This file contains Unicode characters that might be confused with other characters. If you think that this is intentional, you can safely ignore this warning. Use the Escape button to reveal them.

</head>

ZPRP LI0 – Pracownia programowania

Rok akademicki 2019/2020

Karta projektu

Podstawowe dane
Imię i nazwisko	Daniel Grabowski
Numer indeksu	421801
Grupa	1LA
Numer wersji	1
Informacje o projekcie
Nazwa handlowa projektu	Squirrowse
Adres repozytorium git	http://git.wmi.amu.edu.pl/s421801/Squirrowse
Executive summary (150-200 słów)	Projekt zakłada wykonanie aplikacji Squirrowse – inteligentny monitoring. Jej zadaniem jest monitoring stanowiska pracy za pomocą kamery podłączonej do urządzenia na którym zostanie zainstalowany client.Użytkownik ma możliwość zdalnego podglądu obrazu z kamery lub archiwum poprzez webapi/Hub api lub stronę web z dowolnego urządzenia posiadającego przeglądarkę zgodną z bieżącymi standardami html5. Aplikacja złożona z 3 modułów: Client – serwis uruchomiony na urządzeniu klienta, działający w tle i streamujący obraz z kamery na serwer. Backend –odbiera przesłane wideo od clienta, dokonuje analizy przesłanego wideo, archiwizuje go, umożliwia dostęp do zasobów za pomocą webapi/signalR. Frontend – Webowy interfejs użytkownika pozwalający na podgląd na żywo z kamery clienta, przeglądanie archiwalnych wideo z kamery użytkownika i konfigurację klienta.
Opis pierwszego modułu (obowiązkowy)
Nazwa modułu	Squirrowse.Client
Techniczny opis modułu (150-200 słów)	Założenia: Aplikacja działa na systemie windows 10. Użytkownik ma możliwość zdalnego włączenia/wyłączenia kamery. Użytkownik może zdalnie zmienić konfigurację kamery. Aplikacja działa w tle. Aplikacja konsolowa napisana w C#8 z wykorzystaniem frameworka .netcore 3.0. Przechwytywanie obrazu z kamery odbywa się za pomocą biblioteki OpenCvSharp w wersji 4.* która jest wrapperem na OpenCV 4.1 (Open Source Computer Vision Library). Zgodnie z konfiguracją obraz zostanie następnie przesłany na serwer który dokonuje jego analizy(moduł 3). Przesył odbywa się w czasie rzeczywistym protokołem binarnym MessagePack. W architekturze aplikacji wykorzystane są praktyki SOLID.
Wykorzystywane technologie	.netcore3.0,opencv,websockets,MessagePack,signalR, Microsoft Background Services,newtonsoft json,TCP,win32api,.netHostbuilder
Harmonogram prac	Utworzenie aplikacji przechwytujacej obraz z kamery. Dodanie protokolu WS i polaczenie z server. Strumieniowe przesyłanie obrazu z kamery. Codecleanup
Opis drugiego modułu (nieobowiązkowy)
Nazwa modułu	Squirrowse.Web
Techniczny opis modułu (150-200 słów)	Założenia: Użytkownik ma dostęp do zasobów archiwum za pomocą przeglądarki z dowolnego urządzenia obsługującego bieżące standardy webowe. Użytkownik ma możliwość zmiany konfiguracji klienta na wybranym urządzeniu Użytkownik ma możliwość podglądu widoku z kamery w czasie rzeczywistym. Warstwa prezentacji SPA(single-page application) w frameworku aspnet. Pozwala na podgląd obrazu z kamery i przegląd archiwum. Aplikacja wykorzystuje ASP.NET Core 3.. Dane do prezentacji pobierane sa z serwisu backendowego (moduł 3) za pomocą protokołu SignalR oraz klasycznego rest-webapi. Strona korzysta z opensource toolkitu Bootstrap w wersji 4.*. Napisana w html5 oraz Harmony ES.
Wykorzystywane technologie	AspNetCore(MVC), signalR(websockets),TS,SPA net,HTML5,Harmony ES
Harmonogram prac	Utworzenie strony startowej Połączenie do backendu za pomocą websockets Implementacja HTML5 player Implementacja Explorera archiwum Codecleanup
Opis trzeciego modułu (nieobowiązkowy)
Nazwa modułu	Squirrowse.Service
Techniczny opis modułu (150-200 słów)	Aplikacja konsolowa z webhostem napisana w C#8 z wykorzystaniem frameworka .netcore 3.0. Hostowana za pomocą serwera web Kestrel. Założenia: Odbiera wideo od klientów Dokonuje analizy w tym: Wykrywanie ruchu Wykrywanie postaci humanoidalnych Archiwizuje przesłany obraz Zapisuje w bazie wyniki analizy obrazu Umożliwia dostęp do zasobów archiwum Pozwala na podgląd wideo z kamery klienta w czasie rzeczywistym. Aplikacja udostępnia SignalR Hubs API dla klienta pozwalającego na odbieranie i wysyłanie obrazu(moduł 1) oraz webapi dla frontend(moduł 2). Odebrany obraz jest analizowany za pomocą biblioteki OpenCVSharp 4.będącej wrapperem na OpenCv 4.. Wynikami analizy są zapisy wideo z kamer klientów zapisane serwerze oraz metadane wskazujące na moment i plik z wideo w którym nastąpiło wykrycie ruchu lub postaci humanoidalnej zapisane w bazie.
Wykorzystywane technologie	.netcore3,OpenCv,signalR,MediatR(CQS), xUnit(unit tests),Entity framework, MongoDB, Docker
Harmonogram prac	1.Utworzenie kontenera aplikacji (docker) 2.Przygotowanie serwera pod aplikacje 3.Implentacja SignalR Hubs 4.Implementacja SignalR Client-to-server streaming 5.Implementacja SignalR Server-to-client streaming 6.Implementacja wykrywania ruchu w OpenCV 7.Wykrywanie postaci za pomocą biblioteki OpenCV 8.Archiwizacja przesyłanych obrazów 9. Codecleanup
Stopka
Data	30 października 2019 r.
Podpis

</html>