一种视频中的目标对象检索方法、装置及电子设备与流程

1.本技术涉及视频检索技术领域，尤其涉及一种视频中的目标对象检索方法、装置及电子设备。


背景技术：

2.随着各种监控设备在维护社会治安、管理以及安全保障方面的应用的推广，安防人员对大量的视频进行事后会看时，面对的将是海量的视频监控数据。由于在回放过程中，需要逐帧播放，才能寻找到感兴趣的目标，不仅查找目标比较困难，还浪费了大量的时间，而且还无法使得准确率得到保障。
3.如何从大量的视频数据中对目标进行快速的检索，已经成为了业内亟待解决的技术难题。


技术实现要素：

4.为了至少解决上述技术问题，本发明实施例的目的在于提供了一种视频中的目标对象检索方法，通过对筛选过的目标对象进行聚类分析，优化了检索的结果，准确率得到保障。
5.为达到上述目的，本发明实施例提供的视频中的目标对象检索方法，包括：
6.提取目标图像特征；
7.检测并提取视频画面中的对象特征；
8.将提取到的大于预设目标图像特征阈值的对象特征，并入对象特征列表中；
9.将对象特征列表中的对象特征与目标图像特征进行聚类分析；
10.截取聚类分析之后的视频数据。
11.在一些示例性的实施方式中，
12.在将对象特征列表中的对象特征与目标图像特征进行聚类分析之前，还包括：
13.对对象特征列表进行模型筛选；
14.模型筛选包括通过不同的模型对对象特征列表中的对象特征进行筛选。
15.在一些示例性的实施方式中，将对象列表中经筛选过的对象特征与目标图像特征进行聚类分析。
16.在一些示例性的实施方式中，筛选待检测视频数据中的目标对象包括：
17.丢弃小于预设目标图像特征阈值的对象特征。
18.在一些示例性的实施方式中，
19.还包括：对视频画面中的数据进行预处理；
20.预处理包括：读取并检测视频画面中的数据，标记视频画面中的目标类型及目标类型所处的位置。
21.在一些示例性的实施方式中，聚类分析包括离线knn聚类分析。
22.为达到上述目的，本发明实施例还提供一种视频中的目标对象检索装置，包括：
23.目标图像提取模块，目标图像提取模块用于提取目标图像特征；
24.对象检测模块，对象检测模块用于检测并提取视频画面中的对象特征；
25.判断模块，判断模块用于将提取到的对象特征与预设的目标图像特征阈值进行比较；若判断结果为对象特征大于预设目标图像特征阈值，则将大于预设目标图像特征阈值的对象特征，并入对象特征列表中；
26.聚类分析模块，聚类分析模块用于将对象特征列表中的对象特征与目标图像特征进行聚类分析；
27.视频数据截取模块，视频数据截取模块用于截取聚类分析之后的视频数据。
28.在一些示例性的实施方式中，装置还包括：
29.筛选模块，筛选模块用于对对象特征列表进行模型筛选；
30.模型筛选包括通过不同的模型对对象特征列表中的对象特征进行筛选。
31.在一些示例性的实施方式中，装置还包括：
32.预处理模块，预处理模块用于读取并检测视频画面中的数据，标记视频画面中的目标类型及目标类型所处的位置。
33.为达到上述目的，本发明实施例还提供一种电子设备，包括，处理器；以及
34.被安排成存储计算机可执行指令的存储器，可执行指令在被执行时使处理器执行上述视频中的目标对象检索方法的步骤。
35.为达到上述目的，本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质存储一个或多个程序，一个或多个程序当被包括多个应用程序的电子设备执行时，使得电子设备执行上述视频中的目标对象检索方法的步骤。
36.本发明实施例的视频中的目标对象检索方法，提取目标图像特征；检测并提取视频画面中的对象特征；将提取到的大于预设目标图像特征阈值的对象特征，并入对象特征列表中；将对象特征列表中的对象特征与目标图像特征进行聚类分析；截取聚类分析之后的视频数据。发明实施例的视频中的目标对象检索方法，通过对筛选过的目标对象进行聚类分析，优化了检索的结果，准确率得到保障；对视频数据的目标检测、质量检测、目标的跟踪以及特征的提取比对均通过深度学习模型完成，算法的鲁棒性更强，适用各类复杂的环境；检索的速度更快，具有两种快速的检索模式可供选择；适用gpu、npu等加速卡，进一步加快了分析处理的速度；利用没有分析任务的空闲时间，通过预处理减少了视频数据的分析处理数量，进一步加快了视频数据的处理速度；没有对视频数据中的目标对象做标识化处理，充分保护了各类隐私；还提供了可疑目标备选，避免了遗漏现象的出现；可以多个分析任务同时处理，提高了视频数据的处理能力。
附图说明
37.此处所说明的附图用来提供对本技术的进一步理解，构成本技术的一部分，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：
38.图1是本发明实施例的视频中的目标对象检索方法流程示意图；
39.图2是本发明一个实施例的视频中的目标对象检索方法流程示意图；
40.图3是本发明实施例的预处理流程示意图；
41.图4是本发明实施例的分析任务处理流程示意图；
42.图5是本发明实施例的聚类分析流程示意图；
43.图6是本发明实施例的视频中的目标对象检索装置结构示意图；
44.图7是本发明实施例的电子设备的结构示意图。
具体实施方式
45.为了使本技术实施例中的技术方案及优点更加清楚明白，以下结合附图对本技术的示例性实施例进行进一步详细的说明，显然，所描述的实施例仅是本技术的一部分实施例，而不是所有实施例的穷举。需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。
46.下面将结合附图对本发明的技术方案进行详细说明。
47.本发明实施例提供一种视频中的目标对象检索方法，包括：
48.提取目标图像特征；
49.检测并提取视频画面中的对象特征；
50.将提取到的大于预设目标图像特征阈值的对象特征，并入对象特征列表中；
51.将对象特征列表中的对象特征与目标图像特征进行聚类分析；
52.截取聚类分析之后的视频数据。
53.实施例1
54.图1是本发明实施例的视频中的目标对象检索方法流程示意图，下面将参考图1，对本发明实施例的视频中的目标对象检索方法流程进行详细描述。
55.首先，在步骤101，提取目标图片特征。
56.在一些示例性的实施方式中，提取目标图片特征。
57.在一些示例性的实施方式中，例如提供目标照片或者等同的图片，从该图片中提取目标的图片特征信息(目标包括人物、车辆等等)。
58.在一些示例性的实施方式中，将需要检索寻找的人、物等等统一称为目标。
59.在步骤102，检测并提取视频画面中的对象特征。
60.在一些示例性的实施方式中，将视频画面中的待确认的人、物等等统一称为对象。
61.在一些示例性的实施方式中，检测视频画面中出现过的对象特征信息。
62.在步骤103，将提取到的大于预设目标图像特征阈值的对象特征，并入对象特征列表中。
63.在一些示例性的实施方式中，本技术实施例中设有对象特征列表，对象特征列表用于存储大于预设目标图像特征阈值的对象特征信息。
64.在一些示例性的实施方式中，设有目标图像特征阈值，该阈值可以为80％，亦可以为90％，当然该阈值还可以根据需要进行相应的参数的调整。
65.在一些示例性的实施方式中，提取目标图像特征信息以后，将提取到的对象特征与目标图像特征阈值相比较；若提取到的为大于预设目标图像特征阈值的对象特征，则将提取到的对象特征并入对象特征列表中；若是提取到的为不大于预设目标图像特征阈值的对象特征，则跳过该对象特征信息，不予处理(或者，进行丢弃处理)。
66.在一些示例性的实施方式中，大于预设目标图像特征阈值的对象特征默认为相似度很高的对象特征，需要仔细甄别。
67.在一些示例性的实施方式中，将对象特征列表中的对象特征与目标图像特征进行聚类分析。
68.在一些示例性的实施方式中，还包括对对象特征列表中的对象特征进行模型筛选。
69.在一些示例性的实施方式中，模型筛选包括通过不同的模型对对象特征列表中的对象特征进行筛选(例如多个模型包括第一模型和第二模型，第一模型为初次筛选模型，第二模型为最终模型；经过多个模型的筛选后，以进一步的提高筛选到的准确度)。
70.在一些示例性的实施方式中，将对象列表中经筛选过的对象特征与目标图像特征进行聚类分析。
71.在一些示例性的实施方式中，聚类分析包括离线类分析。
72.在一些示例性的实施方式中，聚类分析包括离线knn聚类分析。
73.在步骤104，截取聚类分析之后的视频数据。
74.在一些示例性的实施方式中，将经过聚类分析之后的视频数据进行画面截取或者归类。
75.在一些示例性的实施方式中，截取包括截取视频片段和/或截取图片。
76.在一些示例性的实施方式中，归类并呈现截取到的视频片段。
77.实施例2
78.图2是本发明一个实施例的视频中的目标对象检索方法流程示意图，下面将参考图2，对本发明实施例的视频中的目标对象检索方法流程进行详细描述。
79.首先，在步骤201，判断是否接入视频存储设备。
80.在一些示例性的实施方式中，视频存储设备包括nvr设备。
81.在一些示例性的实施方式中，nvr，(network video recorder，即网络视频录像机)，是网络视频监控系统的存储转发部分，nvr与视频编码器或网络摄像机协同工作，完成视频的录像、存储及转发功能。
82.在一些示例性的实施方式中，nvr设备包括三种表现形式：
83.①
、基于pc服务器式的nvr软件产品，即厂商提供的是nvr软件加授权许可模式，可以安装在任何满足要求的标准pc机或服务器上。
84.②
、由厂商提供软硬件一体的nvr整体解决方案，即厂商已经将nvr软件安装在其定制的pc服务器上了——所谓的(turnkey solution)产品；
85.③
、嵌入式的nvr产品，即基于嵌入式硬件平台及操作系统的嵌入式设备；另外还有存储设备厂家开发的存储管理一体设备。
86.在一些示例性的实施方式中，判断是否接入了nvr设备，判断结果为是，则进入步骤203；若判断结果为否，则进入步骤202。
87.在步骤202，接入视频存储设备。
88.在一些示例性的实施方式中，在判断未接入视频存储设备时，进入步骤202，进行接入视频存储设备。
89.在步骤203，判断是否有分析任务。
90.在一些示例性的实施方式中，判断当前是否有需要分析处理的任务，若判断结果为否，则进入步骤204，运行预处理任务；若判断结果为是，则对当前的分析任务进行运行处
理。
91.在步骤204，运行预处理任务。
92.在一些示例性的实施方式中，在当前没有待处理的分析任务时，对已有的视频资源进行预处理。
93.在步骤205，预处理任务完成。
94.在一些示例性的实施方式中，在预处理任务完成之后，回到步骤203，重新判断当前是否有分析任务需要处理。
95.在步骤206，运行分析任务。
96.在一些示例性的实施方式中，在步骤203判断当前有分析任务需要处理时，运行分析任务。
97.在一些示例性的实施方式中，分析任务包括在某一时间段内的视频内容中查找特定的目标。
98.在一些示例性的实施方式中，特定的目标包括静止的和/或移动的目标对象。
99.在步骤207，聚类分析。
100.在一些示例性的实施方式中，对查找到的目标对象所处的视频画面进行聚类分析。
101.在一些示例性的实施方式中，聚类分析包括离线聚类。
102.在一些示例性的实施方式中，聚类分析还包括knn聚类分析。
103.在步骤208，截取视频片段。
104.在一些示例性的实施方式中，将通过聚类分析获得的视频数据进行截取。
105.在一些示例性的实施方式中，截取包括截取视频片段和/或截取图片。
106.在一些示例性的实施方式中，截取完成之后，还包括回到步骤203，判断是否有新的分析任务待处理。
107.实施例3
108.图3是本发明实施例的预处理流程示意图，下面将参考图3，对本发明实施例的预处理流程进行详细描述。
109.首先，在步骤2041，判断临时存储空间是否已满。
110.在一些示例性的实施方式中，在没有目标对象分析任务时，会执行预处理任务。
111.在一些示例性的实施方式中，执行预处理任务包括在空闲状态下的自动执行，也包括在空闲状态下根据使用者的选择是否执行预处理。
112.在一些示例性的实施方式中，进行预处理任务时，会先判断临时存储空间是否已满，临时存储空间包括本地存储、云端存储或者其他已知的存储方式。
113.在一些示例性的实施方式中，若临时存储空间已满，则进入步骤2042，等待重试；若临时存储空间未满，则进入步骤2043。
114.在步骤2042，临时存储空间等待重试。
115.在一些示例性的实施方式中，临时存储空间已满，等待回到步骤2041，再次判断当前的临时存储空间是否已满。
116.在一些示例性的实施方式中，等待时间可以根据实际需要进行设置。
117.在步骤2043，判断预处理任务是否已满。
118.在一些示例性的实施方式中，在当前的临时存储空间尚有空间时，再次判断预处理任务是否已满。
119.在一些示例性的实施方式中，若当前有预处理任务，且预处理任务已满时，则进入步骤2044，等待重试；若当前预处理任务未满，则进入步骤2045。
120.在一些示例性的实施方式中，当前预处理任务未满包括当前没有预处理任务，或当前预处理任务数量没有超过预先设置数量(即没有达到满负荷状态)。
121.在步骤2044，预处理任务等待重试。
122.在一些示例性的实施方式中，预处理任务已满，等待回到步骤2043，再次判断当前的预处理任务是否已满。
123.在一些示例性的实施方式中，等待时间可以根据实际需要进行设置。
124.在步骤2045，分析检测画面中的对象。
125.在一些示例性的实施方式中，对象包括移动对象和/或静止的对象。
126.在一些示例性的实施方式中，在预设时间段内的视频内容中筛选是否有对象。
127.在一些示例性的实施方式中，预设时间段可以为某年某月某日至某年某月某日；亦可以为某年某与某日之前；还可以为某日某时至某日某时。
128.在一些示例性的实施方式中，预设时间段可以根据实际需要进行设置。
129.在步骤2046，记录对象出现的时间段。
130.在一些示例性的实施方式中，当发现对象出现在某个画面或者某个连续的视频片段中时，记录当前时间点或时间段。
131.在一些示例性的实施方式中，在对待检测视频数据进行筛选时，会预先将待检测视频数据进行长度分段处理。例如一段2020年10月10日0时至2020年10月10日20时的视频数据，并非将从0时-20时的视频数据进行逐秒的顺序筛选；而是将0时-20时的视频资源进行分段处理，分段处理包括根据实际的处理能力和需要进行视频数据时间长度的分段(例如将该段视频数据分为每15分钟一段，或者每20分钟一段，或者每30分钟一段)。
132.在一些示例性的实施方式中，将当前的时间点或时间段合并归入该时间点或时间段所属的分段内(例如，当前筛选到目标对象的时间点为2020年10月10日0时05分，而分段处理的视频数据长度设置为每15分钟一段，那么将当前筛选到目标对象归入2020年10月10日0时-2020年10月10日0时15的分段内。)。
133.在一些示例性的实施方式中，设置分段的目的包括：更快速的处理视频数据；剔除掉没有用的视频数据，节省后续处理流程和时间；将筛选到的对象所处时间段记录保留，以免出现数据遗漏。
134.在步骤2047，存储分析结果。
135.在一些示例性的实施方式中，将记录保留的时间段进行存储保留。
136.在一些示例性的实施方式中，存储包括本地存储、云端存储或者其他已知的存储方式。
137.实施例4
138.图4是本发明实施例的分析任务处理流程示意图，下面将参考图4，对本发明实施例的分析任务处理流程进行详细描述。
139.首先，在步骤20601，检测目标图片质量。
140.在一些示例性的实施方式中，在用户提交了分析任务时，将会优先处理分析任务，若有预处理任务，那么停止预处理任务，转而处理用户提交的分析任务。
141.在一些示例性的实施方式中，处理用户提交的分析任务时，先对目标的图片质量进行检测。
142.在一些示例性的实施方式中，检测目标的图片质量是为了保证图片中存在目标并且获得目标质量能够满足后续的聚类分析要求。
143.在步骤20602，估算运行时间。
144.在一些示例性的实施方式中，估计运行时间会根据用户的选择时间区间、分析模式以及用户所选择的时间区间内的视频数据量而估算最终的任务用时。
145.在一些示例性的实施方式中，本发明实施例的人物分析还提供两种分析模式：最优模式和最快模式。
146.在一些示例性的实施方式中，最优模式，会分析待处理的视频数据中的所有视频帧；而最快模式只分析处理视频的关键帧，因此最快模式处理性能比最优模式更快，运行时间更短。
147.在步骤20603，判断是否有待分析的视频。
148.在一些示例性的实施方式中，判断是否有待分析的视频数据。
149.在一些示例性的实施方式中，若判断结果为否，则进入步骤20604；若判断结果为是，则进入步骤20605。
150.在步骤20604，待分析视频等待重试。
151.在一些示例性的实施方式中，当前没有待分析的视频数据，或者说当前没有接入待分析的视频数据，则等待重试回到步骤20603，再次判断当前是否有待分析的视频数据。
152.在步骤20605，判断视频存储空间是否已满。
153.在一些示例性的实施方式中，视频存储空间包括本地存储，还可以根据需要设置为其他本地存储、云端存储或者其他已知的存储方式。
154.在一些示例性的实施方式中，判断当前的视频存储空间是否已满。
155.在一些示例性的实施方式中，若判断结果为是，则说明当前的视频存储空间已满，进入步骤20607；若判断结果为否，则说明当前的视频存储空间未满，进入步骤20606。
156.在步骤20606，提取视频。
157.在一些示例性的实施方式中，提取当前处于存储空间内的待分析视频数据。
158.在一些示例性的实施方式中，由于提取的速度一般比分析处理的要快，因此会出现上述的视频存储空间已满的状态。
159.在步骤20607，判断分析任务是否已满。
160.在一些示例性的实施方式中，提取到视频数据之后，判断分析任务是否已满，若判断结果为否，则进入步骤20609；若判断结果为是，则进入步骤20608。
161.在步骤20608，分析任务等待重试。
162.在一些示例性的实施方式中，当前分析任务已满时，进入分析任务等待重试，待分析任务未满时，进行排队处理。
163.在步骤20609，运行分析任务输出对象特征。
164.在一些示例性的实施方式中，在分析任务未满时，运行分析任务，输出目标对象特
征。
165.在一些示例性的实施方式中，记录下检测到的目标对象出现的画面和/或视频片段。
166.在一些示例性的实施方式中，记录下检测到的目标对象出现的时间段。
167.在一些示例性的实施方式中，记录检测到的目标对象出现的时间段的目的不仅仅在于方便后续处理，同时还避免了预处理任务对该时间段内的视频数据的重复处理。
168.在步骤20610，判断是否通过质量筛选。
169.在一些示例性的实施方式中，质量筛选是对拿到的目标对象使用质量模型做评估，判断其是否符合后续的聚类分析的要求。
170.在一些示例性的实施方式中，质量筛选包括筛选掉画面模糊不清晰的、角度过大或过小的、或者目标对象处于画面边缘显示不完整的。
171.在一些示例性的实施方式中，若判断结果为是，则进入步骤20612；若判断结果为否，则进入步骤20611。
172.在步骤20611，丢弃分析特征。
173.在一些示例性的实施方式中，将获得的目标对象所在画面不符合要求的进行丢弃处理。
174.在一些示例性的实施方式中，不符合要求包括画面质量不符合要求，以及目标对象比对不大于目标对象相似度阈值的。
175.在一些示例性的实施方式中，目标对象相似度阈值是指的和获得目标对象的相似度的一个阈值，这个阈值可以根据具体的模型、视频数据量进行动态的调整。
176.在一些示例性的实施方式中，在获得的目标对象不能大于预设的目标对象相似度阈值时，将获得的该目标对象进行丢弃处理。
177.在步骤20612，判断是否超出目标比对阈值。
178.在一些示例性的实施方式中，预设目标比对阈值，判断获得的目标对象是否大于目标比对阈值。
179.在一些示例性的实施方式中，目标比对阈值包括目标对象相似度阈值。
180.在一些示例性的实施方式中，若判断结果为是时，则进入步骤20613；若判断结果为否时，则进入步骤20611(即丢弃处理)。
181.在步骤20613，存储分析结果。
182.在一些示例性的实施方式中，将大于目标对象相似度阈值的目标进行存储。
183.在一些示例性的实施方式中，存储包括本地存储、云端存储或者其他已知的存储方式。
184.在一些示例性的实施方式中，存储结束，则回到步骤20603，进入下一个任务循环。
185.实施例5
186.图5是本发明实施例的聚类分析流程示意图，下面将参考图5，对本发明实施例的聚类分析流程进行详细描述。
187.首先，在步骤2071，提取目标图片特征。
188.在一些示例性的实施方式中，提取目标图片的特征信息。
189.在一些示例性的实施方式中，因为跟踪的时空关系相对的明确，因此其具有一定
的可靠性。
190.在步骤2072，根据加速倍数选择备选视频。
191.在一些示例性的实施方式中，根据加速倍数选择备选视频包括：根据“最快模式”和“最优模式”的选择，来确定加速的倍数；然后根据模式的选择而选择相对应的视频数据。
192.在一些示例性的实施方式中，还可以包括通过终端的gpu、npu等加速卡，加快解码视频数据(因为gpu、npu等加速卡可以并行处理多个任务，因此可以实现分析处理速度的加快)。
193.在步骤2073，knn聚类。
194.在一些示例性的实施方式中，将筛选过的目标对象所处的视频数据进行聚类分析。
195.在一些示例性的实施方式中，聚类分析包括knn聚类。
196.在一些示例性的实施方式中，knn聚类的优点包括：
197.①
简单、易于理解，易于实现，无需估计，无需训练；
198.②
适合对稀有事件进行分类(比如占比低于0.5％时)；
199.③
特别适合于多分类问题(对象具有多个类别标签)。
200.在一些示例性的实施方式中，例如分析出来的a特征与b特征相似度超过相似度阈值，算法认为是同一个目标，b与c特征相似度超过相似度阈值，算法认为是同一个目标，但是a与c达不到相似度阈值，经过临近关系关联，abc都认为是同一个目标。
201.在一些示例性的实施方式中，可以用此方法将输出的结果分成多个类，查询的目标可能就在分成的类中。
202.在步骤2074，输出聚类结果。
203.在一些示例性的实施方式中，根据上述knn聚类分析，将分析的结果、备选的结果以及丢弃的结果呈现出来。
204.实施例6
205.图6是本发明实施例的视频中的目标对象检索装置结构示意图，下面将参考图6，对本发明实施例的视频中的目标对象检索装置进行详细描述。
206.本发明实施例的视频中的目标对象检索装置包括：目标图像提取模块601、对象检测模块602、判断模块603、聚类分析模块604、视频数据截取模块605、筛选模块606以及预处理模块607。
207.在一些示例性的实施方式中，目标图像提取模块601，目标图像提取模块601用于提取目标图像特征。
208.在一些示例性的实施方式中，对象检测模块602，用于检测并提取视频画面中的对象特征。
209.在一些示例性的实施方式中，判断模块603，用于将提取到的对象特征与预设的目标图像特征阈值进行比较；若判断结果为对象特征大于预设目标图像特征阈值，则将大于预设目标图像特征阈值的对象特征，并入对象特征列表中。
210.在一些示例性的实施方式中，聚类分析模块604，用于将对象特征列表中的对象特征与目标图像特征进行聚类分析。
211.在一些示例性的实施方式中，聚类分析包括knn聚类。
212.在一些示例性的实施方式中，视频数据截取模块605，用于截取聚类分析之后的视频数据。
213.在一些示例性的实施方式中，筛选模块606，用于对对象特征列表进行模型筛选。
214.在一些示例性的实施方式中，模型筛选包括通过不同的模型对对象特征列表中的对象特征进行筛选(例如多个模型包括第一模型和第二模型，第一模型为初次筛选模型，第二模型为最终模型；经过多个模型的筛选后，以进一步的提高筛选到的准确度)。
215.在一些示例性的实施方式中，还包括通过质量模型对目标对象模糊不清晰的视频画面进行删除处理。
216.在一些示例性的实施方式中，还包括将角度过大，或者目标对象处于视频画面的边缘(显示不完整)的视频画面进行删除。
217.在一些示例性的实施方式中，预处理模块607，用于读取并检测视频画面中的数据，标记视频画面中的目标类型及目标类型所处的位置。
218.在一些示例性的实施方式中，预处理模块607用于在没有工作任务时，对视频数据进行预处理。
219.在一些示例性的实施方式中，预处理模块607，用于检测视频画面中是否有移动的和/或特定的目标类型。
220.在一些示例性的实施方式中，若检测到视频画面中出现了移动的和/或特定的目标类型，则记录出现的移动的和/或特定的目标类型的视频时间，并将该视频时间归属对应的时间段；对时间段内的移动的和/或特定的目标类型进行聚类分析。
221.在一些示例性的实施方式中，还包括存储单元，存储单元包括本地存储、云端存储或者其他已知的存储方式，或者还可以为具有等同效果的其他存储装置。
222.在一些示例性的实施方式中，还可以包括有gpu、npu等加速卡单元。
223.实施例7
224.图7是本发明实施例的电子设备的结构示意图，如图7所示，在硬件层面，该电子设备包括处理器，可选地还包括总线、网络接口、存储器。其中，存储器可能包含内存，例如高速随机存取存储器(random-access memory，ram)，也可能还包括非易失性存储器(non-volatile memory)，例如至少1个磁盘存储器等。当然，该电子设备还可能包括其他业务所需要的硬件。
225.处理器、网络接口和存储器可以通过总线相互连接，该总线可以是isa(industry standard architecture，工业标准体系结构)总线、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。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7中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
226.存储器，用于存放程序。具体地，程序可以包括程序代码，程序代码包括计算机操作指令。
227.处理器从非易失性存储器中读取对应的计算机程序到存储器中然后运行，在逻辑层面上形成共享资源访问控制装置。处理器，执行存储器所存放的程序，并具体用于执行上述视频中的目标对象检索方法。
228.实施例8
229.本发明实施例还提出了一种计算机可读存储介质，该计算机可读存储介质存储一个或多个程序，该一个或多个程序包括指令，该指令当被包括多个应用程序的便携式电子设备执行时，能够使该便携式电子设备执行上述视频中的目标对象检索方法。
230.本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
231.本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
232.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
233.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
234.尽管已描述了本技术的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本技术范围的所有变更和修改。
235.显然，本领域的技术人员可以对本技术进行各种改动和变型而不脱离本技术的精神和范围。这样，倘若本技术的这些修改和变型属于本技术权利要求及其等同技术的范围之内，则本技术也意图包含这些改动和变型在内。