  by  V ar yin g Numb er   of   Redu cer s  ( Wor kers )  Perf or mi ng   th e  Job   We  ha ve  al so   analy zed  the  pe rfor m ance  of   m ot ion   detect ion   al gorit hm   b y  var yi ng   the  nu m ber   of   reducer s  ( wor ke rs).  Fig ure   8  sh ows  t he  ou tc om e  of   dif fer e nt  num ber   of  r edu ce r  for  va ri ou s   volum es  of  data   and  va rio us  pi xel  siz e  vid e o  fr am es.  W e  al s o  te ste d  exec ut ion   ti m e  by  va ryi ng  m ap  ta sks  but  r esults  w ere  no t   0 1 2 3 4 5 0 0 MB 1 GB 1 . 5 GB 2  GB 2 . 5 GB 5 nodes  (se cs) 0 1 2 3 4 5 0 0 MB 1  GB 1 . 5  GB 2  GB 2 . 5  GB 5  node s 1 0  no des 0 2 4 6 8 5 0 0 MB 1  GB 1 . 5  GB 2  GB 2 . 5  GB 5  node s 1 0  no des Evaluation Warning : The document was created with Spire.PDF for Python.
      IS S N : 2088 - 87 08   In t J  Elec  &  C om p  En g,   V ol.  8 , N o.   6 ,  Dece m ber  2 01 8   :   5 089   -   5 097   5096   rem ark able.  E xe cution  ti m e  fo r  sm al le r  data  vo l um e  is  almost  sim i la r  but  for  la r ger  data  vo l um e  red ucti on  in   processi ng tim e is achie ved c on si der a bly.   T he  ta ble  cl early  shows that i t i s not  necessary  that      Fo r  lo w res olu t ion   vid e o fr am e 250 -   300 re ducers  on a n  a ve rag e  provide s  good  resu lt s.       Fo r  h i gh r e so l ut ion   vid e o fr a m e 5 00 -   70 0  re du ce rs o n  a n  a ver a ge pr ovide s good res ults.   Th us   this   gi ve s  pri or  in form at ion   t o  set   th e  num ber   of  r edu ce rs  f or  co m pu ta ti on   as   f ind in g  t he   nu m ber   of r e ducers  pr ov i ding e ff ic ie nt  res ul t i s a tedio us  t ask.          (a)     (b)     (c)     Fig ure  8 .   Moti on d et ect io n  c om pu ta ti on  tim e  for   (a) 2 56  X 256  pix el s   (in  s econds )  siz e  vi deo f ram e  of  var i ou s  d at a  siz e w it h va ryi ng  nu m ber   of r e du ce rs ,   ( b) 51 2 X  512 (i n  sec onds)  pix el   siz e  vid e o of va rio us  data siz e  with  var yi ng  num ber   of   re du ce rs ,  ( c)  1024  X 102 4 (in sec onds)  pix el  size  vid e o fr am e o f vari ou s   data siz e  with  var yi ng  num ber   of   re du ce rs       5.   CONCL US I O N   We  ha ve  pro pose d  and   im ple m ented  an  effi ci ent  app r oac h  for  pe rfor m ing   po st  eve nt  inv est igati on   on  m assive  volum e  of   su r veill ance  data  w hi ch  is  on e  of   t he  chall en ges  of   Vide o  S urv ei ll ance  syst e m .  W e   hav e   use d  Ha doop  HDFS  f or   distri bu te d  stora ge  a nd  Hado op  M ap Re du ce   f or  pa rall el   and  di stribu te d  processi ng  of  m assive  accu m ula te d  m ulti - stream   vid eo  data.  We  ha ve   pro posed   a n  al gorithm   fo r  eff ic ie nt   storing  vid e o  da ta   in  the  H DFS.  He nce   wh e n  an  eve nt  is  trigg e re d  we  a uto m atical ly  extract  data  base d  on   t he   tim e  of   occurr ence  of  eve nt  a nd   process  it   f ur t her   to  fin d  use fu l  in form at i on.   To  pro ve  the  com petence   of   our   pro po se d  a ppr oach   i n  ha ndli ng   a nd  pro cess ing   e xtrem el y  huge  data,  we  hav e  im ple m e nted  m otion   de te ct i on  al gorithm  in  H adoo p  cl ust er.     Hado op   cl us te r   c on si sts  of   m a xim u m   of   10   node s.  O ur   e xpe rim ent  resu lt   pr eci sel y  ind ic at es  that  the   com pu ti ng   peri od   is  s horte ne d,   w hen   pix e l  reso l ution   of   vid e o  fr am e  i s  increase d.   We  al so  analy zed  the   perform ance  by   m easur ing   t he   com pu ta ti on  tim e  fo r  va ryi ng  num ber   of  re du ce rs   ( wor kers).  N et w ork   la te ncy  al so   aff ect s  th e  e xecu ti on  ti m e  in  a  c luster.  To  so lve  thi s  issue  exec ution   ti m e   can  be  fu rt her   im pr ov e d .  More ov e r  th rough  the  i ncr e m ent  in  nu m ber   of  no des  of   a  cl us te r ,  c ompu ta ti on  tim e  can  be  c ut  do wn   m or e .  Our  f ram ewo r k  is  r obus t  a nd   can  c op e  with   var yi ng  nu m be r  of  nodes  i n  the  cl us te r  as  w el l  as  increasin g  data   vo l um e.  Had oop  perform s  e xcell ent  for  ap plica ti on   w hic h  nee d  sim il ar  ta sk   to  be  perf or m ed  in  disti nct   data   siz es ;  hen ce   ap plica ti on   re qu i rin g  dif fer e nt  job s  to  be  pe rfo rm ed  in  var ious  data  set s  in  a li gn ed  m ann er  is  no t   po s sible  with  Hado o p M apR edu ce .       REFERE NCE S   [1]   J.   Dea n  and  S.  Ghem awa t,   " Map  Reduc e:   Sim pl ifi ed  D ata  Proce ss ing  on  La rge   Cluste r " ,   ACM  Comm un . ,   vol.   5 1,   no.   1 ,   pp .   107 – 1 13,   2008 .   [2]   R.   Pere ira,  K.  B rei tman,   " A  Clo ud  Based  Arch itect ur e  for  Im proving  Video  Co m pre ss ion  Ti m e  Eff i ci en c y :  Th e   Split   &Me rge   A pproa ch " ,   In  3rd   IEEE  In t. Conf .   on  Cloud  Comp uti ng   ( CL OU D ) ,   pp.   482  –   489,   2 010.     [3]   H.   Ta n   and  L.   Chen,   " An  appr oac h  for   fast  an d  par a ll e l  vid eo  proc essing  on  A p ac he   Hadoop  c luste rs " ,   IE EE   I nt .   conf .   on   Mu lt ime dia  and  Ex po   ( ICME) ,   vol.   1,   no .   6 ,   2014 .   [4]   C.   L iu,  et al . ,   " A   distri but ed  v ideo share   s y stem b ase d  on  Hadoop " ,   in   IEEE  3rd I nt.   Con f.   on   Clo ud  Computing  a nd   Inte lligen ce Sy st ems ( CCIS ) ,   pp.   587 - 590,   Novem ber ,   2014 .   [5]   X.  Li u,   et   al .   " A  Distribut ed  Video  Mana geme nt  Cloud  Plat for m   U sing  Hadoo p " ,   IE EE   Acce ss ,   vol.   3 ,   no.   1,   p p.   2637 - 2643,   201 5.   0 200 400 600 800 1000 1200 1 0 0 1 5 0 2 0 0 2 5 0 3 0 0 3 5 0 0 200 400 600 800 1000 1200 5 0 0 MB 1  GB 1 . 5 GB 2  GB 2 . 5 GB 1 0 0 1 5 0 2 0 0 2 5 0 3 0 0 3 5 0 0 500 1000 1500 3 0 0 5 0 0 7 0 0 8 0 0 1 0 0 0 Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec & C om p  Eng   IS S N: 20 88 - 8708     Pos t  Eve nt Inv est iga ti on  of M ulti - s tre am Vid eo Da t a Uti li zi ng Ha doop Cl us te r   ( Jyoti  P arsola )   5097   [6]   Yasee n,   et   al . ,   " Cloud - base d  sc al ab le   obj ec t  d e te c ti on  and  cl as sific a ti on  in  v id eo  strea m s " ,   Fu t ure  Gene ration  Computer  Sys tem s ,   vol. 80, pp.  286 - 298,   2018 .     [7]   J.  Parsola,   e t  al .,   " Eff icien t  Stor age   and  Proc essing  of  Video  Data   for  Moving  Objec t  De te c ti o n  using  Hadoop  MapReduc e " ,  in   Int.   Conf.   on  S i gnal,   Net works ,   Computing  and  Syste ms   ( ICNCS - 2016) ,   JN U,  N ew  Delhi ,   Ind ia ,   2016 .   [8]   J.  Cohen,   " Graph   twiddl ing  in  a  MapReduc e  wor ld " ,   Computing  in  Sci ence  &   En gine ering ,   vol.   1 1,   no.   4,   pp.   29 - 41,   2009 .   [9]   J.  M y ung,   S.G  Le e ,   " Expl o it ing   int er - op erati on  par allelism   for  m at rix  ch ai n  m ult iplication  usin g  MapReduce " ,   J.  on  Super  Compu ti ng.   vol.   66 ,   no . 1,   pp .   594 - 609 ,   2013.     [10]   H.  W ang,   et   a l .,   " Eff icient  quer y   pro ce ss ing  fr a m ework  for  big   data  ware hous e :  an  al m ost  joi n - fre e  appr oa ch " ,   Fronti ers of   Co mputer  Scienc e ,   vol.   9 ,   no .   12 ,   pp .   224 - 236 ,   2015 .   [11]   J.  Ahn   et   al .   " SigM R:   MapReduc e  base d  SP ARQ L  quer y   pro ce s sing  b y   signa tur e  enc oding  and  m ult iwa y   joi n " ,   J.  on  Super  Compu ti ng , vol .   7 1,   no. 10,   pp .   3695 - 37 25,   2015 .   [12]   M.   Yam amoto  a nd  K.   Kan eko,  " Para llel  image  d at ab ase   pro ce ss i ng  with  m apr ed uce   and  p erf orm anc e   ev al ua ti on   in  pseudo  distri bu t ed  m ode " ,   Int. J.   on  E lectronic C omm erc e  Studies ,   vol .   3 ,   no .   2 ,   pp . 211 - 228.     [13]   H. D  Zhu,   et   a l .,   " Para ll e l  Im age   Te xtur e  Feat ur e  Ext ra ct ion  und er   Hadoop  Cloud  Plat form " ,   Int el l i gent   Computing  Theory.   Springe r Int .   Publishing .   459 - 465 .   [14]   W .   Prem cha isw adi ,   e t  al ., "   Im proving  per f or m anc e  of  cont e nt - base d  image   ret rie v al   sche m es  using  Hadoop  MapReduc e " ,   I E EE   In t. c onf .   on   High  Pe rform an ce   Comput ing  a nd  Simulation ( HPCS) ,   pp.   615 - 620,   2013 .   [15]   T. D.  Gam ag e,   e t  al ., "   Im age  filt eri ng  with   Map Red uce  in  pseu do - distri buti on   m ode " ,   IEEE  co nf.   on  Moratuwa  Engi ne ering  R ese arch  Conf ere nc e  ( MER Con) .   16 0 - 164,   2015 .   [16]   T.   Li u ,   et   a l . ,   " SEIP:  S y stem  for  Eff icient   Im age   Pro ce ss ing  on  D istri bute d  Pl at for m " ,   Journal  of  Computer  Sci ence   and  Technol og y,  vol .   30,   no.   6,   p p.   1215 - 1232 ,   2 015.   [17]   G.  Bat hl a,   e t  al .,  " A  Novel  Approac h  for  c lust eri ng  Big  Dat a  base d  on  MapReduc e " ,   Int .   J .   o f  El e ct rica l  and  Computer  Engi n ee ring ( IJE C E) ,   vol.   8 ,   no .   3 ,   pp .   1711 - 1719,   201 8.   [18]   A.  Anjum ,   e t  al .,  " Vid eo  stre a m   ana l y sis  in   clouds :  An  object   detec t ion  and  c la ss ifi c at ion   fra m ework  for  hig h   pe rform anc e   vid eo  an aly t ic s " ,   IE EE   Tr ansacti ons   on  Cloud   Computing ,   2016.   [19]   A.  Azli ,   " Distri bute d  visua l  en hanc ement  on  surveil l anc e  v id eo  with  Hadoo p  Mapre duce  a nd  per form anc e   eva lu at ion   in   pse udo  distri bu te d  m ode, "   Australi an  J. of B asi c  an d  Applied  S cienc es,   vo l.   8,   no. 9 ,   p p. 38, 2014   [20]   P.S.G  Aruna  Sri  and  M.  Anus ha,   " Big  dat a  surve y " ,   Indone sian  J ournal  of  El ectri cal   Engi n ee ring  and  Informatic s ,  vol.   4 ,   no .   1 ,   201 8.   [21]   S. A.  Tha n eka r  et   al . ,   " A  Stud y   on  MapR edu ce :  Ch al l enge s  and  Tre nds " ,   In donesian  Journ al  of  E le c tric al   Engi ne ering  and   Computer  Sc ie n ce ,   vol .   4 ,   no . 1,   2016.   [22]   D.  Gangodka r  et   al .   " Robust  segm ent at ion  of   m oving  vehi cles  under   complex  outdoor  con dit ions " ,   IEEE   Tr ansacti ons on Intel l .   Tr ansp.  S ys. ,   vol.   13,   no.   4,   pp .   1738 - 175 2,   2012 .   [23]   W . E. L  Grim son  and  C.   St auf fer ,   " Adapti v e  ba c kground  m ixt ure   m odel s  for  re al - ti m e  tracki ng " ,   In  IE EE   Con f .   Comput  Vi sion   a nd  Pattern  R ec o gnit ion ,   vol .   1,   p p.   22 – 29 ,   1999 .   [24]   Z.   Yu  and  Y.   Chen,   " A  rea l - t ime  m oti on  det ecti on  al gorit hm   for  tra ffic   m onit ori ng  sy st ems   base d  on  conse cut iv e   te m pora l  d iffe r e nce " ,  In7th   Conf   of Asian  Contro l  Conf ere nce   ( ACC) ,   pp .   1594 - 1 599,   2009 .   [25]   D.Gangodka r  e t   al .   " Segm entat ion  of  m oving  obje c t s  in  visib l e  and  the rm al  vide os " ,   Int .   Co nf  of  Comput er   Comm unic ati on  and  Informatic s  ( ICCCI ) ,   pp.   1 - 5 ,   2012 .   [26]   W hit e. T . :  Hado op:  Th e  Def ini t i ve  Guide .   Yahoo   Press   (2010)   [27]   Holm es,   A.:   H ad oop  in  pr actice.  Manning  Publi c at ions Co . (2012)   [28]   Change   De tecti o n  Benc hm ark .   A vai l abl e :  ht tp: / /wordpre ss - jodoi n. dm i. usherb. c a/ d at ase t2014/   [29]   La bora tor y   for   I m age   &   Med ia  Understa nding  ( LIMU).  Avai la b le :   htt p :/ / li m u. ait . k y ushu - u. a c. jp / dat ase t/ en /   [30]   Conte xt   Aw are   Vision   Us ing  I m age - Based  Acti ve   Rec o gnit ion  (CAV IAR).   Avai la bl e   htt p://hom epa ge s.inf . ed . a c. uk /rbf /CAVIA RDA T A1/      [31]   Open  Source   Co m pute r  Vision  ( OpenCV) [Onli n e] .   Ava ilable:    ht tp: // op enc v . will o wgara ge . com/wi ki/   Evaluation Warning : The document was created with Spire.PDF for Python.