[發明專利]一種面向大規模視頻分析的快速過濾系統

有效

• 申請號: 201810092371.5
• 申請日: 2018-01-30
• 公開（公告）號: CN108304802B
• 公開（公告）日: 2020-05-19
• 發明（設計）人: 曹強;張宸
• 申請（專利權）人: 華中科技大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 華中科技大學專利中心 42201
• 代理人: 李智;曹葆青

本發明公開了一種面向大規模視頻分析的快速過濾系統，包括：多級過濾器，用于過濾視頻流中的背景幀、沒有目標對象的幀，以及目標對象數量小于數量閾值NumberofObject的幀，得到視頻流中的被檢測幀；全特征網絡模型，用于對被檢測幀進行檢測和分析；全局反饋隊列模塊，用于協調多級過濾器中各個過濾器的處理速度；所述多級過濾器中的前后兩個連續的過濾器中間增加一個隊列，使多級過濾器以流水線的方式異步并行執行。本發明通過多個過濾器級聯，大大減少了需要全特征模型分析的視頻幀的數量，并通過異步并行的級聯結構，在相同硬件環境下，提高了系統能夠實時檢測的視頻流的數量。

技術領域

本發明屬于大數據系統與分析領域，更具體地，涉及一種面向大規模視頻分析的快速過濾系統。

背景技術

在我們周圍，監控攝像頭無處不在。對于這些數量龐大的視頻數據，傳統的做法是統一收集到一個操作中心進行人工觀察。這樣的處理方式不僅容易出錯，而且成本昂貴。通過利用機器學習的方法，基于目標檢測技術的自動視頻分析能夠在很大程度上減少人為干預，因此受到了廣泛的關注。監控視頻的分析可以分為兩種類型：在線的實時分析和離線的事后分析。在相同硬件環境下，在線分析要求盡可能多的擴展視頻流數量，離線分析要求盡快的搜索和查詢視頻文件。

但是，對于視頻內容分析而言，既有的全特征網絡模型(例如YOLOv2，SSD，R-FCN等)雖然有著很高的精度，并且能夠實現一些復雜場景的檢測，但是，龐大的計算操作也限制了檢測和分析的速度。目前最先進的目標檢測模型YOLOv2也僅僅只達到了67FPS(FramePer Second，幀每秒)，與大規模視頻流實時分析的要求還有很大差距。另一方面，大規模視頻分析的主要目標是識別包含目標對象的場景，根據用戶需求提取相關信息，尤其是一些異常場景下的信息提取。但是，在日常生活中，異常事件發生的概率很小，對所有視頻幀都進行高精度的檢測和分析顯然浪費了大量的計算效率。

由此可見，利用現有技術在復雜場景下進行詳細的視頻內容分析時存在檢測和分析的速度慢、無法在有限硬件環境條件下進行快速的離線分析和大規模視頻流的在線分析的技術問題。

發明內容

針對現有技術的以上缺陷或改進需求，本發明提供了一種面向大規模視頻分析的快速過濾系統，由此解決現有技術存在檢測和分析的速度慢、無法在有限硬件環境下進行快速的離線分析和大規模視頻流的在線分析的技術問題。

為實現上述目的，本發明提供了一種面向大規模視頻分析的快速過濾系統，包括：

多級過濾器，用于過濾視頻流中的背景幀、沒有目標對象的幀，以及目標對象數量小于數量閾值NumberofObject的幀，得到視頻流中的被檢測幀；

全特征網絡模型，用于對被檢測幀進行檢測和分析；

全局反饋隊列模塊，用于協調多級過濾器中各個過濾器的處理速度；

所述多級過濾器中的前后兩個連續的過濾器中間增加一個隊列，使多級過濾器以流水線的方式異步并行執行。

進一步地，多級過濾器包括M個SDD、M個SNM和一個T-YOLO，其中，M≥1，M表示視頻流的總數，一個視頻流對應一個SDD和一個SNM，每個視頻流和每個SDD之間具有一個SDD隊列，每個SDD與每個SNM之間具有一個SNM隊列，每個SNM與T-YOLO之間具有一個T-YOLO隊列；

所述SDD隊列，用于保存視頻流；

所述SDD，用于從SNM隊列中獲取視頻流，過濾視頻流中的背景幀，得到第一視頻幀；

所述SNM隊列，用于保存第一視頻幀；

所述SNM，用于從SNM隊列中獲取第一視頻幀，過濾第一視頻幀中沒有目標對象的幀，得到第二視頻幀；

所述T-YOLO隊列，用于保存第二視頻幀；