WO2021093625A1 - 智能分析算法选取方法、装置、系统及电子设备 - Google Patents

智能分析算法选取方法、装置、系统及电子设备 Download PDF

Info

Publication number
WO2021093625A1
WO2021093625A1 PCT/CN2020/125876 CN2020125876W WO2021093625A1 WO 2021093625 A1 WO2021093625 A1 WO 2021093625A1 CN 2020125876 W CN2020125876 W CN 2020125876W WO 2021093625 A1 WO2021093625 A1 WO 2021093625A1
Authority
WO
WIPO (PCT)
Prior art keywords
intelligent analysis
algorithm
analysis algorithm
load
target
Prior art date
Application number
PCT/CN2020/125876
Other languages
English (en)
French (fr)
Inventor
车军
Original Assignee
杭州海康威视数字技术股份有限公司
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 杭州海康威视数字技术股份有限公司 filed Critical 杭州海康威视数字技术股份有限公司
Priority to US17/776,420 priority Critical patent/US20220405145A1/en
Priority to EP20886958.6A priority patent/EP4060491A4/en
Publication of WO2021093625A1 publication Critical patent/WO2021093625A1/zh

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/48—Program initiating; Program switching, e.g. by interrupt
    • G06F9/4806—Task transfer initiation or dispatching
    • G06F9/4843—Task transfer initiation or dispatching by program, e.g. task dispatcher, supervisor, operating system
    • G06F9/4881—Scheduling strategies for dispatcher, e.g. round robin, multi-level priority queues
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
    • G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
    • G06F9/505—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals considering the load
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5061—Partitioning or combining of resources
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/87—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using selection of the recognition techniques, e.g. of a classifier in a multiple classifier system
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/96—Management of image or video recognition tasks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
    • H04N7/181—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a plurality of remote sources
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/98—Detection or correction of errors, e.g. by rescanning the pattern or by human intervention; Evaluation of the quality of the acquired patterns
    • G06V10/993—Evaluation of the quality of the acquired pattern
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • General Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)

Abstract

一种智能分析算法选取方法、装置、系统及电子设备，该方法包括：获取监控场景的图像数据（S101）；对图像数据进行分析，得到图像数据包含的各场景内容（S102）；确定各场景内容各自对应的智能分析算法（S103）；按照用于加载智能分析算法的计算节点的负载能力，在各场景内容对应的智能分析算法中选取目标智能分析算法，其中，目标智能分析算法的总算法负载不大于计算节点的负载能力（S104）。所述智能分析算法选取方法实现了自动选择智能分析算法，能够减少人工工作量，提高智能分析算法的选取效率，能够减少计算节点过载的情况，减少因计算节点过载而导致分析结果异常的情况，减少因施工人员专业程度低导致智能分析算法选择不当，而影响分析效果的情况。

Description

智能分析算法选取方法、装置、系统及电子设备
本申请要求于2019年11月14日提交中国专利局、申请号为201911114467.8发明名称为“智能分析算法选取方法、装置、系统及电子设备”的中国专利申请的优先权，其全部内容通过引用结合在本申请中。
技术领域
本申请涉及计算机技术领域，特别是涉及智能分析算法选取方法、装置、系统及电子设备。
背景技术
随着计算机视觉技术的发展及人们安防意识的提高，基于智能分析算法的视频监控技术已经遍及生活的方方面面。相关技术中，在监控设备安装完成后，需要人工针对每个监控设备对应的监控点位选择相应的智能分析算法，并人工配置调整，然而人工选择智能分析算法，人工工作量大，智能分析算法选取效率低。
发明内容
本申请实施例的目的在于提供一种智能分析算法选取方法、装置、系统及电子设备，以实现自动选择智能分析算法，减少人工工作量，提高智能分析算法的选取效率。具体技术方案如下：
第一方面，本申请实施例提供了一种智能分析算法选取方法，所述方法包括：
获取监控场景的图像数据；
对所述图像数据进行分析，得到所述图像数据包含的各场景内容；
确定各所述场景内容各自对应的智能分析算法；
按照用于加载智能分析算法的计算节点的负载能力，在各所述场景内容对应的智能分析算法中选取目标智能分析算法，其中，所述目标智能分析算法的总算法负载不大于所述计算节点的负载能力。
第二方面，本申请实施例提供了一种智能分析算法选取装置，所述装置包括：
图像数据获取模块，用于获取监控场景的图像数据；
场景内容确定模块，用于对所述图像数据进行分析，得到所述图像数据包含的各场景内容；
初始算法确定模块，用于确定各所述场景内容各自对应的智能分析算法；
目标算法确定模块，用于按照用于加载智能分析算法的计算节点的负载能力，在各所述场景内容对应的智能分析算法中选取目标智能分析算法，其中，所述目标智能分析算法的总算法负载不大于所述计算节点的负载能力。
第三方面，本申请实施例提供了一种智能分析算法选取系统，所述系统包括：
场景分析模块，用于获取监控场景的图像数据；对所述图像数据进行分析，得到所述图像数据包含的各场景内容；
资源调度模块，用于确定各所述场景内容各自对应的智能分析算法；按照计算节点的负载能力，在各所述场景内容对应的智能分析算法中选取目标智能分析算法，其中，所述目标智能分析算法的总算法负载不大于所述计算节点的负载能力；利用所述计算节点加载所述目标智能分析算法。
第四方面，本申请实施例提供了一种电子设备，包括处理器及存储器；
所述存储器，用于存放计算机程序；
所述处理器，用于执行所述存储器上所存放的程序时，实现上述任一所述的智能分析算法选取方法。
第五方面，本申请实施例提供了一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述任一所述的智能分析算法选取方法。
本申请实施例提供的智能分析算法选取方法、装置、系统及电子设备，获取监控场景的图像数据；对图像数据进行分析，得到图像数据包含的各场景内容；确定各场景内容各自对应的智能分析算法；按照用于加载智能分析算法的计算节点的负载能力，在各场景内容对应的智能分析算法中选取目标智能分析算法，其中，目标智能分析算法的总算法负载不大于计算节点的负载能力。实现了自动选择智能分析算法，能够减少人工工作量，提高智能分析算法的选取效率，并且各目标智能分析算法的总算法负载不大于计算节点的负载能力，能够减少计算节点过载的情况，减少因计算节点过载而导致分析结果异常的情况，减少因施工人员专业程度低导致智能分析算法选择不当， 而影响分析效果的情况。当然，实施本申请的任一产品或方法并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本申请实施例和现有技术的技术方案，下面对实施例和现有技术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申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例的智能分析算法选取方法的第一种流程示意图；
图2a为本申请实施例的智能分析算法选取方法的第二种流程示意图；
图2b为本申请实施例的智能分析算法选取方法的第三种流程示意图；
图3a为本申请实施例的智能分析算法选取方法的第四种流程示意图；
图3b为图3a所示的实施例中的步骤S302的具体实现方式的第一种流程示意图；
图3c为图3a所示的实施例中的步骤S302的具体实现方式的第二种流程示意图；
图3d为图3a所示的实施例中的步骤S302的具体实现方式的第三种流程示意图；
图4为图3a所示的实施例中的步骤S302的具体实现方式的第四种流程示意图；
图5为本申请实施例的监控场景的图像数据的一种示意图；
图6a为本申请实施例的智能分析算法选取装置的第一种结构示意图；
图6b为本申请实施例的智能分析算法选取装置的第二种结构示意图；
图7为本申请实施例的智能分析算法选取系统的第一种结构示意图；
图8为本申请实施例的智能分析算法选取系统的第二种结构示意图；
图9为本申请实施例的电子设备的一种结构示意图。
具体实施方式
为使本申请的目的、技术方案、及优点更加清楚明白，以下参照附图并举实施例，对本申请进一步详细说明。显然，所描述的实施例仅仅是本申请 一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
首先，对本申请实施例中的专业术语进行解释：
场景分析：通过对场景进行分析，识别当前场景类型，例如，街道、路口、室内等，并通过对场景中的固定内容进行提取，例如，路面、标识(如禁停、禁止吸烟等)、斑马线等，来理解当前场景所需要的智能分析内容。
算法资源池：包含多种算法以及算法组合，可根据算法编排的逻辑自动形成整套业务逻辑，实现某个特定的业务。
相关技术中，需要人工针对每个监控点位选择智能分析算法，并人工配置调整，然而人工选择智能分析算法，人工工作量大，智能分析算法选取效率低，并且施工人员往往难以达到专业的智能分析算法配置程度，导致大量的智能监控设备效果难以保证，社会利益有限。同时，智能芯片的发展使得一款芯片可以提供较多的智能功能，但是场景和功能的匹配需要非常专业的知识，对于智慧城市、雪亮工程等大规模的项目，很难保证具备专业知识的施工人员。
有鉴于此，本申请实施例提供了一种智能分析算法选取方法，该方法包括：获取监控场景的图像数据；对图像数据进行分析，得到图像数据包含的各场景内容；确定各场景内容各自对应的智能分析算法；按照用于加载智能分析算法的计算节点的负载能力，在各场景内容对应的智能分析算法中选取目标智能分析算法，其中，目标智能分析算法的总算法负载不大于计算节点的负载能力。
本申请实施例中，实现了自动加载智能分析算法，能够减少人工工作量，增加了智能分析算法选取效率，减少因施工人员专业程度低导致智能分析算法选择不当，而影响分析效果的情况。
为了更加清楚的描述本申请的技术方案，下面进行具体说明，本申请实施例的智能分析算法选取方法可以如图1所示，该方法包括：
S101，获取监控场景的图像数据。
本申请实施例的智能分析算法选取方法可以通过电子设备实现。具体的，该电子设备点可以为利用智能分析算法对监控图像进行分析的计算节点，例如，可以为智能相机、硬盘录像机等设备。
S102，对图像数据进行分析，得到图像数据包含的各场景内容。
可以通过计算机视觉技术，对监控场景的图像数据进行分析，从而确定图像数据中的各场景内容。一个图像数据中可以包括一个或多个场景内容，场景内容为可以用自然语言描述的目标，例如，场景内容可以包括需要利用智能分析算法检测的区域(以下称为背景分区)，例如，人行道区域、非机动车道区域、机动车道区域、斑马线区域、消防通道区域、停车位区域或电梯区域等，场景内容还可以包括希望检测的目标(以下称为前景目标)，例如行人、车辆等。
为了增加场景内容的检测速度及准确度，在一种可能的实施方式中，可以先利用计算机视觉技术，确定上述图像数据的场景类型；然后基于上述图像数据的场景类型，对上述图像数据进行目标检测，得到上述图像数据中的各场景内容。
可以利用深度学习模型等计算机视觉技术，对图像数据进行分析，从而确定图像数据(监控场景)的场景类型。场景类型可以按照实际应用场景进行设定，例如场景类型可以包括街道、路口、室内等。基于图像数据的场景类型，对图像数据进行进一步的检测，从而得到图像数据中的各场景内容。例如，在图像数据的场景类型为街道时，利用街道场景的目标检测算法对图像数据进行目标检测，从而确定图像数据中的各场景内容。先确定图像数据的场景类型，再基于场景类型进行目标检测，从而确定场景内容，相比于直接检测场景内容，检测速度更快，准确度更高。
S103，确定各场景内容各自对应的智能分析算法。
按照预先设置的场景内容与智能分析算法的对应关系，分别确定图像数据中各场景内容对应的智能分析算法。场景内容与智能分析算法的对应关系可以根据实际情况进行设定，例如，人行道对应行人抓拍算法，非机动车道对应非机动车抓拍算法，机动车道对应机动车抓拍算法，消防通道对应通道占用抓拍算法，停车位对应停车收费算法等。
智能分析算法可以预先存储在计算节点中，在图像分析时由计算节点加载并运行，鉴于智能分析算法的种类可能较多，为了节约计算节点的存储空间，可以将智能分析算法统一存储在算法资源池中，计算节点可以从算法资源池中下载相应的智能分析算法，其中，算法资源池中的智能分析算法可以包括目标提取算法、目标跟踪算法、目标识别算法或行为分析算法等。一个场景内容可以仅对应一种智能分析算法，也可以同时对应多个智能分析算法，例如，机动车道可以同时对应车辆识别算法及车辆跟踪算法等。
S104，按照用于加载智能分析算法的计算节点的负载能力，在各场景内容对应的智能分析算法中选取目标智能分析算法，其中，目标智能分析算法的总算法负载不大于计算节点的负载能力。
获取用于加载智能分析算法的计算节点的负载能力。计算节点的负载能力是指计算节点针对上述监控场景所配置的负载能力，例如，在计算节点为智能相机时，计算节点的负载能力为智能相机整体的负载能力；在计算节点为硬盘录像机时，计算节点的负载能力为硬盘录像机中为上述监控场景分配的负载能力。
依据预设的选取规则，在各场景内容对应的智能分析算法中选取目标智能分析算法，其中，选取的各目标智能分析算法的总算法负载不大于计算节点的负载能力。预设的选取规则可以自定义设定，例如，预先为各智能分析算法设定重要度，在不超过计算节点计算能力的前提下，在各场景内容对应的智能分析算法中，优先选取重要度高的智能分析算法，作为目标智能分析算法；或按照各场景内容的区域大小，优先选取区域大的场景内容对应的智能分析算法，作为目标智能分析算法等。
智能分析算法的算法负载可以为实验值或经验值，可以通过实验测得或根据历史数据统计得到，智能分析算法的算法负载也可以通过计算节点加载运行该智能分析算法测试得到。
本申请实施例中，实现了自动选择智能分析算法，能够减少人工工作量，减少因施工人员专业程度低导致智能分析算法选择不当，而影响分析效果的情况。
当选取了目标智能分析算法之后，还需要利用计算节点加载目标智能分析算法，在一种可能的实施方式中，在上述S104的步骤之后，上述方法还包括：利用上述计算节点加载上述目标智能分析算法。
在确定目标智能分析算法后，计算节点加载各目标智能分析算法，以利用目标智能分析算法对监控场景的图像数据进行智能分析。例如，针对路边带有停车位的机动车道的监控场景，场景内容可以包括机动车道及停车位，可以通过计算节点加载车辆抓拍算法及路边停车收费算法，在进行车辆抓拍的同时，对路边停车收费进行检测，从而提升监控设备的利用率。
为了使本申请的实施例更加清楚，下面以优先选取区域大的场景内容为例，对选取目标智能分析算法，进行具体说明：
在一种可能的实施方式中，场景内容包括背景分区，参见图2a，上述对 图像数据进行分析，得到图像数据包含的各场景内容，包括：
S201，利用计算机视觉技术对图像数据进行分析，得到图像数据中的各背景分区的类型及各背景分区的位置。
场景内容可以包括需要利用智能分析算法检测的背景分区，例如，背景分区可以为人行道区域、非机动车道区域、机动车道区域、斑马线区域、消防通道区域、停车位区域或电梯区域等。例如图5所示，图像数据中包括人行道区域、非机动车道区域、机动车道区域三个背景分区。
在一种可能的实施方式中，上述确定各场景内容各自对应的智能分析算法，包括：
S202，按照预先设置的背景分区的类型与智能分析算法的对应关系，选取图像数据中的各背景分区各自对应的智能分析算法。
背景分区的类型与智能分析算法的对应关系可以按照实际情况自定义设定，例如，人行道区域对应行人抓拍算法，非机动车道区域对应非机动车抓拍算法，机动车道区域对应机动车抓拍算法，消防通道区域对应通道占用抓拍算法，停车位区域对应停车收费算法等。
在一种可能的实施方式中，上述按照用于加载智能分析算法的计算节点的负载能力，在各场景内容对应的智能分析算法中选取目标智能分析算法，包括：
S203，基于各背景分区的位置，确定各背景分区的大小。
背景分区的大小可以利用该背景分区中像素的数量进行表示。
S204，按照各背景分区的大小降序的顺序，确定前N个背景分区，使得前N个背景分区对应的智能分析算法的算法负载的和不大于计算节点的负载能力、且前N+1个背景分区对应的智能分析算法的算法负载的和大于计算节点的负载能力，将前N个背景分区对应的智能分析算法作为目标智能分析算法。
背景分区的大小直接影响背景分区在图像数据中的占比。背景分区越大，说明监控场景中该背景分区越大，可以将该背景分区作为主要监控对象，因此可以优先选取该背景分区对应的智能分析算法作为目标智能分析算法，在计算节点的计算能力足够的情况下，再加载较小的背景分区的智能分析算法。
按照背景分区由大到小的顺序，依次叠加各背景分区对应的智能分析算法的算法负载，找到一个数字N，使得前N个背景分区的智能分析算法的总算法负载不大于计算节点的负载能力，而前N+1个背景分区的智能分析算法 的总算法负载大于计算节点的负载能力。
例如，图像数据中包括两个背景分区，分别为机动车道区域和非机动车道区域，其中，机动车道区域的大小为A个像素，非机动车道区域的大小为B个像素，且A>B；则可以首先选取机动车道对应的智能分析算法，作为目标智能分析算法。然后当计算节点的负载能力还足够负载非机动车道对应的智能分析算法时，再将非机动车道对应的智能分析算法作为目标智能分析算法；若计算节点的负载能力不足以在运行非机动车道对应的智能分析算法，不将非机动车道对应的智能分析算法作为目标智能分析算法。
在本申请实施例中，按照背景分区的大小，优先选取大的背景分区对应的智能分析算法进行加载，实现了智能分析算法的自动选取及加载，并且各目标智能分析算法的总算法负载不大于计算节点的负载能力，能够减少计算节点过载的情况，减少因计算节点过载而导致分析结果异常的情况。
在一种可能的实施方式中，参见图2b，上述按照用于加载智能分析算法的计算节点的负载能力，在各场景内容对应的智能分析算法中选取目标智能分析算法，包括：
S203，基于各背景分区的位置，确定各背景分区的大小。
S205，基于各背景分区的大小，选取大于预设分区大小阈值的背景分区，得到重要背景分区。
预设分区大小阈值可以根据监控场景的图像数据的分辨率进行设定，例如预设分区大小阈值可以设定为图像数据分辨率的30％、40％或50％等。选取大于预设分区大小阈值的背景分区作为重要背景分区，例如图5所示，图像数据中包括三个背景分区，分别为：非机动车道、人行道、机动车道。其中，非机动车道及人行道的大小均大于预设分区大小阈值，而机动车道的大小不大于预设分区大小阈值，选取非机动车道及人行道作为重要背景分区。
S206，在各重要背景分区的智能分析算法的算法负载的和不大于计算节点的负载能力时，将各重要背景分区的智能分析算法，作为目标智能分析算法。
若计算节点的负载能力允许，还可以加载各背景分区中除重要背景分区外的其他背景分区(以下称为次要背景分区)对应的智能分析算法，在一种可能的实施方式中，上述方法还包括：根据各目标智能分析算法的总算法负载及计算节点的负载能力，确定计算节点的剩余负载；在计算节点的剩余负载大于预设算法负载阈值时，在次要背景分区中选取第一背景分区，并利用 计算节点加载第一背景分区对应的智能分析算法，其中，次要背景分区为大小不大于预设分区大小阈值的背景分区，第一背景分区对应的智能分析算法的算法负载不大于计算节点的剩余负载。
算法负载阈值可以为预先设定的数值，例如可以设定为计算节点计算能力的20％、10％或5％等。可以按照各次要背景分区的优先级由高到低的顺序(背景分区的优先级可以预先自定义设定)，逐个从次要背景分区中选取背景分区，作为第一背景分区，找到一个数字M，使得前M个次要背景分区的智能分析算法的总算法负载不大于计算节点的剩余负载，而前M+1个次要背景分区的智能分析算法的总算法负载大于计算节点的剩余负载，将前M个次要背景分区作为第一背景分区。也可以按照各次要背景分区的大小由大到小的顺序，选取第一背景分区等。例如图5所示，其中，非机动车道及人行道作为重要场景内容，机动车道为次要场景内容。在计算节点加载非机动车道及人行道的目标智能分析算法之后，若计算节点的剩余负载还足够加载机动车道的智能分析算法，则将机动车道的智能分析算法作为目标智能分析算法。
S207，在各重要背景分区的智能分析算法的总算法负载不大于计算节点的负载能力时，按照各重要背景分区的大小降序的顺序，确定前N个重要背景分区，使得前N个重要背景分区对应的智能分析算法的总算法负载不大于计算节点的负载能力、且前N+1个重要背景分区对应的智能分析算法的总算法负载大于计算节点的负载能力，将前N个重要背景分区对应的智能分析算法作为目标智能分析算法。
此处的重要背景分区的大小还可以替换为重要背景分区中的前景目标的大小，或各重要背景分区的优先级(可以预先针对各类型的背景分区设置相应的优先级)等，具体的实现方式此处不在赘述。
S208，在最大的重要背景分区对应的智能分析算法的算法负载大于计算节点的负载能力时，选取最大的重要背景分区的智能分析算法对应的下采样智能分析算法，作为目标智能分析算法。
智能分析算法对应的下采样智能分析算法与该智能分析算法的算法类型相同，且智能分析算法对应的下采样智能分析算法的算法负载小于该智能分析算法的算法负载。例如针对用于进行车辆检测的智能分析算法A，其对应的下采样智能分析算法B也应当用于进行车辆检测，但是下采样智能分析算法B的算法负载应当小于智能分析算法A的算法负载。在一种可能的实施方式中，下采样智能分析算法B的训练样本，可以通过对智能分析算法A的训 练样本进行下采样得到，即下采样智能分析算法B的训练样本的分辨率小于智能分析算法A的训练样本的分辨率，从而实现智能分析算法A与下采样智能分析算法B的算法类型相同，且下采样智能分析算法B的算法负载小于智能分析算法A的算法负载。当然也可以通过其他相关方式得到智能分析算法的下采样智能分析算法，此处不再赘述。
在一种可能的实施方式中，参见图2b，上述方法还包括：S105，利用上述计算节点加载上述目标智能分析算法。
在本申请实施例中，能够优先保证重要背景分区对应的智能分析算法的选取及加载，并且各目标智能分析算法的总算法负载不大于计算节点的负载能力，能够减少计算节点过载的情况，减少因计算节点过载而导致分析结果异常的情况。
在一种可能的实施方式中，上述场景内容包括背景分区及前景目标，参见图3a，上述利用计算机视觉技术对图像数据进行分析，得到图像数据中的各背景分区的类型及各背景分区的位置，包括：
S201，利用计算机视觉技术对图像数据进行分析，得到图像数据中的各背景分区的类型及各背景分区的位置。
S301，基于各背景分区的类型及位置，对图像数据中的各背景分区进行目标检测，得到图像数据中各背景分区的前景目标。
除了背景分区外，场景内容还可以包括前景目标，例如行人、车辆等。通过获取前景目标，能够确定智能分析算法是否适应与该前景目标，从而方便前景目标的选取。
在一种可能的实施方式中，上述按照用于加载智能分析算法的计算节点的负载能力，在各场景内容对应的智能分析算法中选取目标智能分析算法，包括：
S302，按照图像数据中各背景分区的位置、各背景分区的前景目标的质量、计算节点的负载能力及各智能分析算法的算法负载，在各背景分区对应的智能分析算法中选取目标智能分析算法，其中，前景目标的质量包括前景目标的大小、遮挡程度及清晰度中的至少一种。
前景目标的质量可以包括前景目标的大小、遮挡程度及清晰度中的一种或多种，当然也可以包含其他的自定义质量项目。为了保证智能分析算法能够成功对前景目标进行分析检测，需要保证前景目标的质量符合预设的质量规则，例如前景目标的大小在智能分析算法可检测的大小范围内，前景目标 的遮挡程度小于智能分析算法规定的遮挡程度，前景目标的清晰度大于智能分析算法识别目标所需的最小清晰度等。同时背景分区的位置也用于作为目标智能分析算法的选取准则，例如，背景分区的位置越靠近画面的中央，表示用户对该背景分区的关注度越高，因此可以优先选取画面的中央的背景分区等。获取计算节点的负载能力及各智能分析算法的算法负载，从而保证选取目标智能分析算法的总算法负载，不大于计算节点的负载能力，减少计算节点过载的情况。
在一种可能的实施方式中，上述方法还包括：S105，利用上述计算节点加载上述目标智能分析算法。
在本申请实施例中，除了考虑计算节点的负载能力外，还综合考虑了背景分区的位置及各前景目标的质量，有助于选取更加适合的智能分析算法，实现了智能分析算法的自动选取及加载，并且各目标智能分析算法的总算法负载不大于计算节点的负载能力，能够减少计算节点过载的情况，从而减少因计算节点过载而导致分析结果异常的情况。
在一种可能的实施方式中，参见图3b，上述按照图像数据中各背景分区的位置、各背景分区的前景目标的质量、计算节点的负载能力及各智能分析算法的算法负载，在各背景分区对应的智能分析算法中选取目标智能分析算法，包括：
S3021，按照图像数据中各背景分区的位置，确定各背景分区的拍摄角度。
S3022，基于预设角度范围阈值，过滤掉拍摄角度不在预设角度范围阈值内的背景分区。
拍摄角度可以为目标与图像采集设备法线的角度，例如图4所示，∠a为目标A的拍摄角度，当然可以采用目标的视场角等作为拍摄角度。预设角度范围阈值可以按照实际情况自定义设置。一般情况下，可以将背景分区的中心点对应的拍摄角度作为该背景分区的拍摄角度；还可以将背景分区中各标志点的拍摄角度的平均值作为该背景分区的拍摄角度，其中，标志点可以按照实际要求自定义设置。
一些应用场景中，背景分区的拍摄角度还可以为背景分区中各点的拍摄角度范围，此种情况下，当背景分区的拍摄角度范围与预设角度范围阈值的重叠区间百分比大于预设百分比阈值时，便判定背景分区的拍摄角度在预设角度范围阈值内。例如，背景分区的拍摄角度为70度至80度，预设角度范围阈值为0度至75度，则该背景分区的拍摄角度范围与预设角度范围阈值的 重叠区间百分比为(75-70)÷(80-70)＝50％，若预设百分比阈值小于50％，则判定背景分区的拍摄角度在预设角度范围阈值内，否则判定背景分区的拍摄角度不在预设角度范围阈值内。
S3023，基于预设质量阈值，在过滤后的背景分区中，选取质量满足预设质量阈值的前景目标所对应的背景分区，将选的各背景分区对应的智能分析算法，作为待选取算法集合。
前景目标的质量包括前景目标的大小、遮挡程度及清晰度中的至少一种，当然还可以包括其他与目标质量相关的参数。预设质量阈值可以按照实际情况自定义设置。当前景目标的质量仅包含一个参数项目时，该参数项目满足预设质量阈值即可判定前景目标的质量高于预设质量阈值。例如，在前景目标的质量为前景目标的大小时，预设质量阈值为预先设定的大小阈值，在前景目标的大小大于预先设定的大小阈值时，判定该前景目标的质量满足预设质量阈值。例如，在前景目标的质量为前景目标的遮挡程度时，预设质量阈值为预先设定的遮挡百分比阈值，在前景目标的遮挡程度小于预先设定的遮挡百分比阈值时，判定该前景目标的质量满足预设质量阈值。
当前景目标的质量包括多个项目时，预设质量阈值中也应该有各项目的阈值，在前景目标的质量的各项目均高于相应的阈值质量时，判定前景目标的质量高于预设质量阈值。例如，在前景目标的质量包括前景目标的大小及遮挡程度时，预设质量阈值包括预先设定的大小阈值及遮挡百分比阈值，在前景目标的大小大于预先设定的大小阈值、且前景目标的遮挡程度小于预先设定的遮挡百分比阈值时，判定该前景目标的质量高于预设质量阈值。
S3024，基于计算节点的负载能力及智能分析算法的算法负载，在待选取算法集合中选取目标智能分析算法。
各目标智能分析算法的总算法负载应当不大于计算节点的负载能力。基于该原则，可以按照预设选取规则从待选取算法集合中选取智能分析算法，作为目标智能分析算法。预设选取规则可以根据实际情况自定义设定，例如，在待选取算法集合中，优先选取最大的背景分区对应的智能分析算法作为目标智能分析算法；还可以在待选取算法集合中，优先选取质量最高的前景目标对应的智能分析算法作为目标智能分析算法等。本领域技术人员可以理解的是，前景目标质量越高，该前景目标越适合于使用智能分析算法进行分析，例如前景目标的遮挡程度越小，该前景目标质量越高；前景目标的清晰度越高，该前景目标质量越高等。
下面以前景目标的质量为选取依据，进行举例说明。在一种可能的实施方式中，参见图3c，上述基于计算节点的负载能力及智能分析算法的算法负载，在待选取算法集合中选取目标智能分析算法，包括：
S30241，在待选取算法集合中各智能分析算法的算法负载的和不大于计算节点的负载能力时，将待选取算法集合中各背景分区对应的智能分析算法作为目标智能分析算法。
S30242，在待选取算法集合中各智能分析算法的算法负载的和大于计算节点的负载能力时，按照待选取算法集合中各智能分析算法对应的前景目标的质量由高到低的顺序，选取前N个智能分析算法，使得前N个智能分析算法的算法负载的和不大于计算节点的负载能力、且前N+1个智能分析算法的算法负载的和大于计算节点的负载能力，将前N个智能分析算法作为目标智能分析算法。
在一种可能的实施方式中，参见图3c，上述方法还包括：
S30243，在待选取算法集合中，若质量最高的前景目标所对应的智能分析算法的算法负载大于计算节点的负载能力，选取质量最高的前景目标所对应的智能分析算法的下采样智能分析算法，作为目标智能分析算法，其中，智能分析算法的下采样智能分析算法与智能分析算法的算法类型相同，且智能分析算法的下采样智能分析算法的算法负载小于智能分析算法的算法负载。
智能分析算法对应的下采样智能分析算法与该智能分析算法的算法类型相同，且智能分析算法对应的下采样智能分析算法的算法负载小于该智能分析算法的算法负载。
在本申请实施例中，当质量最高的前景目标所对应的智能分析算法的算法负载大于计算节点的负载能力时，选取相应的下采样智能分析算法，从而在减少计算节点过载的情况下，实现智能分析算法的记载及运行。
在一种可能的实施方式中，参见图3d，上述方法还包括：
S30244，根据各目标智能分析算法的算法负载及计算节点的计算能力，确定计算节点的剩余负载。
S30245，在计算节点的剩余负载大于预设算法负载阈值时，在备选智能分析算法中选取次要智能分析算法，并利用计算节点加载次要智能分析算法，其中，备选智能分析算法为各背景分区对应的、除目标智能分析算法外的智能分析算法，次要智能分析算法的算法负载不大于计算节点的剩余负载。
在本申请实施例中，在计算节点的计算能力充足时，充分利用计算节点 的计算能力，实现多种算法的分析监控。
在一种可能的实施方式中，参见图4，上述方法还包括：
S401，确定各背景分区的实际环境参数。
可以通过计算机视觉技术，分别得到各背景分区的环境参数。其中，环境参数可以包括各背景分区的照度及对比度等参数。
S402，在待选取算法集合中，分别过滤掉各背景分区中的运行环境参数与实际环境参数不匹配的智能分析算法。
按照预先设置的各智能分析算法的运行环境参数，同时背景分区的实际环境参数，针对任意一个背景分区，在待选取算法集合中，过滤掉运行环境参数与该背景分区的实际环境参数不匹配的智能分析算法。
例如，针对人行道的背景分区，对应的智能分析算法包括夜间行人抓拍算法及白天行人抓拍算法，夜间行人抓拍算法的运行环境参数为照度范围在c-d之间，白天行人抓拍算法的运行环境参数为照度在d-f之间，其中，f>d>c。若人行道的实际环境参数为亮度为e，在f>e>d的情况下，说明人行道的实际环境参数与白天行人抓拍算法的运行环境参数相匹配，而与夜间行人抓拍算法的运行环境参数不匹配。因此在待选取算法集合中，过滤掉人行道对应的夜间行人抓拍算法。
在本申请实施例中，在选取目标智能分析算法时，还考虑了环境参数，能够提高计算节点加载的智能分析算法的合理性。
可以针对各目标智能分析算法的检测结果的质量进行时间和空间统计，质量或数量出现明显下滑时会发出报警信号，以通知工作人员对相应监控场景进行人工巡查，还可以根据空间的统计结果，将目标智能分析算法的检测区域集中在质量高的区域，从而节省算力用于加载其他智能分析算法。在一种可能的实施方式中，上述方法还包括：
步骤一，获取计算节点利用目标智能分析算法检测得到的各检测结果。
步骤二，判断各检测结果的质量是否小于预设质量阈值。
步骤三，当质量小于预设质量阈值的检测结果的占比超过预设百分比阈值事，发送报警信息。
例如，针对同一个区域或拍摄点位，白天抓拍质量普遍偏高，当到夜晚的某段时间时该区域中多个检测结果的质量下降至小于预设质量阈值，针对此种情况进行报警，通知工作人员该区域光照条件异常，需要进行相应的调试提升数据质量。
上述检测结果的质量可以包括检测到的前景目标的数量。例如，某个区域或拍摄点位正常情况下平均单位时间内抓拍有S条数据(每次检测到的前景目标时进行抓拍)，但某一时刻开始，数据量出现的急剧下降(下降量大于预设的百分比)，针对此种情况进行报警，以通知工作人员关注该区域有是否出现网络异常或相机异常。如果该区域或拍摄点位附近多个区域或拍摄点位同时出现了数据量异常的情况，针对此种情况进行报警，以通知工作人员关注附近是否发生异常事件。
在本申请实施例中，在大面积检测结果质量下降时发送报警信息，从而方便工作人员针对异常情况进行处理。
本申请实施例还提供了一种智能分析算法选取装置，应用于计算节点，参见图6a，该装置包括：
图像数据获取模块601，用于获取监控场景的图像数据；
场景内容确定模块602，用于对图像数据进行分析，得到图像数据包含的各场景内容；
初始算法确定模块603，用于确定各场景内容各自对应的智能分析算法；
目标算法确定模块604，用于按照用于加载智能分析算法的计算节点的负载能力，在各场景内容对应的智能分析算法中选取目标智能分析算法，其中，目标智能分析算法的总算法负载不大于计算节点的负载能力。
在一种可能的实施方式中，参见图6b，上述装置还包括：目标算法加载模块605，用于加载目标智能分析算法。
在一种可能的实施方式中，场景内容包括背景分区，场景内容确定模块602，具体用于：利用计算机视觉技术对图像数据进行分析，得到图像数据中的各背景分区的类型及各背景分区的位置。
在一种可能的实施方式中，初始算法确定模块603，具体用于：按照预先设置的背景分区的类型与智能分析算法的对应关系，选取图像数据中的各背景分区对应的智能分析算法。
在一种可能的实施方式中，目标算法确定模块604，具体用于：基于各背景分区的位置，确定各背景分区的大小；按照各背景分区的大小降序的顺序，确定前N个背景分区，使得前N个背景分区对应的智能分析算法的算法负载的和不大于计算节点的负载能力、且前N+1个背景分区对应的智能分析算法的算法负载的和大于计算节点的负载能力，将前N个背景分区对应的智能分析算法作为目标智能分析算法。
在一种可能的实施方式中，场景内容还包括前景目标，场景内容确定模块602还用于：基于各背景分区的类型及位置，对图像数据中的各背景分区进行目标检测，得到图像数据中各背景分区的前景目标。
在一种可能的实施方式中，目标算法确定模块604，具体用于：按照图像数据中各背景分区的位置、各背景分区的前景目标的质量、计算节点的负载能力及各智能分析算法的算法负载，在各背景分区对应的智能分析算法中选取目标智能分析算法，其中，前景目标的质量包括前景目标的大小、遮挡程度及清晰度中的至少一种。
在一种可能的实施方式中，目标算法确定模块604，包括：
角度计算子模块，用于按照图像数据中各背景分区的位置，确定各背景分区的拍摄角度；
分区过滤子模块，用于基于预设角度范围阈值，过滤掉拍摄角度不在预设角度范围阈值内的背景分区；
集合选取子模块，用于基于预设质量阈值，在过滤后的背景分区中，选取质量满足预设质量阈值的前景目标所对应的背景分区，将选的各背景分区对应的智能分析算法，作为待选取算法集合；
算法选取子模块，用于基于计算节点的负载能力及智能分析算法的算法负载，在待选取算法集合中选取目标智能分析算法。
在一种可能的实施方式中，目标算法确定模块604，还包括：
算法过滤子模块，用于确定各背景分区的实际环境参数；在待选取算法集合中，分别过滤掉各背景分区中的运行环境参数与实际环境参数不匹配的智能分析算法。
在一种可能的实施方式中，算法选取子模块，具体用于：在待选取算法集合中各智能分析算法的算法负载的和不大于计算节点的负载能力时，将待选取算法集合中各背景分区对应的智能分析算法作为目标智能分析算法；在待选取算法集合中各智能分析算法的算法负载的和大于计算节点的负载能力时，按照待选取算法集合中各智能分析算法对应的前景目标的质量由高到低的顺序，选取前N个智能分析算法，使得前N个智能分析算法的算法负载的和不大于计算节点的负载能力、且前N+1个智能分析算法的算法负载的和大于计算节点的负载能力，将前N个智能分析算法作为目标智能分析算法。
在一种可能的实施方式中，算法选取子模块还用于：在待选取算法集合中，若质量最高的前景目标所对应的智能分析算法的算法负载大于计算节点 的负载能力，选取质量最高的前景目标所对应的智能分析算法的下采样智能分析算法，作为目标智能分析算法，其中，智能分析算法的下采样智能分析算法与智能分析算法的算法类型相同，且智能分析算法的下采样智能分析算法的算法负载小于智能分析算法的算法负载。
在一种可能的实施方式中，算法选取子模块还用于：根据各目标智能分析算法的算法负载及计算节点的计算能力，确定计算节点的剩余负载；在计算节点的剩余负载大于预设算法负载阈值时，在备选智能分析算法中选取次要智能分析算法，并利用计算节点加载次要智能分析算法，其中，备选智能分析算法为各背景分区对应的、除目标智能分析算法外的智能分析算法，次要智能分析算法的算法负载不大于计算节点的剩余负载。
在一种可能的实施方式中，上述装置还包括：
检测结果获取模块，用于获取计算节点利用目标智能分析算法检测得到的各检测结果；
异常报警模块，用于判断各检测结果的质量是否小于预设质量阈值；当质量小于预设质量阈值的检测结果的占比超过预设百分比阈值事，发送报警信息。
本申请实施例还提供了一种智能分析算法选取系统，参见图7，该系统包括：
场景分析模块701，用于获取监控场景的图像数据；对图像数据进行分析，得到图像数据包含的各场景内容。
资源调度模块702，用于确定各场景内容各自对应的智能分析算法；按照计算节点的负载能力，在各场景内容对应的智能分析算法中选取目标智能分析算法，其中，目标智能分析算法的总算法负载不大于计算节点的负载能力；利用上述计算节点加载上述目标智能分析算法。
可选的，参见图8，本申请实施例的智能分析算法选取系统，还包括：
算法资源池703，用于存储各智能分析算法。
可选的，本申请实施例的智能分析算法选取系统，还包括：
智能分析模块704，用于获取上述计算节点利用上述目标智能分析算法检测得到的各检测结果；生成各上述检测结果的质量评价。
智能分析模块704与现有技术中智能分析模块的作用相同，可以对目标智能分析算法的输出进行质量分析，比如对抓拍的目标进行清晰度、角度、遮挡程度进行评价等。
可选的，本申请实施例的智能分析算法选取系统，还包括：
智能诊断模块705，用于获取计算节点利用目标智能分析算法检测得到的各检测结果；判断各检测结果的质量是否小于预设质量阈值；当质量小于预设质量阈值的检测结果的占比超过预设百分比阈值事，发送报警信息。
可选的，上述场景内容包括背景分区，上述场景分析模块，具体用于：利用计算机视觉技术对上述图像数据进行分析，得到上述图像数据中的各背景分区的类型及各上述背景分区的位置。
可选的，上述资源调度模块，具体用于：按照预先设置的背景分区的类型与智能分析算法的对应关系，选取上述图像数据中的各背景分区各自对应的智能分析算法。
可选的，上述资源调度模块，具体用于：基于各上述背景分区的位置，确定各上述背景分区的大小；按照各上述背景分区的大小降序的顺序，确定前N个背景分区，使得前N个背景分区对应的智能分析算法的算法负载的和不大于计算节点的负载能力、且前N+1个背景分区对应的智能分析算法的算法负载的和大于上述计算节点的负载能力，将前N个背景分区对应的智能分析算法作为目标智能分析算法。
可选的，上述场景内容还包括前景目标，上述场景分析模块，还用于：基于各上述背景分区的类型及位置，对上述图像数据中的各上述背景分区进行目标检测，得到上述图像数据中各上述背景分区的前景目标。
可选的，上述资源调度模块，具体用于：按照上述图像数据中各上述背景分区的位置、各上述背景分区的前景目标的质量、计算节点的负载能力及各上述智能分析算法的算法负载，在各上述背景分区对应的智能分析算法中选取目标智能分析算法，其中，上述前景目标的质量包括上述前景目标的大小、遮挡程度及清晰度中的至少一种。
可选的，上述资源调度模块，具体用于：按照上述图像数据中各上述背景分区的位置，确定各上述背景分区的拍摄角度；基于预设角度范围阈值，过滤掉拍摄角度不在上述预设角度范围阈值内的背景分区；基于预设质量阈值，在过滤后的背景分区中，选取质量满足上述预设质量阈值的前景目标所对应的背景分区，将选的各背景分区对应的智能分析算法，作为待选取算法集合；基于计算节点的负载能力及上述智能分析算法的算法负载，在上述待选取算法集合中选取目标智能分析算法。
可选的，各上述智能分析算法分别对应相应的运行环境参数，上述资源调度模块，还用于：确定各上述背景分区的实际环境参数；在上述待选取算法集合中，分别过滤掉各上述背景分区中的运行环境参数与实际环境参数不匹配的智能分析算法。
可选的，上述资源调度模块，具体用于：在上述待选取算法集合中各智能分析算法的算法负载的和不大于上述计算节点的负载能力时，将上述待选取算法集合中各背景分区对应的智能分析算法作为目标智能分析算法；在上述待选取算法集合中各智能分析算法的算法负载的和大于上述计算节点的负载能力时，按照上述待选取算法集合中各智能分析算法对应的前景目标的质量由高到低的顺序，选取前N个智能分析算法，使得前N个智能分析算法的算法负载的和不大于上述计算节点的负载能力、且前N+1个智能分析算法的算法负载的和大于上述计算节点的负载能力，将前N个智能分析算法作为目标智能分析算法。
可选的，上述资源调度模块，还用于：在上述待选取算法集合中，若质量最高的前景目标所对应的智能分析算法的算法负载大于上述计算节点的负载能力，选取上述质量最高的前景目标所对应的智能分析算法的下采样智能分析算法，作为目标智能分析算法，其中，上述智能分析算法的下采样智能分析算法与上述智能分析算法的算法类型相同，且上述智能分析算法的下采样智能分析算法的算法负载小于上述智能分析算法的算法负载。
可选的，上述资源调度模块，还用于：根据各上述目标智能分析算法的算法负载及上述计算节点的计算能力，确定上述计算节点的剩余负载；在上述计算节点的剩余负载大于预设算法负载阈值时，在备选智能分析算法中选取次要智能分析算法，并利用上述计算节点加载上述次要智能分析算法，其中，上述备选智能分析算法为各上述背景分区对应的、除上述目标智能分析算法外的智能分析算法，上述次要智能分析算法的算法负载不大于上述计算节点的剩余负载。
可选的，资源调度模块702还可以执行上述任一智能分析算法选取方法。
本申请实施例还提供了一种电子设备，包括：处理器及存储器；
上述存储器，用于存放计算机程序；
上述处理器用于执行上述存储器存放的计算机程序时，实现上述任一智能分析算法选取方法。
可选的，参见图9，本申请实施例的电子设备还包括通信接口902和通信总线904，其中，处理器901，通信接口902，存储器903通过通信总线904完成相互间的通信。
上述电子设备提到的通信总线可以是PCI(Peripheral Component Interconnect，外设部件互连标准)总线或EISA(Extended Industry Standard Architecture，扩展工业标准结构)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括RAM(Random Access Memory，随机存取存储器)，也可以包括NVM(Non-Volatile Memory，非易失性存储器)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括CPU(Central Processing Unit，中央处理器)、NP(Network Processor，网络处理器)等；还可以是DSP(Digital Signal Processing，数字信号处理器)、ASIC(Application Specific Integrated Circuit，专用集成电路)、FPGA(Field-Programmable Gate Array，现场可编程门阵列)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
本申请实施例还提供了一种计算机可读存储介质，上述计算机可读存储介质内存储有计算机程序，上述计算机程序被处理器执行时实现上述任一智能分析算法选取方法。
本申请实施例还提供了一种计算机程序产品，上述计算机程序产品被处理器执行时实现上述任一智能分析算法选取方法。
需要说明的是，在本文中，各个可选方案中的技术特征只要不矛盾均可组合来形成方案，这些方案均在本申请公开的范围内。诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存 在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、电子设备、存储介质及计算机程序产品的实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本申请的较佳实施例而已，并非用于限定本申请的保护范围。凡在本申请的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本申请的保护范围内。

Claims (37)

  1. 一种智能分析算法选取方法，其特征在于，所述方法包括：
    获取监控场景的图像数据；
    对所述图像数据进行分析，得到所述图像数据包含的各场景内容；
    确定各所述场景内容各自对应的智能分析算法；
    按照用于加载智能分析算法的计算节点的负载能力，在各所述场景内容对应的智能分析算法中选取目标智能分析算法，其中，所述目标智能分析算法的总算法负载不大于所述计算节点的负载能力。
  2. 根据权利要求1所述的方法，其特征在于，所述场景内容包括背景分区，所述对所述图像数据进行分析，得到所述图像数据包含的各场景内容，包括：
    利用计算机视觉技术对所述图像数据进行分析，得到所述图像数据中的各背景分区的类型及各所述背景分区的位置。
  3. 根据权利要求2所述的方法，其特征在于，所述确定各所述场景内容各自对应的智能分析算法，包括：
    按照预先设置的背景分区的类型与智能分析算法的对应关系，选取所述图像数据中的各背景分区各自对应的智能分析算法。
  4. 根据权利要求2所述的方法，其特征在于，所述按照用于加载智能分析算法的计算节点的负载能力，在各所述场景内容对应的智能分析算法中选取目标智能分析算法，包括：
    基于各所述背景分区的位置，确定各所述背景分区的大小；
    按照各所述背景分区的大小降序的顺序，确定前N个背景分区，使得前N个背景分区对应的智能分析算法的算法负载的和不大于计算节点的负载能力、且前N+1个背景分区对应的智能分析算法的算法负载的和大于所述计算节点的负载能力，将前N个背景分区对应的智能分析算法作为目标智能分析算法。
  5. 根据权利要求2所述的方法，其特征在于，所述场景内容还包括前景目标，在所述利用计算机视觉技术对所述图像数据进行分析，得到所述图像数据中的各背景分区的类型及各所述背景分区的位置之后，所述方法还包括：
    基于各所述背景分区的类型及位置，对所述图像数据中的各所述背景分区进行目标检测，得到所述图像数据中各所述背景分区的前景目标。
  6. 根据权利要求5所述的方法，其特征在于，所述按照用于加载智能分析 算法的计算节点的负载能力，在各所述场景内容对应的智能分析算法中选取目标智能分析算法，包括：
    按照所述图像数据中各所述背景分区的位置、各所述背景分区的前景目标的质量、计算节点的负载能力及各所述智能分析算法的算法负载，在各所述背景分区对应的智能分析算法中选取目标智能分析算法，其中，所述前景目标的质量包括所述前景目标的大小、遮挡程度及清晰度中的至少一种。
  7. 根据权利要求6所述的方法，其特征在于，所述按照所述图像数据中各所述背景分区的位置、各所述背景分区的前景目标的质量、计算节点的负载能力及各所述智能分析算法的算法负载，在各所述背景分区对应的智能分析算法中选取目标智能分析算法，包括：
    按照所述图像数据中各所述背景分区的位置，确定各所述背景分区的拍摄角度；
    基于预设角度范围阈值，过滤掉拍摄角度不在所述预设角度范围阈值内的背景分区；
    基于预设质量阈值，在过滤后的背景分区中，选取质量满足所述预设质量阈值的前景目标所对应的背景分区，将选的各背景分区对应的智能分析算法，作为待选取算法集合；
    基于计算节点的负载能力及所述智能分析算法的算法负载，在所述待选取算法集合中选取目标智能分析算法。
  8. 根据权利要求7所述的方法，其特征在于，各所述智能分析算法分别对应相应的运行环境参数，所述基于计算节点的负载能力及所述智能分析算法的算法负载，在所述待选取算法集合中选取目标智能分析算法之前，所述方法还包括：
    确定各所述背景分区的实际环境参数；
    在所述待选取算法集合中，分别过滤掉各所述背景分区中的运行环境参数与实际环境参数不匹配的智能分析算法。
  9. 根据权利要求7所述的方法，其特征在于，所述基于所述计算节点的负载能力及所述智能分析算法的算法负载，在所述待选取算法集合中选取目标智能分析算法，包括：
    在所述待选取算法集合中各智能分析算法的算法负载的和不大于所述计算节点的负载能力时，将所述待选取算法集合中各背景分区对应的智能分析 算法作为目标智能分析算法；
    在所述待选取算法集合中各智能分析算法的算法负载的和大于所述计算节点的负载能力时，按照所述待选取算法集合中各智能分析算法对应的前景目标的质量由高到低的顺序，选取前N个智能分析算法，使得前N个智能分析算法的算法负载的和不大于所述计算节点的负载能力、且前N+1个智能分析算法的算法负载的和大于所述计算节点的负载能力，将前N个智能分析算法作为目标智能分析算法。
  10. 根据权利要求9所述的方法，其特征在于，所述方法还包括：
    在所述待选取算法集合中，若质量最高的前景目标所对应的智能分析算法的算法负载大于所述计算节点的负载能力，选取所述质量最高的前景目标所对应的智能分析算法的下采样智能分析算法，作为目标智能分析算法，其中，所述智能分析算法的下采样智能分析算法与所述智能分析算法的算法类型相同，且所述智能分析算法的下采样智能分析算法的算法负载小于所述智能分析算法的算法负载。
  11. 根据权利要求9所述的方法，其特征在于，所述方法还包括：
    根据各所述目标智能分析算法的算法负载及所述计算节点的计算能力，确定所述计算节点的剩余负载；
    在所述计算节点的剩余负载大于预设算法负载阈值时，在备选智能分析算法中选取次要智能分析算法，并利用所述计算节点加载所述次要智能分析算法，其中，所述备选智能分析算法为各所述背景分区对应的、除所述目标智能分析算法外的智能分析算法，所述次要智能分析算法的算法负载不大于所述计算节点的剩余负载。
  12. 一种智能分析算法选取装置，其特征在于，所述装置包括：
    图像数据获取模块，用于获取监控场景的图像数据；
    场景内容确定模块，用于对所述图像数据进行分析，得到所述图像数据包含的各场景内容；
    初始算法确定模块，用于确定各所述场景内容各自对应的智能分析算法；
    目标算法确定模块，用于按照用于加载智能分析算法的计算节点的负载能力，在各所述场景内容对应的智能分析算法中选取目标智能分析算法，其中，所述目标智能分析算法的总算法负载不大于所述计算节点的负载能力。
  13. 根据权利要求12所述的装置，其特征在于，所述场景内容包括背景分 区，所述场景内容确定模块，具体用于：利用计算机视觉技术对所述图像数据进行分析，得到所述图像数据中的各背景分区的类型及各所述背景分区的位置。
  14. 根据权利要求13所述的装置，其特征在于，所述初始算法确定模块，具体用于：按照预先设置的背景分区的类型与智能分析算法的对应关系，选取所述图像数据中的各背景分区对应的智能分析算法。
  15. 根据权利要求13所述的装置，其特征在于，所述目标算法确定模块，具体用于：基于各所述背景分区的位置，确定各所述背景分区的大小；按照各所述背景分区的大小降序的顺序，确定前N个背景分区，使得前N个背景分区对应的智能分析算法的算法负载的和不大于所述计算节点的负载能力、且前N+1个背景分区对应的智能分析算法的算法负载的和大于所述计算节点的负载能力，将前N个背景分区对应的智能分析算法作为目标智能分析算法。
  16. 根据权利要求13所述的装置，其特征在于，所述场景内容还包括前景目标，所述场景内容确定模块还用于：基于各所述背景分区的类型及位置，对所述图像数据中的各所述背景分区进行目标检测，得到所述图像数据中各所述背景分区的前景目标。
  17. 根据权利要求16所述的装置，其特征在于，所述目标算法确定模块，具体用于：按照所述图像数据中各所述背景分区的位置、各所述背景分区的前景目标的质量、所述计算节点的负载能力及各所述智能分析算法的算法负载，在各所述背景分区对应的智能分析算法中选取目标智能分析算法，其中，所述前景目标的质量包括所述前景目标的大小、遮挡程度及清晰度中的至少一种。
  18. 根据权利要求17所述的装置，其特征在于，所述目标算法确定模块，包括：
    角度计算子模块，用于按照所述图像数据中各所述背景分区的位置，确定各所述背景分区的拍摄角度；
    分区过滤子模块，用于基于预设角度范围阈值，过滤掉拍摄角度不在所述预设角度范围阈值内的背景分区；
    集合选取子模块，用于基于预设质量阈值，在过滤后的背景分区中，选取质量满足所述预设质量阈值的前景目标所对应的背景分区，将选的各背景分区对应的智能分析算法，作为待选取算法集合；
    算法选取子模块，用于基于所述计算节点的负载能力及所述智能分析算法的算法负载，在所述待选取算法集合中选取目标智能分析算法。
  19. 根据权利要求18所述的装置，其特征在于，所述目标算法确定模块，还包括：
    算法过滤子模块，用于确定各所述背景分区的实际环境参数；在所述待选取算法集合中，分别过滤掉各所述背景分区中的运行环境参数与实际环境参数不匹配的智能分析算法。
  20. 根据权利要求18所述的装置，其特征在于，所述算法选取子模块，具体用于：
    在所述待选取算法集合中各智能分析算法的算法负载的和不大于所述计算节点的负载能力时，将所述待选取算法集合中各背景分区对应的智能分析算法作为目标智能分析算法；
    在所述待选取算法集合中各智能分析算法的算法负载的和大于所述计算节点的负载能力时，按照所述待选取算法集合中各智能分析算法对应的前景目标的质量由高到低的顺序，选取前N个智能分析算法，使得前N个智能分析算法的算法负载的和不大于所述计算节点的负载能力、且前N+1个智能分析算法的算法负载的和大于所述计算节点的负载能力，将前N个智能分析算法作为目标智能分析算法。
  21. 根据权利要求20所述的装置，其特征在于，所述算法选取子模块还用于：在所述待选取算法集合中，若质量最高的前景目标所对应的智能分析算法的算法负载大于所述计算节点的负载能力，选取所述质量最高的前景目标所对应的智能分析算法的下采样智能分析算法，作为目标智能分析算法，其中，所述智能分析算法的下采样智能分析算法与所述智能分析算法的算法类型相同，且所述智能分析算法的下采样智能分析算法的算法负载小于所述智能分析算法的算法负载。
  22. 根据权利要求20所述的装置，其特征在于，所述算法选取子模块还用于：根据各所述目标智能分析算法的算法负载及所述计算节点的计算能力，确定所述计算节点的剩余负载；在所述计算节点的剩余负载大于预设算法负载阈值时，在备选智能分析算法中选取次要智能分析算法，并利用所述计算节点加载所述次要智能分析算法，其中，所述备选智能分析算法为各所述背景分区对应的、除所述目标智能分析算法外的智能分析算法，所述次要智能 分析算法的算法负载不大于所述计算节点的剩余负载。
  23. 一种智能分析算法选取系统，其特征在于，所述系统包括：
    场景分析模块，用于获取监控场景的图像数据；对所述图像数据进行分析，得到所述图像数据包含的各场景内容；
    资源调度模块，用于确定各所述场景内容各自对应的智能分析算法；按照计算节点的负载能力，在各所述场景内容对应的智能分析算法中选取目标智能分析算法，其中，所述目标智能分析算法的总算法负载不大于所述计算节点的负载能力；利用所述计算节点加载所述目标智能分析算法。
  24. 根据权利要求23所述的系统，其特征在于，所述系统还包括：
    智能分析模块，用于获取所述计算节点利用所述目标智能分析算法检测得到的各检测结果；生成各所述检测结果的质量评价。
  25. 根据权利要求23所述的系统，其特征在于，所述系统还包括：
    智能诊断模块，用于获取计算节点利用目标智能分析算法检测得到的各检测结果；判断各检测结果的质量是否小于预设质量阈值；当质量小于预设质量阈值的检测结果的占比超过预设百分比阈值事，发送报警信息。
  26. 根据权利要求23所述的系统，其特征在于，所述场景内容包括背景分区，所述场景分析模块，具体用于：利用计算机视觉技术对所述图像数据进行分析，得到所述图像数据中的各背景分区的类型及各所述背景分区的位置。
  27. 根据权利要求26所述的系统，其特征在于，所述资源调度模块，具体用于：按照预先设置的背景分区的类型与智能分析算法的对应关系，选取所述图像数据中的各背景分区各自对应的智能分析算法。
  28. 根据权利要求26所述的系统，其特征在于，所述资源调度模块，具体用于：基于各所述背景分区的位置，确定各所述背景分区的大小；按照各所述背景分区的大小降序的顺序，确定前N个背景分区，使得前N个背景分区对应的智能分析算法的算法负载的和不大于计算节点的负载能力、且前N+1个背景分区对应的智能分析算法的算法负载的和大于所述计算节点的负载能力，将前N个背景分区对应的智能分析算法作为目标智能分析算法。
  29. 根据权利要求26所述的系统，其特征在于，所述场景内容还包括前景目标，所述场景分析模块，还用于：基于各所述背景分区的类型及位置，对所述图像数据中的各所述背景分区进行目标检测，得到所述图像数据中各所述背景分区的前景目标。
  30. 根据权利要求29所述的系统，其特征在于，所述资源调度模块，具体用于：按照所述图像数据中各所述背景分区的位置、各所述背景分区的前景目标的质量、计算节点的负载能力及各所述智能分析算法的算法负载，在各所述背景分区对应的智能分析算法中选取目标智能分析算法，其中，所述前景目标的质量包括所述前景目标的大小、遮挡程度及清晰度中的至少一种。
  31. 根据权利要求30所述的系统，其特征在于，所述资源调度模块，具体用于：按照所述图像数据中各所述背景分区的位置，确定各所述背景分区的拍摄角度；基于预设角度范围阈值，过滤掉拍摄角度不在所述预设角度范围阈值内的背景分区；基于预设质量阈值，在过滤后的背景分区中，选取质量满足所述预设质量阈值的前景目标所对应的背景分区，将选的各背景分区对应的智能分析算法，作为待选取算法集合；基于计算节点的负载能力及所述智能分析算法的算法负载，在所述待选取算法集合中选取目标智能分析算法。
  32. 根据权利要求31所述的系统，其特征在于，各所述智能分析算法分别对应相应的运行环境参数，所述资源调度模块，还用于：确定各所述背景分区的实际环境参数；在所述待选取算法集合中，分别过滤掉各所述背景分区中的运行环境参数与实际环境参数不匹配的智能分析算法。
  33. 根据权利要求31所述的系统，其特征在于，所述资源调度模块，具体用于：在所述待选取算法集合中各智能分析算法的算法负载的和不大于所述计算节点的负载能力时，将所述待选取算法集合中各背景分区对应的智能分析算法作为目标智能分析算法；在所述待选取算法集合中各智能分析算法的算法负载的和大于所述计算节点的负载能力时，按照所述待选取算法集合中各智能分析算法对应的前景目标的质量由高到低的顺序，选取前N个智能分析算法，使得前N个智能分析算法的算法负载的和不大于所述计算节点的负载能力、且前N+1个智能分析算法的算法负载的和大于所述计算节点的负载能力，将前N个智能分析算法作为目标智能分析算法。
  34. 根据权利要求33所述的系统，其特征在于，所述资源调度模块，还用于：在所述待选取算法集合中，若质量最高的前景目标所对应的智能分析算法的算法负载大于所述计算节点的负载能力，选取所述质量最高的前景目标所对应的智能分析算法的下采样智能分析算法，作为目标智能分析算法，其中，所述智能分析算法的下采样智能分析算法与所述智能分析算法的算法类型相同，且所述智能分析算法的下采样智能分析算法的算法负载小于所述智 能分析算法的算法负载。
  35. 根据权利要求33所述的系统，其特征在于，所述资源调度模块，还用于：根据各所述目标智能分析算法的算法负载及所述计算节点的计算能力，确定所述计算节点的剩余负载；在所述计算节点的剩余负载大于预设算法负载阈值时，在备选智能分析算法中选取次要智能分析算法，并利用所述计算节点加载所述次要智能分析算法，其中，所述备选智能分析算法为各所述背景分区对应的、除所述目标智能分析算法外的智能分析算法，所述次要智能分析算法的算法负载不大于所述计算节点的剩余负载。
  36. 一种电子设备，其特征在于，包括处理器及存储器；
    所述存储器，用于存放计算机程序；
    所述处理器，用于执行所述存储器上所存放的程序时，实现权利要求1-11任一所述的智能分析算法选取方法。
  37. 一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-11任一所述的智能分析算法选取方法。
PCT/CN2020/125876 2019-11-14 2020-11-02 智能分析算法选取方法、装置、系统及电子设备 WO2021093625A1 (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
US17/776,420 US20220405145A1 (en) 2019-11-14 2020-11-02 Method, Apparatus, System and Electronic Device for Selecting Intelligent Analysis Algorithm
EP20886958.6A EP4060491A4 (en) 2019-11-14 2020-11-02 METHOD, DEVICE AND SYSTEM FOR SELECTING AN INTELLIGENT ANALYSIS ALGORITHM AND ELECTRONIC DEVICE

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201911114467.8 2019-11-14
CN201911114467.8A CN112799826A (zh) 2019-11-14 2019-11-14 智能分析算法选取方法、装置、系统及电子设备

Publications (1)

Publication Number Publication Date
WO2021093625A1 true WO2021093625A1 (zh) 2021-05-20

Family

ID=75803819

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2020/125876 WO2021093625A1 (zh) 2019-11-14 2020-11-02 智能分析算法选取方法、装置、系统及电子设备

Country Status (4)

Country Link
US (1) US20220405145A1 (zh)
EP (1) EP4060491A4 (zh)
CN (1) CN112799826A (zh)
WO (1) WO2021093625A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114205526A (zh) * 2021-12-09 2022-03-18 重庆紫光华山智安科技有限公司 一种网络摄像机算法接入方法、系统、介质及电子终端

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113065615A (zh) * 2021-06-02 2021-07-02 南京甄视智能科技有限公司 基于场景化的边缘分析算法下发方法、装置及存储介质
DE102022200834A1 (de) 2022-01-26 2023-07-27 Robert Bosch Gesellschaft mit beschränkter Haftung Geräteanordnung, Client-Server-System, Verfahren, Computerprogramme sowie Speichermedium
CN115474000A (zh) * 2022-08-16 2022-12-13 支付宝(杭州)信息技术有限公司 数据处理方法及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104410821A (zh) * 2014-11-25 2015-03-11 深圳市信义科技有限公司 一种大规模智能视频分析运算系统以及运算方法
CN105491329A (zh) * 2015-11-24 2016-04-13 上海君是信息科技有限公司 一种基于流式计算的大规模监控视频流汇聚方法
US20160379049A1 (en) * 2015-04-29 2016-12-29 Beijing Kuangshi Technology Co., Ltd. Video monitoring method, video monitoring system and computer program product
CN107343164A (zh) * 2016-04-29 2017-11-10 中国电信股份有限公司 视频监控任务的分配方法及装置
CN109063667A (zh) * 2018-08-14 2018-12-21 视云融聚（广州）科技有限公司 一种基于场景的视频识别方式优化及推送方法
CN109145840A (zh) * 2018-08-29 2019-01-04 北京字节跳动网络技术有限公司 视频场景分类方法、装置、设备及存储介质

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9704393B2 (en) * 2011-01-11 2017-07-11 Videonetics Technology Private Limited Integrated intelligent server based system and method/systems adapted to facilitate fail-safe integration and/or optimized utilization of various sensory inputs
US20140044377A1 (en) * 2011-04-19 2014-02-13 Nec Corporation Shot image processing system, shot image processing method, mobile terminal, and information processing apparatus

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104410821A (zh) * 2014-11-25 2015-03-11 深圳市信义科技有限公司 一种大规模智能视频分析运算系统以及运算方法
US20160379049A1 (en) * 2015-04-29 2016-12-29 Beijing Kuangshi Technology Co., Ltd. Video monitoring method, video monitoring system and computer program product
CN105491329A (zh) * 2015-11-24 2016-04-13 上海君是信息科技有限公司 一种基于流式计算的大规模监控视频流汇聚方法
CN107343164A (zh) * 2016-04-29 2017-11-10 中国电信股份有限公司 视频监控任务的分配方法及装置
CN109063667A (zh) * 2018-08-14 2018-12-21 视云融聚（广州）科技有限公司 一种基于场景的视频识别方式优化及推送方法
CN109145840A (zh) * 2018-08-29 2019-01-04 北京字节跳动网络技术有限公司 视频场景分类方法、装置、设备及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114205526A (zh) * 2021-12-09 2022-03-18 重庆紫光华山智安科技有限公司 一种网络摄像机算法接入方法、系统、介质及电子终端
CN114205526B (zh) * 2021-12-09 2022-11-15 重庆紫光华山智安科技有限公司 一种网络摄像机算法接入方法、系统、介质及电子终端

Also Published As

Publication number Publication date
US20220405145A1 (en) 2022-12-22
CN112799826A (zh) 2021-05-14
EP4060491A1 (en) 2022-09-21
EP4060491A4 (en) 2023-01-04

Similar Documents

Publication Publication Date Title
WO2021093625A1 (zh) 智能分析算法选取方法、装置、系统及电子设备
US10599929B2 (en) Event monitoring with object detection systems
US8934714B2 (en) Foreground analysis based on tracking information
US11455805B2 (en) Method and apparatus for detecting parking space usage condition, electronic device, and storage medium
JP6488083B2 (ja) 駐車区画占有率判定のための映像および視覚ベースのアクセス制御のハイブリッド方法およびシステム
WO2018223955A1 (zh) 目标监控方法、目标监控装置、摄像机及计算机可读介质
JP6733397B2 (ja) 放置物の検出装置、方法及びシステム
JP2017033554A (ja) ビデオデータ分析方法、装置及び駐車場モニタリングシステム
CN109063612A (zh) 城市智能红线管理方法及机器可读存储介质
JP2020149704A (ja) ビデオデータを用いた活動モニタリングのためのシステム及び方法
Zabłocki et al. Intelligent video surveillance systems for public spaces–a survey
GB2503322A (en) Real-time video triggering for traffic surveillance and photo enforcement applications using near infrared video acquisition
CN111666821B (zh) 人员聚集的检测方法、装置及设备
JP7305965B2 (ja) ビデオ監視システムのパラメータ設定方法、装置及びビデオ監視システム
CN111507278A (zh) 一种检测路障的方法、装置及计算机设备
CN111369792B (zh) 一种交通事件的分析方法、装置及电子设备
CN109120916B (zh) 摄像机故障检测方法、装置及计算机设备
CN113221791A (zh) 车辆违停检测方法、装置、电子设备和存储介质
CN112037541A (zh) 一种交通灯的控制方法、装置及计算机设备
CN110581979B (zh) 一种图像采集系统、方法及装置
US11917325B2 (en) Automated scope limiting for video analytics
CN114445786A (zh) 道路拥堵检测方法、装置、电子设备及存储介质
CN115116033A (zh) 车位范围的处理方法及计算设备
CN113807209A (zh) 车位检测方法、装置、电子设备及存储介质
CN112153329A (zh) 事件监测的配置方法、系统、计算机设备和存储介质

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 20886958

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2020886958

Country of ref document: EP

Effective date: 20220614