用分析模型对分到的视频切片进行解码和分析之后，方法200还可以进一步包括步骤S240，释放多个处理器中完成分析的处理器。及时释放处理器，避免无谓占用计算资源。当存在新的视频文件待分析时，即可利用已经释放的处理器。从而，使整个系统的资源被更有效的利用。
[0042]本领域普通技术人员可以理解，上述视频分析方法仅为示例，并不够构成对本发明的限制。例如，虽然在视频分析方法200中，步骤S205先于步骤S210执行，但其执行顺序并非受此限制。步骤S210可以先于步骤S205执行。步骤S205还可以与步骤S210同时执行，以节约时间成本。步骤S240和步骤S250这二者的执行顺序也可以变化为步骤S250先于步骤S240执行，或者与后者同时执行。
[0043]可选地，在由多个处理器利用分析模型对分到的视频切片进行解码和分析之前，上述方法100和方法200还可以包括训练步骤:启动多个处理器对训练数据进行学习，以训练上述分析模型。训练数据可以包括视频文件以及期望的分析结果。本领域普通技术人员可以理解，期望的分析结果视视频分析的不同而不同。例如，对于视频运动检测分析，那么可以将检测到物体大小或者阴影等作为期望的分析结果。在视频分析过程中，将该期望的分析结果作为对应的阀值或作为建模的参考值。该训练步骤在图1和图2中未示出。
[0044]将训练数据中的视频文件进行切片处理，以获得视频切片。将视频切片分发到多个处理器。在每个处理器中，将视频切片输入至分析模型。分析模型对视频切片进行解码和分析，以获得分析结果。综合所有视频切片的分析结果，以获得最终分析结果。对最终分析结果进行评估，将最终分析结果与训练数据中期望的分析结果进行比较。对于二者相差较大的情况，调整分析模型的参数。以视频物体检测分析为例，可以根据比较结果来调整景深阈值和相应的物体大小范围，以更好地检测出目标物。利用经调整的分析模型，再次对视频文件进行分析。如果最终分析结果与期望的分析结果仍然相差较大，那么再次调整分析模型的参数。重复上述过程，直至分析模型的最终分析结果与期望的分析结果大体一致。则将此时所获得的分析模型用于视频分析。
[0045]该训练步骤有效提供了分析模型的分析准确性。进而，相应地提高了上述视频分析方法的分析准确性。
[0046]根据本发明另一方面，还提供了一种视频分析设备。图3示出了根据本发明一个实施例的视频分析设备300的示意性框图。如图3所示，该视频分析设备300包括切分装置310、分发装置330和综合装置350。
[0047]切分装置310用于对视频文件进行切片处理，以获得视频切片。可选地，切分装置310根据视频文件的画面组或者视频场景切换对视频文件进行切片处理。分发装置330用于将视频切片分发到多个处理器，以由多个处理器利用分析模型对分到的视频切片进行解码和分析。综合装置350用于综合所有视频切片的分析结果。
[0048]多个处理器可以是数字信号处理器。多个处理器可以分别集成在多个板卡上。每个板卡上集成有至少一个处理器。板卡包括网络接口，用于与视频分析设备通信。
[0049]该视频分析设备300还可以包括处理器检测装置。处理器检测装置用于检测所述多个处理器的计算能力。处理器检测装置可以配置为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。分发装置将视频切片分发到多个处理器是根据多个处理器各自的计算能力。
[0050]该视频分析设备300还可以包括释放装置。释放装置用于释放多个处理器中完成分析的处理器。
[0051]该视频分析设备300还可以包括训练装置，用于启动多个处理器对训练数据进行学习，以训练分析模型。其中，训练数据包括视频文件以及期望的分析结果。
[0052]本领域普通技术人员通过阅读上文关于视频分析方法的详细描述，能够理解上述视频分析设备的结构、实现以及优点，因此这里不再赘述。
[0053]在此提供的方法和设备不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用设备也可以与基于在此的示教一起使用。根据上面的描述，构造这类设备所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
[0054]在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
[0055]类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循【具体实施方式】的权利要求书由此明确地并入该【具体实施方式】，其中每个权利要求本身都作为本发明的单独实施例。
[0056]本领域那些技术人员可以理解，除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者装置的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
[0057]此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
[0058]本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的视频分析设备中的一些模块的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
[0059]应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
【主权项】
1.一种视频分析方法，包括: 对视频文件进行切片处理，以获得视频切片； 将所述视频切片分发到多个处理器，以由所述多个处理器利用分析模型对分到的视频切片进行解码和分析；以及 综合所有视频切片的分析结果。2.如权利要求1所述的方法，其中，在所述将所述视频切片分发到多个处理器之前，所述方法进一步包括: 检测所述多个处理器的计算能力； 所述将所述视频切片分发到所述多个处理器是根据所述多个处理器的计算能力。3.如权利要求2所述的方法，其中，所述检测所述多个处理器的计算能力进一步包括: 检测所述多个处理器的数目； 检测所述多个处理器中的核心的数目；和/或 检测所述多个处理器中的核心的主频。4.如权利要求1至3任一项所述的方法，其中，所述对视频文件进行切片处理进一步包括: 根据视频文件的画面组或者视频场景切换对视频文件进行切片处理。5.如权利要求1至3任一项所述的方法，其中，在所述由所述多个处理器利用分析模型对分到的视频切片进行解码和分析之前，所述方法进一步包括: 启动所述多个处理器对训练数据进行学习，以训练所述分析模型，其中所述训练数据包括视频文件以及期望的分析结果。6.如权利要求1至3任一项所述的方法，其中，在所述由所述多个处理器利用分析模型对分到的视频切片进行解码和分析之后，所述方法进一步包括: 释放所述多个处理器中完成分析的处理器。7.如权利要求1至3任一项所述的方法，其中，所述多个处理器是数字信号处理器。8.一种视频分析设备，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利用分析模型对分到的视频切片进行解码和分析;以及 所述综合装置用于综合所有视频切片的分析结果。9.如权利要求8所述的设备，其中，所述设备进一步包括: 检测装置，用于检测所述多个处理器的计算能力； 所述分发装置将所述视频切片分发到所述多个处理器是根据所述多个处理器的计算能力。10.如权利要求9所述的设备，其中，所述设备进一步包括: 训练装置，用于启动所述多个处理器对训练数据进行学习，以训练所述分析模型，其中所述训练数据包括视频文件以及期望的分析结果。
【专利摘要】本发明公开了一种视频分析方法和设备。该方法包括：对视频文件进行切片处理，以获得视频切片；将所述视频切片分发到多个处理器，以由所述多个处理器利用分析模型对分到的视频切片进行解码和分析；以及综合所有视频切片的分析结果。上述视频分析方法和设备充分利用了多个处理器并行分布式计算的优势，充分利用了每个处理器的计算能力，分析速度快，效率高。
【IPC分类】H04N19/436, H04N5/14, H04N21/845, H04N19/42
【公开号】CN105554591
【申请号】CN201510876153
【发明人】郭磊, 杜占明
【申请人】蓝海大数据科技有限公司, 郭磊
【公开日】2016年5月4日
【申请日】2015年12月2日