CN104657205A - 一种基于虚拟化的视频内容分析方法及*** - Google Patents

Abstract

本发明公开了一种基于虚拟化技术的视频内容分析方法及***，包括视频内容分析的资源需求分析、任务调度和均衡控制分配两个主要部分。本发明对视频中内容重要性作出评估，将视频中不同内容分析方法分成三类，对可用于视频内容分析的资源池实现管理和调度并定制了七种调度模式，对不同的视频内容分析类型选取多种不同的调度策略，从而保证对视频中不同内容可靠性分析的同时，实现处理资源的高效利用，减少***资源的浪费损耗。

Description

一种基于虚拟化的视频内容分析方法及***

技术领域

本发明属于视频内容分析技术领域，尤其涉及一种基于虚拟化的视频内容分析方法及***。

背景技术

随着智慧平安城市的不断建设，要求智能监控***不断完善。为了实现城市监控区域无死角化，大量的监控摄像头安装到城市的各个角落。然而，大量摄像头时刻监控着各个角落就会产生海量视频数据，使用单个物理主机或单个的高性能服务器对这些海量的视频数据进行分析，其效率已经远远不能满足现实的需求。

发明内容

本发明目的在于提供一种基于虚拟化的视频内容分析方法及***，用于满足海量高效的视频内容分析的效率需求。

基于本发明实施例，本发明提供一种基于虚拟化的视频内容分析方法，该方法包括：

获取目标视频的优先级属性信息，根据目标视频的优先级属性信息确定对目标视频进行视频内容分析的任务优先级；

对于不符合优先级要求的分析任务使用绿色节能调度策略；

对于符合优先级要求的分析任务，获取目标视频的分类属性信息，根据分类属性信息对目标视频的分析任务进行分类，确定分析任务的类型；

根据分析任务类型与预置的调度策略的对应关系，确定目标视频的分析任务的调度策略；

依据所确定的调度策略对目标视频的分析任务进行调度，分配虚拟化资源，执行所述分析任务。

进一步地，所述的分类属性信息用于表征目标视频内容分析的算法特点及目标视频内容分析对资源的需求，所述分析任务的类型包括：特征比对类、运动检测类、在线学习类。

进一步地，所述预置的调度策略以及调度策略与分析任务类型的对应关系包括：

性能调度策略，应用于特征比对类和在线学习类分析任务；

效率调度策略，应用于特征比对类、运动检测类和在线学习类分析任务；

网络拓扑调度策略，应用于在线学习类分析任务；

算法调度策略，应用于特征比对类、运动检测类和在线学习类分析任务；

环境适应性调度策略，应用于特征比对类、运动检测类和在线学习类分析任务；

资源扩展调度策略，应用于运动检测类和在线学习类分析任务。

进一步地，从每个分析任务类型对应的调度策略中，选择一种、多种的组合或全部对一个或多个视频分析任务进行资源调度。

进一步地，由多个数据中心构成云平台，对目标视频的分析任务进行调度指在云平台上进行调度，共享多个数据中心内的虚拟化资源。

基于本发明实施例，本发明还提供一种基于虚拟化的视频内容分析***，该***包括：

接口装置，用于从外部接收目标视频数据并将目标视频数据发送给调度器，从调度器接收分析任务的结果数据并输出；提供目标视频的属性信息查询接口；

属性获取装置，用于通过接口装置获取目标视频的优先级属性信息、分类属性信息；

判断器，用于根据目标视频的优先级属性信息确定对目标视频进行视频内容分析的任务优先级，并根据任务优先级判断是否使用绿色节能调度策略对目标视频进行分析，对于符合优先级要求的分析任务通知分类器进行分类，对于不符合优先级要求的分析任务通知调度器使用绿色节能调度策略进行任务调度；

分类器，用于根据分类属性信息对符合优先级要求的分析任务进行分类，确定分析任务的类型；

调度器，用于根据分析任务类型与预置的调度策略的对应关系，确定目标视频的分析任务的调度策略；依据所确定的调度策略对目标视频的分析任务进行调度，分配虚拟化资源；

虚拟化资源池，用于提供视频内容分析任务所需的虚拟化资源，执行分析任务。

进一步地，所述分类器依据所述分类属性信息所表征的目标视频内容分析的算法特点及目标视频内容分析对资源的需求对分析任务进行分类，所述分析任务的类型包括：特征比对类、运动检测类、在线学习类。

进一步地，绿色节能子调度器，用于对不符合优先级要求的分析任务进行调度；

比较类子调度器，用于基于性能调度策略、效率调度策略、算法调度策略、环境适应性调度策略对分析任务进行调度；

运动检测类子调度器，用于基于效率调度策略、算法调度策略、环境适应性调度策略、资源扩展调度策略对分析任务进行调度；

在线学习类子调度器，用于基于性能调度策略、效率调度策略、算法调度策略、环境适应性调度策略、资源扩展调度策略对分析任务进行调度。

进一步地，所述比较类子调度器、运动检测类子调度器和在线学习类子调度器选择对应的调度策略中的一种、多种的组合或全部，对一个或多个视频分析任务进行资源调度

进一步地，所述虚拟化资源池为由多个数据中心内的虚拟化资源池所构成的共享虚拟化资源池；

所述调度器基于由多个数据中心构成的云平台对目标视频的分析任务进行调度。

本发明提供的基于虚拟化技术的视频内容分析方法及***，包括视频内容分析的资源需求分析、任务调度和均衡控制分配两个主要部分。本发明对视频中内容重要性作出评估，将视频中不同内容分析方法分成三类，对可用于视频内容分析的资源池实现管理和调度并定制了七种调度模式，对不同的视频内容分析类型选取多种不同的调度策略，从而保证对视频中不同内容可靠性分析的同时，实现处理资源的高效利用，减少***资源的浪费损耗。

附图说明

图1为本发明实施例提供的一种基于虚拟化的视频内容分析方法步骤流程图；

图2本发明实施例提供的分析任务类型与调度策略的对应关系示意图；

图3本发明实施例提供的一种基于虚拟化的视频内容分析***结构示意图。

具体实施方式

对海量视频内容进行高效的分析，是一项非常必要的技术。通常对于不同重要性和不同内容的视频进行分析在实际应用中会有不同的资源使用量和分析效率的要求，随着视频分辨率的提升和视频处理算法的复杂化使得实时视频内容分析对计算能力的要求越来越高，现有的基于非虚拟化的物理服务器实现的视频内容分析***已不堪重负。

为了实现对已有资源的最大化利用，对视频内容分析的方法分类技术并选择一种合理的动态调度和均衡控制技术对海量视频内容分析就特别重要。然而，目前还没有一种合理、动态地调度和均衡控制技术对海量视频内容进行分析。

为解决现有技术中的问题，本发明提出一种基于虚拟化技术的视频内容分析方法及***，本发明对视频内容分析的资源进行虚拟化，搭建资源池，对虚拟化资源进行管理和调度，提供七种资源调度策略，对于视频内容进行重要性等级(或称优先级)划分，对于重要性等级高的视频内容，根据视频内容分析所使用的算法的特点，将动态资源调度分配和均衡控制平衡方式分成三类，对不同类别采用不同的资源调度策略；如果视频内容重要性等级不高，则直接采用绿色资源调度模式。

图1为本发明实施例提供的一种基于虚拟化的视频内容分析方法步骤流程图，具体为：

步骤100、获取目标视频的优先级属性信息，根据目标视频的优先级属性信息确定对目标视频进行视频内容分析的任务优先级；

本发明一实施例中，定义的视频内容的优先级属性信息包括但不限于：任务等级、监控区域、监控时间段等；

例如，本发明实施例中确定对目标视频进行视频内容分析的优先级的方法为：对于突发事件，可以将任务等级设置为高级，并设定与事件相关的监控地点、监控时间段等属性参数，本发明提供的视频内容分析***可根据上述的视频内容优先级属性信息自动确定对当前输入的视频内容进行分析的分析任务的优先级。也可以将重点区域和/或时间段定义为确定优先级的属性信息，离重点区域和/或时间越近的视频内容的分析优先级越高。

步骤102、根据预设的优先级门限判断，对目标视频进行视频内容分析是否使用绿色节能调度策略，若是则执行步骤108，否则执行步骤104；

本发明实施例中，预设一个优先级门限，例如将优先级分为9级，优先级门限设置为6级，当视频内容分析任务的优先级超过6级时，不使用绿色节能调度策略，当视频内容分析任务的优先级小于等于6级时，使用绿色节能调度策略。所述绿色节能调度策略参见后续步骤中的定义，此处不做赘述。

本发明另一具体实施例中，提供目标视频的优先级属性信息的配置接口，允许用户配置视频内容的优先级属性信息，也可以提供专门的配置接口配置视频内容分析任务的优先级个数及优先级门限。例如，假设优先级属性信息只包括任务等级一项，视频分析任务优先级分为三级，分别对应高级、中级、低级三个任务等级，用户可通过配置接口设置目标视频1的优先级属性信息为高级，并配置优先级门限为二级，即任务等级高于中级的视频分析任务会使用步骤104～106的方式确定调度策略，中级以下的任务都使用绿色节能调度策略。进一步地，本发明实施例可以允许用户对待分析的目标视频进行批量的优先级属性信息的配置后修改，例如针对符合区域和时间特征的一批目标视频的视频分析任务等级批量设置为高级、中级或低级。

步骤104、获取目标视频的分类属性信息，根据分类属性信息对目标视频的分析任务进行分类，确定分析任务的类型。

本发明实施例，根据所分析的视频内容的不同、对视频内容进行分析的算法及算法所使用资源量的不同，对目标视频的分析任务进行分类，目标视频的分析任务的类型包括以下三类：

(1)特征比对类：该类任务中的视频内容分析算法在训练阶段需要大量的计算资源，在识别比对阶段需要较少资源，在训练和测试过程采用的图片不依赖视频前后帧的运动信息，因此可对视频进行拆分；

在本发明一具体实施例中，采用方向梯度直方图(Histogram of OrientedGradient，HOG)特征提取目标样本图片HOG特征，然后使用支持向量机(Support Vector Machine，SVM，一种可训练的机器学习方法)对大量的目标样本图片的HOG特征进行训练学习获得目标的HOG特征模板(或称为分类器)，最后使用HOG特征模板与输入的待检测图片进行特征比对，从而判断视频内容中是否包含指定目标。该类任务的特征是在HOG特征提取和HOG特征分类训练阶段需要大量的计算资源，在识别比对过程中却需要很少的计算资源，训练和测试过程中都采用图片，不依赖视频前后帧运动信息，可对视频进行拆分。

(2)运动检测类：该类任务中的视频内容分析算法依赖于视频内容的前后帧运动信息，不能对视频进行拆分来分析视频，资源使用量大；

在本发明一具体实施例中，该类任务采用高斯背景建模方法，该方法先要从视频中获取预设数量的帧(例如200～300帧的图片)，然后通过混合高斯模型建立背景模型。最后，在运动目标检测过程中，当新的视频帧出现的时候，背景模型参数的更新都依赖于前面帧对应像素点的模型参数值，当目标视频为高清视频(例如1080p)时，做高斯背景重建和背景的更新就需要大量的计算资源。在本发明另一具体实施例中，该类任务也可采用帧差法，当前帧运动目标检测依赖前1～2帧的图片像素信息。

由于，该类方法中的视频内容分析算法依赖视频内容的前后帧运动信息，因此，该类任务在对视频内容进行分析时，不能将视频进行拆分。

(3)在线学习类：该类任务中的视频内容分析算法既依赖视频内容前后帧的运动信息，又需要在线学习，因此需要大量的计算资源；

在本发明一具体实施例中，该类任务采用跟踪学习检测(TrackingLearning Detection，TLD)算法，其通过在线实时学习，更新运动物体特征，在更新特征过程中需要大量的计算机资源，以保证跟踪的连贯和流畅性。该类任务中的视频内容分析算法既依赖视频内容前后帧的运动信息，而且需要在线学习，需要大量的资源。

本发明一具体实施例中，提供分类属性信息的配置接口，允许用户针对单个的目标视频或符合预设条件的批量的目标视频进行分类属性信息的配置，本发明提供的视频内容分析***根据获取的目标视频内容的分类属性信息确定目标视频分析任务的类型。例如，可将分类属性信息定义为用户比较容易理解的人脸识别、车辆驶入、特定人物跟踪、特定车辆跟踪等类型，***根据预设的目标视频的分类属性信息与前面定义的分析任务类型的对应关系确定目标视频的分析任务的类型。

步骤106、根据分析任务类型与预置的调度策略的对应关系，确定目标视频的分析任务的调度策略。

本发明一实施例中，基于虚拟化技术构建用于对目标视频进行分析的数据中心，如果该数据中心位于云端，则也可将其称为云计算平台，在该数据中心中，包括由大量的用于目标视频分析的物理服务器组成服务器集群、用于存储数据的存储设备以及用于互联互通的网络设备，通过虚拟化技术对该数据中心中的计算资源、存储资源及网络资源进行虚拟化，并在虚拟化的基础上，由任务调度器基于目标视频分析任务类型与预置的调度策略的对应关系，确定当前的分析任务的调度策略，并依据调度策略为目标视频的分析任务动态地分配虚拟化资源，所述的虚拟化资源包括计算资源、存储资源和网络资源。

本发明一实施例中，在任务调度器上预置了下述7中任务调度策略：

(1)性能调度策略：该调度策略将一个分析任务拆分成若干个子任务，将分拆出来的子任务分配到服务器集群中的多个计算资源上，以并行方式执行，从而满足快速处理的性能需求。

(2)效率调度策略：该调度策略尽可能把多个分析任务分摊在不同的服务器上，保证运行的稳定性，降低物理服务器负载，保证对多分析任务的处理效率和成功率。

(3)拓扑调度策略：该调度策略目的在于降低分析任务在不同服务器上执行时的网络损耗，当多个服务器并行执行分析任务时，可能需要通过网络同步各子任务的执行状态和传输结果数据，因此会对网络造成压力，此外，当由多个数据中心构成云平台，并在云平台上共享资源的情况下，不同数据中心的服务器之间的网络时延过大会影响任务执行的效率，因此，分析任务的调度需要考虑网络拓扑及拓扑时延的问题，该调度策略基于网络拓扑及网管信息尽量选择在网络拓扑上邻近、时延低的多个服务器来执行一个并行的分析任务。

(4)算法调度策略：该调度策略根据不同的视频内容的分析算法，对应不同的视频切片模式，以及流媒体云传输模式，调用不同能力的处理器进行算法运行。

(5)环境适应性调度策略：该调度策略通过传感器获取当前环境情况，所述环境包括但不限于温度、湿度、不间断电源指示信息等，根据数据中心不同区域的环境情况决策是否使用位于该区域内的虚拟化资源，例如当某个服务器所在区域温度过高，在尽量减少该区域内的资源分配。

(6)资源扩展调度策略：该调度策略依据当前数据中心的负载情况，弹性的增加和缩减资源的使用量，例如当前处理的分析任务较少时，通过调度器(或指示虚拟机管理平台)减少参与分析任务的虚拟机数量，当分析任务量大时，增加参与分析任务的虚拟机数量。甚至可以在虚拟化基础上增加多云的管理，可以在不同物理区域上借调资源，实现云和云之间资源的扩展和收缩。

(7)绿色节能调度策略：该调度策略以节能为目标，尽可能的减少分析任务所占用的物理服务器，让每个被使用的物理服务器利用率最大化，减少资源碎片。当满载的时候，再开启下一台物理服务器，提高能源利用率，节能降耗。

本发明实施例对未达到优先级门限要求的视频内容分析任务使用绿色节能调度策略，对达到优先级门限要求的分析任务基于预置的分析任务类型与调度策略的对应关系，确定目标视频的分析任务的调度策略。

所述的分析任务类型与调度策略的对应关系如图2所示，以下根据分析任务类型分别描述：

特征比对类：该分析任务类型的特征是在特征提取和分类训练阶段需要大量的计算机资源，在识别比对过程中却需要很少资源，在训练和测试过程中都采用图片，不依赖视频前后帧运动信息，可对视频进行拆分。为提高计算速度，该类任务可通过算法调度策略、性能调度策略、效率调度策略、环境适应性调度策略进行任务调度。从而达到在训练阶段实现处理资源的高效利用，减少***资源的浪费损耗。

运动检测类，该分析任务类型的特征在于视频内容分析算法依赖视频内容的前后帧运动信息，资源使用量大且对视频内容分析不能将视频进行拆分，因此，对该类任务选取效率调度策略、算法调度策略以及资源扩展调度策略。通过算法调度策略选取效率调度策略对视频内容进行分析，如果资源需求不能满足该类任务的实时性需求，还可通过资源扩展调度策略在不同物理区域上借调资源，实现云云之间资源的扩展和收缩。

在线学习类，该分析任务类型的特征是既依赖视频内容前后帧的运动信息，而且需要在线学习，需要大量的资源。对该类方法选取性能调度策略、效率调度策略、网络拓扑调度策略、算法调度策略、环境适应性调度策略和资源扩展调度策略。在线学习类分析任务，其学习过程的特征和对比类任务类型的方法特征一致，通过算法调度策略、网络拓扑调度策略和效率调度策略选取高性能的处理器进行训练，比对识别阶段选取算法调度策略协同效率调度策略。

本发明实施例中，对于达到优先级门限要求的分析任务，为了保证硬件设备的可靠运行都选取了环境适应性调度策略。

需要说明的是，上述每个任务类型所能使用的调度策略是可叠加的，调度器可根据情况从中选择一种、多种的组合或全部调度策略对一个或多个视频分析任务进行资源调度。

步骤108、依据所确定的调度策略为目标视频的分析任务分配虚拟化资源，执行所述分析任务。

本发明通过对视频中不同内容分析方法进行分类，对分类后的视频内容分析任务做合理的动态资源调度和均衡控制，在保证对视频中不同内容可靠性分析的同时，实现处理资源的高效利用，减少***资源的浪费损耗。

图3为本发明实施例提供的一种基于虚拟化的视频内容分析***的结构示意图，该***400包括：

接口装置460，该装置用于从外部接收目标视频数据并将目标视频数据发送给调度器440，从调度器440接收分析任务的结果数据并输出；提供目标视频的属性信息查询接口；

属性获取装置410，该装置用于通过接口装置460提供的属性信息查询接口获取目标视频的优先级属性信息、分类属性信息；

判断器420，用于根据目标视频的优先级属性信息确定对目标视频进行视频内容分析的任务优先级，并根据任务优先级判断是否使用绿色节能调度策略对目标视频进行分析，对于符合优先级要求的分析任务通知分类器430进行分类，对于不符合优先级要求的分析任务通知调度器440使用绿色节能调度策略进行任务调度；

分类器430，用于根据分类属性信息对符合优先级要求的分析任务进行分类，确定分析任务的类型；

调度器440，用于根据分析任务类型与预置的调度策略的对应关系，确定目标视频的分析任务的调度策略；依据所确定的调度策略对目标视频的分析任务进行调度，分配虚拟化资源；

虚拟化资源池，用于提供视频内容分析任务所需的虚拟化资源，执行分析任务。

本发明实施例提供的基于虚拟化技术实现的视频内容分析***，对用户来说，可将其看做一个视频分析的云平台，该云平台是一个能够对海量视频数据进行分布式分析处理的由软硬件构造的框架。该云平台具有可靠、高效、可伸缩特性，其中调度器440是云平台中一个非常重要的组件，它的主要功能是将***中的空闲资源按照一定的调度策略分配给各个作业，它对于整个***虚拟资源的分配及作业执行起着至关重要的作用。

在本发明实施例提供的视频内容分析***中，分类器430依据分类属性信息所表征的目标视频内容分析的算法特点及目标视频内容分析对资源的需求对分析任务进行分类，其中，分析任务的类型包括：特征比对类、运动检测类、在线学习类。

在本发明实施例提供的视频内容分析***中，调度器440进一步包括以下几个子调度器，各子调度器与调度策略之间的对应关系如下：

绿色节能子调度器441，用于对不符合优先级要求的分析任务进行调度；

比较类子调度器442，用于基于性能调度策略、效率调度策略、算法调度策略、环境适应性调度策略对分析任务进行调度；

运动检测类子调度器443，用于基于效率调度策略、算法调度策略、环境适应性调度策略、资源扩展调度策略对分析任务进行调度；

在线学习类子调度器444，用于基于性能调度策略、效率调度策略、算法调度策略、环境适应性调度策略、资源扩展调度策略对分析任务进行调度。

在本发明实施例提供的视频内容分析***中，比较类子调度器442、运动检测类子调度器443和在线学习类子调度器444选择对应的调度策略中的一种、多种的组合或全部，对一个或多个视频分析任务进行资源调度

在本发明实施例提供的视频内容分析***中，为了提高处理性能，可在多个包含所述***的数据中心构成的云平台中共享虚拟化资源，由多个数据中心内的虚拟化资源池构成共享虚拟化资源池，调度器440基于由多个数据中心构成的云平台对目标视频的分析任务进行调度。

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借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，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例所述的方法。本领域技术人员可以理解附图只是一个优选实施例的示意图，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例中的装置中的模块可以按照实施例描述进行分布于实施例的装置中，也可以进行相应变化位于不同于本实施例的一个或多个装置中。上述实施例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。上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。以上公开的仅为本发明的几个具体实施例，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。

Claims (10)

1.一种基于虚拟化的视频内容分析方法，其特征在于，包括：

获取目标视频的优先级属性信息，根据目标视频的优先级属性信息确定对目标视频进行视频内容分析的任务优先级；

对于不符合优先级要求的分析任务使用绿色节能调度策略；

对于符合优先级要求的分析任务，获取目标视频的分类属性信息，根据分类属性信息对目标视频的分析任务进行分类，确定分析任务的类型；

根据分析任务类型与预置的调度策略的对应关系，确定目标视频的分析任务的调度策略；

依据所确定的调度策略对目标视频的分析任务进行调度，分配虚拟化资源，执行所述分析任务。

2.如权利要求1所述的方法，其特征在于，

所述的分类属性信息用于表征目标视频内容分析的算法特点及目标视频内容分析对资源的需求，所述分析任务的类型包括：特征比对类、运动检测类、在线学习类。

3.如权利要求2所述的方法，其特征在于，所述预置的调度策略以及调度策略与分析任务类型的对应关系包括：

性能调度策略，应用于特征比对类和在线学习类分析任务；

效率调度策略，应用于特征比对类、运动检测类和在线学习类分析任务；

网络拓扑调度策略，应用于在线学习类分析任务；

算法调度策略，应用于特征比对类、运动检测类和在线学习类分析任务；

环境适应性调度策略，应用于特征比对类、运动检测类和在线学习类分析任务；

资源扩展调度策略，应用于运动检测类和在线学习类分析任务。

4.如权利要求3所述的方法，其特征在于，

从每个分析任务类型对应的调度策略中，选择一种、多种的组合或全部对一个或多个视频分析任务进行资源调度。

5.如权利要求1所述的方法，其特征在于，

由多个数据中心构成云平台，对目标视频的分析任务进行调度指在云平台上进行调度，共享多个数据中心内的虚拟化资源。

6.一种基于虚拟化的视频内容分析***，其特征在于，包括：

接口装置，用于从外部接收目标视频数据并将目标视频数据发送给调度器，从调度器接收分析任务的结果数据并输出；提供目标视频的属性信息查询接口；

属性获取装置，用于通过接口装置获取目标视频的优先级属性信息、分类属性信息；

判断器，用于根据目标视频的优先级属性信息确定对目标视频进行视频内容分析的任务优先级，并根据任务优先级判断是否使用绿色节能调度策略对目标视频进行分析，对于符合优先级要求的分析任务通知分类器进行分类，对于不符合优先级要求的分析任务通知调度器使用绿色节能调度策略进行任务调度；

分类器，用于根据分类属性信息对符合优先级要求的分析任务进行分类，确定分析任务的类型；

调度器，用于根据分析任务类型与预置的调度策略的对应关系，确定目标视频的分析任务的调度策略；依据所确定的调度策略对目标视频的分析任务进行调度，分配虚拟化资源；

虚拟化资源池，用于提供视频内容分析任务所需的虚拟化资源，执行分析任务。

7.如权利要求6所述的***，其特征在于，

所述分类器依据所述分类属性信息所表征的目标视频内容分析的算法特 点及目标视频内容分析对资源的需求对分析任务进行分类，所述分析任务的类型包括：特征比对类、运动检测类、在线学习类。

8.如权利要求7所述的***，其特征在于，所述调度器包括：

绿色节能子调度器，用于对不符合优先级要求的分析任务进行调度；

比较类子调度器，用于基于性能调度策略、效率调度策略、算法调度策略、环境适应性调度策略对分析任务进行调度；

运动检测类子调度器，用于基于效率调度策略、算法调度策略、环境适应性调度策略、资源扩展调度策略对分析任务进行调度；

在线学习类子调度器，用于基于性能调度策略、效率调度策略、算法调度策略、环境适应性调度策略、资源扩展调度策略对分析任务进行调度。

9.如权利要求8所述的***，其特征在于，

所述比较类子调度器、运动检测类子调度器和在线学习类子调度器选择对应的调度策略中的一种、多种的组合或全部，对一个或多个视频分析任务进行资源调度。

10.如权利要求6所述的***，其特征在于，

所述虚拟化资源池为由多个数据中心内的虚拟化资源池所构成的共享虚拟化资源池；

所述调度器基于由多个数据中心构成的云平台对目标视频的分析任务进行调度。