视频流处理方法及装置、电子设备和存储介质与流程

本公开涉及计算机技术领域，尤其涉及一种视频流处理方法及装置、电子设备和存储介质。

背景技术

越来越多的监控摄像头被架设在公共区域，每时每刻都在生成海量视频，视频场景复杂，包含行人，机动车，非机动车等。随着监控数量越来越多，需要耗费巨大的人力资源对视频进行分析理解。在相关技术中，由于场景复杂，涉及众多行人、机动车和非机动车等对象，相关技术的检测正确率低，容易漏掉或者误检，并且在相关技术中，图像检测的计算量巨大，消耗大量cpu资源，使得cpu难以承担多个监控摄像头获取的多路视频流的检测工作，要检测多路视频流则需要大量的服务器，提高了运行成本。

技术实现要素：

本公开提出了一种视频流处理方法及装置、电子设备和存储介质。

根据本公开的一方面，提供了一种视频流处理方法，包括：

将视频流的多个视频帧输入检测模型进行处理，确定每个视频帧中的对象的类别信息和位置信息；

根据所述每个视频帧中的对象的类别信息，从每个视频帧的对象中确定目标对象；

将所述每个视频帧以及每个视频帧中的所述目标对象的类别信息和位置信息输入特征识别模型进行处理，在每个视频帧中，针对一个或多个类别的目标对象，分别确定各类别的目标对象的特征信息；

将所述目标对象的所述类别信息、所述位置信息以及所述一个或多个类别的目标对象的特征信息发送至中央处理器cpu。

在一种可能的实现方式中，将所述每个视频帧以及每个视频帧中的所述目标对象的类别信息和位置信息输入特征识别模型进行处理，在每个视频帧中，针对一个或多个类别的目标对象，分别确定各类别的目标对象的特征信息，包括：

将所述每个视频帧以及每个视频帧中各类别的目标对象的类别信息和位置信息分别输入相应的特征识别模型进行处理，分别确定每个视频帧中各类别的目标对象的特征信息。

在一种可能的实现方式中，将视频流的多个视频帧输入检测模型进行处理，确定每个视频帧中的对象的类别信息和位置信息，包括：

将所述视频流的多个连续的视频帧组成视频帧组；

将所述视频帧组的第一个视频帧输入所述检测模型进行处理，确定所述对象在所述第一个视频帧中的第一位置信息以及所述对象的类别信息；

根据所述第一位置信息，确定所述对象在所述视频帧组的第一个视频帧之后的各视频帧中的第二位置信息。

在一种可能的实现方式中，所述检测模型的训练过程包括：

将训练图像输入初始检测模型，获得训练图像中的对象的训练位置信息和训练类别信息；

根据所述训练位置信息和训练类别信息以及所述训练图像中的对象的位置信息和类别信息，确定所述初始检测模型的模型损失；

根据所述初始检测模型的模型损失调整所述初始检测模型，确定调整后的检测模型；

当满足训练条件时，将调整后的检测模型作为所述检测模型。

在一种可能的实现方式中，所述特征识别模型的训练过程包括：

将训练图像以及训练图像中的目标对象的类别信息和位置信息输入初始特征识别模型，获得一个或多个类别的目标对象的训练特征信息；

根据所述一个或多个类别的目标对象的训练特征信息以及所述训练图像中的所述一个或多个类别的目标对象的特征信息，确定所述初始特征识别模型的模型损失；

根据所述初始特征识别模型的模型损失调整所述初始特征识别模型，确定调整后的特征识别模型；

当满足训练条件时，将调整后的特征识别模型作为所述特征识别模型。

在一种可能的实现方式中，所述方法还包括：

通过图形处理器gpu对来自视频获取单元的源视频流进行硬解码，获得所述视频流；或者

通过图形处理器gpu获取所述中央处理器cpu对源视频流进行解码后生成的视频流。

在一种可能的实现方式中，根据所述第一位置信息，确定所述对象在所述视频帧组的第一个视频帧之后的各视频帧中的第二位置信息，包括：

对所述第一位置信息进行回归分析，确定所述对象在所述视频帧组的第一个视频帧之后的各视频帧中的第二位置信息。

在一种可能的实现方式中，所述方法还包括：

将每个视频帧的头信息发送至所述中央处理器cpu，其中，所述头信息与所述类别信息、所述位置信息以及所述一个或多个类别的目标对象的特征信息相对应。

在一种可能的实现方式中，所述头信息包括视频帧号和时间戳中的至少一种。

根据本公开的一方面，提供了一种视频流处理装置，包括：

信息确定模块，用于将视频流的多个视频帧输入检测模型进行处理，确定每个视频帧中的对象的类别信息和位置信息；

目标对象确定模块，用于根据所述每个视频帧中的对象的类别信息，从每个视频帧的对象中确定目标对象；

特征信息确定模块，用于将所述每个视频帧以及每个视频帧中的所述目标对象的类别信息和位置信息输入特征识别模型进行处理，在每个视频帧中，针对一个或多个类别的目标对象，分别确定各类别的目标对象的特征信息；

发送模块，用于将所述目标对象的所述类别信息、所述位置信息以及所述一个或多个类别的目标对象的特征信息发送至中央处理器cpu。

在一种可能的实现方式中，所述特征信息确定模块包括：

特征信息确定子模块，用于将所述每个视频帧以及每个视频帧中各类别的目标对象的类别信息和位置信息分别输入相应的特征识别模型进行处理，分别确定每个视频帧中各类别的目标对象的特征信息。

在一种可能的实现方式中，所述信息确定模块包括：

视频帧组获取子模块，用于将所述视频流的多个连续的视频帧组成视频帧组；

第一信息确定子模块，用于将所述视频帧组的第一个视频帧输入所述检测模型进行处理，确定所述对象在所述第一个视频帧中的第一位置信息以及所述对象的类别信息；

第二信息确定子模块，用于根据所述第一位置信息，确定所述对象在所述视频帧组的第一个视频帧之后的各视频帧中的第二位置信息。

在一种可能的实现方式中，所述装置还包括：

第一信息获得模块，用于将训练图像输入初始检测模型，获得训练图像中的对象的训练位置信息和训练类别信息；

第一模型损失确定模块，用于根据所述训练位置信息和训练类别信息以及所述训练图像中的对象的位置信息和类别信息，确定所述初始检测模型的模型损失；

第一调整模块，用于根据所述初始检测模型的模型损失调整所述初始检测模型，确定调整后的检测模型；

检测模型确定模块，用于当满足训练条件时，将调整后的检测模型作为所述检测模型。

在一种可能的实现方式中，所述装置还包括：

第二信息获得模块，用于将训练图像以及训练图像中的目标对象的类别信息和位置信息输入初始特征识别模型，获得一个或多个类别的目标对象的训练特征信息；

第二模型损失确定模块，用于根据所述一个或多个类别的目标对象的训练特征信息以及所述训练图像中的所述一个或多个类别的目标对象的特征信息，确定所述初始特征识别模型的模型损失；

第二调整模块，用于根据所述初始特征识别模型的模型损失调整所述初始特征识别模型，确定调整后的特征识别模型；

特征识别模型确定模块，用于当满足训练条件时，将调整后的特征识别模型作为所述特征识别模型。

在一种可能的实现方式中，所述装置还包括：

硬解码模块，用于通过图形处理器gpu对来自视频获取单元的源视频流进行硬解码，获得所述视频流；或者

视频流获取模块，用于通过图形处理器gpu获取所述中央处理器cpu对源视频流进行解码后生成的视频流。

在一种可能的实现方式中，所述第二信息确定子模块包括：

回归分析子模块，用于对所述第一位置信息进行回归分析，确定所述对象在所述视频帧组的第一个视频帧之后的各视频帧中的第二位置信息。

在一种可能的实现方式中，所述装置还包括：

头信息发送模块，用于将每个视频帧的头信息发送至所述中央处理器cpu，其中，所述头信息与所述类别信息、所述位置信息以及所述一个或多个类别的目标对象的特征信息相对应。

在一种可能的实现方式中，所述头信息包括视频帧号和时间戳中的至少一种。

根据本公开的一方面，提供了一种电子设备，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为：执行上述视频流处理方法。

根据本公开的一方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述视频流处理方法。

根据本公开实施例的视频流处理方法及装置、电子设备和存储介质，通过gpu对视频中的目标对象进行检测，并分别对各类别的目标对象的特征信息进行提取，可分别获取各类别的目标对象的特征信息，对各类别的目标对象的特征信息分别进行提取操作可提升视频的处理效率。进一步地，gpu将类别信息、位置信息和特征信息发送至cpu，减轻了gpu和cpu之间的通信压力，节省cpu资源，提升了cpu的处理效率，使得cpu可同时并行处理多路高清视频流。

根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。

附图说明

包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面，并且用于解释本公开的原理。

图1示出根据本公开的实施例的视频流处理方法的流程图；

图2示出根据本公开的实施例的视频流处理方法的流程图；

图3示出根据本公开的实施例的视频流处理方法的流程图；

图4示出根据本公开的实施例的视频流处理方法的步骤s11的流程图；

图5示出根据本公开的实施例的视频流处理方法的流程图；

图6示出根据本公开的实施例的视频流处理方法的流程图；

图7示出根据本公开的实施例的视频流处理方法的流程图；

图8示出根据本公开的实施例的视频流处理方法并行执行的示意图；

图9示出根据本公开的实施例的视频流处理方法的应用示意图；

图10示出根据本公开的实施例的视频流处理方法的应用示意图；

图11示出根据本公开的实施例的视频流处理装置的框图；

图12示出根据本公开的实施例的视频流处理装置的框图；

图13是根据的示例性实施例示出的一种电子设备的框图；

图14是根据的示例性实施例示出的一种电子设备的框图。

具体实施方式

以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。

在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。

另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。

图1示出根据本公开的实施例的视频流处理方法的流程图。如图1所示，所述视频流处理方法可应用于图形处理器gpu中，包括：

在步骤s11中，将视频流的多个视频帧输入检测模型进行处理，确定每个视频帧中的对象的类别信息和位置信息；

在步骤s12中，根据所述每个视频帧中的对象的类别信息，从每个视频帧的对象中确定目标对象；

在步骤s13中，将所述每个视频帧以及每个视频帧中的所述目标对象的类别信息和位置信息输入特征识别模型进行处理，在每个视频帧中，针对一个或多个类别的目标对象，分别确定各类别的目标对象的特征信息；

在步骤s14中，将所述目标对象的所述类别信息、所述位置信息以及所述一个或多个类别的目标对象的特征信息发送至中央处理器cpu。

根据本公开的实施例的视频流处理方法，通过gpu对视频中的目标对象进行检测，并分别对各类别的目标对象的特征信息进行提取，可分别获取各类别的目标对象的特征信息，对各类别的目标对象的特征信息分别进行提取操作可提升视频的处理效率。进一步地，gpu将类别信息、位置信息和特征信息发送至cpu，减轻了gpu和cpu之间的通信压力，节省cpu资源，提升了cpu的处理效率，使得cpu可同时并行处理多路高清视频流。

在示例中，所述对象可以是视频帧中的待检测的对象，对象的类别信息可以是对象所属类别，例如行人、机动车、非机动车等。本公开对所述对象的类别不做限制。对象的位置信息可以是对象在视频帧中的位置，例如可以以对象的坐标来表示。所述目标对象是所述对象中的一部分，可设定目标对象的类别，例如，目标对象可包括行人，和机动车，而不包括非机动车等，可根据设定的类别从对象中筛选目标对象。特征信息可以是能够表示目标对象的特征的任意信息。本公开不限制特征信息的类型和表示方式。

在一种可能的实现方式中，在步骤s11之前，可将来自视频获取单元的源视频流进行解码。视频获取单元可以是摄像头、监视器等任意能够拍摄视频，生成源视频流的装置。

图2示出根据本公开的实施例的视频流处理方法的流程图。如图2所示，所述视频流处理方法还可包括以下步骤中的一种：

在步骤s21中，通过图形处理器gpu对来自视频获取单元的源视频流进行硬解码，获得所述视频流；或者

在步骤s22中，通过图形处理器gpu获取所述中央处理器cpu对源视频流进行解码后生成的视频流。

在一种可能的实现方式中，在步骤s21中，可通过图形处理器gpu对来自视频获取单元的源视频流进行硬解码。所述硬解码是指通过gpu的硬件对源视频流进行解码，通过gpu对源视频流进行硬解码可节省cpu的资源。

在一种可能的实现方式中，在步骤s22中，也可通过cpu对来自视频获取单元的源视频流进行解码，gpu可直接获取解码后的视频流。在示例中，如果gpu支持对源视频流进行硬解码，则通过gpu对源视频流进行硬解码，以节省cpu的资源，如果gpu不支持对源视频流进行硬解码，则cpu可对源视频流进行解码。

在一种可能的实现方式中，所述检测模型和所述特征识别模型是卷积神经网络模型。在示例中，所述检测模型可以是基于深度学习方法的卷积神经网络模型，可用于检测图像中的对象的类别信息和位置信息。在示例中，所述特征识别模型可以是基于深度学习方法的卷积神经网络模型，可用于提取图像中的目标对象的特征信息。

在一种可能的实现方式中，在步骤s11之前，可对检测模型进行训练。

图3示出根据本公开的实施例的视频流处理方法的流程图。如图3所示，所述检测模型的训练过程可包括：

在步骤s31中，将训练图像输入初始检测模型，获得训练图像中的对象的训练位置信息和训练类别信息；

在步骤s32中，根据所述训练位置信息和训练类别信息以及所述训练图像中的对象的位置信息和类别信息，确定所述初始检测模型的模型损失；

在步骤s33中，根据所述初始检测模型的模型损失调整所述初始检测模型，确定调整后的检测模型；

在步骤s34中，当满足训练条件时，将调整后的检测模型作为所述检测模型。

在一种可能的实现方式中，在步骤s31中，训练图像可包括来自图像获取单元的历史图像数据，可将训练图像中的所有待识别的对象的位置信息和类别信息进行标注。

在示例中，可使用特定的编码将对象的位置信息和类别信息进行标注。例如，对象的类别为机动车，则该类别信息可用a表示。对象的位置信息可用将对象进行框选的选择框的四个顶点的坐标表示，例如(100，100)、(100，300)、(300，300)和(300，100)是选择框的四个顶点的坐标。在示例中，使用编码a、(100，100)、(100，300)、(300，300)、(300，100)即可表示出对象的类型信息和位置信息。本公开对编码的类型不做限制。

在一种可能的实现方式中，通过初始检测模型对训练图像进行处理，可获得训练图像中的对象的训练位置信息和训练类别信息。例如，初始检测模型可识别出训练图像中的对象，并提取所述对象的训练位置信息和训练类别信息。

在一种可能的实现方式中，在步骤s32中，可根据训练图像中的对象的实际位置信息和类别信息以及通过初始检测模型处理而获得的训练位置信息和训练类别信息，来确定初始训练模型的模型损失。

在示例中，可将所述训练位置信息和训练类别信息以及所述位置信息和类别信息输入损失函数来确定所述模型损失。例如，所述损失函数可包括对数损失函数、平方损失函数和指数损失函数等。在示例中，还可使用正则化的损失函数来确定模型损失，可在保证拟合优度的同时，防止检测模型过拟合。本公开对损失函数的类型不做限制。

在一种可能的实现方式中，在步骤s33中，可根据模型损失来调整初始检测模型。在示例中，可使用正则化的损失函数来确定模型损失，并按照使模型损失最小化的方向来调整初始检测模型的模型参数，使调整后的检测模型具有较高的拟合优度，同时避免过拟合。本公开对调整初始检测模型的方法不做限制。

在一种可能的实现方式中，步骤s31-步骤s33可循环执行。在示例中，训练图像可包括n个图像(n>1)，步骤s31-步骤s33可循环执行多次，并按照使模型损失降低或收敛的方式来逐次调整模型参数。在示例中，步骤s31-步骤s33可循环执行预定的次数，也可不限定循环次数，在模型损失降低到一定程度或收敛于一定阈值内时，停止循环。

在一种可能的实现方式中，在步骤s34中，当满足训练条件时，将调整后的检测模型作为所述检测模型。在示例中，可将循环调整预定的次数后的检测模型作为所述检测模型，或者将模型损失降低到一定程度或收敛于一定阈值内的检测模型作为最终的检测模型。本公开对训练条件不做限制。在确定检测模型后，可将所述检测模型应用于检测视频帧中的对象的类别信息和位置信息。

在一种可能的实现方式中，在步骤s11中，可将视频流的多个视频帧分别输入所述检测模型进行处理，可通过所述检测模型来确定每个视频帧中的对象的类别信息和位置信息。

在一种可能的实现方式中，处理每个视频帧将消耗大量的gpu资源，可使用检测模型对视频流的部分视频帧进行处理，获得目标对象的类别信息和位置信息，并预测其他视频帧中的目标对象的类别信息和位置信息。

图4示出根据本公开的实施例的视频流处理方法的步骤s11的流程图。如图4所示，步骤s11可包括：

在步骤s111中，将所述视频流的多个连续的视频帧组成视频帧组；

在步骤s112中，将所述视频帧组的第一个视频帧输入所述检测模型进行处理，确定所述对象在所述第一个视频帧中的第一位置信息以及所述对象的类别信息；

在步骤s113中，根据所述第一位置信息，确定所述对象在所述视频帧组的第一个视频帧之后的各视频帧中的第二位置信息。

在一种可能的实现方式中，在步骤s111中，在所述视频流中，可将连续多个视频帧组成视频帧组。在示例中，在视频流中，每秒获取的视频流可包括25个连续的视频帧，所述视频帧组可由10个连续视频帧组成。

在一种可能的实现方式中，在步骤s112中，可将视频帧组中的第一个视频帧输入检测模型进行处理，以获得该视频帧中的对象的第一位置信息和类别信息。

在一种可能的实现方式中，在步骤s113中，可根据所述第一位置信息来确定所述对象在视频帧组的其他视频帧中的位置信息。

在一种可能的实现方式中，可通过预测方法来根据第一位置信息确定所述对象在视频帧组的其他视频帧中的位置信息。在示例中，可对所述第一位置信息进行回归分析，确定所述对象在所述视频帧组的第一个视频帧之后的各视频帧中的第二位置信息。在示例中，可将第一视频帧组、第二视频帧组…第n视频帧组中的第一个视频帧输入检测模型，获取各视频帧组的第一个视频帧中的对象的类别信息和位置信息，并通过回归分析来预测所述对象在第一视频帧组的第一个视频帧之后的各视频帧中(例如第一视频帧组的第一个视频帧以及第二视频帧组的第一个视频帧之间的视频帧)的位置信息，使用同样的方法，可预测所述对象在第二视频帧组、第三视频帧组…第n视频帧组中的其他视频帧中的位置信息。本公开对预测方法不做限制。

在示例中，每秒获取的视频流可包括25个连续的视频帧，所述视频帧组可由10个连续视频帧组成，每10个视频帧仅有一个视频帧被输入检测模型进行检测，其他视频帧均可通过回归分析等预测方法来预测对象的位置信息，可缩短检测时间，节省gpu的资源，提升检测速度。如果在每个视频帧组的第一个视频帧之后的其他视频帧中出现新的对象，则在下一个视频帧组的第一个视频帧被输入检测模型进行检测时，所述新的对象可被检测到。在示例中，所述新的对象最多在秒后可被检测到。

通过这种方式，可对每个视频帧组的第一个视频帧输入检测模型进行处理，并通过回归分析来预测其他视频帧中的对象的位置信息，可大幅节省gpu的资源，提升检测速度，并且保证了检测到的位置信息和类别信息的精确度。

在一种可能的实现方式中，还可对检测模型确定的每个视频帧中的对象的类别信息和位置信息进行甄别，可去除被所述检测模型误检测而获得的类别信息和位置信息，提高检测的精确度。例如，所述对象可包括机动车、行人和非机动车，在使用所述检测模型对视频帧进行检测的过程中，可能出现误检测，例如将轮廓与机动车类似的物体(例如长方体的大型货箱等)误检测成机动车(例如公交车等长方体的车辆)。可通过对误检测的信息进行屏蔽等方法来去除由于误检测而获得的类别信息和位置信息。

在一种可能的实现方式中，在步骤s12中，可通过对象的类别信息从对象中筛选出指定类别的对象，作为目标对象。

在示例中，视频帧中的对象的类别信息可用特定编码表示，例如，可用a表示类别为机动车的对象，b表示类别为行人的对象，c表示类别为非机动车的对象。在示例中，目标对象可以是类别为机动车和行人的对象，则可根据类别信息对视频帧中的目标进行筛选，例如，可筛选出类别信息为a或b的对象，并获得类别信息为a或b的对象的位置信息。

在一种可能的实现方式中，在步骤s13中，可使用特征识别模型，对视频帧以及视频帧中的目标对象的类别信息和位置信息进行处理，以确定视频帧中的一个或多个类别的目标对象的特征信息。在步骤s13之前，还可对所述特征识别模型进行训练。

图5示出根据本公开的实施例的视频流处理方法的流程图。如图5所示，所述特征识别模型的训练过程可包括：

在步骤s51中，将训练图像以及训练图像中的目标对象的类别信息和位置信息输入初始特征识别模型，获得一个或多个类别的目标对象的训练特征信息；

在步骤s52中，根据所述一个或多个类别的目标对象的训练特征信息以及所述训练图像中的所述一个或多个类别的目标对象的特征信息，确定所述初始特征识别模型的模型损失；

在步骤s53中，根据所述初始特征识别模型的模型损失调整所述初始特征识别模型，确定调整后的特征识别模型；

在步骤s54中，当满足训练条件时，将调整后的特征识别模型作为所述特征识别模型。

在一种可能的实现方式中，在步骤s51中，训练图像可包括来自图像获取单元的历史图像数据，可将训练图像中的目标对象的位置信息和类别信息进行标注，并将目标对象的特征信息进行标注。

在示例中，可使用特定的编码将目标对象的位置信息、类别信息和特征信息进行标注。在示例中，目标对象的类别为机动车，则该类别信息可用a表示。机动车的位置信息可用将机动车进行框选的选择框的四个顶点的坐标表示，例如(100，100)、(100，300)、(300，300)和(300，100)是选择框的四个顶点的坐标。机动车的特征信息可包括机动车的颜色、款式、品牌和车牌号等，可用特定的编码表示机动车的特征信息，例如，可用c1表示红色，c2表示蓝色等，可用s1表示轿车，s2表示suv，s3表示公交车等，可用b1表示丰田，b2表示大众等品牌，进一步地，还可识别机动车的车牌号。行人的特征信息可包括上衣颜色，下衣颜色，是否戴帽子等，可用特定的编码表示行人的特征信息，例如，可用m1表示上衣为白色，m2表示上衣为黑色等，可用t1表示下衣为蓝色，t2表示下衣为黑色等，可用0表示不戴帽子，用1表示戴帽子等。特征信息只要能代表对象的特征即可，本公开对目标对象的特征信息的类别以及表示方式不做限制。

在一种可能的实现方式中，通过初始特征识别模型对训练图像以及训练图像中的目标对象的类别信息和位置信息进行处理，获得训练图像中的目标对象训练特征信息。例如，初始特征识别模型可根据目标对象的类别信息和位置信息，对训练图像中的目标对象特征信息进行识别。例如，可识别训练图像上特定位置的机动车的特征信息，例如，可识别该机动车的特征信息为c1，s1，b1，xxxxx，表示红色丰田轿车，车牌号为xxxxx。

在一种可能的实现方式中，在步骤s52中，可根据一个或多个类别的目标对象的训练特征信息以及训练图像中的该目标对象的实际特征信息，来确定初始特征识别模型的模型损失。在示例中，可使用损失函数来确定初始特征识别模型的模型损失。

在一种可能的实现方式中，在步骤s53中，可根据模型损失来调整初始特征识别模型。在示例中，可使用正则化的损失函数来确定模型损失，并按照使模型损失最小化的方向来调整初始特征识别模型的模型参数，使调整后的特征识别模型具有较高的拟合优度，同时避免过拟合。本公开对调整初始特征识别模型的方法不做限制。

在一种可能的实现方式中，步骤s51-步骤s53可循环执行。在示例中，训练图像可包括n个图像(n>1)，步骤s51-步骤s53可循环执行多次，并按照使模型损失降低或收敛的方式来逐次调整模型参数。在示例中，步骤s51-步骤s53可循环执行预定的次数，也可不限定循环次数，在模型损失降低到一定程度或收敛于一定阈值内时，停止循环。

在一种可能的实现方式中，在步骤s54中，当满足训练条件时，将调整后的特征识别模型作为所述特征识别模型。在示例中，可将循环调整预定的次数后的特征识别模型作为所述特征识别模型，或者将模型损失降低到一定程度或收敛于一定阈值内的特征识别模型作为最终的判别模型。本公开对训练条件不做限制。在确定特征识别模型后，可将所述特征识别模型应用于识别视频帧中的目标对象的特征信息。

在一种可能的实现方式中，在步骤s13中，可使用特征识别模型来识别视频帧中的目标对象的一个或多个类别的目标对象的特征信息。在示例中，可使用多个特征识别模型分别识别不同类别的目标对象的特征信息。

图6示出根据本公开的实施例的视频流处理方法的流程图。如图6所示，步骤s13可包括：

在步骤s131中，将所述每个视频帧以及每个视频帧中各类别的目标对象的类别信息和位置信息分别输入相应的特征识别模型进行处理，分别确定每个视频帧中各类别的目标对象的特征信息。

在示例中，特征识别模型与类别信息相对应，不同的类别采用不同的特征识别模型。例如，某个视频帧中的目标对象可包括机动车和行人，可将该视频帧以及该视频帧中行人的类别信息和位置信息输入与“行人”类别相对应的第一特征识别模型，来识别该视频帧中的行人的特征信息，将该视频帧以及该视频帧中机动车的类别信息和位置信息输入与“机动车”类别相对应的第二特征识别模型，来识别该视频帧中的机动车的特征信息。

通过这种方式，可分别使用多个特征识别模型来并行识别视频帧中的多种目标对象的特征信息，可提升对视频流的处理效率。

在一种可能的实现方式中，在步骤s14中，可将目标对象的类别信息、位置信息以及特征信息发送至cpu。在示例中，可将每个视频帧中的所有目标对象的类别信息、位置信息以及特征信息进行编码，生成消息，并将该消息发送至cpu。在gpu与cpu的传输过程中，可仅传输所述类别信息、位置信息以及特征信息，以降低gpu与cpu之间的通信压力。

在一种可能的实现方式中，每个视频帧和视频帧中的目标对象的类别信息、位置信息以及特征信息是相对应的。

图7示出根据本公开的实施例的视频流处理方法的流程图。如图所示，所述视频流处理方法还可包括：

在步骤s71中，将每个视频帧的头信息发送至所述中央处理器cpu，其中，所述头信息与所述类别信息、所述位置信息以及所述一个或多个类别的目标对象的特征信息相对应。

在一种可能的实现方式中，头信息包括视频帧号和时间戳中的至少一种。所述头信息可用于在将类别信息、位置信息以及特征信息发送至cpu后，将所述类别信息、位置信息以及特征信息与cpu中的视频帧进行对应，使cpu可使用所述类别信息、位置信息以及特征信息对视频帧进行处理。

在一种可能的实现方式中，对视频流的检测以及对目标对象的特征信息的识别均在gpu上执行，且gpu向cpu发送的视频流目标对象的类别信息、位置信息、特征信息以及头信息，减轻了gpu和cpu之间的通信压力，降低了总线带宽，并节省了cpu的资源，使cpu可同时处理多路视频流。并且各处理过程可并行执行。

图8示出根据本公开的实施例的视频流处理方法并行执行的示意图。如图8所示，在示例中，gpu依次获取视频流的视频帧1-视频帧4，视频帧在解码视频帧1后，视频帧1可被输入检测模型进行检测，以确定视频帧1中的对象的类别信息和位置信息，同时，可对视频帧2进行解码。对视频帧1的检测完成后，视频帧1可被输入特征识别模型进行特征识别，以确定视频帧1中的目标对象的特征信息，同时，视频帧2解码完成后可被输入检测模型，并可对视频帧3进行解码。在视频帧1的特征识别步骤完成后，视频帧1的目标对象特征信息、位置信息和类别信息可被发送至cpu，同时，对视频帧2的检测完成后，可将视频帧2输入特征识别模型，视频帧3的解码完成后可被输入检测模型，并可对视频帧4进行解码。即，gpu可同时执行将视频帧1的目标对象特征信息、位置信息和类别信息可被发送至cpu、对视频帧2进行特征识别、对视频帧3进行检测以及对视频帧4进行解码，上述操作可同时并行执行。因此，可同时处理多路视频流。

根据本公开的实施例的视频流处理方法，通过gpu对视频中的目标对象进行检测，在检测过程中，还可对视频帧组的第一个视频帧进行检测，对其他视频帧中的对象的位置信息进行预测，节约了gpu的资源，进一步地，所述方法分别对多个类别的目标对象的特征信息进行提取，可分别获取多个类别的目标对象的特征信息，对多个类别的目标对象的特征信息分别进行并行的提取操作可提升视频的处理效率。同时，gpu仅将类别信息、位置信息和特征信息发送至cpu，减轻了gpu和cpu之间的通信压力，节省cpu资源，提升了cpu的处理效率，使得cpu可同时并行处理多路高清视频流。

图9示出根据本公开的实施例的视频流处理方法的应用示意图。如图9所示，gpu可对来自视频获取单元的视频流的各视频帧13进行硬解码，并可将解码后的视频帧14输入检测模型进行处理，以识别解码后的视频帧14中的对象。如果gpu不支持所述视频流的硬解码，则可通过cpu解码，gpu可直接获取解码后的视频流14。

图10示出根据本公开的实施例的视频流处理方法的应用示意图。如图10所示，检测模型可确定解码后的视频帧14中的对象的类别信息和位置信息，例如，可确定机动车1-机动车4(其中，机动车4实际为大型货箱，检测模型将大型货箱误检测为机动车4)、行人1和行人2、非机动车1-非机动车3的类别信息和位置信息。

在一种可能的实现方式中，在检测过程中，可将多个连续的视频帧组成视频帧组，例如，每秒获取的视频流可包括25个视频帧，可将每10个连续的视频帧组成视频帧组，可将对每个视频帧组的第一个视频帧输入检测模型进行处理，确定该视频帧中的对象的类别信息和位置信息，其余9个视频帧可通过回归分析来预测视频帧中的对象的类别信息和位置信息。

在一种可能的实现方式中，可对视频帧以及视频帧中的对象的类别信息和位置信息15进行甄别，以去除被检测模型误检测而获得的类别信息和位置信息，提高检测的精确度。例如，可将被误检测为机动车4的大型货箱的类别信息以及位置信息滤除，机动车类别的对象仅剩机动车1-机动车3。

在一种可能的实现方式中，可根据类别信息，从甄别后的视频帧中的对象的类别信息和位置信息16中筛选出目标对象的类别信息和位置信息，例如，目标对象为机动车和行人，则根据每个对象的类别信息，筛选出属于机动车类别和行人类别的目标对象的类别信息和位置信息21。

在一种可能的实现方式中，可将视频帧以及视频帧中的某个类别的目标对象的类别信息和位置信息输入对应的特征识别模型，来确定目标对象的特征信息。例如，可将视频帧以及行人类别的目标对象的类别信息和位置信息17输入第一特征识别模型，以获得行人的特征信息20。可将视频帧以及机动车类别的目标对象的类别信息和位置信息18输入第二特征识别模型，以获得机动车的特征信息19。

在一种可能的实现方式中，可将行人的特征信息20、机动车的特征信息19以及目标对象的类别信息和位置信息21发送至cpu。此外，还可将视频帧的头信息发送至cpu，视频帧的头信息与视频帧中的行人的特征信息20、机动车的特征信息19以及目标对象的类别信息和位置信息21是相对应的。在示例中，可将头信息、行人的特征信息20、机动车的特征信息19以及目标对象的类别信息和位置信息21进行编码，生成消息，并将所述消息发送至cpu，cpu可根据头信息确定对应的视频帧，并可对行人的特征信息20、机动车的特征信息19以及目标对象的类别信息和位置信息21进行处理。

可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。

此外，本公开还提供了图像处理装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种图像处理方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。

图11示出根据本公开的实施例的视频流处理装置的框图。如图11所示，所述视频流处理装置包括：

信息确定模块11，用于将视频流的多个视频帧输入检测模型进行处理，确定每个视频帧中的对象的类别信息和位置信息；

目标对象确定模块12，用于根据所述每个视频帧中的对象的类别信息，从每个视频帧的对象中确定目标对象；

特征信息确定模块13，用于将所述每个视频帧以及每个视频帧中的所述目标对象的类别信息和位置信息输入特征识别模型进行处理，在每个视频帧中，针对一个或多个类别的目标对象，分别确定各类别的目标对象的特征信息；

发送模块14，用于将所述目标对象的所述类别信息、所述位置信息以及所述一个或多个类别的目标对象的特征信息发送至中央处理器cpu。

图12示出根据本公开的实施例的视频流处理装置的框图。如图12所示，所述装置还包括：

硬解码模块21，用于通过图形处理器gpu对来自视频获取单元的源视频流进行硬解码，获得所述视频流；或者

视频流获取模块22，用于通过图形处理器gpu获取所述中央处理器cpu对源视频流进行解码后生成的视频流。

在一种可能的实现方式中，所述装置还包括：

第一信息获得模块31，用于将训练图像输入初始检测模型，获得训练图像中的对象的训练位置信息和训练类别信息；

第一模型损失确定模块32，用于根据所述训练位置信息和训练类别信息以及所述训练图像中的对象的位置信息和类别信息，确定所述初始检测模型的模型损失；

第一调整模块33，用于根据所述初始检测模型的模型损失调整所述初始检测模型，确定调整后的检测模型；

检测模型确定模块34，用于当满足训练条件时，将调整后的检测模型作为所述检测模型。

在一种可能的实现方式中，所述信息确定模块11包括：

视频帧组获取子模块111，用于将所述视频流的多个连续的视频帧组成视频帧组；

第一信息确定子模块112，用于将所述视频帧组的第一个视频帧输入所述检测模型进行处理，确定所述对象在所述第一个视频帧中的第一位置信息以及所述对象的类别信息；

第二信息确定子模块113，用于根据所述第一位置信息，确定所述对象在所述视频帧组的第一个视频帧之后的各视频帧中的第二位置信息。

在一种可能的实现方式中，所述第二信息确定子模块包括：

回归分析单元，用于对所述第一位置信息进行回归分析，确定所述对象在所述视频帧组的第一个视频帧之后的各视频帧中的第二位置信息。

在一种可能的实现方式中，所述装置还包括：

第二信息获得模块41，用于将训练图像以及训练图像中的目标对象的类别信息和位置信息输入初始特征识别模型，获得一个或多个类别的目标对象的训练特征信息；

第二模型损失确定模块42，用于根据所述一个或多个类别的目标对象的训练特征信息以及所述训练图像中的所述一个或多个类别的目标对象的特征信息，确定所述初始特征识别模型的模型损失；

第二调整模块43，用于根据所述初始特征识别模型的模型损失调整所述初始特征识别模型，确定调整后的特征识别模型；

特征识别模型确定模块44，用于当满足训练条件时，将调整后的特征识别模型作为所述特征识别模型。

在一种可能的实现方式中，特征信息确定模块13包括：

特征信息确定子模块131，用于将所述每个视频帧以及每个视频帧中各类别的目标对象的类别信息和位置信息分别输入相应的特征识别模型进行处理，分别确定每个视频帧中各类别的目标对象的特征信息。

在一种可能的实现方式中，所述装置还包括：

头信息发送模块51，用于将每个视频帧的头信息发送至所述中央处理器cpu，其中，所述头信息与所述类别信息、所述位置信息以及所述一个或多个类别的目标对象的特征信息相对应。

在一种可能的实现方式中，所述头信息包括视频帧号和时间戳中的至少一种。

本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。

本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为上述方法。

电子设备可以被提供为终端、服务器或其它形态的设备。

图13是根据的示例性实施例示出的一种电子设备800的框图。例如，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等终端。

参照图13，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(i/o)的接口812，传感器组件814，以及通信组件816。

处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。

存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(sram)，电可擦除可编程只读存储器(eeprom)，可擦除可编程只读存储器(eprom)，可编程只读存储器(prom)，只读存储器(rom)，磁存储器，快闪存储器，磁盘或光盘。

电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。

多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(lcd)和触摸面板(tp)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。

音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(mic)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。

i/o接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如cmos或ccd图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如wifi，2g或3g，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(nfc)模块，以促进短程通信。例如，在nfc模块可基于射频识别(rfid)技术，红外数据协会(irda)技术，超宽带(uwb)技术，蓝牙(bt)技术和其他技术来实现。

在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(asic)、数字信号处理器(dsp)、数字信号处理设备(dspd)、可编程逻辑器件(pld)、现场可编程门阵列(fpga)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。

在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。

图14是根据的示例性实施例示出的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器。参照图14，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。

电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(i/o)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如windowsservertm，macosxtm，unixtm,linuxtm，freebsdtm或类似。

在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。

本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。

计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、静态随机存取存储器(sram)、便携式压缩盘只读存储器(cd-rom)、数字多功能盘(dvd)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。

这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。

用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(isa)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如smalltalk、c++等，以及常规的过程式编程语言—诸如“c”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(fpga)或可编程逻辑阵列(pla)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。

这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。

这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。

也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。

附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。