CN114257794A - 一种视频分析算力调度方法及系统 - Google Patents

Abstract

本发明涉及一种视频分析算力调度方法及系统，属于图像处理和视频分析系统领域，将每个监控节点内的摄像头设置为关键摄像头和关联摄像头，计算视频分析服务器数量，初始时关闭关联摄像头并开启关键摄像头，同时将每个监控节点中的关键摄像头视频流接入视频分析服务器，此时视频服务器资源和算力利用率低；当关键摄像头检测到兴趣目标时，开启与该关键摄像头联动的关联摄像头，并将关联摄像头视频流接入视频分析服务器，当关键摄像头在一定时间内没有检测到兴趣目标时，关闭与该关键摄像头联动的所有关联摄像头。针对低人群密度和高摄像头密度布控的场景，通过关键节点实时监控和关联摄像头联动，达到视频分析算力高效利用目的。

Description

一种视频分析算力调度方法及系统

技术领域

本发明涉及图像处理和视频分析系统领域，特别是涉及一种视频分析算力调度方法及系统。

背景技术

智能安防布控场景一般按以下两种方式进行部署：1.前端智能抓拍机与小算力后端服务器联动，将抓拍和简单分析功能分配到智能相机端，后端服务器主要进行简单数据分析汇总，2.前端普通网络摄像机与重算力后端服务器联动，后端服务器需要完成视频流解码、视频分析以及后续的数据分析汇总。

方式1系统复杂度低，在高密度人群场景下适用性较好，方式2后端服务器负载重，在高密度人群场景下对于视频分析服务器编解码能力要求高，通常情况下成本较高。针对多个低密度人群场景，方式1智能抓拍摄像头单位成本高且不容易置换分析功能，同时多数时间段内视频分析算力都是闲置的，存在巨大的浪费。

发明内容

本发明的目的是提供一种视频分析算力调度方法及系统，以实现视频分析算力的高效利用。

为实现上述目的，本发明提供了如下方案：

一种视频分析算力调度方法，所述方法包括：

统计安防布控场景下所有需布控摄像头数量、监控节点数量、同时有人出现的监控节点峰值和视频分析服务器最大负载；所述监控节点为封闭式区域；

将所有需布控的摄像头划分到不同监控节点内，并将每个监控节点内的摄像头设置为关键摄像头以及与关键摄像头联动的关联摄像头；所述关键摄像头用于实时检测监控节点中的兴趣目标；

根据安防布控场景下所有需布控摄像头数量、监控节点数量、监控节点峰值数量和视频分析服务器最大负载，计算视频分析服务器数量；

关闭关联摄像头并开启关键摄像头，同时将每个监控节点中的关键摄像头视频流接入视频分析服务器；

当关键摄像头检测到兴趣目标时，开启与该关键摄像头联动的关联摄像头，并将关联摄像头视频流接入视频分析服务器；

当监控节点内关键摄像头和关联摄像头在一定时间内均未检测到兴趣目标时，关闭该监控节点内的所有关联摄像头。

可选的，所述安防布控场景为低密度人群和高密度摄像头安防布控场景，包含多个封闭式场景。

可选的，所述视频分析服务器数量的计算公式为

N=(F×S)/(M×K)

其中，N为视频分析服务器数量，F为同时有人出现的监控节点峰值，S为所有需布控摄像头数量，M为视频分析服务器最大负载，K为监控节点数量。

可选的，所述视频分析服务器为能够解码视频流并能使用人工智能算法分析的设备。

可选的，所述关键摄像头对准兴趣目标的卡口位置，所述关键摄像头一直处于开启状态并集成检测状态的实时算法。

可选的，所述关键摄像头检测到兴趣目标的步骤为：

关键摄像头采用帧差法，利用公式D _n (x,y) = | f _n (x,y) - f _n-1(x,y)|，计算相邻两帧视频图像的同一位置像素差绝对值；其中，D _n (x,y)为相邻两帧视频图像的同一位置像素差绝对值，f _n (x,y)为当前帧视频图像中(x,y)像素点像素值，f _n-1(x,y)为前一帧视频图像中(x,y)像素点像素值，(x,y)为像素点坐标；

当相邻两帧视频图像的同一位置像素差绝对值大于像素阈值时，判定检测到兴趣目标。

可选的，当关闭关联摄像头并开启关键摄像头时，监控节点的运行状态为低负载；

当关键摄像头检测到兴趣目标后，开启与该关键摄像头联动的关联摄像头时，监控节点的运行状态为全负载。

一种视频分析算力调度系统，所述系统包括：

统计模块，用于统计安防布控场景下所有需布控摄像头数量、监控节点数量、同时有人出现的监控节点峰值和视频分析服务器最大负载；所述监控节点为封闭式区域；

摄像头划分模块，用于将所有需布控的摄像头划分到不同监控节点内，并将每个监控节点内的摄像头设置为关键摄像头以及与关键摄像头联动的关联摄像头；所述关键摄像头用于实时检测监控节点中的兴趣目标；

视频分析服务器计算模块，用于根据安防布控场景下所有需布控摄像头数量、监控节点数量、监控节点峰值数量和视频分析服务器最大负载，计算视频分析服务器数量；

低负载设置模块，用于关闭关联摄像头并开启关键摄像头，同时将每个监控节点中的关键摄像头视频流接入视频分析服务器；

全负载设置模块，用于当关键摄像头检测到兴趣目标时，开启与该关键摄像头联动的关联摄像头，并将关联摄像头视频流接入视频分析服务器；

联动关闭模块，用于当监控节点内关键摄像头和关联摄像头在一定时间内均未检测到兴趣目标时，关闭该监控节点内的所有关联摄像头。

可选的，所述安防布控场景为低密度人群和高密度摄像头安防布控场景，包含多个封闭式场景。

可选的，所述视频分析服务器数量的计算公式为

N=(F×S)/(M×K)

其中，N为视频分析服务器数量，F为同时有人出现的监控节点峰值，S为所有需布控摄像头数量，M为视频分析服务器最大负载，K为监控节点数量。

根据本发明提供的具体实施例，本发明公开了以下技术效果：

本发明公开一种视频分析算力调度方法及系统，将所有需布控的摄像头划分到不同监控节点内，并将每个监控节点内的摄像头设置为关键摄像头以及与关键摄像头联动的关联摄像头，计算视频分析服务器数量，初始时关闭关联摄像头并开启关键摄像头，同时将每个监控节点中的关键摄像头视频流接入视频分析服务器，此时视频服务器资源和算力利用率低；当关键摄像头检测到兴趣目标时，开启与该关键摄像头联动的关联摄像头，并将关联摄像头视频流接入视频分析服务器，当关键摄像头在一定时间内没有检测到兴趣目标时，关闭与该关键摄像头联动的所有关联摄像头。针对低人群密度和高摄像头密度布控的场景，通过关键节点实时监控和关联摄像头联动，达到视频分析算力高效利用目的。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，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，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明提供的一种视频分析算力调度方法的流程图；

图2为本发明实施例提供的门关闭状态时摄像头的状态示意图；

图3为本发明实施例提供的门开启状态时摄像头的状态示意图；

图4为本发明实施例提供的监控过程示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，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他实施例，都属于本发明保护的范围。

本发明的目的是提供一种视频分析算力调度方法及系统，以实现视频分析算力的高效利用。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

本发明提供了一种视频分析算力调度方法，如图1所示，方法包括：

步骤S1，统计安防布控场景下所有需布控摄像头数量、监控节点数量、同时有人出现的监控节点峰值和视频分析服务器最大负载；监控节点为封闭式区域。

安防布控场景为低密度人群和高密度摄像头安防布控场景，包含多个封闭式场景。

步骤S2，将所有需布控的摄像头划分到不同监控节点内，并将每个监控节点内的摄像头设置为关键摄像头以及与关键摄像头联动的关联摄像头；关键摄像头用于实时检测监控节点中的兴趣目标。

关键摄像头对准兴趣目标的卡口位置，关键摄像头一直处于开启状态并集成检测状态的实时算法。关联摄像头不对准卡口位置，正常状态下处于关闭状态，通过关键摄像头事件触发去调度关联摄像头开启。

步骤S3，根据安防布控场景下所有需布控摄像头数量、监控节点数量、监控节点峰值数量和视频分析服务器最大负载，计算视频分析服务器数量。

视频分析服务器数量的计算公式为

N=(F×S)/(M×K)

其中，N为视频分析服务器数量，F为同时有人出现的监控节点峰值，S为所有需布控摄像头数量，M为视频分析服务器最大负载，K为监控节点数量。

视频分析服务器为能够解码视频流并能使用人工智能算法分析的设备。

步骤S4，关闭关联摄像头并开启关键摄像头，同时将每个监控节点中的关键摄像头视频流接入视频分析服务器。

步骤S5，当关键摄像头检测到兴趣目标时，开启与该关键摄像头联动的关联摄像头，并将关联摄像头视频流接入视频分析服务器。

关键摄像头检测到兴趣目标的步骤为：

关键摄像头采用帧差法，利用公式D _n (x,y) = | f _n (x,y) - f _n-1(x,y)|，计算相邻两帧视频图像的同一位置像素差绝对值；其中，D _n (x,y)为相邻两帧视频图像的同一位置像素差绝对值，f _n (x,y)为当前帧视频图像中(x,y)像素点像素值，f _n-1(x,y)为前一帧视频图像中(x,y)像素点像素值，(x,y)为像素点坐标；

当相邻两帧视频图像的同一位置像素差绝对值大于像素阈值时，判定检测到兴趣目标。

步骤S6，当监控节点内关键摄像头和关联摄像头在一定时间内均未检测到兴趣目标时，关闭该监控节点内的所有关联摄像头。

在一个示例中，当关闭关联摄像头并开启关键摄像头时，监控节点的运行状态为低负载。低负载时仅开启监控节点内关键摄像头，视频服务器资源和算力利用率低。当关键摄像头检测到兴趣目标后，开启与该关键摄像头联动的关联摄像头时，监控节点的运行状态为全负载。全负载时节点内所有摄像头都处于开启状态，视频服务器资源和算力利用率高。

本发明主要用于低人群密度和高摄像头密度布控的场景，通过关键节点实时监控和关联摄像头联动，达到视频分析算力高效利用目的。此场景下主要通过视频分析设备对摄像头视频流进行解码和分析，并将结果传给服务器。该方案主要步骤如下：1.配置视频分析环境，将所有摄像头列入不同监控节点，监控节点包含关键节点摄像头和联动摄像头，2.将关键节点摄像头分配到相应视频分析设备并实时开启。3.当检测到关键节点摄像头有兴趣目标时，开启相同节点内联动摄像头同时进行视频分析，并将其均衡分配到其他视频分析设备。4.当监控节点内摄像头设置时间内均无目标时，关闭所有联动摄像头，但关键节点摄像头保持开启和分析状态。

为了进一步详细阐述本发明的视频分析算力调度方法，以下面具体实施例的详细步骤作阐明。

数据分析和系统配置阶段步骤S1，先统计场景下所有需布控摄像头数量S，监控节点数量K，以天为周期统计同时有人出现监控节点峰值数量F(当一个密闭空间有人出现时此密闭空间摄像头都会打开，如图3所示的状态所有摄像头都打开，当人离开密闭空间时此房间除了监控人进入的摄像头打开，其他摄像头都关闭，如图2所示。峰值F是同一时间最多有多少个密闭空间有人出现，每个密闭空间代表一个监控节点。总节点数量是K)，视频分析服务器最大负载M。例如多个机房场景的布控，摄像头总数S为10000，监控节点数量K为500，以天为周期统计同时有人出现的节点峰值数量F为200，视频分析服务器的最大负载M为20。

数据分析和系统配置阶段步骤S2，将所有需布控摄像头划分到不同监控节点内，每个监控节点设置关键摄像头和关联摄像头(关键摄像头和关联摄像头具体数量根据场景会有变化，例如在密闭房间检测是否有人每个门都配一个关键摄像头检测有没有人进入，房间其他摄像头都为关联摄像头，如图4，三幅图，一直为实心圆的为关键摄像头，其他由空心圆变实心圆再变空心圆的为关联摄像头)。例如多个机房场景可以设置每个房间一个摄像头监控门设否打开状态为关键摄像头，其他摄像头为关联摄像头，关键摄像头检测到有人进入，关联摄像头全部打开。

数据分析和系统配置阶段步骤S3，计算视频分析服务器数量：N=(F*S)/(M*K)，根据此阶段步骤S1中举的例子可以计算出所需服务器数量N = (200 * 10000) / (20 *500) = 200，实际实施过程中可以扩充一些余量用250个视频服务器，确保视频服务器数量可以充分满足使用。

运行阶段步骤S4，所有监控节点内关键摄像头视频流接入视频分析服务器，开启分析状态，初始时，所有监控节点运行状态设置为：低负载（视频分析服务器主要作用是进行算法处理，根据具体的场景检测不同的需求，例如检测是否有人，是否有违规物品，人员穿戴是否规范等），上述例子中只有每个机房的关键摄像头处于开启状态，其他关联摄像头都处于关闭状态，系统负荷达到最低状态，此时的房间状态如附图图2所示，实心圆代表摄像头处于开启状态，空心圆代表摄像头处于关闭状态，关键摄像头一直是实心圆处于开启状态，关联摄像头有状态变化时是开启状态，平常处于关闭状态。

运行阶段步骤S5，当有监控节点内关键摄像头发现有物体移动时，将监控节点内其他摄像头接入视频分析服务器分析，并将其状态设置为：全负载（视频分析服务器主要作用是进行算法处理，根据具体的场景检测不同的需求，例如检测是否有人，是否有违规物品，人员穿戴是否规范等。）。在上述例子中，每个机房的关键摄像头根据帧差法计算公式D _n (x,y) = | f _n (x,y) - f _n-1(x,y)|，当计算的结果大于给定的阈值，此时检测到有人开门，打开同一房间的其他摄像头（此计算公式主要用于计算两幅相同尺度图像的平均像素差，当像素差达到一定阈值就可以判断出门是否打开，具体的阈值根据不同场景不同外界光照强调会有所不同，阈值可以自己配置。此时系统此房间为全负荷工作状态，此时房间状态如附图图3所示。

运行阶段步骤S6，当全负载监控节点一定时间内，均没有发现兴趣目标时，关闭监控节点内关联摄像头，并将其状态设置为：低负载（对应例子中房间这样密闭场景检测有没有人开门，兴趣目标就是有人开门。根据不同的业务场景，例如是否有动物闯入，是否有人打架斗殴等都可以作为兴趣目标）。上述的例子中，整体的节点摄像头状态变更如图4所示。

针对低人群密度和高摄像头密度布控的场景，本发明前端采用普通监控相机，后端采用视频分析服务器，采用动态调度负载的方法灵活分配计算资源，减少服务器使用数量，降低系统整体成本，并可以在系统资源调度较低的情况下完成高效的安防布控任务。

本发明还提供了一种视频分析算力调度系统，系统包括：

统计模块，用于统计安防布控场景下所有需布控摄像头数量、监控节点数量、同时有人出现的监控节点峰值和视频分析服务器最大负载；监控节点为封闭式区域；

摄像头划分模块，用于将所有需布控的摄像头划分到不同监控节点内，并将每个监控节点内的摄像头设置为关键摄像头以及与关键摄像头联动的关联摄像头；关键摄像头用于实时检测监控节点中的兴趣目标；

视频分析服务器计算模块，用于根据安防布控场景下所有需布控摄像头数量、监控节点数量、监控节点峰值数量和视频分析服务器最大负载，计算视频分析服务器数量；

低负载设置模块，用于关闭关联摄像头并开启关键摄像头，同时将每个监控节点中的关键摄像头视频流接入视频分析服务器；

全负载设置模块，用于当关键摄像头检测到兴趣目标时，开启与该关键摄像头联动的关联摄像头，并将关联摄像头视频流接入视频分析服务器；

联动关闭模块，用于当监控节点内关键摄像头和关联摄像头在一定时间内均未检测到兴趣目标时，关闭该监控节点内的所有关联摄像头。

安防布控场景为低密度人群和高密度摄像头安防布控场景，包含多个封闭式场景。

视频分析服务器数量的计算公式为

N=(F×S)/(M×K)

其中，N为视频分析服务器数量，F为同时有人出现的监控节点峰值，S为所有需布控摄像头数量，M为视频分析服务器最大负载，K为监控节点数量。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种视频分析算力调度方法，其特征在于，所述方法包括：

统计安防布控场景下所有需布控摄像头数量、监控节点数量、同时有人出现的监控节点峰值和视频分析服务器最大负载；所述监控节点为封闭式区域；

将所有需布控的摄像头划分到不同监控节点内，并将每个监控节点内的摄像头设置为关键摄像头以及与关键摄像头联动的关联摄像头；所述关键摄像头用于实时检测监控节点中的兴趣目标；

根据安防布控场景下所有需布控摄像头数量、监控节点数量、监控节点峰值数量和视频分析服务器最大负载，计算视频分析服务器数量；

关闭关联摄像头并开启关键摄像头，同时将每个监控节点中的关键摄像头视频流接入视频分析服务器；

当关键摄像头检测到兴趣目标时，开启与该关键摄像头联动的关联摄像头，并将关联摄像头视频流接入视频分析服务器；

当监控节点内关键摄像头和关联摄像头在一定时间内均未检测到兴趣目标时，关闭该监控节点内的所有关联摄像头。

2.根据权利要求1所述的视频分析算力调度方法，其特征在于，所述安防布控场景为低密度人群和高密度摄像头安防布控场景，包含多个封闭式场景。

3.根据权利要求1所述的视频分析算力调度方法，其特征在于，所述视频分析服务器数量的计算公式为

N=(F×S)/(M×K)

其中，N为视频分析服务器数量，F为同时有人出现的监控节点峰值，S为所有需布控摄像头数量，M为视频分析服务器最大负载，K为监控节点数量。

4.根据权利要求1所述的视频分析算力调度方法，其特征在于，所述视频分析服务器为能够解码视频流并能使用人工智能算法分析的设备。

5.根据权利要求1所述的视频分析算力调度方法，其特征在于，所述关键摄像头对准兴趣目标的卡口位置，所述关键摄像头一直处于开启状态并集成检测状态的实时算法。

6.根据权利要求1所述的视频分析算力调度方法，其特征在于，所述关键摄像头检测到兴趣目标的步骤为：

关键摄像头采用帧差法，利用公式D _n (x,y) = | f _n (x,y) - f _n-1(x,y)|，计算相邻两帧视频图像的同一位置像素差绝对值；其中，D _n (x,y)为相邻两帧视频图像的同一位置像素差绝对值，f _n (x,y)为当前帧视频图像中(x,y)像素点像素值，f _n-1(x,y)为前一帧视频图像中(x,y)像素点像素值，(x,y)为像素点坐标；

当相邻两帧视频图像的同一位置像素差绝对值大于像素阈值时，判定检测到兴趣目标。

7.根据权利要求1所述的视频分析算力调度方法，其特征在于，

当关闭关联摄像头并开启关键摄像头时，监控节点的运行状态为低负载；

当关键摄像头检测到兴趣目标后，开启与该关键摄像头联动的关联摄像头时，监控节点的运行状态为全负载。

8.一种视频分析算力调度系统，其特征在于，所述系统包括：

统计模块，用于统计安防布控场景下所有需布控摄像头数量、监控节点数量、同时有人出现的监控节点峰值和视频分析服务器最大负载；所述监控节点为封闭式区域；

摄像头划分模块，用于将所有需布控的摄像头划分到不同监控节点内，并将每个监控节点内的摄像头设置为关键摄像头以及与关键摄像头联动的关联摄像头；所述关键摄像头用于实时检测监控节点中的兴趣目标；

视频分析服务器计算模块，用于根据安防布控场景下所有需布控摄像头数量、监控节点数量、监控节点峰值数量和视频分析服务器最大负载，计算视频分析服务器数量；

低负载设置模块，用于关闭关联摄像头并开启关键摄像头，同时将每个监控节点中的关键摄像头视频流接入视频分析服务器；

全负载设置模块，用于当关键摄像头检测到兴趣目标时，开启与该关键摄像头联动的关联摄像头，并将关联摄像头视频流接入视频分析服务器；

联动关闭模块，用于当监控节点内关键摄像头和关联摄像头在一定时间内均未检测到兴趣目标时，关闭该监控节点内的所有关联摄像头。

9.根据权利要求8所述的视频分析算力调度系统，其特征在于，所述安防布控场景为低密度人群和高密度摄像头安防布控场景，包含多个封闭式场景。

10.根据权利要求8所述的视频分析算力调度系统，其特征在于，所述视频分析服务器数量的计算公式为

N=(F×S)/(M×K)

其中，N为视频分析服务器数量，F为同时有人出现的监控节点峰值，S为所有需布控摄像头数量，M为视频分析服务器最大负载，K为监控节点数量。

Images