一种城市级大规模智能视频分析方法及集群架构与流程

1.本发明涉及人工智能图像处理领域，具体的说，涉及了一种城市级大规模智能视频分析方法及集群架构。


背景技术：

2.视频监控市场在过去的十年中经历了爆炸式增长，监控在给我们带来安全感的同时，也出现了海量数据的存储及分析的问题，以及有价值信息被淹没难以挖掘的问题。
3.目前，在交通等行业已经开始大量使用人脸抓拍、车牌抓拍等智能相机，但是这些智能相机价格高昂且功能单一，很难实现对原有相机的全部替换；另外，现有的智能视频分析平台并发处理路数较少且业务功能较为单一难以满足需求；缺乏一种城市级的大规模智能视频集群分析平台，来针对城市级的管理问题提供有效的视频发现、分析、决策的应用服务，这就导致在城市管理中，各部门对于监控前端、小规模分析平台重复建设，不仅浪费资源，还带来信息孤岛，导致大量视频闲置而无法有效发挥监控价值。
4.目前，随着人工智能技术的不断进步，针对大规模的智能视频分析也提出了一些解决方法：如，cn113259451a一种面向大规模监控节点的智能分析的集群处理架构和方法，集群处理架构包括多个分析设备，本质上是将大规模视频流分流到多台分析设备上处理。
5.然而，城市级的大规模智能视频分析不是简单的智能分析服务器的堆积，存在视频信息多、用户请求多样化、用户请求复杂以及新用户请求不断涌现等特点，如何对海量现有视频信息进行分析，快速且准确地为不同的用户生成并推送所需的分析结果，成为亟待解决的问题。
6.为了解决以上存在的问题，人们一直在寻求一种理想的技术解决方案。


技术实现要素：

7.本发明的目的是针对现有技术的不足，从而提供一种城市级大规模智能视频分析方法及集群架构。
8.为了实现上述目的，本发明所采用的技术方案是：本发明第一方面提供一种城市级大规模智能视频分析方法，所述方法包括以下步骤；步骤1，获取原始视频信息的视频源标签及新标签，并基于所述视频源标签和所述新标签生成结构化标签流并存储；其中，所述原始视频信息来自相应的视频信息采集端，所述视频源标签包括视频采集时间和视频信息采集端点位，所述新标签包括场景算法标识符，所述场景算法标识符用于标识预先为原始视频信息配置的算法信息；步骤2，判断是否接收到来自用户端的视频任务分析请求，若是，则解析出所述视频任务分析请求中的用户身份标签、内容请求标签、时间标
签及算法标签，转步骤3；其中，所述内容请求标签包括待分析视频信息采集端点位，所述时间标签包括分析频次和待分析视频采集时间，所述算法标签用于标识所述视频任务分析请求对应的算法类型；步骤3，读取所述结构化标签流，提取出所述结构化标签流中的视频信息采集端点位，并对提取出的视频信息采集端点位与所述内容请求标签中的待分析视频信息采集端点位进行点位匹配；基于点位匹配结果对所述原始视频信息进行初步筛选，筛选出目标视频信息；步骤4，基于所述时间标签中的分析频次，从所述目标视频信息中提取相应的视频片段；对提取出的视频片段进行解码，获取待分析图片流；步骤5，基于所述时间标签中的待分析视频采集时间对所述待分析图片流进行视频采集时间匹配，从所述待分析图片流中筛选出目标图片流；步骤6，获取目标场景算法标识符，判断所述目标场景算法标识符与所述视频任务分析请求的算法标签是否匹配，若匹配则生成算法调度任务单；其中，所述目标场景算法标识符指的是与所述目标图片流关联的场景算法标识符；步骤7，根据所述算法调度任务单，从预置的基础算法模块中提取出目标算法模块；其中，所述基础算法模块与所述算法标签一一对应设置；调用所述目标算法模块对所述目标图片流进行分析处理，生成图片帧分析结果；其中，所述图片帧分析结果包括用户身份标签和事件分析结果，所述事件分析结果包括事件图片、事件发生时间、事件发生位置、事件类型、事件置信度和目标区域坐标；步骤8，构建所述图片帧分析结果的索引码，并与所述图片帧分析结果关联存储；其中，所述索引码与所述视频任务分析请求中的用户身份标签对应设置；步骤9，根据所述索引码对应的用户身份标签，将所述图片帧分析结果推送给对应的用户端，不同的用户身份标签对应不同的用户端。
9.本发明第二方面提供一种城市级大规模智能视频分析集群架构，其包括视频信息采集端、用户端和智能视频信息分析平台，所述智能视频信息分析平台包括视频信息预处理系统、请求分析系统、算法资源调度系统、算法模块、智能视频分析引擎、统一数据共享交换系统和业务应用微服务系统，所述视频信息预处理系统包括视频源标签管理模块和标签流管理模块，所述请求分析系统包括请求接收模块、内容请求识别模块、分时调用模块和算法请求识别模块；所述视频信息采集端，与所述视频信息预处理系统通讯连接，用于实时采集视频信息，并将采集到的原始视频信息传输至所述视频信息预处理系统；所述视频源标签管理模块，用于获取所述原始视频信息的视频源标签；其中，所述视频源标签包括视频采集时间和视频信息采集端点位；所述标签流管理模块，用于获取所述原始视频信息的新标签，基于所述视频源标签和所述新标签生成结构化标签流，并将所述结构化标签流传输至所述智能视频分析引擎；其中，所述新标签包括场景算法标识符，所述场景算法标识符用于标识预先为原始视频
信息配置的算法信息；所述用户端，与所述请求分析系统通讯连接，用于生成不同的视频任务分析请求，并传输至所述请求分析系统；所述请求接收模块，分别与所述用户端和所述智能视频分析引擎通讯连接，用于判断是否接收到来自用户端的视频任务分析请求，若是，则解析出所述视频任务分析请求中的用户身份标签，并传输至所述智能视频分析引擎；还用于将接收到的视频任务分析请求分别传输至所述内容请求识别模块、所述分时调用模块和所述算法请求识别模块；所述内容请求识别模块，分别与所述请求接收模块和所述智能视频分析引擎通讯连接，用于解析出所述视频任务分析请求中的内容请求标签，并传输至所述智能视频分析引擎；其中，所述内容请求标签包括待分析视频信息采集端点位；所述分时调用模块，分别与所述请求接收模块和所述智能视频分析引擎通讯连接，用于解析出所述视频任务分析请求中的时间标签，并传输至所述智能视频分析引擎；其中，所述时间标签包括分析频次和待分析视频采集时间；所述算法请求识别模块，分别与所述请求接收模块和所述算法资源调度系统通讯连接，用于解析出所述视频任务分析请求中的算法标签，并传输至所述算法资源调度系统；其中，所述算法标签用于标识所述视频任务分析请求对应的算法类型；所述智能视频分析引擎，分别与所述请求分析系统、所述视频信息预处理系统和所述算法资源调度系统通讯连接，用于读取所述结构化标签流，提取出所述结构化标签流中的视频信息采集端点位，并对提取出的视频信息采集端点位与所述内容请求标签中的待分析视频信息采集端点位进行点位匹配；还用于基于点位匹配结果对所述原始视频信息进行初步筛选，筛选出目标视频信息；还用于基于所述时间标签中的分析频次，从所述目标视频信息中提取相应的视频片段；还用于对提取出的视频片段进行解码，获取待分析图片流；还用于基于所述时间标签中的待分析视频采集时间对所述待分析图片流进行视频采集时间匹配，从所述待分析图片流中筛选出目标图片流；所述智能视频分析引擎，还用于调用目标算法模块对所述目标图片流进行分析处理，生成图片帧分析结果；其中，所述图片帧分析结果包括用户身份标签和事件分析结果，所述事件分析结果包括事件图片、事件发生时间、事件发生位置、事件类型、事件置信度和目标区域坐标；所述算法资源调度系统，分别与所述请求分析系统和所述智能视频分析引擎通讯连接，用于获取目标场景算法标识符，判断所述目标场景算法标识符与所述视频任务分析请求的算法标签是否匹配，若匹配则生成算法调度任务单；还用于根据所述算法调度任务单，从预置的基础算法模块中提取出目标算法模块；其中，所述目标场景算法标识符指的是与所述目标图片流关联的场景算法标识符，所述基础算法模块与所述算法标签一一对应设置；所述统一数据共享交换系统，与所述智能视频分析引擎通讯连接，用于构建所述图片帧分析结果的索引码，并与所述图片帧分析结果关联存储；其中，所述索引码与所述视频任务分析请求中的用户身份标签对应设置；所述业务应用微服务系统，分别与所述统一数据共享交换系统和所述用户端通讯连接，用于预存用户身份标签，并根据所述索引码对应的用户身份标签，将所述图片帧分析
结果推送给对应的用户端。
10.本发明相对现有技术具有突出的实质性特点和显著的进步，具体的说：1）本发明通过视频信息预处理过程、请求分析过程、资源调度过程和视频分析过程中各个过程之间的紧密配合，对海量现有视频信息进行分析，能够快速且准确地为不同的用户生成并推送所需的分析结果，有效地解决了因视频信息多、用户请求多样化、用户请求复杂以及新用户请求不断涌现等影响导致海量视频信息分析困难的问题；2）本发明采用共享视频及算力资源的方式，最大限度挖掘监控视频价值，通过大规模城市级智能视频分析集群平台建设，共享各个委办部门监控资源，采用微服务方式满足各委办业务部门监管要求，以最大限度的利旧方式，对监控系统进行了智能化升级改造。
附图说明
11.图1是本发明的城市级大规模智能视频分析方法的时序示意图；图2是本发明的城市级大规模智能视频分析方法的流程示意图；图3是本发明的城市级大规模智能视频分析集群架构的结构示意图；图4是本发明的智能视频分析引擎的结构示意图；图5是本发明的dcu硬解码占用资源动态扩缩容方法的流程示意图；图6是本发明的突发事件处理方法的示意图。
具体实施方式
12.下面通过具体实施方式，对本发明的技术方案做进一步的详细描述。
13.实施例1附图1和2示出了一种城市级大规模智能视频分析方法的示意图，所述城市级大规模智能视频分析方法包括以下步骤；步骤1，获取原始视频信息的视频源标签及新标签，并基于所述视频源标签和所述新标签生成结构化标签流；其中，所述原始视频信息来自相应的视频信息采集端，所述视频源标签包括视频采集时间、视频信息采集端点位、视频所属单位信息、ip地址、用户名和密码，所述新标签包括场景算法标识符，所述场景算法标识符用于标识预先为原始视频信息配置的算法信息，所述ip地址、所述用户名和所述密码用于对接入的视频信息采集端进行身份验证；步骤2，判断是否接收到来自用户端的视频任务分析请求，若是，则解析出所述视频任务分析请求中的用户身份标签、内容请求标签、时间标签及算法标签，转步骤3；不同的用户身份标签对应不同的用户端；其中，所述用户身份标签包括所属单位信息、用户名和密码，所述内容请求标签包括待分析视频信息采集端点位，所述时间标签包括分析频次和待分析视频采集时间，所述算法标签用于标识所述视频任务分析请求对应的算法类型；步骤3，读取所述结构化标签流，提取出所述结构化标签流中的视频信息采集端点位，并对提取出的视频信息采集端点位与所述内容请求标签中的待分析视频信息采集端点位进行点位匹配；
基于点位匹配结果对所述原始视频信息进行初步筛选，筛选出目标视频信息；其中，所述目标视频信息对应的视频源标签中的视频信息采集端点位，与所述内容请求标签中的待分析视频信息采集端点位相匹配；步骤4，基于所述时间标签中的分析频次，从所述目标视频信息中提取相应的视频片段；对提取出的视频片段进行解码，获取待分析图片流；步骤5，基于所述时间标签中的待分析视频采集时间对所述待分析图片流进行视频采集时间匹配，从所述待分析图片流中筛选出目标图片流；其中，所述目标图片流指的是视频源标签中的视频采集时间与所述视频任务分析请求的时间标签匹配的待分析图片流；步骤6，获取目标场景算法标识符，判断所述目标场景算法标识符与所述视频任务分析请求的算法标签是否匹配，若匹配则生成算法调度任务单，若不匹配则继续进行算法标签匹配，并在所有算法标签均不匹配时结束算法标签匹配；其中，所述目标场景算法标识符指的是与所述目标图片流关联的场景算法标识符；步骤7，根据所述算法调度任务单，从预置的基础算法模块中提取出目标算法模块；其中，所述基础算法模块与所述算法标签一一对应设置；调用所述目标算法模块对所述目标图片流进行分析处理，生成图片帧分析结果；其中，所述图片帧分析结果包括用户身份标签和事件分析结果，所述事件分析结果包括事件图片、事件发生时间、事件发生位置、事件类型、事件置信度和目标区域坐标；步骤8，构建所述图片帧分析结果的索引码，并与所述图片帧分析结果关联存储；其中，所述索引码与所述视频任务分析请求中的用户身份标签对应设置；步骤9，根据所述索引码对应的用户身份标签，将所述图片帧分析结果推送给对应的用户端，不同的用户身份标签对应不同的用户端。
14.进一步的，所述步骤1中，获取原始视频信息的视频源标签及新标签时，执行：步骤101，根据视频信息采集端（如摄像相机）ip、视频信息采集端的用户名等信息进行身份验证，并在身份验证通过后提取出视频采集时间、视频信息采集端点位、视频所属单位信息等；步骤102，根据视频采集时间、视频信息采集端点位和视频所属单位信息，配置原始视频信息的场景算法标识符；步骤103，将步骤102配置的场景算法标识符，作为所述原始视频信息的新标签；具体的，所述新标签表示为新标签vin’[场景算法标识符等]；将视频采集时间、视频信息采集端点位、视频所属单位信息、视频信息采集端ip地址、视频信息采集端对应的用户名和密码等，作为所述原始视频信息的视频源标签；具体的，所述视频源标签表示为视频源标签vin[视频采集时间、视频信息采集端点位、视频所属单位信息、ip地址、用户名和密码等]。
[0015]
其中，所述视频信息采集端点位指的是视频信息采集端的安装位置，对应事件发生位置。
[0016]
具体的，所述场景算法标识符可以为：机动车违停场景算法标识符、非机动车违停
场景算法标识符、店外经营场景算法标识符、道路积水场景算法标识符、黄土裸露场景算法标识符、暴露垃圾场景算法标识符、人员聚集场景算法标识符和人员跌倒场景算法标识符等等；为提高可靠性，在将视频信息采集端采集到的原始视频信息接入时，由人工进行身份审核并配置相应的场景算法标识符。
[0017]
进一步的，所述步骤2，获取所述视频任务分析请求中的内容请求标签、时间标签和算法标签时，执行：步骤201，用户输入自己的分析需求，作为视频任务分析请求；步骤202，提取出视频任务分析请求中的待分析视频信息采集端点位，生成内容请求标签；提取出视频任务分析请求中的分析频次和待分析视频采集时间，生成时间标签；提取出视频任务分析请求中的视频任务分析目标，生成算法标签；其中，视频任务分析目标包括机动车违停分析、非机动车违停分析、店外经营分析、道路积水分析、黄土裸露分析、暴露垃圾检测、人员聚集检测和人员跌倒检测等。
[0018]
进一步的，所述步骤7包括以下步骤：步骤701，读取所述视频任务分析请求对应的目标图片流；其中，所述目标图片流指的是符合所述视频任务分析请求的一系列图片；步骤702，解析出所述算法调度任务单中的算法标签，对解析出的算法标签与基础算法模块对应的算法标签进行算法类型匹配；根据算法类型匹配结果，从预置的基础算法模块中提取出目标算法模块；其中，所述算法调度任务单包括算法标签标识的算法类型信息，所述算法标签标识的算法类型与所述目标算法模块对应的算法类型一致；步骤703，基于所述目标算法模块对读取到的目标图片流进行算法推理，得到图片帧分析结果；所述图片帧分析结果为json格式字符串数据，具体包括用户身份标签、事件图片、事件发生时间、事件发生位置、事件类型、事件置信度和目标区域坐标；其中，所述用户身份标签来自所述视频任务分析请求，所述事件发生时间指的是所述事件图片对应的采集时间；所述事件发生位置指的是空间地理坐标，对应的视频信息采集端点位；所述事件类型指的是事件图片中发生的事件类型；所述事件置信度指的是算法的概率，如某幅图片被判定为xx事件的概率；所述目标区域坐标指的是事件图片上目标区域对应的像素坐标。
[0019]
需要说明的是，本实施例的城市级大规模智能视频分析方法包括视频信息预处理过程、请求分析过程、资源调度过程和视频分析过程；在视频信息预处理过程，生成原始视频信息的视频源标签及新标签，从而通过存储原始视频信息的标识信息，在避免存储海量图片数据的基础上，提高目标图片流的筛选效率以及资源调度效率；在请求分析过程中，对接收到的视频任务分析请求进行解析处理，解析出所述视频任务分析请求中的用户身份标签、内容请求标签、时间标签及算法标签，从而增强视频任务分析请求与原始视频信息之间的关联性；
在资源调度过程，对所述结构化标签流与所述内容请求标签进行点位匹配，基于点位匹配结果对所述原始视频信息进行初步筛选，快速且准确地筛选出目标视频信息，从而有效减少解码计算量；在解码前，还基于所述时间标签中的分析频次，从所述目标视频信息中提取相应的视频片段，进一步减少解码计算量，进而提高大规模智能视频分析效率；在解码后，基于所述时间标签中的待分析视频采集时间进行视频采集时间匹配，从所述待分析图片流中筛选出目标图片流，从而通过再一次筛选，有效减少目标图片流分析处理所需要的计算工作量；基于所述视频任务分析请求的算法标签进行算法类型匹配，根据算法类型匹配结果从预置的基础算法模块，提取出目标算法模块，从而快速地找到所需的基础算法模块；在视频分析过程，基于目标算法模块对筛选出的目标图片流进行分析处理，生成图片帧分析结果；构建索引码，并与所述图片帧分析结果关联存储，从而便于后续图片帧分析结果的推送操作，提高分析结果推送效率；因此，本实施例通过视频信息预处理过程、请求分析过程、资源调度过程和视频分析过程中各个过程之间的紧密配合，有效地解决了因视频信息多、用户请求多样化、用户请求复杂以及新用户请求不断涌现等影响导致海量视频信息分析困难的问题。
[0020]
实施例2需要说明的是，用户端可能有深度分析需求，因此在实施例1的基础上，本实施例给出了另一种城市级大规模智能视频分析方法；具体的，所述步骤9，在将所述图片帧分析结果推送给对应的用户端之前，还执行：基于所述图片帧分析结果之间的关联性，生成相应视频任务分析请求的响应结果，并与相应索引码关联存储；其中，所述响应结果指的是一组或者多组视频片段的深度分析结果。
[0021]
在一种具体实施方式中，除了机动车违停分析、非机动车违停分析、店外经营分析、道路积水分析、黄土裸露分析、暴露垃圾检测、人员聚集检测、人员跌倒检测、人脸信息检测和车牌信息检测等视频任务分析目标外，还可能存在人员轨迹分析和车辆轨迹分析等其他视频任务分析目标；对于人员轨迹分析和车辆轨迹分析等其他视频任务分析目标，本实施例可以在各类事件分析请求基础之上，根据所述图片帧分析结果中的人脸信息（或人体信息）进行人员轨迹分析；或者，根据所述图片帧分析结果中的车牌信息、车辆属性信息等，进行车辆轨迹分析；或者，根据所述图片帧分析结果中的事件类型、事件发生时间、事件发生位置等信息，进行各类事件的分布情况统计、各类高发事件的统计和排序等。
[0022]
实施例3需要说明的是，实际应用中，可能发生突发事件，因此用户端可能有新的分析需求，因此在上述实施例的基础上，本实施例给出了另一种城市级大规模智能视频分析方法，如附图6所示。
[0023]
具体的，所述城市级大规模智能视频分析方法还执行：实时检测是否接收到包含突发事件的配置信息，若是，则对预置的基础算法模块
进行更新，增加新的算法模块，以实现突发事件检测及识别；在增加新的算法模块后，还设置新算法标签，并建立新算法标签与突发事件对应的算法模块之间的映射关系，在视频任务分析请求中包含突发事件检测时，所述城市级大规模智能视频分析方法能够及时且准确地输出该突发事件的检测结果，从而增强智能视频分析的灵活性。
[0024]
实施例4在实施例1的基础上，本实施例给出了一种城市级大规模智能视频分析集群架构，如附图3所示；其包括视频信息采集端、用户端和智能视频信息分析平台，所述智能视频信息分析平台包括视频信息预处理系统、请求分析系统、算法资源调度系统、算法模块、智能视频分析引擎、统一数据共享交换系统和业务应用微服务系统，所述视频信息预处理系统包括视频源标签管理模块和标签流管理模块，所述请求分析系统包括请求接收模块、内容请求识别模块、分时调用模块和算法请求识别模块；所述视频信息采集端，与所述视频信息预处理系统通讯连接，用于实时采集视频信息，并将采集到的原始视频信息传输至所述视频信息预处理系统；所述视频源标签管理模块，用于获取所述原始视频信息的视频源标签；其中，所述视频源标签包括视频采集时间和视频信息采集端点位；所述标签流管理模块，用于获取所述原始视频信息的新标签，基于所述视频源标签和所述新标签生成结构化标签流，并将所述结构化标签流传输至所述智能视频分析引擎；其中，所述新标签包括场景算法标识符，所述场景算法标识符用于标识预先为原始视频信息配置的算法信息；所述用户端，与所述请求分析系统通讯连接，用于生成不同的视频任务分析请求，并传输至所述请求分析系统；其中，所述视频任务分析请求包含用户身份标签、内容请求标签、时间标签及算法标签，不同的用户身份标签对应不同的用户端；所述请求接收模块，分别与所述用户端和所述智能视频分析引擎通讯连接，用于判断是否接收到来自用户端的视频任务分析请求，若是，则解析出所述视频任务分析请求中的用户身份标签，并传输至所述智能视频分析引擎；还用于将接收到的视频任务分析请求分别传输至所述内容请求识别模块、所述分时调用模块和所述算法请求识别模块；所述内容请求识别模块，分别与所述请求接收模块和所述智能视频分析引擎通讯连接，用于解析出所述视频任务分析请求中的内容请求标签，并传输至所述智能视频分析引擎；其中，所述内容请求标签包括待分析视频信息采集端点位；所述分时调用模块，分别与所述请求接收模块和所述智能视频分析引擎通讯连接，用于解析出所述视频任务分析请求中的时间标签，并传输至所述智能视频分析引擎；其中，所述时间标签包括分析频次和待分析视频采集时间；所述算法请求识别模块，分别与所述请求接收模块和所述算法资源调度系统通讯连接，用于解析出所述视频任务分析请求中的算法标签，并传输至所述算法资源调度系统；其中，所述算法标签用于标识所述视频任务分析请求对应的算法类型；所述算法资源调度系统，分别与所述请求分析系统和所述智能视频分析引擎通讯连接，用于获取目标场景算法标识符，判断所述目标场景算法标识符与所述视频任务分析
请求的算法标签是否匹配，若匹配则生成算法调度任务单；还用于根据所述算法调度任务单，从预置的基础算法模块中提取出目标算法模块；其中，所述目标场景算法标识符指的是与目标图片流关联的场景算法标识符，所述目标算法模块对应的算法类型与所述算法标签标识的算法类型一致，所述基础算法模块与所述算法标签一一对应设置；所述智能视频分析引擎，分别与所述请求分析系统、所述视频信息预处理系统和所述算法资源调度系统通讯连接，用于读取所述结构化标签流，提取出所述结构化标签流中的视频信息采集端点位，并对提取出的视频信息采集端点位与所述内容请求标签中的待分析视频信息采集端点位进行点位匹配；还用于基于点位匹配结果对所述原始视频信息进行初步筛选，筛选出目标视频信息；还用于基于所述时间标签中的分析频次，从所述目标视频信息中提取相应的视频片段；还用于对提取出的视频片段进行解码，获取待分析图片流；还用于基于所述时间标签中的待分析视频采集时间对所述待分析图片流进行视频采集时间匹配，从所述待分析图片流中筛选出目标图片流；所述智能视频分析引擎，还用于调用目标算法模块对所述目标图片流进行分析处理，生成图片帧分析结果；其中，所述图片帧分析结果包括用户身份标签和事件分析结果，所述事件分析结果包括事件图片、事件发生时间、事件发生位置、事件类型、事件置信度和目标区域坐标；所述统一数据共享交换系统，与所述智能视频分析引擎通讯连接，用于构建所述图片帧分析结果的索引码，并与所述图片帧分析结果关联存储；其中，所述索引码与所述视频任务分析请求中的用户身份标签对应设置；所述业务应用微服务系统，分别与所述统一数据共享交换系统和所述用户端通讯连接，用于预存用户身份标签，并根据所述索引码对应的用户身份标签，将所述图片帧分析结果推送给对应的用户端。
[0025]
需要说明的是，所述目标视频信息指的是初步筛选出的原始视频信息，这部分原始视频信息对应视频源标签中的视频信息采集端点位，与所述内容请求标签中的待分析视频信息采集端点位相匹配；所述待分析图片流指的是初步筛选出的图片流，这部分的图片流是对视频片段解码后得到的图片，这部分视频片段是基于时间标签中的分析频次提取出的视频片段；所述目标图片流指的是再次筛选出的图片流，这部分的图片流对应视频源标签中的视频采集时间与所述视频任务分析请求的时间标签相匹配。
[0026]
具体的，所述视频任务分析请求的算法标签包括机动车违停分析请求标签、非机动车违停分析请求标签、店外经营分析请求标签、道路积水分析请求标签、黄土裸露分析请求标签、暴露垃圾检测请求标签、人员聚集检测请求标签和人员跌倒信息请求标签。
[0027]
进一步的，所述算法资源调度系统，还具备外部算法导入、算法发布、算法更新、算法下载、算法配置、算法开放接入等功能，主要针对城市级应用场景，实现各类算法的全流程管理和配置。
[0028]
所述业务应用微服务基于统一的环境、框架进行应用的开发，实现跨部门、跨层级、跨地域的城市级智能应用，比如街道路面整治、工地违规施工管理、水域治理等应用；所述业务应用微服务系统可以快速构建用户需要的应用能力，同时呈现平台的赋能成效。通过微服务方式将分析结果实时推送至消息队列，用户端依据其负责的业务和场景，订阅消息队列中的消息主题，获取实时推送的分析结果。在订阅消息主题之后，基于实
时接收的消息内容结合业务场景的各项标准，从业务的角度对分析结果进行处理加工，最终产生严格满足业务场景需要的分析结果。
[0029]
需要说明的是，针对现在各部门视频监控系统建设现状，大规模城市级视频智能分析平台是一项复杂的系统工程，无论是跨平台集成、跨组织数据融合、跨领域应用孵化还是管理体制机制配套，都没有现成经验可以复制。本发明采用共享视频及算力资源的方式，进行资源整合、充分利旧、减少重复建设，最大限度挖掘监控视频价值，通过大规模城市级智能视频分析集群平台建设，共享各个委办部门监控资源，采用微服务方式满足各委办业务部门监管要求，以最大限度的利旧方式，对监控系统进行了智能化升级改造。
[0030]
实施例5在上述实施例的基础上，本实施例给出了另一种城市级大规模智能视频分析集群架构；具体的，所述统一数据共享交换系统，还用于：基于所述图片帧分析结果之间的关联性，生成相应视频任务分析请求的响应结果；其中，所述响应结果指的是一组或者多组视频片段的深度分析结果；可以理解，城市级大规模事件也可以进行时空信息碰撞分析，通过对整个城市的全局和实时的数据分析和研判，有效调配和使用公共资源，不断发现及修正城市运行中的缺陷，解决用现有方法不能彻底解决的城市发展中的一些关键矛盾，建立“用数据说话、用数据决策、用数据管理、用数据创新”的管理机制。
[0031]
可以理解，所述统一数据共享交换系统将所述智能视频分析引擎输出的图片帧分析结果，进行标准化归档处理和索引构建，方便各用户端订阅和推送，且可以最大限度利用事件分析结果，满足各用户端的各种需求。
[0032]
具体的，标准化归档处理的分析结果包括但不限于：治安类图片帧分析结果、城管类图片帧分析结果、交通类图片帧分析结果、一网统管类图片帧分析结果、环保类图片帧分析结果、水利类图片帧分析结果等等。
[0033]
实施例6需要说明的是，基于国家超算国产dcu计算平台进行建设，在算力中心部署智能视频信息分析平台；所述智能视频信息分析平台包含视频接入管理系统、智能视频分析引擎、统一数据共享交换子系统、业务应用微服务以及超算中心资源管理系统等几部分。
[0034]
可以理解，所述智能视频分析引擎作为城市级大规模智能视频分析集群架构的视频解析引擎，是视频解析任务执行所需的核心系统，其核心职能为开启或关闭对某个视频流的某项分析，为平台提供所需的视频分时取流、dcu智能视频解析以及视觉计算调度能力，负责进行目标图片流的识别分析，利用dcu计算资源完成视频解析任务，实现事件和结构化结果的推理。
[0035]
因此，在上述实施例的基础上，本实施例还给出了一种智能视频分析引擎的具体实施方式；如附图4所示，所述智能视频分析引擎包括视频流分时调用模块、dcu硬解码模块、dcu智能视频分析模块和视觉计算任务调度模块。
[0036]
（1）所述视频流分时调用模块包括视频分时调用单元、策略动态配置单元、图像动态分发单元等；
1）如附图2所示，所述视频分时调用单元，用于调用算力中心国产加速卡dcu，对提取出的视频信息采集端点位进行点位匹配；还用于调用算力中心国产加速卡dcu，基于点位匹配结果对所述原始视频信息进行初步筛选，筛选出目标视频信息；还用于调用算力中心国产加速卡dcu，基于所述时间标签中的分析频次，从所述目标视频信息中提取相应的视频片段；还用于调用dcu硬解码模块对提取出的视频片段进行解码，获取待分析图片流；还用于调用算力中心国产加速卡dcu，对所述待分析图片流进行视频采集时间匹配，从所述待分析图片流中筛选出目标图片流；针对城市级视频智能分析应用事件，本实施例采用分时调用的优化策略，用户端根据事件发生的频次，动态地调整此类事件的分析频次并生成相应的视频任务分析请求，从而在保证事件检测效果的前提下，减少检测的任务量；2）所述图像动态分发单元，用于分发满足各个视频任务分析请求的目标图片流；3）所述策略动态配置单元，用于支持实时取帧策略的动态调整，根据各用户端发送的视频任务分析请求，提供不同的实时取帧策略。
[0037]
（2）所述dcu硬解码模块包括解码复用单元、动态扩缩容单元和dcu解码优化单元等，本实施例针对国产的计算中心进行适配，调用dcu资源利用dcu硬解码模块，对从原始视频信息提取出的视频片段进行解码，大大提高了计算资源的利用效率和解码速率；1）利用解码复用单元实现解码图片复用策略在用户请求多样化且同一时间段内多个视频任务分析请求时，多个视频任务分析请求需求的视频信息包含相同的视频片段；为提高解码效率，通过解码复用单元来配置解码图片复用策略，在同一时间段内多个视频任务分析请求需求相同的视频片段时，达到解码一次，即可满足多个视频任务分析请求的目的，从而降低解码工作量，提高解码资源占用率；2）利用动态扩缩容单元实现占用硬件资源的扩缩容如附图5所示，确定同一时间段内多个视频任务分析请求对应的解码并发量，在解码并发量＞第一阈值时，对dcu硬解码占用的硬件资源进行动态扩容；在解码并发量＜第二阈值时，对dcu硬解码占用的硬件资源进行动态缩容；基于动态扩容或者动态缩容后的硬件资源，对提取出的视频片段进行解码，获取待分析图片流；其中，第一阈值＞第二阈值；因此，本实施例可以根据各用户端的视频分析需求，确定不同业务场景的解码并发量，实现资源的合理化利用；3）利用dcu解码优化单元在国产计算中心上进行了适配优化，不但支持cpu解码也可调用dcu资源进行解码。
[0038]
需要说明的是，目前现有深度学习框架多采用nvdia gpu作为并行计算单元，导致现有深度学习算法模型无法直接调用算力中心国产加速卡dcu进行并行计算；因此，本实施例对深度学习框架算子并行计算过程进行逐步解析，定位算子源码中高度密集型计算部分，再结合国产计算中心的硬件特性和平台使用rocm框架下的hip（heterogeneous-compute interface for portability）异构编程模型，将密集计算任务映射至dcu加速器卡；目前国产超算中心技术已经很成熟，国产超算平台采用的是x86国产cpu+dcu异构加速架构，建设前期已经考虑了兼容性、安全性等因素，提供的应用开发基础环境由编程模
型、编译系统、并行开发运行环境组成，包括编译器、函数库、并行编程环境和异构编程环境等；支持mpi-1/mpi-2/mpi-3标准，支持openmp，兼容opencl和cuda环境，编译器支持标准的c/c++、fortran等语言；本发明的主dcu架构适配工作主要包括dcu进行视频解码、dcu推理性能优化、深度学习算法移植等，其中，dcu内含专有视频解码芯片，采用dcu实现视频解码，可显著提高超算中心计算资源利用率。
[0039]
需要说明的是，所述dcu硬解码模块，对提取出的视频片段进行解码，获取待分析图片流时，执行：通过国标协议或者厂商sdk，获取接入的视频流的ip、用户名、设备厂商等信息；或者，使用gb28181协议或者直连摄像机获取rtsp码流，码流的主要格式为h264或h265包；或者，选取以ffmpeg为核心的多媒体框架，采用x264、x265等多种编解码器实现对h264和h265视频流的实时解码，获得视频图像帧。
[0040]
（3）所述dcu智能视频分析模块包括离线视频分析单元和实时视频分析单元等，用于调用目标算法模块对所述目标图片流进行分析处理，生成图片帧分析结果；在国产算力中心上实现了深度学习算法的移植适配，支持实时视频的大规模并发解析、离线格式的视频倍速解析等功能。
[0041]
（4）视觉计算任务调度模块包括计算调度单元、离线任务调度单元、实时任务调度单元等，针对城市级大规模并发解析任务特点，所述视觉计算任务调度模块根据并发任务量动态调用硬件占用资源，可以实现并发解析视频路数的平滑升级；1）计算调度单元，根据实时视频解析并发路数，实现占用计算资源的动态调整；2）离线任务调度单元，支持接入离线视频的解析，针对突发事件可根据需求调度不同资源进行离线视频解析，根据资源动态调整解析倍率；3）实时任务调度单元，根据各用户端的视频分析需求，实时调整计算资源，进行任务调度。
[0042]
在其他实施例中，在视频信息采集端与智能视频信息分析平台的视频信息预处理系统之间设置视频接入管理系统，所述智能视频信息分析平台依托于视频接入管理系统，接入海量视频点位资源，利用超算中心资源管理系统提供的大规模计算和存储能力，借助dcu智能视频解析引擎，对视频/图像中的目标及事件进行检测和分析；识别后的事件和结构化结果作为图片帧分析结果，汇聚到统一数据共享交换系统，进行时空碰撞分析并进行构建索引存储；最后由各业务应用微服务负责按照各用户端（业务单位）的订阅情况进行事件的推送管理。
[0043]
所述视频接入管理系统负责对城市各业务单位的多源监控数据接入管理，提供各类视频资源的接入、管理服务，包括本地视频资源、联网视频资源；本地视频资源主要通过设备sdk、gb/t28181、onvif等多种协议方式接入；联网视频资源则通过平台级联的方式，支持通过国标协议或者第三方平台sdk的方式进行联网接入。
[0044]
进一步的，智能视频信息分析平台所依赖的基础外围服务还有dns服务、图片存储服务、结构化存储、服务注册中心、配置中心、大数据存储以及消息队列；图片存储服务、结构化存储、大数据存储三者相结合为平台提供所需的存储服务；图片作为智能分析平台中占比最大、特点鲜明的一种数据形式，针对图片的存储需求搭建专项的图片存储服务，针对图片存储的特点对存储服务进行优化；结构化数据存
储主要针对在线事务问题，对规模有限的业务相关的结构化数据进行存储；大数据存储则主要针对大数据场景的海量存储问题，提供海量数据的长期存储能力，图片存储服务和结构化数据存储主要针对一定时间内的重要数据的存储，不关注长期存储的问题。
[0045]
在其他实施例中，所述智能视频信息分析平台还配置资源管理调度系统，具体包括基础资源调度管理模块和服务资源调度管理模块等；根据各用户端（业务单位）需求进行基础资源、算法资源和服务资源管理，通过调度管理实现城市级大规模视频分析的资源调配，实现各类资源的高效利用；其中，所述基础资源调度管理模块，用于实现视频资源管理、计算资源管理、智能调度、存储资源管理等功能；利用视频资源管理功能可以对接入到智能视频信息分析平台的视频点位资源进行基础信息查看、目录分类参看、设备状态查看等，便于管理员对点位资源进行接入、管理和状态监控；利用计算资源管理功能可以对底层的cpu计算资源、dcu视觉计算资源、存储资源等进行统一接入管理；所述服务资源调度管理模块，主要针对整个平台提供基础的服务配置管理，具体用于实现算法服务管理、推送服务管理、网关服务管理、缓存服务管理、存储服务管理、数据服务管理。
[0046]
实施例7本实施例以用户端为xx交通平台，用户身份标签为xx交通管理单位，视频任务分析请求为夜间临时停车位违章停车事件检测为例，对城市级大规模智能视频分析方法及集群架构进行说明：准备阶段：基础设施建设，通过网络改造将现有的监控数据汇聚到集群服务的算力中心，如各社区监控、高点监控、公安监控、重点场所监控等等接入统一接入算力中心；分析阶段包括视频信息预处理过程、请求分析过程、算法资源调度过程、视频分析过程和事件上报；视频信息预处理过程：获取原始视频信息的视频源标签及新标签，生成结构化标签流并存储；其中，所述原始视频信息来自各社区监控、高点监控、交管监控、公安监控、重点场所监控等，所述视频源标签包括视频采集时间和视频信息采集端点位，所述新标签包括场景算法标识符，所述场景标识符包括机动车违停场景算法标识符等；请求分析过程：用户端生成（违章停车事件）视频任务分析请求，并传输至请求分析系统；请求分析系统解析出该视频任务分析请求中的用户身份标签、内容请求标签、时间标签及算法标签；其中，所述用户身份标签包括xx交通管理单位等，所述内容请求标签包括待分析视频信息采集端点位，待分析视频信息采集端点位的视频所属单位为交管监控管理部门；所述时间标签包括分析频次和待分析视频采集时间，根据事件需求频次设置分析频次，如每5分钟检测一次，待分析视频采集时间为早上7:00至晚上20:00，所述算法标签为机动车违停分析请求标签；算法资源调度过程：获取目标场景算法标识符，所述目标场景算法标识符为机动车违停场景算法标识符；判断所述目标场景算法标识符与所述视频任务分析请求的算法标签是否匹配，若匹配则生成算法调度任务单；根据所述算法调度任务单，从预置的基础算法模块中提取出目标算法模块；所述
目标算法模块配置有违章停车检测与识别算法；视频分析过程：读取所述结构化标签流，提取出所述结构化标签流中的视频信息采集端点位，并对提取出的视频信息采集端点位与所述内容请求标签中的待分析视频信息采集端点位进行点位匹配；基于点位匹配结果对所述原始视频信息进行初步筛选，筛选出目标视频信息；其中，所述目标视频信息对应的点位为属于交管监控的待分析视频信息采集端点位；基于所述时间标签中的分析频次，从所述目标视频信息中提取相应的视频片段；如，根据每5分钟检测一次的分析频次，每5分钟提取2分钟的视频片段；对提取出的视频片段进行解码，获取待分析图片流；基于所述时间标签中的待分析视频采集时间对所述待分析图片流进行视频采集时间匹配，从所述待分析图片流中筛选出目标图片流；其中，所述目标图片流对应的视频采集时间为早上7:00至晚上20:00；基于目标算法模块，进行夜间临时停车位违章停车事件检测，若检测到夜间临时停车位违章停车事件，则生成图片帧分析结果；所述图片帧分析结果包括违章停车事件图片（目标图片流中任意一张图片）、违章停车事件发送时间（相应目标图片流对应的视频采集时间）、事件发生位置（相应的视频信息采集端点位）、事件类型（夜间临时停车位违章停车事件）、事件置信度（违章停车事件图片被判定为夜间临时停车位违章停车事件的概率，由于所述目标视频信息对应的点位为属于交管监控，因此事件置信度设置为高，如95%）和目标区域坐标（图片上像素坐标）；将所述图片帧分析结果存入统一数据共享交换系统，所述统一数据共享交换系统构建所述图片帧分析结果的索引码，并与相应的图片帧分析结果关联存储；事件上报：由于索引码与xx交通管理单位（用户身份标签）对应设置，因此，所述业务应用微服务系统采用微服务方式对接xx交通平台，基于索引码，快速读取所需图片帧分析结果，按照订阅要求将所述图片帧分析结果等信息上报给xx交通平台。
[0047]
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制；尽管参照较佳实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者对部分技术特征进行等同替换；而不脱离本发明技术方案的精神，其均应涵盖在本发明请求保护的技术方案范围当中。

技术特征：
1.一种城市级大规模智能视频分析方法，其特征在于，包括以下步骤；步骤1，获取原始视频信息的视频源标签及新标签，并基于所述视频源标签和所述新标签生成结构化标签流并存储；其中，所述原始视频信息来自相应的视频信息采集端，所述视频源标签包括视频采集时间和视频信息采集端点位，所述新标签包括场景算法标识符，所述场景算法标识符用于标识预先为原始视频信息配置的算法信息；步骤2，判断是否接收到来自用户端的视频任务分析请求，若是，则解析出所述视频任务分析请求中的用户身份标签、内容请求标签、时间标签及算法标签，转步骤3；其中，所述内容请求标签包括待分析视频信息采集端点位，所述时间标签包括分析频次和待分析视频采集时间，所述算法标签用于标识所述视频任务分析请求对应的算法类型；步骤3，读取所述结构化标签流，提取出所述结构化标签流中的视频信息采集端点位，并对提取出的视频信息采集端点位与所述内容请求标签中的待分析视频信息采集端点位进行点位匹配；基于点位匹配结果对所述原始视频信息进行初步筛选，筛选出目标视频信息；步骤4，基于所述时间标签中的分析频次，从所述目标视频信息中提取相应的视频片段；对提取出的视频片段进行解码，获取待分析图片流；步骤5，基于所述时间标签中的待分析视频采集时间对所述待分析图片流进行视频采集时间匹配，从所述待分析图片流中筛选出目标图片流；步骤6，获取目标场景算法标识符，判断所述目标场景算法标识符与所述视频任务分析请求的算法标签是否匹配，若匹配则生成算法调度任务单；其中，所述目标场景算法标识符指的是与所述目标图片流关联的场景算法标识符；步骤7，根据所述算法调度任务单，从预置的基础算法模块中提取出目标算法模块；其中，所述基础算法模块与所述算法标签一一对应设置；调用所述目标算法模块对所述目标图片流进行分析处理，生成图片帧分析结果；其中，所述图片帧分析结果包括用户身份标签和事件分析结果，所述事件分析结果包括事件图片、事件发生时间、事件发生位置、事件类型、事件置信度和目标区域坐标；步骤8，构建所述图片帧分析结果的索引码，并与所述图片帧分析结果关联存储；其中，所述索引码与所述视频任务分析请求中的用户身份标签对应设置；步骤9，根据所述索引码对应的用户身份标签，将所述图片帧分析结果推送给对应的用户端。2.根据权利要求1所述的城市级大规模智能视频分析方法，其特征在于，步骤7包括以下步骤：步骤701，读取所述视频任务分析请求对应的目标图片流；步骤702，解析出所述算法调度任务单中的算法标签，对解析出的算法标签与基础算法模块对应的算法标签进行算法类型匹配；根据算法类型匹配结果，从预置的基础算法模块中提取出目标算法模块；
步骤703，基于所述目标算法模块对读取到的目标图片流进行算法推理，得到图片帧分析结果；所述图片帧分析结果为json格式字符串数据，包括用户身份标签、事件图片、事件发生时间、事件发生位置、事件类型、事件置信度和目标区域坐标。3.根据权利要求1所述的城市级大规模智能视频分析方法，其特征在于，所述步骤9，在将所述图片帧分析结果推送给对应的用户端之前，还执行：基于所述图片帧分析结果之间的关联性，生成相应视频任务分析请求的响应结果；其中，所述响应结果指的是一组或者多组视频片段的深度分析结果。4.一种城市级大规模智能视频分析集群架构，其特征在于：包括视频信息采集端、用户端和智能视频信息分析平台，所述智能视频信息分析平台包括视频信息预处理系统、请求分析系统、算法资源调度系统、算法模块、智能视频分析引擎、统一数据共享交换系统和业务应用微服务系统，所述视频信息预处理系统包括视频源标签管理模块和标签流管理模块，所述请求分析系统包括请求接收模块、内容请求识别模块、分时调用模块和算法请求识别模块；所述视频信息采集端，与所述视频信息预处理系统通讯连接，用于实时采集视频信息，并将采集到的原始视频信息传输至所述视频信息预处理系统；所述视频源标签管理模块，用于获取所述原始视频信息的视频源标签；其中，所述视频源标签包括视频采集时间和视频信息采集端点位；所述标签流管理模块，用于获取所述原始视频信息的新标签，基于所述视频源标签和所述新标签生成结构化标签流，并将所述结构化标签流传输至所述智能视频分析引擎；其中，所述新标签包括场景算法标识符，所述场景算法标识符用于标识预先为原始视频信息配置的算法信息；所述用户端，与所述请求分析系统通讯连接，用于生成不同的视频任务分析请求，并传输至所述请求分析系统；所述请求接收模块，分别与所述用户端和所述智能视频分析引擎通讯连接，用于判断是否接收到来自用户端的视频任务分析请求，若是，则解析出所述视频任务分析请求中的用户身份标签，并传输至所述智能视频分析引擎；还用于将接收到的视频任务分析请求分别传输至所述内容请求识别模块、所述分时调用模块和所述算法请求识别模块；所述内容请求识别模块，分别与所述请求接收模块和所述智能视频分析引擎通讯连接，用于解析出所述视频任务分析请求中的内容请求标签，并传输至所述智能视频分析引擎；其中，所述内容请求标签包括待分析视频信息采集端点位；所述分时调用模块，分别与所述请求接收模块和所述智能视频分析引擎通讯连接，用于解析出所述视频任务分析请求中的时间标签，并传输至所述智能视频分析引擎；其中，所述时间标签包括分析频次和待分析视频采集时间；所述算法请求识别模块，分别与所述请求接收模块和所述算法资源调度系统通讯连接，用于解析出所述视频任务分析请求中的算法标签，并传输至所述算法资源调度系统；其中，所述算法标签用于标识所述视频任务分析请求对应的算法类型；所述算法资源调度系统，分别与所述请求分析系统和所述智能视频分析引擎通讯连接，用于获取目标场景算法标识符，判断所述目标场景算法标识符与所述视频任务分析请
求的算法标签是否匹配，若匹配则生成算法调度任务单；还用于根据所述算法调度任务单，从预置的基础算法模块中提取出目标算法模块；其中，所述目标场景算法标识符指的是与目标图片流关联的场景算法标识符；所述智能视频分析引擎，分别与所述请求分析系统、所述视频信息预处理系统和所述算法资源调度系统通讯连接，用于读取所述结构化标签流，提取出所述结构化标签流中的视频信息采集端点位，并对提取出的视频信息采集端点位与所述内容请求标签中的待分析视频信息采集端点位进行点位匹配；还用于基于点位匹配结果对所述原始视频信息进行初步筛选，筛选出目标视频信息；还用于基于所述时间标签中的分析频次，从所述目标视频信息中提取相应的视频片段；还用于对提取出的视频片段进行解码，获取待分析图片流；还用于基于所述时间标签中的待分析视频采集时间对所述待分析图片流进行视频采集时间匹配，从所述待分析图片流中筛选出目标图片流；所述智能视频分析引擎，还用于调用目标算法模块对所述目标图片流进行分析处理，生成图片帧分析结果；其中，所述图片帧分析结果包括用户身份标签和事件分析结果，所述事件分析结果包括事件图片、事件发生时间、事件发生位置、事件类型、事件置信度和目标区域坐标；所述统一数据共享交换系统，与所述智能视频分析引擎通讯连接，用于构建所述图片帧分析结果的索引码，并与所述图片帧分析结果关联存储；其中，所述索引码与所述视频任务分析请求中的用户身份标签对应设置；所述业务应用微服务系统，分别与所述统一数据共享交换系统和所述用户端通讯连接，用于预存用户身份标签，并根据所述索引码对应的用户身份标签，将所述图片帧分析结果推送给对应的用户端。5.根据权利要求4所述的城市级大规模智能视频分析集群架构，其特征在于，所述统一数据共享交换系统，还用于：基于所述图片帧分析结果之间的关联性，生成相应视频任务分析请求的响应结果；其中，所述响应结果指的是一组或者多组视频片段的深度分析结果。6.根据权利要求4所述的城市级大规模智能视频分析集群架构，其特征在于：所述视频任务分析请求的算法标签包括机动车违停分析请求标签、非机动车违停分析请求标签、店外经营分析请求标签、道路积水分析请求标签、黄土裸露分析请求标签、暴露垃圾检测请求标签、人员聚集检测请求标签和人员跌倒信息请求标签。

技术总结
本发明提供了一种城市级大规模智能视频分析方法及集群架构，所述方法包括视频信息预处理过程、请求分析过程、资源调度过程和视频分析过程，所述集群架构包括视频信息采集端、用户端和智能视频信息分析平台，所述智能视频信息分析平台包括视频信息预处理系统、请求分析系统、算法资源调度系统、算法模块、智能视频分析引擎、统一数据共享交换系统和业务应用微服务系统；所述视频信息预处理系统包括视频源标签管理模块和标签流管理模块，所述请求分析系统包括请求接收模块、内容请求识别模块、分时调用模块和算法请求识别模块。本发明通过对海量现有视频信息进行分析，快速且准确地为不同的用户生成并推送所需的分析结果。同的用户生成并推送所需的分析结果。同的用户生成并推送所需的分析结果。


技术研发人员：王坤 叶森 王志恒 张甲 黄晶晶 高毫林
受保护的技术使用者：郑州信大先进技术研究院
技术研发日：2023.05.17
技术公布日：2023/8/13