CN113259451A - 一种面向大规模监控节点智能分析的集群处理架构和方法 - Google Patents

Abstract

本发明公开了一种面向大规模监控节点智能分析的集群处理架构和方法，集群处理架构包括多台摄像机、管理服务器和至少一个分析设备，管理服务器上部署有摄像机管理模块、设备管理模块、任务管理模块、视频缓存模块和深度分析模块；多台摄像机与至少一个分析设备分别连接；本发明将大规模监控网络中的大量摄像机和多个分析设备接入同一个系统中，由系统根据需求调用计算资源，只有当摄像机监控场景中有运动发生时，调度系统才将该路监控视频分配给当前计算工作最少的分析设备进行分析，以达到覆盖全部监控网络的实时或近实时处理分析的能力，以提高智能视频分析系统的实用性。

Description

一种面向大规模监控节点智能分析的集群处理架构和方法

技术领域

本发明涉及计算机视觉和人工智能技术领域，具体涉及一种面向大规模监控节点智能分析的集群处理架构和方法。

背景技术

随着视频监控逐渐高清化、超高清化，数据规模以成倍的指数级别增长；与通常讲的结构化数据不同，视频监控业务产生的数据绝大多数以非结构化的数据为主，这给传统的数据管理和使用机制带来了极大的挑战。视频监控业务的核心就是数据，数据就是业务本身，那么基于大规模视频节点并行分析架构，可以给视频监控项目带来诸多的裨益。基于大规模视频节点并行分析架构更加灵活，伸缩弹性更大，可根据视频监控业务的部署需要。

随着智能视频分析技术的飞速发展，如今可以将庞大的视频数据更好应用，实现更多的行业拓展应用。例如利用视频做智慧工地安全生产管理，安全帽识别（安全帽佩戴监测），烟火识别火灾防控，车牌识别、车型计数统计，施工人员计数统计、周界入侵防盗报警等应用。这只是视频分析在工地的一小部分应用，视频分析在工地、电力、煤矿、平安城市、智慧城管、交通、物流、教育等行业都可以得到广泛地应用。

目前，虽然视频智能分析技术已经得到了广泛而深入的研究，但在实际应用中仍存在许多困难。主要困难之一就是处理算法的实时性难以得到满足。监控系统自身存在采集、编码、传输等延迟的缺陷，因此要达到的视频场景实施监控的需求，就必须提高对整个智能监控算法系统的实践复杂度的要求。在高分辨率的视频中虽然视频中每个像素的处理时间非常短，但一帧图像通常有数十万甚至数百万像素。为了满足实时监控、智能分析的要求，就要求系统每秒处理十帧以上的图像，每帧的处理分析时间仅限于几十毫秒，很难实现实时的要求。当面临大规模视频同时接入处理时，例如同时处理数十、数百路接入视频节点，这种困境会显得更加突出。传统的方式是选择感兴趣的几路监控视频进行智能分析，其余视频进行存档。

发明内容

本发明提供一种面向大规模监控节点近实时智能分析的集群处理架构和方法，以解决背景技术中提出的问题。

为实现上述目的，本发明提供了一种面向大规模监控节点智能分析的集群处理架构，包括多台摄像机、管理服务器和至少一个分析设备，所述管理服务器上部署有摄像机管理模块、设备管理模块、任务管理模块、视频缓存模块和深度分析模块；多台所述摄像机与至少一个所述分析设备分别连接，所述分析设备用于处理和分析所述摄像机获取的视频数据，所述摄像机管理模块用于对多台所述摄像机的状态进行检测，所述设备管理模块用于给所述分析设备加载相应的智能分析模型，并监控其运行情况；所述任务管理模块根据多台所述摄像机的监控场景和分析设备的能力将未被智能分析的所述摄像机交给选定的分析设备进行智能分析；所述视频缓存模块用于将未找到可用计算资源的视频流和运动侦测信号缓存；所述深度分析模块用于在整个监控网络中的总体活跃度低于阈值时启动，对已经进行了实时分析的视频数据中的关键数据进行智能分析。

优选的，所述摄像机管理模块侦听多个所述摄像机发出的各类报警信号，当某个摄像机频频发送运动侦测信号时，则判断该所述摄像机的监控场景处于活跃状态，否则认为其处于非活跃状态。

本发明还提供一种采用上述的面向大规模监控节点智能分析的集群处理架构的集群处理方法，包括：

利用多台摄像机获取视频数据；

摄像机管理模块监控摄像机状态，监听运动侦测信号，评价摄像机的活跃度；设备管理模块加载相应的智能分析模型，监控分析设备的运行情况，发现异常分析设备；任务管理模块为处于活跃状态的摄像机产生新的计算任务，根据该摄像机的监控场景和分析设备的能力，将其交给选定的分析设备进行智能分析，为异常分析设备上的任务重新分配分析设备；视频缓存模块发现处于活跃状态但未找到可用资源的摄像机，将其视频流和运动侦测信号缓存，等待计算资源空闲时处理；深度分析模块根据全网摄像机活跃度判断是否进行深度处理，生成并分配深度分析任务。

优选的，所述摄像机的管理过程包括以下具体步骤：

(1)、全网络摄像机登录，为每个摄像机建立状态监控任务，监控摄像机的在线状态，当在线状态异常时，尝试重连并向系统发送通知；

(2)、从配置文件中读取每个摄像机监控的场景任务，根据场景任务，为摄像机设置运动侦测范围，并进行运动侦测监听；

(3)、当接收到监控摄像机发出的运动侦测信号后，进行记录并且统计信号频率，评价出该路监控摄像机的活跃度。

优选的，所述分析设备的管理过程包括以下具体步骤：

(1)、智能分析设备上线，接入设备管理模块，并且从配置文件中获取本台分析设备的分析场景；

(2)、根据分析场景加载需要的算法，根据算法复杂度和设备的计算能力实例化相应数量的智能分析模型；

(3)、实时向设备管理模块上传当前分析设备的分析模型占用情况和计算资源消耗情况等运行状态；

(4)、将分析设备的智能分析模型信息及运行状态发送给任务管理模块；

(5)、当检测到某台分析设备出现异常时，将该分析设备的信息发送给任务管理模块。

优选的，分析任务管理过程包括以下具体步骤：

(1)、任务管理模块从摄像机管理模块获得接入摄像机的活跃度，发现活跃度高于阈值并且未被智能分析的监控摄像机，产生新的计算任务；

(2)、任务管理模块查找该监控摄像机的监控场景，读取场景的实例化配置参数，为计算任务赋值；

(3)、从设备管理模块获取全部分析设备的运行状态，根据分析设备搭载的智能分析模型以及当前运行状态，为该分析任务选择最合适的分析设备，并将其分配给选定的分析设备进行智能分析；

(4)、分析设备接到从任务管理模块发来的智能分析任务时，连接指定的摄像机，建立解码模块实时解码视频流，选定指定的场景模型，根据摄像机拍摄现场的实际情况，为场景模型注入参数；

(5)、将解码后的图像数据交给智能分析模型进行计算，生成并上报相关的分析结果；

(6)、当视频拍摄范围内已经没有感兴趣的目标时，则本次任务执行结束，挂断视频，向任务管理模块提交任务完成报告；

(7)、当任务管理模块接受到设备管理模块发送来的异常分析设备信息时，及时回收分配给该分析设备的任务，并分配给其他合适的分析设备。

优选的，计算资源匮乏时的应对机制包括：

(1)、视频缓存模块从摄像机管理模块和设备管理模块获取摄像机的活跃度和分析设备的运行情况，根据摄像机的活跃度和分析设备的运行情况，得到目前处于活跃状态但无法找到分析设备的摄像机列表；

(2)、将任务分配给具有相应场景计算能力，并且当前空闲计算资源最高的分析设备；

(3)、分析设备在接收到任务时，分析可用计算资源是否满足计算要求，如果不能满足，则当前任务转为缓存任务执行，并且向视频缓存模块回复任务被缓存的信息；

(4)、该分析设备监控本设备的可用计算资源，当计算资源达到能够满足处理要求时，读取已缓存的视频，开始智能分析；

(4)、在分析缓存视频的过程中，如果接收到新的处理任务，系统根据实时处理优先的原则，暂停缓存数据处理，为实时处理让出计算资源；

(5)、在缓存处理过程中，发现缓存场景中的所有感兴趣目标已经离开时，搜索未处理的缓存时间段内的运动侦测信号记录，如果找到活跃片段，则跳跃至活跃时间段继续处理；

(6)、如果所有活跃片段已经处理完毕，则完成该路缓存视频的处理，向视频缓存模块发送处理完成报告。

优选的，所述深度分析模块的运行机制为：

(1)、从摄像机管理模块获取摄像机活跃度信息，监控整个监控网络中的摄像机活跃度，当活跃度低于指定阈值时，认定为可以进行事后深度处理的时间段；

(2)、在该时间段内，计算设备检测本设备的计算资源，计算资源充足时，向深度分析模块申请事后深度处理。申请时需附带本计算设备的深度分析功能集合；

(3)、深度分析模块从已处理结果中筛选需要深度分析的场景和事件，生成深度分析任务，任务中附带视频文件地址、分析目标和相关参数，将其分配给计算设备；

(4)、分析设备在进行深度分析的过程中，如果有即时任务分配，则暂停深度分析任务，优先进行在线监控视频的实时分析。

相比于现有技术，本发明具有以下有益效果：

(1)、本发明的面向大规模监控节点智能分析的集群处理架构，将大规模监控网络中的大量摄像机和多个分析设备接入同一个系统中，由系统根据需求调用计算资源，只有当摄像机监控场景中有运动发生时，调度系统才将该路监控视频分配给当前计算工作最少的分析设备进行分析，有效解决了大规模监控视频接入、多个并行分析设备的调度和优化问题。

(2)、本发明的面向大规模监控节点智能分析的集群处理方法，同时接入大规模多路视频，根据监控场景的变化和计算资源的使用率动态调度计算资源，以达到覆盖全部监控网络的实时或近实时处理分析的能力，以提高智能视频分析系统的实用性。

除了上面所描述的目的、特征和优点之外，本发明还有其它的目的、特征和优点。下面将参照图，对本发明作进一步详细的说明。

附图说明

构成本申请的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是本发明一种面向大规模监控节点智能分析的集群处理架构中管理服务器上部署上所部署的各模块之间的连接关系。

具体实施方式

以下结合附图对本发明的实施例进行详细说明，但是本发明可以根据权利要求限定和覆盖的多种不同方式实施。

请参见图1，本实施例提供一种面向大规模监控节点智能分析的集群处理架构，包括多台摄像机、管理服务器和至少一个分析设备，管理服务器上部署有摄像机管理模块、设备管理模块、任务管理模块、视频缓存模块和深度分析模块；多台摄像机与至少一个分析设备分别连接，分析设备用于处理和分析摄像机获取的视频数据，摄像机管理模块用于对多台摄像机的状态进行检测，侦听摄像机发出的各类报警信号，当某个摄像机频频发送运动侦测信号时，则判断该摄像机的监控场景处于活跃状态，否则认为其处于非活跃状态。设备管理模块用于给分析设备加载相应的智能分析模型，并监控其运行情况。任务管理模块根据多台摄像机的监控场景和分析设备的能力将未被智能分析的摄像机交给选定的分析设备进行智能分析。视频缓存模块用于将未找到可用计算资源的视频流和运动侦测信号缓存。深度分析模块用于在整个监控网络中的总体活跃度低于阈值时启动，对已经进行了实时分析的视频数据中的关键数据进行智能分析。其中，摄像机管理模块选用目前已经普及的自身提供移动侦测功能（即检测视频画面是否存在移动物体）的摄像机。

在本发明较佳的实施例中，由于每个监控场景的智能分析任务通常会有区分，因此，构架中的智能分析设备也会被赋予不同的分析功能。在智能分析任务调度时，需要任务管理模块为分析设备加载相应的智能分析模型，并且监控当前分析模型占用情况和计算资源消耗情况等运行状态。

在本发明较佳的实施例中，任务管理模块对于处于活跃状态的监控摄像机进行管控，如果该摄像机正在被计算设备进行智能分析，则管理其分析状态；否则如果该摄像机的视频流还没有被智能分析，则根据该摄像机的监控场景和计算设备的能力，将其交给选定的计算设备进行智能分析。

在本发明较佳的实施例中，假定整个监控网络所覆盖的场景具有一定的活跃概率，同时计算设备的配置是为了满足平常的活跃概率，那么当活跃摄像机远远超过设想概率时，计算资源就无法满足分析需求。此时系统需要将不能找到可用计算资源的视频流和运动侦测信号缓存，在计算资源可用时处理缓存视频。移动信号频率更高的监控视频将被优先处理。

在本发明较佳的实施例中，监控场景的活跃度一般都会与时间相关，一天中有高活跃度的时间段，也有低活跃度的时间段。深度分析模块在整个监控网络中的总体活跃度低于阈值时启动，对于已经进行了实时分析的视频中的关键数据进行额外的智能分析，从中获取更多有用信息。

本发明还提供一种面向大规模监控节点智能分析的集群处理方法，包括：利用多台摄像机获取视频数据；

摄像机管理模块监控摄像机状态，监听运动侦测信号，评价摄像机的活跃度；设备管理模块加载相应的智能分析模型，监控分析设备的运行情况，发现异常分析设备；任务管理模块为处于活跃状态的摄像机产生新的计算任务，根据该摄像机的监控场景和分析设备的能力，将其交给选定的分析设备进行智能分析，为异常分析设备上的任务重新分配分析设备；视频缓存模块发现处于活跃状态但未找到可用资源的摄像机，将其视频流和运动侦测信号缓存，等待计算资源空闲时处理；深度分析模块根据全网摄像机活跃度判断是否进行深度处理，生成并分配深度分析任务。

在本发明较佳的实施例中，摄像机的管理过程包括以下具体步骤：

(1)、全网络摄像机登录，为每个摄像机建立状态监控任务，监控摄像机的在线状态，当在线状态异常时，尝试重连并向系统发送通知；

(2)、从配置文件中读取每个摄像机监控的场景任务，根据场景任务，为摄像机设置运动侦测范围，并进行运动侦测监听；

(3)、当接收到监控摄像机发出的运动侦测信号后，进行记录并且统计信号频率，评价出该路监控摄像机的活跃度。

在本发明较佳的实施例中，分析设备的管理过程包括以下具体步骤：

(1)、智能分析设备上线，接入设备管理模块，并且从配置文件中获取本台分析设备的分析场景；

(2)、根据分析场景加载需要的算法，根据算法复杂度和设备的计算能力实例化相应数量的智能分析模型；

(3)、实时向设备管理模块上传当前分析设备的分析模型占用情况和计算资源消耗情况等运行状态；

(4)、将分析设备的智能分析模型信息及运行状态发送给任务管理模块；

(5)、当检测到某台分析设备出现异常时，将该分析设备的信息发送给任务管理模块。

在本发明较佳的实施例中，分析任务管理过程包括以下具体步骤：

(1)、任务管理模块从摄像机管理模块获得接入摄像机的活跃度，发现活跃度高于阈值并且未被智能分析的监控摄像机，产生新的计算任务；

(2)、任务管理模块查找该监控摄像机的监控场景，读取场景的实例化配置参数，为计算任务赋值；

(3)、从设备管理模块获取全部分析设备的运行状态，根据分析设备搭载的智能分析模型以及当前运行状态，为该分析任务选择最合适的分析设备，并将其分配给选定的分析设备进行智能分析；

(4)、分析设备接到从任务管理模块发来的智能分析任务时，连接指定的摄像机，建立解码模块实时解码视频流，选定指定的场景模型，根据摄像机拍摄现场的实际情况，为场景模型注入参数；

(5)、将解码后的图像数据交给智能分析模型进行计算，生成并上报相关的分析结果；

(6)、当视频拍摄范围内已经没有感兴趣的目标时，则本次任务执行结束，挂断视频，向任务管理模块提交任务完成报告；

(7)、当任务管理模块接受到设备管理模块发送来的异常分析设备信息时，及时回收分配给该分析设备的任务，并分配给其他合适的分析设备。

在本发明较佳的实施例中，计算资源匮乏时的应对机制包括：

(1)、视频缓存模块从摄像机管理模块和设备管理模块获取摄像机的活跃度和分析设备的运行情况，根据摄像机的活跃度和分析设备的运行情况，得到目前处于活跃状态但无法找到分析设备的摄像机列表；

(2)、将任务分配给具有相应场景计算能力，并且当前空闲计算资源最高的分析设备；

(3)、分析设备在接收到任务时，分析可用计算资源是否满足计算要求，如果不能满足，则当前任务转为缓存任务执行，并且向视频缓存模块回复任务被缓存的信息；

(4)、该分析设备监控本设备的可用计算资源，当计算资源达到能够满足处理要求时，读取已缓存的视频，开始智能分析；

(4)、在分析缓存视频的过程中，如果接收到新的处理任务，系统根据实时处理优先的原则，暂停缓存数据处理，为实时处理让出计算资源；

(5)、在缓存处理过程中，发现缓存场景中的所有感兴趣目标已经离开时，搜索未处理的缓存时间段内的运动侦测信号记录，如果找到活跃片段，则跳跃至活跃时间段继续处理；

(6)、如果所有活跃片段已经处理完毕，则完成该路缓存视频的处理，向视频缓存模块发送处理完成报告。

在本发明较佳的实施例中，深度分析模块的运行机制为：

(1)、为了提高计算能力，每个计算资源指定具有较高计算统一性的深度分析计算任务，称之为该计算设备的深度分析功能集合。所谓深度分析计算任务，是指额外的非日常业务必要的分析任务，对实时分析处理中得到的视频数据中用户指定的关键数据进行事后深入处理。这些任务如果在计算资源空闲时进行，既可以发掘额外的信息，又可以提高计算资源利用率。所谓计算统一性是计算模式类似，计算统一性高的任务适合在同一台计算机设备上同一时间段并行处理。

(2)、从摄像机管理模块获取摄像机活跃度信息，监控整个监控网络中的摄像机活跃度，当活跃度低于指定阈值时，认定为可以进行事后深度处理的时间段；

(3)、在该时间段内，计算设备检测本设备的计算资源，计算资源充足时，向深度分析模块申请事后深度处理。申请时需附带本计算设备的深度分析功能集合；

(4)、深度分析模块从已处理结果中筛选需要深度分析的场景和事件，生成深度分析任务，任务中附带视频文件地址、分析目标和相关参数，将其分配给计算设备；

(5)、分析设备在进行深度分析的过程中，如果有即时任务分配，则暂停深度分析任务，优先进行在线监控视频的实时分析。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种面向大规模监控节点智能分析的集群处理架构，其特征在于，包括多台摄像机、管理服务器和至少一个分析设备，所述管理服务器上部署有摄像机管理模块、设备管理模块、任务管理模块、视频缓存模块和深度分析模块；多台所述摄像机与至少一个所述分析设备分别连接，所述分析设备用于处理和分析所述摄像机获取的视频数据，所述摄像机管理模块用于对多台所述摄像机的状态进行检测，所述设备管理模块用于给所述分析设备加载相应的智能分析模型，并监控其运行情况；所述任务管理模块根据多台所述摄像机的监控场景和分析设备的能力将未被智能分析的所述摄像机交给选定的分析设备进行智能分析；所述视频缓存模块用于将未找到可用计算资源的视频流和运动侦测信号缓存；所述深度分析模块用于在整个监控网络中的总体活跃度低于阈值时启动，对已经进行了实时分析的视频数据中的关键数据进行智能分析。

2.根据权利要求1所述的集群处理架构，其特征在于，所述摄像机管理模块侦听多个所述摄像机发出的各类报警信号，当某个摄像机频频发送运动侦测信号时，则判断该所述摄像机的监控场景处于活跃状态，否则认为其处于非活跃状态。

3.一种采用如权利要求1或2中所述的面向大规模监控节点智能分析的集群处理架构的集群处理方法，其特征在于，所述方法包括：

利用多台摄像机获取视频数据；

摄像机管理模块监控摄像机状态，监听运动侦测信号，评价摄像机的活跃度；设备管理模块加载相应的智能分析模型，监控分析设备的运行情况，发现异常分析设备；任务管理模块为处于活跃状态的摄像机产生新的计算任务，根据该摄像机的监控场景和分析设备的能力，将其交给选定的分析设备进行智能分析，为异常分析设备上的任务重新分配分析设备；视频缓存模块发现处于活跃状态但未找到可用资源的摄像机，将其视频流和运动侦测信号缓存，等待计算资源空闲时处理；深度分析模块根据全网摄像机活跃度判断是否进行深度处理，生成并分配深度分析任务。

4.根据权利要求3所述的集群处理方法，其特征在于，所述摄像机的管理过程包括以下具体步骤：

(1)、全网络摄像机登录，为每个摄像机建立状态监控任务，监控摄像机的在线状态，当在线状态异常时，尝试重连并向系统发送通知；

(2)、从配置文件中读取每个摄像机监控的场景任务，根据场景任务，为摄像机设置运动侦测范围，并进行运动侦测监听；

(3)、当接收到监控摄像机发出的运动侦测信号后，进行记录并且统计信号频率，评价出该路监控摄像机的活跃度。

5.根据权利要求3所述的集群处理方法，其特征在于，所述分析设备的管理过程包括以下具体步骤：

(1)、智能分析设备上线，接入设备管理模块，并且从配置文件中获取本台分析设备的分析场景；

(2)、根据分析场景加载需要的算法，根据算法复杂度和设备的计算能力实例化相应数量的智能分析模型；

(3)、实时向设备管理模块上传当前分析设备的分析模型占用情况和计算资源消耗情况等运行状态；

(4)、将分析设备的智能分析模型信息及运行状态发送给任务管理模块；

(5)、当检测到某台分析设备出现异常时，将该分析设备的信息发送给任务管理模块。

6.根据权利要求3所述的集群处理方法，其特征在于，分析任务管理过程包括以下具体步骤：

(1)、任务管理模块从摄像机管理模块获得接入摄像机的活跃度，发现活跃度高于阈值并且未被智能分析的监控摄像机，产生新的计算任务；

(2)、任务管理模块查找该监控摄像机的监控场景，读取场景的实例化配置参数，为计算任务赋值；

(3)、从设备管理模块获取全部分析设备的运行状态，根据分析设备搭载的智能分析模型以及当前运行状态，为该分析任务选择最合适的分析设备，并将其分配给选定的分析设备进行智能分析；

(4)、分析设备接到从任务管理模块发来的智能分析任务时，连接指定的摄像机，建立解码模块实时解码视频流，选定指定的场景模型，根据摄像机拍摄现场的实际情况，为场景模型注入参数；

(5)、将解码后的图像数据交给智能分析模型进行计算，生成并上报相关的分析结果；

(6)、当视频拍摄范围内已经没有感兴趣的目标时，则本次任务执行结束，挂断视频，向任务管理模块提交任务完成报告；

(7)、当任务管理模块接受到设备管理模块发送来的异常分析设备信息时，及时回收分配给该分析设备的任务，并分配给其他合适的分析设备。

7.根据权利要求3所述的集群处理方法，其特征在于，计算资源匮乏时的应对机制包括：

(1)、视频缓存模块从摄像机管理模块和设备管理模块获取摄像机的活跃度和分析设备的运行情况，根据摄像机的活跃度和分析设备的运行情况，得到目前处于活跃状态但无法找到分析设备的摄像机列表；

(2)、将任务分配给具有相应场景计算能力，并且当前空闲计算资源最高的分析设备；

(3)、分析设备在接收到任务时，分析可用计算资源是否满足计算要求，如果不能满足，则当前任务转为缓存任务执行，并且向视频缓存模块回复任务被缓存的信息；

(4)、该分析设备监控本设备的可用计算资源，当计算资源达到能够满足处理要求时，读取已缓存的视频，开始智能分析；

(4)、在分析缓存视频的过程中，如果接收到新的处理任务，系统根据实时处理优先的原则，暂停缓存数据处理，为实时处理让出计算资源；

(5)、在缓存处理过程中，发现缓存场景中的所有感兴趣目标已经离开时，搜索未处理的缓存时间段内的运动侦测信号记录，如果找到活跃片段，则跳跃至活跃时间段继续处理；

(6)、如果所有活跃片段已经处理完毕，则完成该路缓存视频的处理，向视频缓存模块发送处理完成报告。

8.根据权利要求3所述的集群处理方法，其特征在于，所述深度分析模块的运行机制为：

(1)、从摄像机管理模块获取摄像机活跃度信息，监控整个监控网络中的摄像机活跃度，当活跃度低于指定阈值时，认定为可以进行事后深度处理的时间段；

(2)、在该时间段内，计算设备检测本设备的计算资源，计算资源充足时，向深度分析模块申请事后深度处理，申请时需附带本计算设备的深度分析功能集合；

(3)、深度分析模块从已处理结果中筛选需要深度分析的场景和事件，生成深度分析任务，任务中附带视频文件地址、分析目标和相关参数，将其分配给计算设备；

(4)、分析设备在进行深度分析的过程中，如果有即时任务分配，则暂停深度分析任务，优先进行在线监控视频的实时分析。

Images