视频分析方法和设备的制造方法

视频分析方法和设备的制造方法
【技术领域】
[0001 ]本发明涉及视频处理领域，具体涉及一种视频分析方法和设备。
【背景技术】
[0002]目前的视频分析技术已经发展为利用多个中央处理单元(CPU)采用多线程的方式进行视频分析。其中，以一个视频文件为单位来进行视频分析。这样，多个CHJ虽然利用多线程的方式来进行数据处理，但是对于一个视频文件而言，数据处理是由多个CHJ串行进行的。视频文件需要被完全解码，才能进行分析。
[0003]现有的视频分析设备分析速度慢、效率低并且耗时长。

【发明内容】

[0004]鉴于上述问题，提出了本发明以便提供一种至少部分地解决上述问题的视频分析方法和设备。
[0005]根据本发明一个方面，提供了一种视频分析方法，包括以下步骤:
[0006]对视频文件进行切片处理，以获得视频切片；
[0007]将所述视频切片分发到多个处理器，以由所述多个处理器对分到的视频切片进行解码和分析；以及
[0008]综合所有视频切片的分析结果。
[0009]根据本发明另一方面，还提供了一种视频分析设备，包括切分装置、分发装置和综合装置。其中，所述切分装置用于对视频文件进行切片处理，以获得视频切片。所述分发装置用于将所述视频切片分发到多个处理器，以由所述多个处理器对分到的视频切片进行解码和分析。所述综合装置用于综合所有视频切片的分析结果。
[0010]上述视频分析方法和设备充分利用了多个处理器分布式计算的优势，有效利用了每个处理器的计算能力，分析速度快，效率高。由此，真正实现了视频分析云计算。
[0011]上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的【具体实施方式】。
【附图说明】
[0012]通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中:
[0013]图1示出了根据本发明一个实施例的视频分析方法的流程图；
[0014]图2示出了根据本发明另一个实施例的视频分析方法的流程图；以及
[0015]图3示出了根据本发明一个实施例的视频分析设备的示意性框图。
【具体实施方式】
[0016]下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
[0017]根据本发明的一个方面，提供了一种视频分析方法。视频分析包括但不限于:视频的运动检测、视频中人数统计、根据视频进行越线检测、视频人脸识别、视频中人物的表情分析、视频中的抛洒物分析、视频的物品遗留分析、视频的逆向人流分析等。图1示出了根据本发明一个实施例的视频分析方法100的流程图。如图1所示，该视频分析方法100包括步骤S110、步骤S130和步骤S150。
[0018]在步骤SllO中，对视频文件进行切片处理，以获得视频切片。这里，采用视频切片技术来对视频文件进行切片处理。视频切片包括视频文件中的多帧连续图像和该多帧连续图像的时间信息。将数据量巨大的视频文件切分成一个个视频切片，以分别解码和分析处理。在后续步骤中，以一个视频切片为单位进行视频分析。
[0019]具体地，首先可以对视频文件进行类型分析，以确定其类型。例如，根据视频标准查找视频文件中的数据，并根据所找到的数据确定视频文件的类型。例如，在视频文件中查找到3个ΟχΟΟΟΟΟΙΒΑ，则视频文件为节目流(Program Stream,PS)。然后，可以根据视频文件的类型，读取视频文件中的数据，将所述视频文件切分为视频切片。
[°02°] 可选地，根据视频文件的画面组(Group Of Picture G0P)对视频文件进行切片处理。
[0021]GOP是一组连续的图像。在视频编码序列中，主要有三种编码帧:帧内编码图像帧(I帧)、预测编码图像帧(P帧)和双向预测编码图像帧(B帧)。GOP包括I帧以及在该I帧之后、在下一个相邻I帧之前的P帧和B帧。根据本发明的一个实施例，可以将I个GOP或数个连续的GOP作为I个视频切片。
[0022]根据GOP的定义，GOP可以作为一个独立的图像编解码单元。根据GOP来对视频文件进行切片处理能够保证后续操作的顺利进行，且简单易行。
[0023]可选地，根据视频文件的视频场景切换对视频文件进行切片处理。
[0024]与文本数据不同，视频数据不仅包括时间信息还包括空间信息。可以对视频内容进行景物变化检测。如果发生了景物变化，那么可以据此认为视频场景发生了切换。即可根据视频场景切换，将视频文件切分为视频切片。也就是说，不同的视频切片包含不同的景物。可以通过对视频文件进行特征检测来识别场景切换，例如颜色、光照、纹理等特征。
[0025]根据视频文件的视频场景切换对视频文件进行切片处理特别适合于场景切换频繁的视频文件。场景的切换意味着一个适于编解码的新图像序列的开始，保证了后续解码和分析操作的顺利进行。
[0026]在步骤S130中，将视频切片分发到多个处理器，以由多个处理器对分到的视频切片进行解码和分析。在此，将步骤SllO所获得的视频切片分发到各个处理器。可以按照视频的视频切片的顺序将其依次分发给各个处理器。每个处理器以一个视频切片为单位进行视频处理。首先，对视频切片进行解码。例如，将视频切片解码为YUV格式。然后，针对YUV格式的视频切片，利用分析模型进行相应的视频分析。
[0027]处理器可以包括各种计算单元，例如CPU、图形处理单元(GPU)等。处理器可以是多核的。可选地，多个处理器包括数字信号处理器(DSP)，例如DM816x芯片。DSP虽然通用功能较弱，但其是特别适合于进行数字信号处理运算的微处理器，其主要应用是实时快速地实现各种数字信号处理算法。对于视频分析来说，DSP的处理能力大大高于CPU，但其成本和能耗却大大低于CPU。
[0028]处理器可以存在很多个，可选地，大于1000个。执行视频分析的分布式计算的处理器越多，则视频分析设备的计算能力越强，视频文件的分析速度越快。
[0029]多个处理器执行分布式计算。每个处理器执行的都是对视频切片的解码和分析操作，从这个角度而言，每个处理器执行的计算是相同的。只是各个处理器所操作的对象不同，每个处理器针对不同的视频切片进行解码和分析操作。每个处理器只需对自己所分到的视频切片进行处理，而无需考虑视频文件的其他视频切片。即使其他视频切片在其他处理器中尚未完成解码，只要该处理器已经对其所分到的视频切片完成了解码，那么即可进行接下来的分析处理。针对所分到的视频切片，多个处理器可以以并行的方式进行处理。换言之，多个处理器可以同时对各自分到的视频切片进行解码和分析，彼此互不干扰和影响。由此，有效地利用了各个处理器的计算能力。
[0030]可以理解，分析处理可以采用任何合适的分析模型，例如基于H.264/H.265标准的分析算法的分析模型，本发明对此不做限定。
[0031]在步骤S150中，综合所有视频切片的分析结果，作为最终分析结果。
[0032]例如，对于根据视频进行车牌识别的视频分析，则根据每个视频切片的车牌识别结果返回车牌号。又例如，对于人脸识别的视频分析，那么将分析每个视频切片所获得的人脸特征值作为最终分析结果。再例如，对于视频中人物的表情分析，那么可以综合根据每个视频切片分析处理所获得的疲劳或者痛苦特征值。另例如，对于视频人数统计分析，那么可以加和对每个视频切片进行分析所获得的其中的人数，以获得视频文件中所涉及的总人数。
[0033]上述视频分析方法充分利用了多个处理器执行分布式计算，真正实现了视频分析云计算。因为处理器能够对所分到的视频切片并行处理，所以有效利用了每个处理器的计算能力，分析速度快、效率高并且耗时短。
[0034]图2示出了根据本发明另一个实施例的视频分析方法200的流程图。如图2所示，该视频分析方法200包括步骤S205、步骤S210、步骤S230、步骤S240和步骤S250。其中步骤S210和步骤S250与上述视频分析方法100中的对应步骤类似，为了简洁，在此不再赘述。
[0035]在步骤S230之前，视频分析方法200可以包括步骤S205，检测多个处理器的计算能力。可以在硬件上电时，进行硬件设备自检，从而检测多个处理器的计算能力。由此，可以评估计算资源的可用性。
[0036]可选地，检测多个处理器的计算能力进一步包括:检测多个处理器的数目、多个处理器中的核心的数目和/或多个处理器中的核心的主频。处理器的数目越多，处理器中的核心数越多，核心的主频越高，则处理器的计算能力越强。
[0037]在步骤S230中，将视频切片分发到多个处理器可以根据多个处理器的计算能力。
[0038]处理器的数目显著影响计算能力。可选地，根据处理器的数目将视频切片分发到多个处理器。假如处理器的数目较少，而视频切片的数目较多，那么可以为每个处理器分多个视频切片。
[0039]在本发明的一些场景中，可以对很多个视频文件同时进行视频分析。这些视频文件的分辨率可以是不同的，例如分辨率为3840 X 2160和4096 X 2160像素的超高清数字视频、分辨率为1920X1080像素的全高清数字视频。可选地，将超高清数字视频分发给计算能力较高的处理器，例如其中核心较多、主频较高的处理器。而将全高清数字视频分发给计算能力较低的处理器，例如其中核心较少、主频较低的处理器。
[0040]检测处理器的计算能力并且根据该计算能力分发视频切片的处理任务，可以有效利用每个处理器的计算能力，让每一个处理器物尽其用。并且，由于处理器能够能者多劳，所以能够尽可能同时完成各自的处理任务，避免因为短板效应导致个别处理器等待的情况，提高了视频分析设备的分析速度。
[0041]在多个处理器利