CN109935078A - 一种自动进化型交通管控系统 - Google Patents

Abstract

本发明公开了一种自动进化型交通管控系统，包括，视频分析系统、人工研判系统、存储系统、深度学习系统，视频分析系统用于获取视频数据，并根据视频数据确定出关键事件的信息，并将第一图片发送至人工研判系统，人工研判系统用于显示第一图片，并接收工作人员对关键事件进行确认后的关键事件的确认信息，存储系统用于将关键事件的信息、关键事件的确认信息进行持久化存储，深度学习系统用于从存储系统中获取关键事件的确认信息进行学习并对视频分析系统进行升级。该技术方案实现整个系统的自动训练学习和升级，自动提升视频监控系统识别异常事件的准确性以及减少工作人员的工作量。

Description

一种自动进化型交通管控系统

技术领域

本发明实施例涉及人工智能技术，尤其涉及一种自动进化型交通管控系统。

背景技术

路政领域通常采用视频监控系统，用于监控道路上的情况，并在道路上出现异常事件时，通过内置的异常事件识别算法对异常事件进行识别。但目前的识别算法的准确率较低，容易产生误报警或漏报的情况，工作人员常常需要针对视频监控系统的误报警或漏报的情况，对算法进行人工调整，但这样降低了工作人员的工作效率，且视频监控系统识别异常事件的性能受到工作人员经验的限制。

发明内容

本发明实施例提供一种自动进化型交通管控系统，用以提高视频监控系统识别异常事件的准确性以及减少工作人员的工作量。

本发明实施例提供的一种自动进化型交通管控系统，包括：

视频分析系统、人工研判系统、存储系统、深度学习系统；

所述视频分析系统用于获取视频数据，并根据所述视频数据确定出关键事件的信息；其中，所述关键事件的信息包含已标记所述关键事件的第一图片；

所述视频分析系统与所述人工研判系统连接，用于将所述第一图片发送至所述人工研判系统；

所述人工研判系统用于显示所述第一图片，并接收工作人员对所述关键事件进行确认后的所述关键事件的确认信息；

所述存储系统分别与所述视频分析系统、所述人工研判系统连接，用于接收所述视频分析系统发送的所述关键事件的信息，以及接收所述人工研判系统发送的所述关键事件的确认信息，并将所述关键事件的信息、所述关键事件的确认信息进行持久化存储；

所述深度学习系统与所述存储系统连接，用于从所述存储系统中获取所述关键事件的确认信息进行学习，以及对所述视频分析系统进行升级。

上述技术方案中，视频分析系统获取路政领域的视频数据并根据视频数据识别关键事件信息，并将第一图片发送至人工研判系统，以使得工作人员根据第一图片对关键事件进行确认，存储系统可以对第一图片、关键事件的确认信息进行持久化存储，深度学习系统可以从存储系统中获取到关键事件的确认信息进行学习，并对视频分析系统进行升级，从而实现整个系统的自动训练学习和升级，本方案基于计算机通信技术传递信号量并对信号进行针对性响应从而实现了整个系统的自动化的反馈循环。

可选的，所述视频分析系统包括视频获取模块、事件识别模块、数据持久化模块；所述视频获取模块、事件识别模块、数据持久化模块依次连接；

所述视频获取模块用于获取视频数据，并将所述视频数据发送至所述事件识别模块；

所述事件识别模块用于对所述视频数据进行关键事件识别，并在识别出所述关键事件后，控制所述数据持久化模块从所述视频数据中截取所述关键事件对应的图片，并在所述图片上标记所述关键事件，以使所述数据持久化模块生成所述第一图片。

上述技术方案中，视频分析系统通过视频获取模块、事件识别模块、数据持久化模块实现对路政领域关键事件的识别，并生成标记有关键事件的第一图片，该第一图片用于工作人员进行关键事件的人工判别以及发送至存储系统进行持久化存储。

可选的，所述数据持久化模块与所述人工研判系统、所述存储系统连接，用于将所述第一图片分别发送至所述人工研判系统、所述存储系统。

上述技术方案中，数据持久化模块生成标记有关键事件的第一图片，并将该第一图片发送至人工研判系统，以使工作人员进行关键事件的人工判别；以及将该第一图片发送至存储系统，以使存储系统对该第一图片进行持久化存储，从而用于深度学习模块的训练学习，以及在事件分析时调用该第一图片。有效保障业务数据可追溯性，同时为系统进化提供源源不断的训练数据。

可选的，所述深度学习系统包括算法训练模块和智力测评模块；所述算法训练模块和所述智力测评模块连接；

所述算法训练模块与所述存储系统连接，用于从所述存储系统中获取所述关键事件的确认信息后对所述算法训练模块的训练模型进行训练学习；

所述智力测评模块用于对所述算法训练模块的训练模型进行测评。

上述技术方案中，深度学习系统包括算法训练模块和智力测评模块，算法训练模块用于根据关键事件的确认信息对训练模型进行训练学习并生成新的训练模型，智力测评模块对该新的训练模型进行智力测评，评估新的训练模型的性能。

可选的，所述算法训练模块用于从所述存储系统中获取所述关键事件的确认信息，生成第一训练样本，所述第一训练样本中包含多个第一图片以及各第一图片上通过所述工作人员进行标记的关键事件；

所述算法训练模块还用于将所述多个第一图片输入至所述算法训练模块的训练模型，生成针对各第一图片的第一计算结果，并根据所述各第一图片的第一计算结果、所述各第一图片上通过所述工作人员进行标记的关键事件，对所述算法训练模块的训练模型进行更新。

上述技术方案中，算法训练模块从存储系统中获取关键事件的确认信息，并根据多个关键事件的确认信息生成第一训练样本，理解为，第一训练样本包括多个第一图片以及各第一图片上通过工作人员进行标记的关键事件，也就是说，第一训练样本上的关键事件是由工作人员进行人工筛选确认的，算法训练模块根据第一训练样本对训练模型进行训练，并根据训练结果对训练模型进行更新，生成新的训练模型。

可选的，所述智力测评模块包括用于对所述算法训练模块的训练模型进行测评的第二训练样本，所述第二训练样本中包括多个第二图片以及各第二图片上标记出的关键事件；

所述智力测评模块将所述多个第二图片输入至所述算法训练模块的训练模型，接收所述算法训练模块的训练模型生成的针对各第二图片的第二计算结果；并根据所述各第二图片的第二计算结果、所述各第二图片上标记出的关键事件，对所述算法训练模块的训练模型进行测评。

上述技术方案中，智力测评模块通过第二训练样本对算法训练模块的训练模型进行智力测评，从而确定出当前算法训练模块中训练模型的智力情况。

可选的，所述深度学习系统还包括算法自动升级模块；所述算法自动升级模块分别与所述智力测评模块、所述算法训练模块、所述视频分析系统连接；

所述算法自动升级模块用于在所述智力测评模块确定所述算法训练模块的训练模型通过测评之后，根据所述算法训练模块的训练模型对所述视频分析系统进行升级。

上述技术方案中，当智力测评模块对算法训练模块进行智力测评，并确定出算法训练模块通过该智力测评时，算法自动升级模块将根据该算法训练模块当前的训练模型对视频分析系统进行升级，以使得视频分析系统的识别算法处于最优性能状态。

可选的，所述深度学习系统包括任务调度模块；所述任务调度模块与所述视频分析系统连接，用于分析所述视频分析系统的工作状态；并在确定所述视频分析系统处于空闲状态时，启动所述深度学习系统进行学习以及对所述视频分析系统进行升级。

上述技术方案中，任务调度模块分析视频分析系统的工作状态，当确定视频分析系统处于空闲状态时，启动深度学习系统进行学习以及对视频分析系统升级，即在视频分析系统资源消耗低谷时段执行深度学习系统的算法训练和升级，从而实现硬件分时利用，有效降低系统硬件成本。

可选的，所述人工研判系统包括显示模块、收发模块；

所述收发模块分别与所述视频分析系统、所述存储系统连接，用于接收所述视频分析系统发送的所述第一图片，以及在接收到所述关键事件的确认信息后，将所述关键事件的确认信息发送至所述存储系统。

所述显示模块与所述收发模块连接，用于接收所述收发模块转发的所述第一图片，并进行显示。

上述技术方案中，人工研判系统在接收到第一图片后，将第一图片在显示模块显示，以使工作人员根据该第一图片进行关键事件评判。人工研判系统接收到工作人员对关键事件的确认信息后，会将该关键事件的确认信息存储在存储系统，有效保障业务数据可追溯性，同时为系统进化提供源源不断的训练数据。

可选的，所述视频分析系统用于获取多路视频数据，并根据各路视频数据，确定出与所述各路视频数据对应的关键事件的信息。

上述技术方案中，视频分析系统能够实时并发分析多路视频数据流并提取出关键事件，提高了关键事件分析的效率。该视频分析系统准确率能够自动提升，系统智力能够自动进化。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种自动进化型交通管控系统架构的示意图；

图2为本发明实施例提供的另一种自动进化型交通管控系统架构的示意图。

具体实施方式

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

图1示例性的示出了本发明实施例提供的一种自动进化型交通管控系统，包括：视频分析系统100、人工研判系统200、存储系统300、深度学习系统400。

视频分析系统100用于获取视频数据，并根据视频数据确定出关键事件的信息，其中，关键事件的信息包含已标记关键事件的第一图片，视频分析系统100与人工研判系统200连接，用于将第一图片发送至人工研判系统200，人工研判系统200用于显示第一图片，并接收工作人员对关键事件进行确认后的关键事件的确认信息，存储系统300分别与视频分析系统100、人工研判系统200连接，用于接收视频分析系统100发送的关键事件的信息，以及接收人工研判系统200发送的关键事件的确认信息，并将关键事件的信息、关键事件的确认信息进行持久化存储，深度学习系统400与存储系统300连接，用于从存储系统300中获取关键事件的确认信息进行学习，以及对视频分析系统100进行升级。该全套交通管控系统可以部署在客户机房，无需将视频数据分发到系统开发方，避免数据外传违规风险，提高了系统的安全性。

视频分析系统100包括视频获取模块101、事件识别模块102、数据持久化模块103，视频获取模块101、事件识别模块102、数据持久化模块103依次连接。视频获取模块101用于获取视频数据，并将视频数据发送至事件识别模块102，事件识别模块102用于对视频数据进行关键事件识别，并在识别出关键事件后，控制数据持久化模块103从视频数据中截取关键事件对应的图片，并在图片上标记关键事件，以使数据持久化模块103生成第一图片。数据持久化模块103与人工研判系统200、存储系统300连接，用于将第一图片分别发送至人工研判系统200、存储系统300，数据持久化模块103将该第一图片发送至人工研判系统200，工作人员可以根据该第一图片进行关键事件的人工判别；数据持久化模块103将该第一图片发送至存储系统300，存储系统300对该第一图片进行持久化存储，从而用于深度学习模块的训练学习，以及在事件分析时调用该第一图片。

深度学习系统400包括算法训练模块401和智力测评模块402，算法训练模块401和智力测评模块402连接。算法训练模块401用于对算法训练模块401中的训练模型进行训练学习，智力测评模块402用于对算法训练模块401中的训练模型进行智力测评。算法训练模块401与智力测评模块402一体化集群能够有效减少对互联网带宽的消耗，减少交通管控系统的运行成本。

算法训练模块401与存储系统300连接，算法训练模块401从存储系统300中获取关键事件的确认信息后对算法训练模块401的训练模型进行训练学习，具体的，算法训练模块401从存储系统300中获取关键事件的确认信息，生成第一训练样本，第一训练样本中包含多个第一图片以及各第一图片上通过工作人员进行标记的关键事件，算法训练模块401将多个第一图片输入至算法训练模块401的训练模型，生成针对各第一图片的第一计算结果，并根据各第一图片的第一计算结果、各第一图片上通过工作人员进行标记的关键事件，对算法训练模块401的训练模型进行更新，生成新的训练模型。此处，第一训练样本包含多个第一图片以及各第一图片上通过工作人员进行标记的关键事件，该第一图片上的关键事件是视频分析系统100将第一图片发送至人工研判系统200后，工作人员根据第一图片对该第一图片进行人工标记的关键事件，也就是说，第一训练样本中的第一图片上的已标记关键事件是由工作人员进行人工标记的。

智力测评模块402用于对算法训练模块401的训练模型进行测评，具体的，智力测评模块402包括用于对算法训练模块401的训练模型进行测评的第二训练样本，第二训练样本中包括多个第二图片以及各第二图片上标记出的关键事件，第二图片的关键事件为人工标记的，智力测评模块402将多个第二图片输入至算法训练模块401的训练模型，算法训练模块401的训练模型对各第二图片进行关键事件识别，并输出各第二图片对应的第二计算结果发送至智力测评模块402，智力测评模块402根据各第二图片的第二计算结果、各第二图片上标记出的关键事件，对算法训练模块401的训练模型进行测评。示例性的，智力测评模块402对算法训练模块401的训练模型进行测评时采用评分机制(设，训练模型的通过分数为95分)，在对当前的训练模型进行测评时，确定当前的训练模型为98分时，则可以确定出当前的训练模型通过了智力测评。

进一步的，深度学习系统400还包括算法自动升级模块403，该算法自动升级模块403分别与智力测评模块402、算法训练模块401、视频分析系统100连接。算法自动升级模块403用于在智力测评模块402确定算法训练模块401的训练模型通过测评之后，根据算法训练模块401的训练模型对视频分析系统100进行升级。例如，视频分析系统100当前采用的关键事件识别模型为训练模型的版本1，算法训练模块401在对训练模型进行训练学习过程中确定出版本2的训练模型，此时，智力测评模块402对该版本2的训练模型进行智力测评，若测评结果为98分(设，训练模型的通过分数为95分)，则确定该版本2的训练模型通过了智力测评，进一步的，算法自动升级模块403根据该版本2的训练模型对视频分析系统100进行升级，以使得视频分析系统100采用的关键事件识别模型为训练模型的版本2，从而达到视频分析系统100的识别算法处于最优性能状态。

另外，为了保证视频分析系统100的识别算法处于最优性能状态，可以动态设置训练模型的评分标准，例如，第一次智力测评的通过分数设定为95分，当对当前的训练模型进行智力测评之后，该当前的训练模型的分数为96分，根据该当前的训练模型对视频分析系统100进行升级后，即可以将第二次的智力测评的通过分数设定为96分，从而实现视频分析系统100的识别算法持续处于最优性能状态。

可选的，深度学习系统400还可以包括任务调度模块404，任务调度模块404与视频分析系统100连接，用于分析视频分析系统100的工作状态，并在确定视频分析系统100处于空闲状态时，启动深度学习系统400进行学习以及对视频分析系统100进行升级。相当于，在特定视频分析占用资源不高或者存在任务峰谷的场景下，可以在视频分析系统100的资源消耗低谷时段执行深度学习系统400的算法训练和升级，从而实现硬件分时利用，有效降低系统硬件成本。

可选的，人工研判系统200包括显示模块201、收发模块202。收发模块202分别与视频分析系统100、存储系统300连接，用于接收视频分析系统100发送的第一图片，以及在接收到工作人员的关键事件的确认信息后，将关键事件的确认信息发送至存储系统300。显示模块201与收发模块202连接，用于接收收发模块202转发的第一图片，并进行显示。收发模块202在接收到第一图片后，将第一图片转发至显示模块201，显示模块201进行显示，该显示模块201可以是客户端，工作人员通过网络浏览器或者专用客户端软件对客户端操作，从而对第一图片的关键事件进行评判，当工作人员根据该第一图片进行关键事件评判后，收发模块202接收工作人员对关键事件的确认信息，并将关键事件的确认信息存储在存储系统300，用于深度学习系统400进行深度学习以及为后续的事件分析提供依据，实现有效保障业务数据可追溯性，同时为系统进化提供源源不断的训练数据。在视频分析系统100对关键事件进行分析结束后，增加人工研判系统200，通过人机结合有效发挥人自身智力，有效避免了视频分析系统100误识别等潜在的风险。

此外，视频分析系统100可以获取多路视频数据，并根据各路视频数据，确定出与各路视频数据对应的关键事件的信息。具体的，可以采用服务器计算集群提供算力上的支持，服务器集群主要由支持深度学习运算的GPU(Graphics Processing Unit，图形处理器)、CPU(Central Processing Unit，中央处理器)、内存、服务器主板等构成。其中关键原件GPU常用的技术指标主要有CUDA(Compute Unified Device Architecture)核数量、显存大小、读取速度等，典型GPU规格如表1所示。

表1

上述技术方案中，视频分析系统获取路政领域的视频数据并根据视频数据识别关键事件信息，并将第一图片发送至人工研判系统，以使得工作人员根据第一图片对关键事件进行确认，存储系统可以对第一图片、关键事件的确认信息进行持久化存储，深度学习系统可以从存储系统中获取到关键事件的确认信息进行学习，并对视频分析系统进行升级，从而实现整个系统的自动训练学习和升级，本方案基于计算机通信技术传递信号量并对信号进行针对性响应从而实现了整个系统的自动化的反馈循环。交通管控系统具有自动进化能力，保障视频分析系统的性能随着应用数据的增多，性能变得更好。

本发明实施例提供一种具体的自动进化型智能交通管控系统，如图2所示，该系统主要包括六大模块，该六大模块为智能视频分析模块、数据持久化模块、关键事件人工研判模块、深度学习算法训练模块、深度学习算法智力测评模块、算法自动升级模块以及上述模块运行所需的计算硬件环境GPU、数据存储介质。该自动进化型智能交通管控系统中，六大模块之间基于计算机通信技术传递信号量并对信号进行针对性响应从而实现了一种自动化的反馈循环机制，并在硬件环境和存储介质基础上有机协同，形成反馈和循环闭环，实现路政领域自动进化型智能交通管控系统。具有以下有益效果：

(1)智能视频分析模块在对视频数据进行分析结束后，发送至关键事件人工研判模块，通过人机结合有效发挥人自身智力，让后台视频监控的工作人员围绕路政业务将主要精力放在关键事件上，有效提升工作效率，减少低级劳动工作量。

(2)在智能视频分析结束后增加人工研判模块，人机结合有效发挥人自身智力，有效回避了智能视频分析模块误识别等潜在的风险。

(3)并且该自动进化型智能交通管控系统布置在应用机房，无需将视频数据分发到系统开发方，避免数据外传违规风险。

(4)数据持久化模块将智能视频分析模块中关键事件的图片存储在数据存储媒介中，有效保障业务数据可追溯性，同时为系统进化提供源源不断的训练数据。

(5)训练与智能分析系统一体化集群能够有效减少对互联网带宽的消耗，减少系统的运行成本。

(6)在特定视频分析占用资源不高或者存在任务峰谷的场景下，可以在视频分析资源消耗低谷时段进行算法训练，实现硬件分时利用，有效降低系统硬件成本。

(7)系统智力能够自动进化，保障视频分析模块的性能随着应用数据的增多，性能变得更好。

本发明是参照根据本发明实施例的系统、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种自动进化型交通管控系统，其特征在于，包括：

视频分析系统、人工研判系统、存储系统、深度学习系统；

所述视频分析系统用于获取视频数据，并根据所述视频数据确定出关键事件的信息；其中，所述关键事件的信息包含已标记所述关键事件的第一图片；

所述视频分析系统与所述人工研判系统连接，用于将所述第一图片发送至所述人工研判系统；

所述人工研判系统用于显示所述第一图片，并接收工作人员对所述关键事件进行确认后的所述关键事件的确认信息；

所述存储系统分别与所述视频分析系统、所述人工研判系统连接，用于接收所述视频分析系统发送的所述关键事件的信息，以及接收所述人工研判系统发送的所述关键事件的确认信息，并将所述关键事件的信息、所述关键事件的确认信息进行持久化存储；

所述深度学习系统与所述存储系统连接，用于从所述存储系统中获取所述关键事件的确认信息进行学习，以及对所述视频分析系统进行升级。

2.如权利要求1所述的系统，其特征在于，所述视频分析系统包括视频获取模块、事件识别模块、数据持久化模块；所述视频获取模块、事件识别模块、数据持久化模块依次连接；

所述视频获取模块用于获取视频数据，并将所述视频数据发送至所述事件识别模块；

所述事件识别模块用于对所述视频数据进行关键事件识别，并在识别出所述关键事件后，控制所述数据持久化模块从所述视频数据中截取所述关键事件对应的图片，并在所述图片上标记所述关键事件，以使所述数据持久化模块生成所述第一图片。

3.如权利要求2所述的系统，其特征在于，所述数据持久化模块与所述人工研判系统、所述存储系统连接，用于将所述第一图片分别发送至所述人工研判系统、所述存储系统。

4.如权利要求1所述的系统，其特征在于，所述深度学习系统包括算法训练模块和智力测评模块；所述算法训练模块和所述智力测评模块连接；

所述算法训练模块与所述存储系统连接，用于从所述存储系统中获取所述关键事件的确认信息后对所述算法训练模块的训练模型进行训练学习；

所述智力测评模块用于对所述算法训练模块的训练模型进行测评。

5.如权利要求4所述的系统，其特征在于，所述算法训练模块用于从所述存储系统中获取所述关键事件的确认信息，生成第一训练样本，所述第一训练样本中包含多个第一图片以及各第一图片上通过所述工作人员进行标记的关键事件；

所述算法训练模块还用于将所述多个第一图片输入至所述算法训练模块的训练模型，生成针对各第一图片的第一计算结果，并根据所述各第一图片的第一计算结果、所述各第一图片上通过所述工作人员进行标记的关键事件，对所述算法训练模块的训练模型进行更新。

6.如权利要求4所述的系统，其特征在于，所述智力测评模块包括用于对所述算法训练模块的训练模型进行测评的第二训练样本，所述第二训练样本中包括多个第二图片以及各第二图片上标记出的关键事件；

所述智力测评模块将所述多个第二图片输入至所述算法训练模块的训练模型，接收所述算法训练模块的训练模型生成的针对各第二图片的第二计算结果；并根据所述各第二图片的第二计算结果、所述各第二图片上标记出的关键事件，对所述算法训练模块的训练模型进行测评。

7.如权利要求4所述的系统，其特征在于，所述深度学习系统还包括算法自动升级模块；所述算法自动升级模块分别与所述智力测评模块、所述算法训练模块、所述视频分析系统连接；

所述算法自动升级模块用于在所述智力测评模块确定所述算法训练模块的训练模型通过测评之后，根据所述算法训练模块的训练模型对所述视频分析系统进行升级。

8.如权利要求1所述的系统，其特征在于，所述深度学习系统包括任务调度模块；所述任务调度模块与所述视频分析系统连接，用于分析所述视频分析系统的工作状态；并在确定所述视频分析系统处于空闲状态时，启动所述深度学习系统进行学习以及对所述视频分析系统进行升级。

9.如权利要求1所述的系统，其特征在于，所述人工研判系统包括显示模块、收发模块；

所述收发模块分别与所述视频分析系统、所述存储系统连接，用于接收所述视频分析系统发送的所述第一图片，以及在接收到所述关键事件的确认信息后，将所述关键事件的确认信息发送至所述存储系统；

所述显示模块与所述收发模块连接，用于接收所述收发模块转发的所述第一图片，并进行显示。

10.如权利要求1至9任一项所述的系统，其特征在于，所述视频分析系统用于获取多路视频数据，并根据各路视频数据，确定出与所述各路视频数据对应的关键事件的信息。