一种监控业务的处理方法以及服务器与流程

本发明涉及通信技术领域，特别涉及一种监控业务的处理方法，同时本申请还特别涉及一种服务器。

背景技术：

目前视频监控逐步迈入高清化，智能化。智能监控已应用于众多领域，如智能交通，智慧园区、平安城市等。随着计算机图像识别的发展，视频智能算法，比如运动检测、禁区入侵、绊线告警、人数统计、车牌识别、行人识别、人脸检测和识别等技术，需求日渐强烈。上述的各智能算法能广泛的应用到各场景，如园区出入口、关键区域、广场、地铁、人行道、城市及高速公路等。

普通城市街道，高架，园区、楼宇出入口，室外场景目标检测场景，人车混杂，白天和黑夜，还有阴影的变化，比如雨天，环境的光反射，还有其他影响场景光线变化，这些干扰因素都对目标检测造成不利影响。要解决这些干扰，需要更多排除干扰的智能分析算法，同时意味着需要更多的系统计算资源和其他系统资源。

现有的智能分析算法方案大部分是服务器方案，通过对接入的监控视频，图片进行目标检测，跟踪，分析，识别，输出目标识别分析结果。结合布防规则产生告警，或者根据检索规则检索目标。

另外随着前端设备芯片性能的提升，智能业务已经部分迁移到前端设备。但前端芯片的性能和资源和后端服务器相比，仍然性能仍然相对较低，功能也不够丰富，准确率指标也不高，有较多的误报，漏报。

发明人在实现本申请的过程中，发现现有的智能监控业务至少存在以下的问题：

1、单纯依靠前端设备的计算资源能够部署的算法有限，难以满足精准检测的要求。

2、单纯的依靠后端的服务器进行处理，则需要后端部署大量服务器，解决干扰问题，提供目标精细特征识别信息，提升目标检测和识别的准确率。但是由于后端服务器价格高，方案的性价比低，也不利于实际大范围推广。

因此，如何充分的利用前后端设备的计算资源，进而提升监控系统综合的资源利用率，成为本领域技术人员亟待解决的问题。

技术实现要素：

本发明提供了一种监控业务的处理方法，用以解决现有技术中无法充分的利用前后端设备的计算资源，进而使得监控系统综合的资源利用率低的问题。本申请的方法应用于包含前端设备和服务器的监控系统中，所述方法至少包括：

所述服务器接收所述前端设备上报的对指定业务的第一处理结果，并通过预设的置信度评价模型判断所述第一处理结果的置信度是否高于预设的置信度阈值；

若判断结果为是，则所述服务器将所述第一处理结果作为所述指定业务的处理结果；

若判断结果为否，所述服务器对所述指定业务进行处理，获取对所述指定业务的第二处理结果，并将所述第二处理结果作为所述指定业务的处理结果。

优选地，所述第一处理结果是所述前端设备通过预设的检测算法对所述指定业务进行处理后获取的，在所述服务器的判断结果为否之后，所述方法还包括：

获取所述前端设备在预设的时间间隔内，对所述指定业务的第一处理结果的置信度低于预设的置信度阈值的频度；

若所述频度大于预设的频度阈值，根据所述前端设备当前所处的场景，调整所述检测算法的场景参数；

若所述频度不大于预设的频度阈值，保持所述检测算法的场景参数不变。

优选地，所述服务器根据所述前端设备当前所处的场景，调整所述检测算法的场景参数，具体为：

接收所述前端设备发送的图像，并获取所述图像的图像信息；

根据所述图像的图像信息确定所述前端设备当前所处的场景；

根据预设的对应关系确定与所述前端设备当前所处的场景相对应的特征场景参数，所述对应关系用于指出所述前端设备所处的场景与所述检测算法的场景参数的关系；

将所述特征场景参数发送给所述前端设备，以使所述前端设备将所述检测算法的场景参数调整为所述特征场景参数。

优选地，所述置信度评价模型为：

其中，confidence为置信度，a_i为所述指定业务第i个子业务的权重，c_i为所述指定业务第i个子业务的置信度。

优选地，所述指定业务的类型至少包括：目标检测、目标跟踪、目标识别分类、以及目标特征细化识别。

相应的，本申请提出一种服务器，应用于包含前端设备和所述服务器的监控系统中，所述服务器至少包括：

判断模块，接收所述前端设备上报的对指定业务的第一处理结果，并通过预设的置信度评价模型判断所述第一处理结果的置信度是否高于预设的置信度阈值；

第一处理模块，在判断结果为是时，将所述第一处理结果作为所述指定业务的处理结果；

第二处理模块，在判断结果为否时，对所述指定业务进行处理，获取对所述指定业务的第二处理结果，并将所述第二处理结果作为所述指定业务的处理结果。

优选地，所述第一处理结果是所述前端设备通过预设的检测算法对所述指定业务进行处理后获取的，所述服务器还包括：

获取模块，获取所述前端设备在预设的时间间隔内，对所述指定业务的第一处理结果的置信度低于预设的置信度阈值的频度；

调整模块，在所述频度大于预设的频度阈值时，根据所述前端设备当前所处的场景，调整所述检测算法的场景参数；

保持模块，在所述频度不大于预设的频度阈值时，保持所述检测算法的场景参数不变。

优选地，所述调整模块具体用于：

接收所述前端设备发送的图像，并获取所述图像的图像信息；

根据所述图像的图像信息确定所述前端设备当前所处的场景；

根据预设的对应关系确定与所述前端设备当前所处的场景相对应的特征场景参数，所述对应关系用于指出所述前端设备所处的场景与所述检测算法的场景参数的关系；

将所述特征场景参数发送给所述前端设备，以使所述前端设备将所述检测算法的场景参数调整为所述特征场景参数。

优选地，所述置信度评价模型为:

其中，confidence为置信度，ai为所述指定业务第i个子业务的权重，ci为所述指定业务第i个子业务的置信度。

优选地，所述指定业务的类型至少包括：目标检测、目标跟踪、目标识别分类、以及目标特征细化识别。

通过应用本申请的技术方案，服务器接收前端设备上报的对指定业务的第一处理结果，并通过预设的置信度评价模型判断第一处理结果的置信度是否高于预设的置信度阈值；若判断结果为是，则服务器将第一处理结果作为指定业务的处理结果；若判断结果为否，服务器对指定业务进行处理，获取第二处理结果，并将第二处理结果作为所述指定业务的处理结果。通过服务器对前端设备的第一处理结果进行评价，在第一处理结果的置信度较高时，采用第一处理结果，在第一处理结果的置信度较低时，服务器再对指定业务进行进一步地处理，从而在保证业务处理准确性的基础上，充分利用了前端设备的资源，提升了监控系统综合的资源利用率。

附图说明

为了更清楚地说明本申请的技术方案，下面将对实施例描述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，对于本领域普通的技术人员而言，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为本申请实施例提出的一种监控业务的处理方法的流程示意图；

图2为本申请具体实施例提出的一种目标识别方法的流程示意图；

图3为本申请提出的一种服务器的结构示意图。

具体实施方式

如背景技术所述，现有的监控业务处理方案中有两种主要的处理方式，其一，依靠前端设备来对监控业务进行处理，此种方法的缺点在于，限于前端设备处理芯片的处理能力，前端设备的计算资源能够部署的算法有限，难以满足精准检测的要求。其二，依靠后端的服务器来对监控业务进行处理，此种方法的缺点在于，需要后端部署大量服务器，由于后端服务器价格高，方案的性价比低，所以并不利于实际大范围的推广。可见，在现有技术中，单纯依靠前端设备或者后端服务器的方案，并没有能够充分的利用到前后端的资源。

因此，本申请提出了一种监控业务的处理方法，用以解决现有技术中无法充分的利用前后端设备的计算资源，进而使得监控系统综合的资源利用率低的问题。服务器接收前端设备上报的对指定业务的第一处理结果，并通过预设的置信度评价模型判断第一处理结果的置信度是否高于预设的置信度阈值；若判断结果为是，则服务器将第一处理结果作为指定业务的处理结果；若判断结果为否，服务器对指定业务进行处理，获取第二处理结果，并将第二处理结果作为所述指定业务的处理结果。通过服务器对前端设备的第一处理结果进行评价，在第一处理结果的置信度较高时，采用第一处理结果，在第一处理结果的置信度较低时，服务器再对指定业务进行进一步地处理，从而在保证业务处理准确性的基础上，充分利用了前端设备的资源，提升了监控系统综合的资源利用率。

如图1所示为本申请提出的一种监控业务的处理方法的流程示意图，需要说明的是，本申请应用于包含前端设备和服务器的监控系统中，需要说明的是，本申请中的前端设备可以具体为监控摄像机等监控设备。服务器作为后端的设备，能够实时的获取前端设备的监控信息，并可对前端设备进行控制、管理的操作。具体的，本申请至少包括以下的步骤：

S101，服务器接收前端设备上报的对指定业务的第一处理结果，并通过预设的置信度评价模型判断第一处理结果的置信度是否高于预设的置信度阈值。

随着前端设备芯片的发展，前端设备的芯片以及能实现专门快速计算单元算子，例如简单的高斯背景建模，简单的目标跟踪，CNN网络等。可见，前端设备完全有能力对监控业务进行处理。但是，由于前端设备的芯片资源有限，这些算子满足不了更丰富参数的算法应用，因此可能会存在处理结果不准确的情况发生。

针对前端设备芯片目前的发展状况，在本申请的实施例中，首先通过前端设备对指定业务进行处理。在接收到前端设备发送的对指定业务的第一处理结果时，服务器对第一处理结果进行评价，并根据评价的结果判断是否需要采用前端设备的第一处理结果。具体的，服务器通过预设的置信度评价模型判断第一处理结果的置信度是否高于预设的置信度阈值，如果第一处理结果的置信度高于预设的置信度阈值，则说明前端设备对指定业务的第一处理结果可信。如果第一处理结果的置信度不高于预设的置信度阈值，则说明前端设备对指定业务的第一处理结果不可信。

通过以上的处理方法，服务器评价对前端设备的第一处理结果进行评价，并在前端设备的第一处理结果的置信度较高时才采用前端设备的第一处理结果，从而在保证业务处理准确性的基础上，充分利用了前端设备的业务处理资源，提升了监控系统综合的资源利用率。

在本申请的优选实施例中，置信度评价模型具体为：

其中，confidence为置信度，a_i为所述指定业务第i个子业务的权重，c_i为所述指定业务第i个子业务的置信度。

通过以上的置信度模型，对指定业务的各个子业务的置信度进行加权求和，每个子业务的置信度是由前端设备提供的，每个子业务的的权重，则是通过对子业务的处理结果进行评价后得到的。

需要说明的是，上述提出的置信度模型，只是本申请提供的一种优选的模型，基于本申请的核心思想，本领域技术人员还可以采用其他置信度模型，这并不会影响本申请的保护范围。

在本申请的优选实施例中，指定业务的类型至少包括：目标检测、目标跟踪、目标识别分类、以及目标特征细化识别。

需要说明的是，本申请的方法的应用范围并不限于处理上述公开的指定业务类型，基于本申请的核心思想，本领域技术人员还可以通过本申请提供的方法，处理其他类型的指定业务，这并不会影响本申请的保护范围。

S102，如果判断结果为是，服务器将前端设备的第一处理结果作为指定业务的处理结果。

在本申请的实施例中，如果前端设备的第一处理结果的置信度高于预设的置信度阈值，则说明前端设备对指定业务的第一处理结果可信。此时，服务器将采用前端设备的第一处理结果，即将其作为指定业务的处理结果提供给客户。

需要说明的是，置信度阈值可以根据用户自身的需求进行设定。置信度阈值越高，说明对业务处理结果的准确性要求越高；置信度阈值越低，说明对业务处理结果的准确性要求越低。因此，用户可以根据自身对业务处理结果的准确性的需求来对置信度阈值进行设定。

通过上述的方法，在前端设备的第一处理结果的置信度高于预设的置信度阈值时，采用前端设备对于指定业务的处理结果，此时服务器不需要对指定业务进行处理，从而在保证业务处理准确性的基础上，降低了服务器的处理负载。同时本方法可以充分的利用前端设备的业务处理资源，提升了监控系统综合的资源利用率。

S103，如果判断结果为否，服务器对指定业务进行处理，获取对指定业务的第二处理结果，并将第二处理结果作为指定业务的处理结果。

在本申请的实施例中，如果前端设备的第一处理结果的置信度不高于预设的置信度阈值，则说明前端设备对指定业务的第一处理结果不可信。此时，服务器对指定业务进行处理，获取对指定业务的第二处理结果，并将第二处理结果作为指定业务的处理结果，并提供给用户。

在前端设备的第一处理结果的置信度较低，即前端设备对指定业务的第一处理结果不可信时，服务器会对指定业务进行进一步地处理，以确保对指定业务处理的结果的准确性。

在本申请的优选实施例中，第一处理结果是前端设备通过预设的检测算法对指定业务进行处理后获取。

需要说明的是，前端设备通过预设的检测算法对指定业务进行处理后，获取对指定业务的第一处理结果。前端设备处于不同的场景时，检测算法的场景参数是不同的。因此，当前端设备的第一处理结果的置信度下降时，可能是由于检测算法的场景参数与前端设备当前所处的场景不匹配造成的。因此，在当前端设备的第一处理结果的置信度下降时，需要对检测算法的场景参数进行调整。

在本申请的优选实施例中，对检测算法的场景参数的调整可以通过以下的优选方案实现。具体的，该方案包括以下的步骤：

(1)获取前端设备在预设的时间间隔内，对指定业务的第一处理结果的置信度低于预设的置信度阈值的频度。

首先获取前端设备在预设的时间间隔内(预设的一段时间内)，对于指定业务的第一处理结果的置信度低于预设的置信度阈值的频度。

如果获取的频度大于预设的频度阈值，说明前端设备所处的场景可能发生了变化，因此需要调整检测算法的场景参数。

如果获取的频度不大于预设的频度阈值，说明前端设备所处的场景并未发生变化，此次置信度过低，可能是由于偶然因素造成的，因此不需要调整检测算法的场景参数。

(2)如果获取到的频度大于预设的频度阈值，根据前端设备当前所处的场景，调整检测算法的场景参数。

(3)如果获取到的频度不大于预设的频度阈值，保持检测算法的场景参数不变。

在本申请的优选实施例中，上述调整调整检测算法的场景参数可以具体由以下的优选方案实现，具体的，该方案包括以下的步骤：

(1)接收前端设备发送的图像，并获取图像的图像信息。

首先对前端设备发送的图像进行分析，获取图像中的图像信息。图像信息至少包括:图像对比度，目标对比度，图像直方图，目标直方图，场景亮度，颜色，纹理，前后帧差图数据等统计信息。

(2)根据图像的图像信息确定前端设备当前所处的场景。

通过对前端设备图像的图像信息进行分析，确定前端设备当前所处的场景。在确定了前端设备当前所处的场景后，再进一步确定需要给前端设备设定的参数。

(3)根据预设的对应关系确定与前端设备当前所处的场景相对应的特征场景参数。其中，对应关系用于指出前端设备所处的场景与检测算法的场景参数的关系。

在服务器中预先储存前端设备所处的场景与检测算法的场景参数之间的对应关系。在获取了前端设备所处的场景之后，通过该对应关系检测算法当前应该设定的特征场景参数。

(4)将获取到的特征场景参数发生给前端设备，以使前端设备将检测算法的场景参数调整为特征场景参数。

通过以上的优选实施方式，在前端设备的第一处理结果的置信度较低时，服务器会根据前端设备当前所处的场景对前端设备中检测算法的场景参数进行调整，以提高前端设备的检测结果的置信度。

通过以上实施例的描述可知，服务器接收前端设备上报的对指定业务的第一处理结果，并通过预设的置信度评价模型判断第一处理结果的置信度是否高于预设的置信度阈值；若判断结果为是，则服务器将第一处理结果作为指定业务的处理结果；若判断结果为否，服务器对指定业务进行处理，获取第二处理结果，并将第二处理结果作为所述指定业务的处理结果。通过服务器对前端设备的第一处理结果进行评价，在第一处理结果的置信度较高时，采用第一处理结果，在第一处理结果的置信度较低时，服务器再对指定业务进行进一步地处理，从而在保证业务处理准确性的基础上，充分利用了前端设备的资源，提升了监控系统综合的资源利用率。

为了进一步阐述本发明的技术思想，现结合具体的实施流，对本发明的技术方案进行说明。

本申请提供一种结合前、后端芯片的计算资源，算法协调分配，实现智能分析算法的系统方案。本申请应用于监控业务至少包括：目标检测、目标跟踪、目标识别分类、特征细化识别等几个业务模块。针对每个模块的算法效果构建置信度评价模型，同时实时侦测当前视频图像场景特征，数据通过高速总线传递到后端服务器。后端服务器根据置信度模式进行决策前端结果是否可信，不可信的对视频进行重新处理，直到目标分析算法得到结果。决策信息包括前端系统的资源信息，算法业务。本申请的技术效果包括：充分发挥前端IPC(监控摄像机)计算优势，利用冗余的计算能力和内存资源，和未经过视频压缩损伤的前端图像，在此基础上结合后端服务器设备强大的计算资源和存储资源，提升算法准确率，降低系统资源需求。

以智能目标识别为例，如图2所示，具体的实施流程包括以下的步骤：

S201，系统初始化，前端、后端系统启动。

S202，系统启动场景信息实时监测与收集。包括但不限于图像对比度、直方图，平均亮度，快门、光圈、ISO等场景相关参数。

S203，视频场景运动目标检测，以目标检测分类器作为示例，但不限于该算法。行人检测采用adboost分类器检测。分类器检测输出包括目标检测数量，位置，大小，以及目标的置信度。

S204，后端服务器获取前端目标检测信息及置信度，建立置信度决策模型，并对前端设备的检测结果进行评价。判断前端设备的检测结果是否高于预设的阈值θ₁。若是转到S205，否则转到S206。

S205，采用前端设备的目标检测结果，后续模块直接采用目标的数量，位置和大小。

S206，后端根据场景环境实时信息，建立评价模型。评价包括但不限于：白天、夜晚、阴影，雨天等场景因素，对应的选用后端目标检测算法输出检测结果。

S207，获取对前端设备检测结果的置信度低于阈值θ₁的频度。

S208，判断前端设备的检测结果的置信度低于阈值θ₁的频度是否高于预设的频度阈值，若否转到S209，否则转到S210。

S209，保持前端算法参数不变。

S210，依据场景选用前端算法的参数，并将更新后的参数发送给前端。

S211，前端更新目标检测参数，进入下一个目标检测循环。直到系统退出。

本申请还建立了一种置信度评价模型，包括：

(1)前端的视频场景检测评价，统计前端图像信息，包含但不限于图像对比度，目标对比度，图像直方图，目标直方图，场景亮度，颜色，纹理，前后帧差图数据等统计信息。

(2)环境因素预测，根据前端图像和传感器数据信息，判断场景包括但不限于：白天、夜晚、雨天、晴天、阴天等场景。

(3)前端目标检测算法模块的输出的结果及置信度，前端检测结果包括：目标数量，目标ID，目标位置，速度等运动特征量。

(4)算法准确性对场景及参数的的后验统计模型，作为算法置信度评价模型数据。

具体的评价模型为：

其中，confidence为置信度，a_i为所述指定业务第i个子业务的权重，c_i为所述指定业务第i个子业务的置信度。

通过以上具体实施例的描述可知，服务器接收前端设备上报的对指定业务的第一处理结果，并通过预设的置信度评价模型判断第一处理结果的置信度是否高于预设的置信度阈值；若判断结果为是，则服务器将第一处理结果作为指定业务的处理结果；若判断结果为否，服务器对指定业务进行处理，获取第二处理结果，并将第二处理结果作为所述指定业务的处理结果。通过服务器对前端设备的第一处理结果进行评价，在第一处理结果的置信度较高时，采用第一处理结果，在第一处理结果的置信度较低时，服务器再对指定业务进行进一步地处理，从而在保证业务处理准确性的基础上，充分利用了前端设备的资源，提升了监控系统综合的资源利用率。

为了达到以上的技术目的，如图3所示，本申请提出一种服务器，应用于包含前端设备和所述服务器的监控系统中，所述服务器至少包括：

判断模块301，接收所述前端设备上报的对指定业务的第一处理结果，并通过预设的置信度评价模型判断所述第一处理结果的置信度是否高于预设的置信度阈值；

第一处理模块302，在判断结果为是时，将所述第一处理结果作为所述指定业务的处理结果；

第二处理模块303，在判断结果为否时，对所述指定业务进行处理，获取对所述指定业务的第二处理结果，并将所述第二处理结果作为所述指定业务的处理结果。

优选地，所述第一处理结果是所述前端设备通过预设的检测算法对所述指定业务进行处理后获取的，所述服务器还包括：

获取模块，获取所述前端设备在预设的时间间隔内，对所述指定业务的第一处理结果的置信度低于预设的置信度阈值的频度；

调整模块，在所述频度大于预设的频度阈值时，根据所述前端设备当前所处的场景，调整所述检测算法的场景参数；

保持模块，在所述频度不大于预设的频度阈值时，保持所述检测算法的场景参数不变。

优选地，所述调整模块具体用于：

接收所述前端设备发送的图像，并获取所述图像的图像信息；

根据所述图像的图像信息确定所述前端设备当前所处的场景；

根据预设的对应关系确定与所述前端设备当前所处的场景相对应的特征场景参数，所述对应关系用于指出所述前端设备所处的场景与所述检测算法的场景参数的关系；

将所述特征场景参数发送给所述前端设备，以使所述前端设备将所述检测算法的场景参数调整为所述特征场景参数。

优选地，所述置信度评价模型为：

其中，confidence为置信度，ai为所述指定业务第i个子业务的权重，ci为所述指定业务第i个子业务的置信度。

优选地，所述指定业务的类型至少包括：目标检测、目标跟踪、目标识别分类、以及目标特征细化识别。

通过以上具体设备的描述可知，服务器接收前端设备上报的对指定业务的第一处理结果，并通过预设的置信度评价模型判断第一处理结果的置信度是否高于预设的置信度阈值；若判断结果为是，则服务器将第一处理结果作为指定业务的处理结果；若判断结果为否，服务器对指定业务进行处理，获取第二处理结果，并将第二处理结果作为所述指定业务的处理结果。通过服务器对前端设备的第一处理结果进行评价，在第一处理结果的置信度较高时，采用第一处理结果，在第一处理结果的置信度较低时，服务器再对指定业务进行进一步地处理，从而在保证业务处理准确性的基础上，充分利用了前端设备的资源，提升了监控系统综合的资源利用率。

最后说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解；其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明权利要求所限定的范围。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到本发明可以通过硬件实现，也可以借助软件加必要的通用硬件平台的方式来实现。基于这样的理解，本发明的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施场景所述的方法。

本领域技术人员可以理解附图只是一个优选实施场景的示意图，附图中的模块或流程并不一定是实施本发明所必须的。

本领域技术人员可以理解实施场景中的装置中的模块可以按照实施场景描述进行分布于实施场景的装置中，也可以进行相应变化位于不同于本实施场景的一个或多个装置中。上述实施场景的模块可以合并为一个模块，也可以进一步拆分成多个子模块。

上述本发明序号仅仅为了描述，不代表实施场景的优劣。

以上公开的仅为本发明的几个具体实施场景，但是，本发明并非局限于此，任何本领域的技术人员能思之的变化都应落入本发明的保护范围。