CN116389492A - 视频分析***、方法、装置、计算机可读存储介质 - Google Patents
视频分析***、方法、装置、计算机可读存储介质 Download PDFInfo
- Publication number
- CN116389492A CN116389492A CN202310484321.2A CN202310484321A CN116389492A CN 116389492 A CN116389492 A CN 116389492A CN 202310484321 A CN202310484321 A CN 202310484321A CN 116389492 A CN116389492 A CN 116389492A
- Authority
- CN
- China
- Prior art keywords
- video analysis
- video
- task
- computing center
- nodes
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 218
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000003032 molecular docking Methods 0.000 claims abstract description 15
- 230000000977 initiatory effect Effects 0.000 claims abstract description 3
- 238000001514 detection method Methods 0.000 claims description 28
- 238000012545 processing Methods 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 6
- 239000000523 sample Substances 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 21
- 238000004891 communication Methods 0.000 description 6
- 230000009471 action Effects 0.000 description 5
- 230000006399 behavior Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 238000012163 sequencing technique Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
- H04L67/1001—Protocols in which an application is distributed across nodes in the network for accessing one among a plurality of replicated servers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
- G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/49—Segmenting video sequences, i.e. computational techniques such as parsing or cutting the sequence, low-level clustering or determining units such as shots or scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
- H04L67/1095—Replication or mirroring of data, e.g. scheduling or transport for data synchronisation between network nodes
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/60—Scheduling or organising the servicing of application requests, e.g. requests for application data transmissions using the analysis and optimisation of the required network resources
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Human Computer Interaction (AREA)
- General Engineering & Computer Science (AREA)
- Automatic Tape Cassette Changers (AREA)
Abstract
本公开提供了一种视频分析***、方法、装置、计算机可读存储介质。该***包括:客户端,用于向计算中心发起视频分析任务;计算中心,配置有容器运行环境、事件库和资源调度器,事件库存储有多种视频分析任务对应的模型镜像,资源调度器用于从多个边缘工作节点和计算中心中确定任务执行节点,以及向任务执行节点发送视频分析任务;多个边缘工作节点,每一边缘工作节点配置有容器运行环境、视频对接模块和任务执行模块,视频对接模块用于获取视频分析任务的视频数据,任务执行模块用于基于事件库的模型镜像,获取视频分析任务对应的目标模型镜像,以及在容器运行环境中根据目标模型镜像创建并运行容器,得到视频分析结果。
Description
技术领域
本公开涉及视频处理技术领域,尤其涉及一种视频分析***、方法、装置、计算机可读存储介质。
背景技术
在视频处理技术的发展,基于视频处理技术的安防监控、身份识别、行为分析等视频分析***,已成为各行业数字化转型、商业价值挖掘的重要组成部分。
相关技术中,视频分析***由云服务器和网络摄像机构成,在该视频分析***中,网络摄像机将获取到的视频数据上传到云服务器,由云服务器集中对视频数据进行处理,从而完成视频分析任务。
然而,将视频数据上传到云服务器集中处理的方式,占用网络带宽资源大,易造成网络拥堵。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开提供一种视频分析***、方法、装置、计算机可读存储介质,至少在一定程度上克服了相关技术中占用网络带宽资源大,易造成网络拥堵的问题。
本公开的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本公开的实践而习得。
根据本公开的第一方面,提供一种视频分析***,包括:客户端,用于向计算中心发起视频分析任务;所述计算中心,配置有容器运行环境、事件库和资源调度器,其中,所述事件库存储有多种视频分析任务对应的模型镜像,所述资源调度器用于从多个边缘工作节点和所述计算中心中确定任务执行节点,以及向所述任务执行节点发送所述视频分析任务;所述多个边缘工作节点,其中,每一边缘工作节点配置有容器运行环境、视频对接模块和任务执行模块,其中,所述视频对接模块用于获取所述视频分析任务的视频数据,所述任务执行模块用于基于所述事件库的模型镜像,获取所述视频分析任务对应的目标模型镜像,以及在所述容器运行环境中根据所述目标模型镜像创建并运行容器,得到视频分析结果。
在本公开的一个实施例中,所述任务执行模块,还用于在得到所述视频分析结果的情况下,停止所述容器的运行。
在本公开的一个实施例中,每一边缘工作节点还配置有存储器;所述任务执行模块,用于在第一次获取所述目标模型镜像的情况下,从所述事件库中获取所述目标模型镜像,并在所述存储器中存储所述目标镜像模型;以及,在第n次获取所述目标模型镜像的情况下,从所述存储器中获取所述目标模型镜像,n为大于1的整数。
在本公开的一个实施例中,每一边缘工作节点还配置有资源探测指针;所述资源探测指针,用于监测并向所述计算中心上报边缘工作节点的可用运行资源信息;所述计算中心还配置有节点状态存储器;所述节点状态存储器,用于存储及更新所述多个边缘工作节点的可用运行资源信息;所述资源调度器,用于根据所述多个边缘工作节点的可用运行资源信息,从所述多个边缘工作节点和所述计算中心中确定任务执行节点。
在本公开的一个实施例中,所述资源调度器,用于根据所述多个边缘工作节点的可用运行资源信息,确定所述多个边缘工作节点不满足执行所述视频分析任务的条件的情况下,确定所述计算中心为所述任务执行节点。
在本公开的一个实施例中,所述可用运行资源信息包括中央处理器CPU占用率、内存占用信息、图形处理器GPU利用率、显存占用信息。
在本公开的一个实施例中,所述任务执行模块,还用于向所述计算中心上传所述视频分析结果;所述计算中心,还配置有流媒体服务器和文件共享服务器;所述流媒体服务器,用于存储所述视频分析结果中的视频类数据;所述文件共享服务器,用于存储所述视频分析结果中的图像类数据。
在本公开的一个实施例中,所述计算中心,还配置有备份网络视频录像机;所述备份网络视频录像机,用于存储备份历史视频。
在本公开的一个实施例中,每一边缘工作节点,还配置有消息路由模块;所述消息路由模块,用于向其他边缘工作节点或所述计算中心发送与所述视频分析任务相关的消息。
在本公开的一个实施例中,所述***还包括:多个网络摄像机,用于获取并向所述任务执行节点发送所述视频数据。
根据本公开的第二方面,提供一种视频分析方法,应用于边缘工作节点,包括:接收计算中心发送的视频分析任务;获取所述视频分析任务对应的目标模型镜像;获取所述视频分析任务对应的视频数据;根据所述目标模型镜像创建容器,并运行所述容器对所述视频数据进行处理,得到视频分析结果。
根据本公开的第三方面,提供一种视频分析方法,应用于计算中心,包括:接收客户端发送的视频分析任务;获取多个边缘工作节点的可用运行资源信息;根据所述视频分析任务和所述可用运行资源信息,从所述多个边缘工作节点及所述计算中心中,确定出任务执行节点;向所述任务执行节点发送所述视频分析任务,以便于所述任务执行节点执行所述视频分析任务。
根据本公开的第四方面,提供一种视频分析装置,应用于边缘工作节点,包括:第一接收模块,用于接收计算中心发送的视频分析任务;第一获取模块,用于获取所述视频分析任务对应的目标模型镜像;所述第一获取模块,还用于获取所述视频分析任务对应的视频数据;处理模块,用于根据所述目标模型镜像创建容器,并运行所述容器对所述视频数据进行处理,得到视频分析结果。
根据本公开的第五方面,提供一种视频分析装置,应用于计算中心,包括:第二接收模块,用于接收客户端发送的视频分析任务;第二获取模块,用于获取多个边缘工作节点的可用运行资源信息;确定模块,用于根据所述视频分析任务和所述可用运行资源信息,从所述多个边缘工作节点及所述计算中心中,确定出任务执行节点;发送模块,用于向所述任务执行节点发送所述视频分析任务,以便于所述任务执行节点执行所述视频分析任务。
根据本公开的第六方面,提供一种电子设备,包括:处理器;以及存储器,用于存储所述处理器的可执行指令;其中,所述处理器配置为经由执行所述可执行指令来执行上述任一所述的视频分析方法。
根据本公开的第七方面,提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一所述的视频分析方法。
根据本公开的第八方面,提供一种计算机程序产品,所述计算机程序产品包括计算机程序或计算机指令,所述计算机程序或所述计算机指令由处理器加载并执行,以使计算机实现上述任一所述的视频分析方法。
本公开的实施例所提供的技术方案至少包括以下有益效果:
本公开的实施例所提供的技术方案,计算中心接收到客户端发送的视频分析任务后,通过配置的资源调度器从多个边缘工作节点和计算中心中确定出任务执行节点,并向任务执行节点发送该视频分析任务。每一边缘工作节点配置有容器运行环境,在边缘工作节点接收到视频分析任务后,边缘工作节点配置的任务执行模块可以根据计算中心的事件库中的模型镜像,获取到与视频分析任务对应的目标模型镜像,并根据该目标模型镜像在容器运行环境中创建容器,以及根据该容器对视频对接模块获取到的视频数据进行处理,得到视频分析结果。利用边缘工作节点完成视频分析任务的方式,能够在一定程度上减少上传视频数据所占用的网络带宽资源,降低网络拥堵发生的可能性。
此外,在计算中心配置事件库及边缘工作节点能够从事件库中获取需要的模型镜像的方式,可以避免因视频分析任务的不同及边缘工作节点的异构性,需要在边缘工作节点中逐个进行适应性部署的问题,降低了部署视频分析***及后续***维护的成本。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。显而易见地,下面描述中的附图仅仅是本公开的一些实施例,对于本领域普通技术人员来讲,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示出本公开一个实施例中的视频分析***的示意图;
图2示出本公开一个实施例中的视频分析***的示意图;
图3示出本公开一个实施例中的视频分析***的示意图;
图4示出本公开一个实施例中的视频分析***的示意图;
图5示出本公开一个实施例中的视频分析***的示意图;
图6示出本公开一个实施例中的视频分析***的示意图;
图7示出本公开一个实施例中的视频分析***的示意图;
图8示出本公开一个实施例中的视频分析***的示意图;
图9示出本公开一个实施例中的视频分析方法流程图;
图10示出本公开一个实施例中的视频分析方法流程图;
图11示出本公开一个实施例中的视频分析装置示意图;
图12示出本公开一个实施例中的视频分析装置示意图;
图13示出本公开一个实施例中的电子设备的结构框图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本公开将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。
此外,附图仅为本公开的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
应当理解,本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行,和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
图1示出本公开一个实施例中的视频分析***的示意图,如图1所示,该视频分析******可以包括:客户端110、计算中心120、多个边缘工作节点130。
其中,客户端110用于向计算中心120发起视频分析任务,以及接收计算中心120反馈的视频分析结果。关于视频分析任务具体是对视频数据做何种处理,本公开实施例不做限制。例如,视频分析任务可以是目标监测任务。再例如,视频分析任务还可以是人体骨架检测任务。再例如,视频分析任务还可以是目标重识别任务。
在一个实施例中,计算中心120配置有事件库121、资源调度器122和容器运行环境123。其中,事件库121存储有多种视频分析任务对应的模型镜像。例如,视频分析任务是目标监测任务的情况下,该视频分析任务对应的模型镜像是能够对视频数据做目标监测处理的模型的镜像。再例如,视频分析任务是人体骨架检测任务的情况下,该视频分析任务对应的模型镜像是能够对视频数据做人体骨架检测的模型的镜像。
关于事件库121中配置的多种视频分析任务对应的模型镜像具体包括哪些视频分析任务对应的模型镜像,本公开实施例不做限制。例如,事件库121中配置的模型镜像对应的视频分析任务包括:视频分割任务、人体骨架检测任务、目标检测任务、目标跟踪任务、目标重识别任务、人体行为检测任务等。
其中,完成上述各个视频分析任务需要对视频数据做的处理如下。
视频分割任务:以一定时间间隔剪切视频,输出分割后的图片。
人体骨架检测任务:通过人体关键点检测模型对视频中的人物骨架进行特征提取与标定,输出标定骨骼的图片或提取的骨架特征;其中,关于人体关键点检测模型具体为何种模型,本公开实施例不做限制。例如,应用于本公开实施例中的人体关键点检测模型是Open pose(一种人体姿态检测模型)。
目标检测任务:通过目标检测模型对视频中指定目标进行识别,在视频帧中使用包围框标出目标,输出携带包围框的图片或视频。其中,关于目标检测模具体为何种模型,本公开实施例不做限制。例如,应用于本公开实施例中的目标检测模是yolov5Lite-s.pt(一种目标检测模型)。
目标跟踪任务:通过结合目标检测模型与跟踪模型实现对连续视频帧中同一目标的持续标定,在视频帧中使用包围框标记目标,并标记出目标的编号,输出携带包围框及编号的连续图片或视频。其中,关于跟踪模型具体为何种模型,本公开实施例不做限制。例如,跟踪模型是deepsort跟踪算法模型。
目标重识别任务:通过神经网络模型提取视频中目标的特征与定义的查找目标进行匹配,输出目标在视频或图片下包含编号的重识别图片。其中,关于神经网络模型具体为何种模型,本公开实施例不做限制。例如,神经网络模型是ResNet-50(Residual Network50,一种残差网络模型)。
人体行为检测任务:结合人体骨架检测模型与动作识别模型,提取视频中人物的纹理动作、行为,输出标定行为检测结果水印的图片。其中,关于动作识别模型具体为何种模型,本公开实施例不做限制。例如,应用于本公开实施例的动作识别模型是R-CNN(Region-Convolutional Neural Networks,区域卷积神经网络)动作识别模型。
资源调度器122用于从多个边缘工作节点130和计算中心120中确定任务执行节点,以及向任务执行节点发送视频分析任务。其中,资源调度器122选出的任务执行节点,可以是多个边缘工作节点130中的一个边缘工作节点,也可以是计算中心120。
在一个实施例中,在计算中心120作为任务执行节点的情况下,计算中心120可以调用事件库121中与视频分析任务对应的目标模型镜像,在容器运行环境123中构建该目标模型镜像对应的容器,运行该容器对视频数据进行处理,得到视频分析结果。
多个边缘工作节点130中的每一边缘工作节点配置有容器运行环境131、视频对接模块132和任务执行模块133。
其中,视频对接模块132用于获取视频分析任务的视频数据。视频分析任务的视频数据可以是实时的视频数据,也可以是预先保存的视频数据,本公开实施例对此不做限制。
任务执行模块133用于基于事件库121的模型镜像,获取视频分析任务对应的目标模型镜像,以及在容器运行环境131中根据目标模型镜像创建并运行容器,得到视频分析结果。其中,在容器运行环境131中根据目标模型镜像创建并运行容器,得到视频分析结果,包括:在容器运行环境131中根据目标模型镜像创建容器,并运行容器对视频数据进行处理,得到视频分析结果。
在另一个实施例中,任务执行模块133还用于在得到视频分析结果的情况下,停止容器的运行。在得到视频分析任务的处理结果后,将相应的容器停止,释放运行该容器占用的资源的方式,能够降低资源的浪费,提高资源的利用率。
本公开的实施例所提供的技术方案,计算中心接收到客户端发送的视频分析任务后,通过配置的资源调度器从多个边缘工作节点和计算中心中确定出任务执行节点,并向任务执行节点发送该视频分析任务。每一边缘工作节点配置有容器运行环境,在边缘工作节点接收到视频分析任务后,边缘工作节点配置的任务执行模块可以根据计算中心的事件库中的模型镜像,获取到与视频分析任务对应的目标模型镜像,并根据该目标模型镜像在容器运行环境中创建容器,以及根据该容器对视频对接模块获取到的视频数据进行处理,得到视频分析结果。利用边缘工作节点完成视频分析任务的方式,能够在一定程度上减少上传视频数据所占用的网络带宽资源,降低网络拥堵发生的可能性。
此外,在计算中心配置事件库及边缘工作节点能够从事件库中获取需要的模型镜像的方式,可以避免因视频分析任务的不同及边缘工作节点的异构性,需要在边缘工作节点中逐个进行适应性部署的问题,降低了部署视频分析***及后续***维护的成本。
图2示出本公开一个实施例中的视频分析***的示意图,如图2所示,该视频分析******可以包括:客户端110、计算中心120、多个边缘工作节点130。
其中,边缘工作节点除配置有容器运行环境131、视频对接模块132和任务执行模块133外,还配置有存储器134。
任务执行模块133,用于在第一次获取目标模型镜像的情况下,从事件库121中获取目标模型镜像,并在存储器134中存储该目标镜像模型;以及,在第n次获取目标模型镜像的情况下,从存储器134中获取目标模型镜像,n为大于1的整数。
通过在第一次执行某一类视频分析任务的情况下,获取到相应的目标模型镜像的方式,可以避免由人工在多个边缘工作节点中逐个配置目标模型镜像,实现了自动在边缘工作节点中配置模型镜像,降低了配置整个视频分析***的工作量,提高了配置视频分析***的效率。
任务执行模块133获取到目标模型镜像后,根据该目标模型镜像创建容器,并运行该容器对视频数据进行处理,从而实现利用模型镜像对应的模型对视频数据进行处理,得到视频分析结果。
图3示出本公开一个实施例中的视频分析***的示意图,如图3所示,该视频分析******可以包括:客户端110、计算中心120、多个边缘工作节点130。
在一个实施例中,多个边缘工作节点130除配置有容器运行环境131、视频对接模块132、任务执行模块133外,还配置有资源探测指针135;计算中心120还配置有节点状态存储器124。
其中,资源探测指针135用于监测并向计算中心120上报边缘工作节点的可用运行资源信息。资源探测指针135可以实时监测边缘工作节点的可用运行资源,并生成相应的可用运行资源信息,之后资源探测指针135向计算中心120上报该可用运行资源信息。
节点状态存储器124用于存储及更新多个边缘工作节点的可用运行资源信息。计算中心120接收到边缘节点上报的可用运行资源信息后,将该可用运行资源信息存储在节点状态存储器124,并由节点状态存储器124利用边缘工作节点后一次上报的可用运行资源信息,对边缘工作节点前一次上报的可用运行资源信息进行更新。
资源调度器122用于根据多个边缘工作节点130的可用运行资源信息,从多个边缘工作节点130和计算中心120中确定任务执行节点。
不同的视频分析任务所需的运行资源不同,根据视频分析任务的类型可以确定出该视频分析任务所需的运行资源。资源调度器122可以根据视频分析任务所需的运行资源及多个边缘工作节点130的可用运行资源信息,从多个边缘工作节点130和计算中心120中确定任务执行节点。
资源调度器122确定出任务执行节点的过程,可以包括:根据视频分析任务所需的运行资源,对多个边缘工作节点相应的运行资源进行排序,得到排序结果;根据该排序结果,确定出满足视频分析任务所需的运行资源的任务执行节点。
在一个实施例中,资源调度器122用于根据多个边缘工作节点130的可用运行资源信息,确定多个边缘工作节点130不满足执行视频分析任务的条件的情况下,确定计算中心120为任务执行节点。也就是说,计算中心120是在多个边缘工作节点130均不满足执行视频分析任务的条件的情况下,作为任务执行节点执行视频分析任务。
通过将计算中心120作为备用的任务执行节点,可以提高视频分析***的稳定性,避免多个边缘工作节点均在可用运行资源不足,或网络连接不畅通,或边缘工作节点的显存溢出等情况下,视频分析***无法处理视频分析任务。
在一个实施例中,边缘节点的可用运行资源信息,可以包括:CPU(CentralProcessing Unit,中央处理器)占用率、内存占用信息、GPU(Graphics Processing Unit,图形处理器)利用率、显存占用信息。
例如,在视频分析任务对GPU资源需求高的情况下,可以根据多个边缘工作节点的GPU利用率和显存占用信息对多个边缘工作节点进行排序,并根据排序结果确定执行视频分析任务的任务执行节点。
在一个实施例中,视频分割任务、人体骨架检测任务、目标检测任务、目标跟踪任务、目标重识别任务和人体行为检测任务对CPU资源和GPU资源的相对需求程度如下表1所示。
表1
视频分析任务 | CPU资源需求 | GPU资源需求 |
视频分割任务 | 低 | - |
目标检测任务 | 低 | 低 |
目标跟踪任务 | 高 | - |
目标重识别任务 | 低 | 中 |
人体骨架检测任务 | 中 | - |
人体行为检测任务 | 中 | 高 |
通过资源调度器122根据多个边缘工作节点130的可用运行资源信息,自动分配视频分析任务的任务执行节点的方式,同时考虑了边缘工作节点的可用运行资源以及视频分析任务所需的运行资源,有利于提高边缘工作节点的资源利用率和业务效率。
图4示出本公开一个实施例中的视频分析***的示意图,如图4所示,该视频分析******可以包括:客户端110、计算中心120、多个边缘工作节点130。
其中,计算中心120除配置有事件库121、资源调度器122和容器运行环境123外,还配置有流媒体服务器125和文件共享服务器126。
边缘工作节点作为任务执行节点,完成视频分析任务得到视频分析结果后,由任务执行模块133向计算中心120上传视频分析结果。计算中心120接收到视频分析结果后,将视频分析结果中的视频类数据存储在流媒体服务器125;将视频分析结果中的图像类数据存储在文件共享服务器126。也就是说,流媒体服务器125,用于存储视频分析结果中的视频类数据;文件共享服务器126,用于存储视频分析结果中的图像类数据。
在一个实施例中,计算中心120作为任务执行节点得到视频分析结果后,将视频分析结果中的视频类数据存储至流媒体服务器125,将视频分析结果中的图像类数据存储至文件共享服务器126。
在一个实施例中,文件共享服务器126还用于辅助多个边缘工作节点130实现统一的数据面,以便于不同边缘工作节点的各个业务模块可以从文件共享服务器126中调用其他边缘工作节点上传的图像类数据。
图5示出本公开一个实施例中的视频分析***的示意图,如图5所示,该视频分析******可以包括:客户端110、计算中心120、多个边缘工作节点130。
其中,计算中心120除配置有事件库121、资源调度器122和容器运行环境123外,还配置有备份网络视频录像机127。该备份网络视频录像机127用于存储备份历史视频。关于备份历史视频包括哪些视频,本公开实施例不做限制。例如,备份历史视频包括视频数据的备份和视频分析结果中的视频类数据的备份。
图6示出本公开一个实施例中的视频分析***的示意图,如图6所示,该视频分析******可以包括:客户端110、计算中心120、多个边缘工作节点130。
其中,多个边缘工作节点130中每一边缘工作节点,还配置有消息路由模块136;消息路由模块136用于向其他边缘工作节点或计算中心120发送与视频分析任务相关的消息。关于与视频分析任务相关的消息具体包括哪些消息,本公开实施例不做限制。例如,与视频分析任务相关的消息包括:业务启动消息、业务停止消息、容器运行状态消息、携带分析结果的消息。
图7示出本公开一个实施例中的视频分析***的示意图,如图7所示,该视频分析******可以包括:客户端110、计算中心120、多个边缘工作节点130和多个网络摄像机140。
其中,多个网络摄像机140中的每一网络摄像机均可以获取视频数据,并将获取到的视频数据上传到任务执行节点。例如,任务执行节点是边缘工作节点的情况下,网络摄像机可以将获取到的视频数据向边缘工作节点发送,边缘工作节点通过视频对接模块接收网络摄像机上传的视频数据。再例如,任务执行节点是计算中心120的情况下,网络摄像机可以将获取到的视频数据向计算中心120发送,计算中心120接收到该视频数据后,完成对视频数据的获取。
为便于理解本公开的实施例提供的技术方案,下面将结合图1至图7对应视频分析***以及图8所示的视频分析***,对本公开的实施例提供的技术方案进行说明。
如图8所示,该视频分析******可以包括:客户端110、计算中心120、多个边缘工作节点130和多个网络摄像机140。
其中,计算中心120配置有事件库121、资源调度器122、容器运行环境123、节点状态存储器124、流媒体服务器125、文件共享服务器126和备份网络视频录像机127。
多个边缘工作节点130配置有容器运行环境131、视频对接模块132、任务执行模块133、存储器134、资源探测指针135和消息路由模块136。
客户端110将视频分析任务发往计算中心120后,由计算中心120配置的资源调度器122从节点状态存储器124中获取多个边缘节点130的可用运行资源信息,并根据该可用运行资源信息确定出任务执行节点。多个边缘节点130的可用运行资源信息,分别由各自配置的资源探测指针135监测并通过消息路由模块136向计算中心120上报。
在任务执行节点是边缘工作节点的情况下,中心节点120配置的资源调度器122,向该边缘工作节点发送该视频分析任务。该边缘工作节点接收到该视频分析任务后,通过视频对接模块132获取该视频分析任务对应的视频数据,以及通过任务执行模块133从存储器134或事件库121中获取该视频分析任务对应的目标模型镜像,并根据该目标模型镜像在容器运行环境131中创建容器,以及在容器运行环境131中运行该容器对视频数据进行处理,得到视频分析结果。其中,视频数据可以由多个网络摄像机140提供。
之后,任务执行模块133通过消息路由136将向计算中心120反馈视频分析结果。计算中心120将视频分析结果中的视频类数据存储在流媒体服务器125,将视频分析结果中的图像类数据存储在文件共享服务器126,以及将视频分析结果中的图像类数据的备份存储在备份网络视频录像机127。
在任务执行节点是计算中心120的情况下,计算中心120获取由多个网络摄像机140提供的视频数据;从事件库121中获取视频分析任务对应的目标模型镜像,并根据该目标模型镜像在容器运行环境123中创建容器,以及在容器运行环境123中运行该容器对视频数据进行处理,得到视频分析结果。之后,计算中心120将视频分析结果中的视频类数据存储在流媒体服务器125,将视频分析结果中的图像类数据存储在文件共享服务器126,以及将视频分析结果中的图像类数据的备份、视频数据的备份存储在备份网络视频录像机127。
计算中心120得到视频分析结果后,将该视频分析结果向客户端110反馈。
客户端110、计算中心120、多个边缘工作节点130和多个网络摄像机140之间通过网络实现通信连接,该网络可以是有线网络,也可以是无线网络。
可选地,上述的无线网络或有线网络使用标准通信技术和/或协议。网络通常为因特网、但也可以是任何网络,包括但不限于局域网(Local Area Network,LAN)、城域网(Metropolitan Area Network,MAN)、广域网(Wide Area Network,WAN)、移动、有线或者无线网络、专用网络或者虚拟专用网络的任何组合)。在一些实施例中,使用包括超文本标记语言(Hyper Text Mark-up Language,HTML)、可扩展标记语言(ExtensibleMarkupLanguage,XML)等的技术和/或格式来代表通过网络交换的数据。此外还可以使用诸如安全套接字层(Secure Socket Layer,SSL)、传输层安全(Transport Layer Security,TLS)、虚拟专用网络(Virtual Private Network,VPN)、网际协议安全(InternetProtocolSecurity,IPsec)等常规加密技术来加密所有或者一些链路。在另一些实施例中,还可以使用定制和/或专用数据通信技术取代或者补充上述数据通信技术。
客户端110可以是各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机、台式计算机、可穿戴设备、增强现实设备、虚拟现实设备等。
可选地,不同的客户端110中安装的应用程序的客户端是相同的,或基于不同操作***的同一类型应用程序的客户端。基于终端平台的不同,该应用程序的客户端的具体形态也可以不同,比如,该应用程序客户端可以是手机客户端、PC客户端等。
计算中心120和多个边缘工作节点130可以是提供各种服务的服务器,服务器可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式***,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN(Content Delivery Network,内容分发网络)、以及大数据和人工智能平台等基础云计算服务的云服务器。
下面结合附图及实施例对本示例实施方式进行详细说明。
本公开实施例中提供了一种视频分析方法,该方法可以由任意具备计算处理能力的电子设备执行。例如,该电子设备是边缘工作节。
图9示出本公开一个实施例中的视频分析方法流程图,如图9所示,本公开实施例中提供的视频分析方法包括如下S901至S904。
S901,边缘工作节点接收计算中心发送的视频分析任务。
S902,边缘工作节点获取视频分析任务对应的目标模型镜像。
在一个实施例中,边缘工作节点获取视频分析任务对应的目标模型镜像,可以包括:在第一次获取目标模型镜像的情况下,边缘工作节点从计算中心的事件库中获取该目标模型镜像,并在将该目标模型镜像存储至存储器;在第n次获取目标模型镜像的情况下,边缘工作节点从存储器中获取该目标模型镜像,n为大于1的整数。
S903,边缘工作节点获取视频分析任务对应的视频数据。
其中,视频数据可以由网络摄像机实时获取后向边缘工作节点提供;或者,视频数据可以预先存储在网络设备中,边缘工作节点通过网络从该网络设备中获取该视频数据。
S904,边缘工作节点根据目标模型镜像创建容器,并运行容器对视频数据进行处理,得到视频分析结果。
在计算中心配置事件库及边缘工作节点能够从事件库中获取需要的模型镜像的方式,可以避免因视频分析任务的不同及边缘工作节点的异构性,需要在边缘工作节点中逐个进行适应性部署的问题,降低了部署视频分析***及后续***维护的成本。
图10示出本公开一个实施例中的视频分析方法流程图,如图10所示,本公开实施例中提供的视频分析方法包括如下S1001至S1004。
S1001,计算中心接收客户端发送的视频分析任务。
S1002,计算中心获取多个边缘工作节点的可用运行资源信息。
S1003,计算中心根据视频分析任务和可用运行资源信息,从多个边缘工作节点及计算中心中,确定出任务执行节点。
在一个实施例中,计算中心根据视频分析任务和可用运行资源信息,从多个边缘工作节点及计算中心中,确定出任务执行节点,可以包括:根据多个边缘工作节点的可用运行资源信息,确定多个边缘工作节点不满足执行视频分析任务的条件的情况下,确定计算中心为任务执行节点。
通过将计算中心作为备用的任务执行节点,可以提高视频分析***的稳定性,避免多个边缘工作节点均在可用运行资源不足,或网络连接不畅通,或边缘工作节点的显存溢出等情况下,视频分析***无法处理视频分析任务。
S1004,计算中心向任务执行节点发送视频分析任务,以便于任务执行节点执行视频分析任务。
基于同一发明构思,本公开实施例中还提供了两种视频分析装置,如下面的实施例所述。由于该装置实施例解决问题的原理与上述方法实施例相似,因此该装置实施例的实施可以参见上述方法实施例的实施,重复之处不再赘述。
图11示出本公开一个实施例中的视频分析装置示意图,如图11所示,该装置应用于边缘工作节点,包括:第一接收模块1101,用于接收计算中心发送的视频分析任务;第一获取模块1102,用于获取视频分析任务对应的目标模型镜像;第一获取模块1102,还用于获取视频分析任务对应的视频数据;处理模块1103,用于根据目标模型镜像创建容器,并运行容器对视频数据进行处理,得到视频分析结果。
图12示出本公开一个实施例中的视频分析装置示意图,如图12所示,该装置应用于计算中心,包括:第二接收模块1201,用于接收客户端发送的视频分析任务;第二获取模块1202,用于获取多个边缘工作节点的可用运行资源信息;确定模块1203,用于根据视频分析任务和可用运行资源信息,从多个边缘工作节点及计算中心中,确定出任务执行节点;发送模块1204,用于向任务执行节点发送视频分析任务,以便于任务执行节点执行视频分析任务。
所属技术领域的技术人员能够理解,本公开的各个方面可以实现为***、方法或程序产品。因此,本公开的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“***”。
下面参照图13来描述根据本公开的这种实施方式的电子设备1300。图13显示的电子设备1300仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图13所示,电子设备1300以通用计算设备的形式表现。电子设备1300的组件可以包括但不限于:上述至少一个处理单元1310、上述至少一个存储单元1320、连接不同***组件(包括存储单元1320和处理单元1310)的总线1330。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元1310执行,使得所述处理单元1310执行本说明书上述“具体实施方式”部分中描述的根据本公开各种示例性实施方式的步骤。
存储单元1320可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)1321和/或高速缓存存储单元1322,还可以进一步包括只读存储单元(ROM)1323。
存储单元1320还可以包括具有一组(至少一个)程序模块1325的程序/实用工具1324,这样的程序模块1325包括但不限于:操作***、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线1330可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、***总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备1300也可以与一个或多个外部设备1340(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备1300交互的设备通信,和/或与使得该电子设备1300能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口1350进行。并且,电子设备1300还可以通过网络适配器1360与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图13所示,网络适配器1360通过总线1330与电子设备1300的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备1300使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID***、磁带驱动器以及数据备份存储***等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式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)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。
在本公开的示例性实施例中,还提供了一种计算机可读存储介质,该计算机可读存储介质可以是可读信号介质或者可读存储介质。其上存储有能够实现本公开上述方法的程序产品。在一些可能的实施方式中,本公开的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行本说明书上述“具体实施方式”部分中描述的根据本公开各种示例性实施方式的步骤。
本公开中的计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
在本公开中,计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。
可选地,计算机可读存储介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
在具体实施时,可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
在本公开的示例性实施例中,还提供了一种计算机程序产品,计算机程序产品包括计算机程序或计算机指令,计算机程序或计算机指令由处理器加载并执行,以使计算机实现本说明书上述“具体实施方式”部分中描述的根据本公开各种示例性实施方式的步骤。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本公开的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
此外,尽管在附图中以特定顺序描述了本公开中方法的各个步骤,但是,这并非要求或者暗示必须按照该特定顺序来执行这些步骤,或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的,可以省略某些步骤,将多个步骤合并为一个步骤执行,以及/或者将一个步骤分解为多个步骤执行等。
通过以上实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式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)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施方式的方法。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围由所附的权利要求指出。
Claims (15)
1.一种视频分析***,其特征在于,包括:
客户端,用于向计算中心发起视频分析任务;
所述计算中心,配置有容器运行环境、事件库和资源调度器,其中,所述事件库存储有多种视频分析任务对应的模型镜像,所述资源调度器用于从多个边缘工作节点和所述计算中心中确定任务执行节点,以及向所述任务执行节点发送所述视频分析任务;
所述多个边缘工作节点,其中,每一边缘工作节点配置有容器运行环境、视频对接模块和任务执行模块,其中,所述视频对接模块用于获取所述视频分析任务的视频数据,所述任务执行模块用于基于所述事件库的模型镜像,获取所述视频分析任务对应的目标模型镜像,以及在所述容器运行环境中根据所述目标模型镜像创建并运行容器,得到视频分析结果。
2.根据权利要求1所述的***,其特征在于,所述任务执行模块,还用于在得到所述视频分析结果的情况下,停止所述容器的运行。
3.根据权利要求1所述的***,其特征在于,每一边缘工作节点还配置有存储器;
所述任务执行模块,用于在第一次获取所述目标模型镜像的情况下,从所述事件库中获取所述目标模型镜像,并在所述存储器中存储所述目标镜像模型;以及,在第n次获取所述目标模型镜像的情况下,从所述存储器中获取所述目标模型镜像,n为大于1的整数。
4.根据权利要求1所述的***,其特征在于,每一边缘工作节点还配置有资源探测指针;所述资源探测指针,用于监测并向所述计算中心上报边缘工作节点的可用运行资源信息;
所述计算中心还配置有节点状态存储器;所述节点状态存储器,用于存储及更新所述多个边缘工作节点的可用运行资源信息;
所述资源调度器,用于根据所述多个边缘工作节点的可用运行资源信息,从所述多个边缘工作节点和所述计算中心中确定任务执行节点。
5.根据权利要求4所述的***,其特征在于,所述资源调度器,用于根据所述多个边缘工作节点的可用运行资源信息,确定所述多个边缘工作节点不满足执行所述视频分析任务的条件的情况下,确定所述计算中心为所述任务执行节点。
6.根据权利要求4或5所述的***,其特征在于,所述可用运行资源信息包括中央处理器CPU占用率、内存占用信息、图形处理器GPU利用率、显存占用信息。
7.根据权利要求1所述的***,其特征在于,所述任务执行模块,还用于向所述计算中心上传所述视频分析结果;
所述计算中心,还配置有流媒体服务器和文件共享服务器;所述流媒体服务器,用于存储所述视频分析结果中的视频类数据;所述文件共享服务器,用于存储所述视频分析结果中的图像类数据。
8.根据权利要求1所述的***,其特征在于,所述计算中心,还配置有备份网络视频录像机;所述备份网络视频录像机,用于存储备份历史视频。
9.根据权利要求1所述的***,其特征在于,每一边缘工作节点,还配置有消息路由模块;所述消息路由模块,用于向其他边缘工作节点或所述计算中心发送与所述视频分析任务相关的消息。
10.根据权利要求1所述的***,其特征在于,所述***还包括:
多个网络摄像机,用于获取并向所述任务执行节点发送所述视频数据。
11.一种视频分析方法,其特征在于,应用于边缘工作节点,包括:
接收计算中心发送的视频分析任务;
获取所述视频分析任务对应的目标模型镜像;
获取所述视频分析任务对应的视频数据;
根据所述目标模型镜像创建容器,并运行所述容器对所述视频数据进行处理,得到视频分析结果。
12.一种视频分析方法,其特征在于,应用于计算中心,包括:
接收客户端发送的视频分析任务;
获取多个边缘工作节点的可用运行资源信息;
根据所述视频分析任务和所述可用运行资源信息,从所述多个边缘工作节点及所述计算中心中,确定出任务执行节点;
向所述任务执行节点发送所述视频分析任务,以便于所述任务执行节点执行所述视频分析任务。
13.一种视频分析装置,其特征在于,应用于边缘工作节点,包括:
第一接收模块,用于接收计算中心发送的视频分析任务;
第一获取模块,用于获取所述视频分析任务对应的目标模型镜像;
所述第一获取模块,还用于获取所述视频分析任务对应的视频数据;
处理模块,用于根据所述目标模型镜像创建容器,并运行所述容器对所述视频数据进行处理,得到视频分析结果。
14.一种视频分析装置,其特征在于,应用于计算中心,包括:
第二接收模块,用于接收客户端发送的视频分析任务;
第二获取模块,用于获取多个边缘工作节点的可用运行资源信息;
确定模块,用于根据所述视频分析任务和所述可用运行资源信息,从所述多个边缘工作节点及所述计算中心中,确定出任务执行节点;
发送模块,用于向所述任务执行节点发送所述视频分析任务,以便于所述任务执行节点执行所述视频分析任务。
15.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求11或12所述的视频分析方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310484321.2A CN116389492A (zh) | 2023-04-28 | 2023-04-28 | 视频分析***、方法、装置、计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310484321.2A CN116389492A (zh) | 2023-04-28 | 2023-04-28 | 视频分析***、方法、装置、计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116389492A true CN116389492A (zh) | 2023-07-04 |
Family
ID=86965738
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310484321.2A Pending CN116389492A (zh) | 2023-04-28 | 2023-04-28 | 视频分析***、方法、装置、计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116389492A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117750040A (zh) * | 2024-02-20 | 2024-03-22 | 浙江宇视科技有限公司 | 智能服务器集群的视频业务均衡方法、装置、设备及介质 |
-
2023
- 2023-04-28 CN CN202310484321.2A patent/CN116389492A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117750040A (zh) * | 2024-02-20 | 2024-03-22 | 浙江宇视科技有限公司 | 智能服务器集群的视频业务均衡方法、装置、设备及介质 |
CN117750040B (zh) * | 2024-02-20 | 2024-06-07 | 浙江宇视科技有限公司 | 智能服务器集群的视频业务均衡方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11048498B2 (en) | Edge computing platform | |
US20240146771A1 (en) | Inclusion of time-series geospatial markers in analyses employing a cyber-decision platform | |
US10007513B2 (en) | Edge intelligence platform, and internet of things sensor streams system | |
US11983909B2 (en) | Responding to machine learning requests from multiple clients | |
CN108196915A (zh) | 基于应用容器引擎的代码处理方法、设备及存储介质 | |
CN116389492A (zh) | 视频分析***、方法、装置、计算机可读存储介质 | |
CN113223121A (zh) | 视频生成方法、装置、电子设备及存储介质 | |
US20210035125A1 (en) | Predictive AI Automated Cloud Service Turn-Up | |
CN113570476A (zh) | 基于自定义告警规则的电网监控***容器服务监控方法 | |
CN112565404A (zh) | 数据处理方法、边缘服务器、中心服务器和介质 | |
CN116909748A (zh) | 算力资源分配方法、装置、电子设备及存储介质 | |
CN112204603A (zh) | 利用综合数据作为服务资产组装引擎的分布式计算*** | |
CN115509744A (zh) | 容器分配方法、***、装置、设备及存储介质 | |
CN115378937A (zh) | 任务的分布式并发方法、装置、设备和可读存储介质 | |
CN111353585A (zh) | 神经网络模型的结构搜索方法和装置 | |
CN116860353B (zh) | 数据处理方法、装置、电子设备以及存储介质 | |
CN116664379A (zh) | 倾斜摄影图像加载方法、***、装置、设备及存储介质 | |
CN116628379A (zh) | 可视化图形生成方法、装置、电子设备及存储介质 | |
CN117424896A (zh) | 一种物联网设备的信息展示方法、装置、设备及介质 | |
CN112119405A (zh) | 具有综合数据即服务框架集包生成器的分布式计算*** | |
CN116450121A (zh) | 一种人员轨迹疫情防控模型分析方法及其*** | |
CN112166415A (zh) | 具有众包引擎的分布式计算*** | |
CN117076119A (zh) | 超算作业调度方法、装置、电子设备及存储介质 | |
CN115767179A (zh) | 视频流处理方法、***、电子设备和存储介质 | |
CN117873609A (zh) | 数据处理方法及装置、存储介质及电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |