CN109919033A - 一种基于边缘计算的自适应城市寻人方法 - Google Patents

Abstract

本发明公开了一种基于边缘计算的自适应城市寻人方法，所述方法包括以下步骤：将监控视频转化为视频帧，选择上传的视频帧，过滤冗余视频帧，寻找待上传视频帧，并将寻找到的视频帧上传至边缘服务器；对上传的视频帧行人进行行人检测，将检测到的一定比例的行人进行行人重识别，输出行人的特征；边缘服务器定时将识别到的和寻找目标相似度最高的K个行人上传至云服务器；利用云服务器上的行人重识别模块对剩余比例的行人进行重识别，云服务器和边缘服务器的识别结果结合，并定时将识别到的与寻找目标相似度最高的K个行人返回终端处理。本发明克服了集中式计算量大、能耗高、响应时间长的缺陷，通过过滤冗余的视频帧降低计算量，同时降低了计算能耗和响应时间。

Description

一种基于边缘计算的自适应城市寻人方法

技术领域

本发明涉及边缘计算领域，更具体地，涉及一种基于边缘计算的自适应城市寻人方法。

背景技术

随着交通的日益发达和流动人口的增加，城市中走失的人口呈上升趋势，丢失人口往往因寻人效率低下而不能快速找回甚至从此杳无音信，所以怎样利用新技术进行快速有效地寻人亟待解决。互联网技术兴起之前，张贴寻人启事是主要途径，这种传统的做法由于效率低、成功率小等缺点已被逐渐淘汰。随着互联网技术的发展，城市寻人已逐渐转变为网络寻人，各大互联网公司，如阿里巴巴、新浪、今日头条，相继推出了各自的寻人服务，特别是社交平台的出现，使得丢失人口的信息能够被快速地传播，从而扩大了寻人范围，提高了寻人效率和成功率。但已有的这些网络寻人服务本质上还是人工寻人，成功率并未显著增加。

城市中分布着大量的视频监控，如广州、上海等一线城市的摄像头已达到数十万书数量级，城市的重要部位已经全部覆盖，这些摄像头实时地捕捉到了大量的行人信息，如何有效地利用这些视频监控实现城市寻人的自动化将成为下一个热点。计算机视觉领域的行人检测和行人重识别技术的日趋成熟为自动地、智能地城市寻人提供了有效的实现途径。行人检测是判断视频序列或者图像中是否存在行人并且给出精确定位的技术，行人重识别是判断视频序列或者图像中是否存在目标行人的技术，两者的结合可以很自然的应用到城市寻人。行人检测技术检测监控视频中的行人，而行人重识别对行人进行识别，进而实现全自动的城市寻人系统。

按照上面的思路，传统的实现方式是将寻人服务部署到云中心集中地处理，然而视频监控产生的数据是非常庞大的，将如此庞大的数据全部传至云中心处理会占用大量的带宽以及消耗大量计算负载，所以传统的云计算模型因数据传输速度、计算负载等的约束不能完全高效地处理海量的视频数据。随着万物互联时代的来临，一种可以在网络边缘处理数据的计算模型：边缘计算应运而生，它通过将传统云计算中的计算任务部分或完全迁移到网络边缘设备(如边缘服务器、终端)上，来降低云中心的计算能耗、缓解带宽压力以及降低响应时间。

发明内容

本发明为克服上述现有技术中行人检测和行人重识别集中式计算计算量大、能耗高、响应时间长的缺陷，提供一种基于边缘计算的自适应城市寻人方法。

本发明旨在至少在一定程度上解决上述技术问题。

本发明的首要目的是为解决上述技术问题，本发明的技术方案如下：

一种基于边缘计算的自适应城市寻人方法，所述方法包括以下步骤：

S1：通过边缘节点将监控视频转化为视频帧，选定开始上传至边缘服务器的视频帧为第f_o帧，设置视频帧之间的相似度阈值，将第f_o帧之后的视频帧分别与第f_o帧计算相似度，寻找第一个相似度小于相似度阈值的视频帧，并将寻找到的视频帧放入待上传队列Trigger_frame中，并按队列顺序将视频帧上传至边缘服务器，同时将寻找到的视频帧作为上一次上传视频帧，继续寻找当前待上传视频帧；本发明通过设置视频帧之间的相似度阈值能够过滤掉冗余的视频帧，极大的降低了行人检测和重识别的时间。

S2：将上传至边缘服务器的视频帧输入行人检测模块进行行人检测，并输出检测到的行人，将检测到的行人中占比为n的行人输入至边缘服务器的行人重识别模块进行行人重识别，并输出行人的特征；同时将检测到的行人中占比为m的行人上传至云服务器；边缘服务器和云服务器的重识别任务的比例值按照两者之间的带宽来分配；边缘服务器根据自身剩余资源和行人重识别模块所占资源自动调整行人重识别模块的数目；边缘服务器定时将识别到是和寻找目标相似度最高的K个行人上传至云服务器；边缘服务器对部分行人进行重识别，与此同时，会上传其余的行人至云服务器进行重识别，通过这个并行的设计，有效地降低行人重识别过程的时间消耗。

S3：利用云服务器上的行人重识别模块对剩余占比为m的行人进行重识别，云服务器根据自身剩余资源和行人重识别模块所占资源自动调整行人重识别模块的数目；云服务器的识别结果和边缘服务器的识别结果结合，并定时将识别到的与寻找目标相似度最高的K个行人返回终端处理。

进一步地，边缘服务器设置视频帧之间的相似度阈值用于过滤相似的视频帧，具体实现方式如下：

S1.1：计算上一次上传的视频帧的直方图H_l；

S1.2：计算当前视频帧的直方图H_c，并计算其与H_l的相似度S(H_l,H_c)，所述相似度计算公式如下；

其中，H_l(k)表示上一次上传的视频帧的直方图，H_c(k)表示当前视频帧的直方图；表示直方图H_l的均值，表示直方图H_c的均值；

直方图的计算公式如下：

H(k)＝n_k/MN

其中，n_k为灰度级r_k对应的像素的个数，MN为视频帧的像素个数；

S1.3：若相似度S(H_l,H_c)小于相似度阈值则上传当前视频帧，若相似度S(H_l,H_c)大于或等于相似度阈值，则继续计算当前帧的下一帧与上一次上传的视频帧的相似度，直至计算出的相似度小于相似度阈值并将此时相似度对应的视频帧放入待上传队列Trigger_frame中并按顺序将视频帧上传至边缘服务器，同时将寻找到的视频帧作为上一次上传的视频帧，继续寻找当前待上传视频帧。

进一步地，所述边缘服务器包括的队列有：Received_Frames队列、Detected_Persons队列、Uploaded_Persons队列、Reid_Persons队列、Best_Persons队列；

所述Received_Frames队列用于接收边缘服务器节点上传的视频帧信息，视频帧信息的格式为：摄像头编号_帧下标；

所述Detected_Persons队列用于保存行人的信息，行人的信息为行人的命名，行人的命名格式为：摄像头编号_帧下标_行人编号；

所述Uploaded_Persons队列为需要上传至云服务器进行重识别的行人队列；

所述Reid_Persons队列为需要在边缘服务器进行重识别的行人队列；

所述Best_Persons队列为升序的长度为K的队列，用来存储边缘服务器识别到的和丢失人口最相似的K个行人，Best_Persons队列为动态变化的队列，重识别模块每识别一个行人都将更新Best_Persons队列；定义Best_Persons队列中最后一个行人P_k和待寻找人的特征之间的距离为d_k，下一个识别的行人P_next和待寻找人的特征之间的距离为d_next，若d_next<d_k，则删除P_k，并将P_next插入到Best_Persons队列中。

进一步地，所述边缘服务器与所述云服务器重识别任务的比例根据带宽进行动态分配，定义边缘服务器与云服务器识别一个行人的时间分别为T_e、T_c，所述定义边缘服务器与云服务器之间的带宽为B，行人的图片被调整为统一大小I；重识别任务分配方式具体如下：

S2.1:计算出边缘服务器与云服务器重识别的任务量之比为n/m，计算公式如下：

nT_e＝m(I/B+T_c)

其中n，m为满足公式的最小负整数；

S2.2:从Detected_Persons队列中依次取出n个和m个行人分别放入队列Reid_Persons和队列Upload_Persons里；所述重识别任务分配为动态不断执行的过程。

进一步地，边缘服务器和云服务器分别根据服务器自身剩余资源和行人重识别模块所占资源自动调整行人重识别模块的数目，具体步骤为：

第一步：边缘服务器或云服务器中的监听者监测边缘服务器或云服务器的剩余资源为R_e，并将剩余资源信息R_e发送给边缘服务器或云服务器中的控制者；

第二步：定义一个行人重识别模块所占资源为r，定义k＝R_e/r，其中k为能够容纳行人重识别模块的最大数目；

第三步：确定最优的行人重识别模块数目，选取的行人重识别模块的数目为s，其中s为正整数，s的取值范围为1≤s≤k，计算每个s对应的平均一次重识别的时间t_s，t_s'为实际监测到的一个行人重识别模块进行一次重识别的时间，由于同时有s个行人重识别模块进行重识别，所以t_s计算公式如下：

t_s＝t_s′/s

则最优的行人重识别模块数目为使得t_s最小的s。

进一步地，所述云服务器包括的队列有：Received_Persons队列和Final_Results队列；

所述Received_Persons队列保存接收的行人后将行人信息放入到队列中，行人信息为行人的命名，行人命名格式为：摄像头编号_帧下标_行人编号；

所述Final_Results队列为长度为K的队列，动态的存储云服务器上的重识别结果以及边缘服务器和云服务器结合后的最终重识别结果；定义Final_Results队列中最后一个行人P_k和待寻找人的特征之间的距离为d_k，下一个识别的行人P_next和待寻找人的特征之间的距离为d_next，若d_next<d_k，则删除P_k，并将P_next插入到Final_Results队列中。

与现有技术相比，本发明技术方案的有益效果是：

本发明通过边缘节点、边缘服务器、云服务器协同合作，克服了传统集中式计算量大、能耗高、响应时间长的缺陷，通过在边缘节点设置视频帧之间的相似度阈值来过滤冗余的视频帧大大降低了计算量，边缘服务器和云服务器的协同降低了云服务器的计算量和计算能耗，同时降低了响应时间。

附图说明

图1为基于本发明的系统结构示意图。

具体实施方式

下面结合附图和实施例对本发明的技术方案做进一步的说明。

实施例1

如图1所示，一种基于边缘计算的自适应城市寻人方法，所述方法包括以下步骤：

S1：通过边缘节点将监控视频转化为视频帧，选定开始上传至边缘服务器的视频帧为第f_o帧，设置视频帧之间的相似度阈值，将第f_o帧之后的视频帧分别与第f_o帧计算相似度，寻找第一个相似度小于相似度阈值的视频帧，并将寻找到的视频帧放入待上传队列Trigger_frame中按队列顺序将视频帧上传至边缘服务器，同时将寻找到的视频帧作为上一次上传视频帧，继续寻找当前待上传视频帧；本发明通过设置视频帧之间的相似度阈值能够过滤掉冗余的视频帧，极大的降低了行人检测和重识别的时间。

进一步地，边缘服务器设置视频帧之间的相似度阈值用于过滤相似的视频帧，具体实现方式如下：

S1.1：计算上一次上传的视频帧的直方图H_l；

S1.2：计算当前视频帧的直方图H_c，并计算其与H_l的相似度S(H_l,H_c)，所述相似度计算公式如下；

其中，H_l(k)表示上一次上传的视频帧的直方图，H_c(k)表示当前视频帧的直方图；表示直方图H_l的均值，表示直方图H_c的均值；

直方图的计算公式如下：

H(k)＝n_k/MN

其中，n_k为灰度级r_k对应的像素的个数，MN为视频帧的像素个数；

S1.3：若相似度S(H_l,H_c)小于相似度阈值则上传当前视频帧，若相似度S(H_l,H_c)大于或等于相似度阈值，则继续计算当前帧的下一帧与上一次上传的视频帧的相似度，直至计算出的相似度小于相似度阈值并将此时相似度对应的视频帧放入待上传队列Trigger_frame中并按顺序将视频帧上传至边缘服务器，同时将寻找到的视频帧作为上一次上传的视频帧，继续寻找当前待上传视频帧；

S2：将上传至边缘服务器的视频帧输入行人检测模块进行行人检测，并输出检测到的行人，将检测到的行人中占比为n的行人输入至边缘服务器的行人重识别模块进行行人重识别，并输出行人的特征；同时将检测到的行人中占比为m的行人上传至云服务器；边缘服务器和云服务器的重识别任务的比例值按照两者之间的带宽来分配；边缘服务器根据自身剩余资源和行人重识别模块所占资源自动调整行人重识别模块的数目；边缘服务器定时将识别到是和寻找目标相似度最高的K个行人上传至云服务器；边缘服务器对部分行人进行重识别，与此同时，会上传其余的行人至云服务器进行重识别，通过这个并行的设计，有效地降低行人重识别过程的时间消耗。

进一步地，所述边缘服务器与所述云服务器重识别任务的比例根据带宽进行动态分配，定义边缘服务器与云服务器识别一个行人的时间分别为T_e、T_c，所述定义边缘服务器与云服务器之间的带宽为B，行人的图片被调整为统一大小I；重识别任务分配方式具体如下：

S2.1:计算出边缘服务器与云服务器重识别的任务量之比为n/m，计算公式如下：

nT_e＝m(I/B+T_c)

其中n，m为满足公式的最小负整数；

S2.2:从Detected_Persons队列中依次取出n个和m个行人分别放入Reid_Persons队列和Upload_Persons队列里；所述重识别任务分配为动态不断执行的过程。

S3：利用云服务器上的行人重识别模块对剩余占比为m的行人进行重识别，云服务器根据自身剩余资源和行人重识别模块所占资源自动调整行人重识别模块的数目；云服务器的识别结果和边缘服务器的识别结果结合，并定时将识别到的与寻找目标相似度最高的K个行人返回终端处理。

边缘服务器和云服务器分别根据服务器自身剩余资源和行人重识别模块所占资源自动调整行人重识别模块的数目，具体步骤为：

第一步：边缘服务器或云服务器中的监听者监测边缘服务器或云服务器的剩余资源为R_e，并将剩余资源信息R_e发送给边缘服务器或云服务器中的控制者；

第二步：定义一个行人重识别模块所占资源为r(因为选定行人重识别算法之后，模型大小固定，算法的输入大小固定，所以所需的计算资源也是一定的)，定义k＝R_e/r，其中k为能够容纳行人重识别模块的最大数目，由于增加行人重识别模块必定会带来其它开销，所以最优的行人重识别模块数目小于k；

第三步：确定最优的行人重识别模块数目，选取的行人重识别模块的数目为s，其中s为正整数，s的取值范围为1≤s≤k，计算每个s对应的平均一次重识别的时间t_s，t_s ^'为实际监测到的一个行人重识别模块进行一次重识别的时间，由于同时有s个行人重识别模块进行重识别，所以t_s计算公式如下：

t_s＝t_s′/s

则最优的行人重识别模块数目为使得t_s最小的s。

本发明所述边缘服务器包括的队列有：Received_Frames队列、Detected_Persons队列、Uploaded_Persons队列、Reid_Persons队列、Best_Persons队列；

所述Received_Frames队列用于接收边缘服务器节点上传的视频帧信息，视频帧信息的格式为：摄像头编号_帧下标；

所述Detected_Persons队列用于保存行人的信息，行人的信息为行人的命名，行人的命名格式如下：摄像头编号_帧下标_行人编号；

所述Uploaded_Persons队列为需要上传至云服务器进行重识别的行人队列；

所述Reid_Persons队列为需要在边缘服务器进行重识别的行人队列；

所述Best_Persons队列为升序的长度为K的队列，用来存储边缘服务器识别到的和丢失人口最相似的K个行人，Best_Persons队列为动态变化的队列，重识别模块每识别一个行人都将更新Best_Persons队列此；定义Best_Persons队列中最后一个行人P_k和待寻找人的特征之间的距离为d_k，下一个识别的行人P_next和待寻找人的特征之间的距离为d_next，若d_next<d_k，则删除P_k，并将P_next插入到Best_Persons队列中。

所述云服务器包括的队列有：Received_Persons队列和Final_Results队列；

所述Received_Persons队列保存接收的行人后将行人信息放入到队列中，行人信息为行人的命名，行人命名格式为：摄像头编号_帧下标_行人编号；

所述Final_Results队列为长度为K的队列，动态的存储云服务器上的重识别结果以及边缘服务器和云服务器结合后的最终重识别结果；定义Final_Results队列中最后一个行人P_k和待寻找人的特征之间的距离为d_k，下一个识别的行人P_next和待寻找人的特征之间的距离为d_next，若d_next<d_k，则删除P_k，并将P_next插入到Final_Results队列中。

本发明引入靠近边缘节点的边缘服务器，降低了传输时延；边缘节点通过设置帧之间的相似度阈值，有效地过滤了相似的视频帧，不但降低了行人检测的时间消耗，还避免了冗余的行人被检测，进而使行人重识别过程时间有效降低；根据边缘服务器和云服务器之间的带宽分配重识别任务量，使行人重识别过程的时间性能整体最优；通过自适应于服务器的剩余资源以及行人重识别所占资源，自动调整行人重识别模块的数目，使得平均一次重识别的时间最小。因此，本发明提出的系统有效地降低了响应时间。搭建系统进行了仿真实验，结果表明，在保证准确率的前提下，系统的平均响应时间远远优于传统的云计算模型，低带宽时也能获得较小的响应时间。

如表1所示是基于本发明的架构与不同架构实现城市寻人时的平均响应时间对比。三种对比架构分别为：“边缘节点+边缘服务器”(EE)，“边缘节点+云服务器”(EC)以及“边缘节点+边缘服务器+云服务器”(EEC)，分别按照这三种架构来部署寻人服务，通过仿真实验得到本发明提出的方法(EEC)的平均响应时间远低于EE和EC。

表1平均响应时间对比表

架构类型	平均响应时间(秒)
		EE	450.74
EC	800.45
		EEC	309.58

相同或相似的标号对应相同或相似的部件；

附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制；

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (6)

1.一种基于边缘计算的自适应城市寻人方法，其特征在于，所述方法包括以下步骤：

S1：通过边缘节点将监控视频转化为视频帧，选定开始上传至边缘服务器的视频帧为第f_o帧，设置视频帧之间的相似度阈值，将第f_o帧之后的视频帧分别与第f_o帧计算相似度，寻找第一个相似度小于相似度阈值的视频帧，并将寻找到的视频帧放入待上传队列Trigger_frame中并按顺序将视频帧上传至边缘服务器，同时将寻找到的视频帧作为上一次上传视频帧，继续寻找当前待上传视频帧；

S2：将上传至边缘服务器的视频帧输入行人检测模块进行行人检测，并输出检测到的行人，将检测到的行人中占比为n的行人输入至边缘服务器的行人重识别模块进行行人重识别，并输出行人的特征；同时将检测到的行人中占比为m的行人上传至云服务器；边缘服务器和云服务器的重识别任务的比例值按照两者之间的带宽来分配；边缘服务器根据自身剩余资源和行人重识别模块所占资源自动调整行人重识别模块的数目；边缘服务器定时将识别到的和寻找目标相似度最高的K个行人上传至云服务器；

S3：利用云服务器上的行人重识别模块对剩余占比为m的行人进行重识别，云服务器根据自身剩余资源和行人重识别模块所占资源自动调整行人重识别模块的数目；云服务器的识别结果和边缘服务器的识别结果结合，并定时将识别到的与寻找目标相似度最高的K个行人返回终端处理。

2.根据权利要求1所述的一种基于边缘计算的自适应城市寻人方法，其特征在于，边缘服务器设置视频帧之间的相似度阈值用于过滤相似的视频帧，具体实现方式如下：

S1.1：计算上一次上传的视频帧的直方图H_l；

S1.2：计算当前视频帧的直方图H_c，并计算其与H_l的相似度S(H_l,H_c)，所述相似度计算公式如下；

其中，H_l(k)表示上一次上传的视频帧的直方图，H_c(k)表示当前视频帧的直方图；表示直方图H_l的均值，表示直方图H_c的均值；

直方图的计算公式如下：

H(k)＝n_k/MN

其中，n_k为灰度级r_k对应的像素的个数，MN为视频帧的像素个数；

S1.3：若相似度S(H_l,H_c)小于相似度阈值则上传当前视频帧，若相似度S(H_l,H_c)大于或等于相似度阈值，则继续计算当前帧的下一帧与上一次上传的视频帧的相似度，直至计算出的相似度小于相似度阈值并将此时相似度对应的视频帧放入待上传队列Trigger_frame中并按顺序将视频帧上传至边缘服务器，同时将寻找到的视频帧作为上一次上传的视频帧，继续寻找当前待上传视频帧。

3.根据权利要求1所述的一种基于边缘计算的自适应城市寻人方法，其特征在于，所述边缘服务器包括的队列有：Received_Frames队列、Detected_Persons队列、Uploaded_Persons队列、Reid_Persons队列、Best_Persons队列；

所述Received_Frames队列用于接收边缘服务器节点上传的视频帧信息，视频帧信息的格式为：摄像头编号_帧下标；

所述Detected_Persons队列用于保存行人的信息，行人的信息为行人的命名，行人的命名格式如下：摄像头编号_帧下标_行人编号；

所述Uploaded_Persons队列为需要上传至云服务器进行重识别的行人队列；

所述Reid_Persons队列为需要在边缘服务器进行重识别的行人队列；

所述Best_Persons队列为升序的长度为K的队列，用来存储边缘服务器识别到的和丢失人口最相似的K个行人，Best_Persons队列为动态变化的队列，重识别模块每识别一个行人都将更新Best_Persons队列；定义Best_Persons队列中最后一个行人P_k和待寻找人的特征之间的距离为d_k，下一个识别的行人P_next和待寻找人的特征之间的距离为d_next，若d_next<d_k，则删除P_k，并将P_next插入到Best_Persons队列中。

4.根据权利要求1-3任一项所述的一种基于边缘计算的自适应城市寻人方法，其特征在于，所述边缘服务器与所述云服务器重识别任务的比例根据带宽进行动态分配，定义边缘服务器与云服务器识别一个行人的时间分别为T_e、T_c，定义边缘服务器与云服务器之间的带宽为B，行人的图片被调整为统一大小I；重识别任务分配方式具体如下：

S4.1:计算出边缘服务器与云服务器重识别的任务量之比为n/m，计算公式如下：

nT_e＝m(I/B+T_c)

其中n，m为满足公式的最小负整数；

S4.2:从Detected_Persons队列中依次取出n个和m个行人分别放入Reid_Persons队列和Upload_Persons队列里；所述重识别任务分配为动态不断执行的过程。

5.根据权利要求4所述的一种基于边缘计算的自适应城市寻人方法，其特征在于，边缘服务器和云服务器分别根据服务器自身剩余资源和行人重识别模块所占资源自动调整行人重识别模块的数目，具体步骤为：

第一步：边缘服务器或云服务器中的监听者监测边缘服务器或云服务器的剩余资源为R_e，并将剩余资源信息R_e发送给边缘服务器或云服务器中的控制者；

第二步：定义一个行人重识别模块所占资源为r，定义k＝R_e/r，其中k为能够容纳行人重识别模块的最大数目；

第三步：确定最优的行人重识别模块数目，选取的行人重识别模块的数目为s，其中s为正整数，s的取值范围为1≤s≤k，计算每个s对应的平均一次重识别的时间t_s，t_s'为实际监测到的一个行人重识别模块进行一次重识别的时间，由于同时有s个行人重识别模块进行重识别，所以t_s计算公式如下：

t_s＝t_s′/s

则最优的行人重识别模块数目为使得t_s最小的s。

6.根据权利要求5所述的一种基于边缘计算的自适应城市寻人方法，其特征在于，所述云服务器包括的队列有：Received_Persons队列和Final_Results队列；

所述Received_Persons队列保存接收的行人后将行人信息放入到队列中，行人信息为行人的命名，行人命名格式为：摄像头编号_帧下标_行人编号；

所述Final_Results队列为长度为K的队列，动态的存储云服务器上的重识别结果以及边缘服务器和云服务器结合后的最终重识别结果；定义Final_Results队列中最后一个行人P_k和待寻找人的特征之间的距离为d_k，下一个识别的行人P_next和待寻找人的特征之间的距离为d_next，若d_next<d_k，则删除P_k，并将P_next插入到Final_Results队列中。