基于亿级像素数据的视频监测与异常分析系统与方法与流程

1.本发明属于视频监测与异常识别技术领域，尤其涉及一种基于亿级像素数据的视频监测与异常分析系统与方法、实现所述方法的计算机终端设备以及存储介质。


背景技术：

2.目前，智能视频监控技术已广泛应用于公共安全监控、工业现场监控、居民小区监控、交通状态监控等各种监控场景中，实现了犯罪预防、交通管制、意外防范和检测、老幼病残监护等功能。与传统监控相比，多相机实时拼接视频影像技术具有很多优势。一是可远距离识别。目前传统监控识别范围为5
‑
8米，而多相机实时拼接视频影像技术可在100米外对目标进行识别分析。二是可同时识别多目标。
3.得益于微电子技术的发展，图像传感器替代胶片相机后， 一直向着更小像素和更大阵列规模的方向发展，以期获得更大的图像分辨率。目前的视频采集数据像素已经可以超过千万级别甚至亿级别。
4.伴随着亿级像素图像传感器甚至更高分辨率的图像传感器的使用和组合，导致数据的存储量和处理量激增，传统的视频数据融合处理方法不再适用于。尤其是对于亿级像素数据的视频监测场景来说，数据存储乱序、数据存储溢出等问题逐渐突出，成为制约视频监测数据处理速度、视频异常识别准确性的重要因素。
5.对此，现有技术尚未提出针对亿级像素数据的视频监测与异常分析的快速而准确的技术方案。


技术实现要素：

6.为解决上述技术问题，本发明提出一种基于亿级像素数据的视频监测与异常分析系统与方法、实现所述方法的计算机终端设备以及存储介质。
7.在本发明的第一个方面，提出一种基于亿级像素数据的视频监测系统，所述视频监测系统包括多个分辨率不同的图像采集阵列，每个图像采集阵列包括多个视频传感器;所述视频监测系统还包括：环形阵列存储模块，所述环形阵列存储模块包括外环存储空间和内环存储空间；所述外环存储空间包括第一数量的外环存储器，所述内环存储空间包括第二数量的内环存储器；将每个所述图像采集阵列采集的图像数据存贮至所述外环存储器；并将不同的至少两个所述图像采集阵列采集到的图像数据中包含同一个目标对象的图像数据存储至所述内环存储器；基于所述外环存储器存贮的图像数据进行视频监测；基于所述视频监测的结果，确定是否清空所述内环存储器。
8.具体的，所述环形阵列存储模块均为环形栈，即所述外环存储空间和内环存储空间均由环形栈构成。
9.第一数量的外环存储器构成外环存储器阵列，即外环栈阵列；第二数量的内环存储器构成内环存储器阵列，即内环栈阵列；所述外环存储器阵列和所述内环存储器阵列为组合于同一个环形栈存储模块中的环形存储栈。
10.值得指出的是，不同于现有技术通常采用队列存储的方式，本发明的技术方案采用栈存储，可以避免视频监测中无法获取到最新数据导致的识别不及时问题；尤其是采用环形栈存储，则进一步以可以避免在亿级像素数据产生场景下的数据存储溢出问题。
11.进一步的，所述目标对象包括目标区域和目标人物；针对同一个目标区域，至少存在两个不同分辨率的图像采集阵列进行视频监测，并且其中至少一个图像采集阵列分辨率不低于亿级像素。
12.当所述目标区域监测到所述目标人物时，将图像采集阵列采集到的最高分辨率的图像数据存储至所述内环存储器。
13.当所述目标区域监测到所述目标人物时，将图像采集阵列采集到的最低分辨率的图像数据存储至所述外环存储器；基于所述外环存储器存贮的图像数据进行视频监测，确定是否清空所述内环存储器，具体包括：若不存在行为异常的目标人物，则清空所述内环存储器。
14.基于上述技术方案，本发明可以避免内环存储器的无效数据存储过多，减轻了数据存储压力；同时，及时为关键的实时数据“腾出”栈空间。
15.在本发明的第二个方面，提供一种基于亿级像素数据的视频异常分析系统，所述视频异常分析系统连接第一个方面所述的视频监测系统。
16.所述视频异常分析系统包括第一视频异常分析模型和第二视频异常分析模型；采用所述第一视频异常分析模型对所述外环存储空间存储的图像数据执行第一异常识别；采用所述第二视频异常分析模型对所述内环存储空间存储的图像数据执行第二异常识别；所述第一视频异常分析模型的精度低于所述第二视频异常分析模型的精度；并且，当所述第一异常识别模型的输出结果为是时，启动所述第二异常识别。
17.具体的，所述第一视频异常分析模型为动作异常识别模型；所述第二视频异常分析模型为图像帧语义异常识别模型，所述图像帧语义异常识别模型包括区域像素值变化分析、区域边缘变化分析以及图像文本语义分析。
18.上述技术方案中，不同于现有技术，本发明采用两级视频异常识别模型，首先采用精度较低的第一视频异常分析模型对所述外环存储空间存储的图像数据执行第一异常识别，此时所述第一异常识别仅执行动作异常识别，以迅速得出结果；然后，采用精度较高的所述第二视频异常分析模型对所述内环存储空间存储的图像数据执行第二异常识别，此时所述第二异常识别包括区域像素值变化分析、区域边缘变化分析以及图像文本语义分析，可以准确的识别出细微部分，得出准确的判断，因此，两个方面的结合，可以兼顾速度与准确性。
19.在本发明的第三个方面，提供一种基于亿级像素数据的视频监测方法，所述方法
利用包括亿级图像传感器的多个图像采集阵列采集视频图像后，对所述视频图像进行监测分析。
20.在主体步骤上，所述方法包括如下步骤：s810：启动第一图像采集阵列，获得第一分辨率的多个视频图像；s820：将所述多个视频图像存贮至外环存储器阵列；s830：识别出多个视频图像中包含同一个目标对象的多个子视频图像；s840：将所述多个子视频图像存储至内环存储器阵列；s850：基于所述外环存储器存贮的视频图像进行视频监测；s860：基于所述视频监测的结果，确定是否清空所述内环存储器。
21.其中，所述目标对象包括目标人物和目标区域；针对同一个目标区域，至少存在两个不同分辨率的图像采集阵列进行视频监测，并且其中至少一个图像采集阵列分辨率不低于亿级像素；当在所述目标区域监测到所述目标人物时，将最高分辨率的图像采集阵列采集到的图像数据存储至所述内环存储器阵列。
22.在本发明的第四个方面，提供一种基于亿级像素数据的视频异常分析方法，所述方法包括：s100：将不同的至少两个外环存储器存储的图像数据中包含同一个目标对象的图像数据存储至内环存储器阵列；s101：采用第一视频异常分析模型对外环存储器阵列存储的图像数据执行第一异常识别；s102：判断所述第一异常识别结果是否为是；如果是，则进入步骤s103；否则，判断内环存储器是否满栈；如果满栈，则清空所述内环存储器阵列，返回步骤s100；s103：采用第二视频异常分析模型对内环存储器阵列存储的图像数据执行第二异常识别；其中，所述外环存储器阵列和所述内环存储器阵列为组合于同一个环形阵列存储模块中的环形存储栈；所述第一视频异常分析模型的精度低于所述第二视频异常分析模型的精度。
23.在本发明的第五个方面，提供一种终端设备，例如可以是数据交互设备，其包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述计算机程序可以是数据交互程序，所述处理器执行所述计算机程序时，实现上述第三个方面或者第四个方面所述方法的全部或者部分步骤。
24.在本发明第六个方面，提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时，实现上述第三个方面或者第四个方面所述方法的全部或者部分步骤。
25.在上述技术方案中，采用栈存储的形式，可以充分利用栈的后进先出的特点，使得最先从栈中读取的视频数据，总是离当前处理时间节点最近的数据；采用环形栈的形式，则可以确保数据存储时不会产生“溢出”现象；而在满栈时主动清空的处理方式，进一步确保了关键的实时数据具有相应的栈存储空间。
26.本发明的进一步优点将结合说明书附图在具体实施例部分进一步详细体现。
附图说明
27.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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。
28.图1是本发明一个实施例的一种基于亿级像素数据的视频监测系统的结构示意图；图2是图1所述视频检测系统使用的相机阵列的外观示意图；图3是图2所述相机阵列的部分内部结构的进一步拆解示意图；图4（a）
‑
图4（b）是固定图1所述相机的法兰结构的布置示意图；图5是本发明一个实施例的一种基于亿级像素数据的视频异常分析系统的结构示意图；图6是本发明一个实施例的一种基于亿级像素数据的视频监测方法的流程示意图；图7是本发明一个实施例的一种基于亿级像素数据的视频异常分析方法的流程示意图；图8是实现图6或图7所述方法的全部或者部分步骤的计算机设备的结构图。
具体实施方式
29.下面，结合附图以及具体实施方式，对发明做出进一步的描述。
30.首先，介绍本发明的各个实施例的部分术语含义以及数学符号表达含义。
31.阵列：是将多个元器件按照一定的形状或者规则排布在一起形成的元件阵列。
32.本发明中，每个图像采集阵列，就是将多个视频传感器元件（例如感光芯片）按照一定的规则排布形成视频传感器阵列，通过多个视频传感器元件可以提高视频采集的像素数，在本发明中，结合上下文，某些情况下像素数目可以等同于分辨率；环形阵列存储，就是将多个存储器构成环形阵列。
33.栈：线性表的一种特殊的存储结构。与队列先进先出不同，栈只能从表的固定一端对数据进行插入和删除操作，另一端是封死的，即栈的数据操作是后进先出。
34.环形栈：将多个栈构成环形阵列后进行数据存储。
35.在此基础上，介绍本发明的各个不同实施例。
36.图1是本发明一个实施例的一种基于亿级像素数据的视频监测系统的结构示意图。
37.在图1中，所述基于亿级像素数据的视频监测系统包括多个分辨率不同的图像采集阵列，每个图像采集阵列包括多个视频传感器;所述视频监测系统还包括：环形阵列存储模块，所述环形阵列存储模块包括外环存储空间和内环存储空间；所述外环存储空间包括第一数量的外环存储器，所述内环存储空间包括第二数量的内环存储器。
38.在图1中，所述第一数量大于所述第二数量；所述第一数量不低于所述图像采集阵
列的数量；将每个所述图像采集阵列采集的图像数据存贮至该图像采集阵列对应的外环存储器中。
39.具体的，所述环形阵列存储模块均为环形栈，即所述外环存储空间和内环存储空间均由环形栈构成。
40.第一数量的外环存储器构成外环存储器阵列，即外环栈阵列；第二数量的内环存储器构成内环存储器阵列，即内环栈阵列；所述外环存储器阵列和所述内环存储器阵列为组合于同一个环形栈存储模块中的环形存储栈。
41.值得指出的是，不同于现有技术通常采用队列存储（队列是先进先出）的方式，本发明的技术方案采用栈存储，可以避免视频监测中无法获取到最新数据导致的识别不及时问题；尤其是采用环形栈存储，则进一步以可以避免在亿级像素数据产生场景下的数据存储溢出问题（队列会产生溢出）。
42.图1中，所述多个图像采集阵列包含的视频传感器为图像采集传感器，至少一个图像传感器的分辨率大于1亿；优选的，所述多个图像传感器的分辨率均大于1亿。
43.作为更具体的例子，每个图像传感器均为亿级像素宽视场摄像机，相机视场角可达到180
°‑
360
°
，且相机的像素数达到1亿以上，且可根据需要扩展至更高分辨率。
44.具体的，可参见图2的外观示意图以及图3的部分拆解示意图。
45.相机由多个镜头组成，各镜头拍摄的视频画面在垂直方向上一致，在水平方向上分别拍摄不同角度，各相机拍摄画面有一定重叠区，确保相邻镜头视频画面间有足够的特征用以拼接融合。
46.参见图2，相机整体由一个底面腔体、内部用于固定法兰等部件的支撑架和上盖组成。底面腔体前部使用圆弧形设计，根据镜头数量留有圆形孔，孔的直径根据不同镜头视野范围确定，视野范围越大，孔的直接越大。孔的外侧有平台，用于粘贴玻璃，玻璃外侧用圆环固定。
47.进一步参见图3，内部法兰支撑架用于定位镜头模组。该宽视场相机，各镜头在视野上处于同一高度，但在结构件设计上，为减小相机体积，采用2层设计。将镜头间隔分布在上下两个支撑架上。上下两个支撑架通过定位孔确定相互间角度和位置关系。各支撑架的法兰定位面根据镜头焦距确定，主要保证1）相邻镜头视频画面有一定重叠区；2）上下2个支撑架上各镜头画面在水平方向上保持一致。
48.下层支撑架最前端有加固件，用于加固支撑架。每个镜头配有一个模组，模组由固定法兰、相机感光器件集成电路板和视频处理芯片集成电路板组成，两个电路板之间使用铜柱固定，并且两个集成电路板上都有连接端子，使用排线相连。其中，参见图4（a）
‑
图4（b），是固定图1所述相机的法兰结构的布置示意图。其中，法兰正面和四周留有螺丝孔，便于不同情况下固定到支架上。法兰正面中间位置预留固定镜头的圆孔。
49.在一个具体的实施例中，相机每个镜头都达到4k或8k分辨率，因各镜头视野在同一水平线上，为得到不同垂直视场角的相机，可将感光元器件水平放置或垂直放置，即图4（a）中的法兰可按图中方式水平放置 ，也可参照图4（b）将其旋转90
°
放置。
50.当感光元器件垂直放置时，虽然其垂直视场角增大了，但其单个感光元器件的水
平视场角就相应的变小了，故当整个相机要达到同样的视场角（例如180
°
）时，就需要有更多的镜头；因此，实际布置时需要根据镜头数量来确定。
51.在实际应用中，所述目标对象包括目标区域；针对同一个目标区域，至少存在两个不同分辨率的图像采集阵列进行视频监测，并且其中至少一个图像采集阵列分辨率不低于亿级像素。
52.在另一种应用场景中，所述目标对象包括目标人物；当所述目标区域监测到所述目标人物时，将图像采集阵列采集到的最高分辨率的图像数据存储至所述内环存储器。
53.当所述目标区域监测到所述目标人物时，将图像采集阵列采集到的最低分辨率的图像数据存储至所述外环存储器；基于所述外环存储器存贮的图像数据进行视频监测，确定是否清空所述内环存储器，具体包括：若不存在行为异常的目标人物，则清空所述内环存储器。
54.接下来参见图5。
55.图5示出本发明一个实施例的一种基于亿级像素数据的视频异常分析系统的结构示意图。
56.在图5中，所述视频异常分析系统连接图1所述的视频监测系统。
57.所述视频异常分析系统包括第一视频异常分析模型和第二视频异常分析模型；采用所述第一视频异常分析模型对所述外环存储空间存储的图像数据执行第一异常识别；采用所述第二视频异常分析模型对所述内环存储空间存储的图像数据执行第二异常识别；所述第一视频异常分析模型的精度低于所述第二视频异常分析模型的精度；并且，当所述第一异常识别模型的输出结果为是时，启动所述第二异常识别。
58.具体的，所述第一视频异常分析模型为动作异常识别模型；所述第二视频异常分析模型为图像帧语义异常识别模型，所述图像帧语义异常识别模型包括区域像素值变化分析、区域边缘变化分析以及图像文本语义分析。
59.图5的实施例采用两级视频异常识别模型，首先采用精度较低的第一视频异常分析模型对所述外环存储空间存储的图像数据执行第一异常识别，此时所述第一异常识别仅执行动作异常识别，以迅速得出结果；然后，采用精度较高的所述第二视频异常分析模型对所述内环存储空间存储的图像数据执行第二异常识别，此时所述第二异常识别包括区域像素值变化分析、区域边缘变化分析以及图像文本语义分析，可以准确的识别出细微部分，得出准确的判断，因此，两个方面的结合，可以兼顾速度与准确性。
60.关于第一视频异常分析模型即动作异常识别模型、第二视频异常分析模型即语义识别模型的具体实现，可以具体参见相关现有技术。
61.动作异常识别的相关现有技术较为成熟，具体可参见：肖华强. 基于达芬奇平台的视频异常事件检测算法研究与实现[d]. 电子科技大学, 2016；张莹. 视频异常事件检测算法研究. 大连理工大学, 2015.
尹承祥. 基于视频监控的城市交通异常事件检测算法研究[d]. 沈阳大学。
[0062]
以上现有技术作为本实施例的一部分引入，以便于理解本发明。
[0063]
基于语义识别的视频异常分析比动作识别的精度跟高，本实施例结合现有技术进行简单展开，以便于本领域技术人员更好的理解本技术。
[0064]
以施工现场全景监控场景为例，所述语义识别、分析的基本原理是，为实现隐患场景识别和施工安全泛场景数据智能化处理，在分析场景构成因素基础上，将施工场景划分为不安全行为场景和不安全物态场景2类。结合图像语义层次的划分，应用深度学习方法提取对象语义、空间关系语义、场景语义和行为语义，进而依据施工安全泛场景数据理论，得到图像语义信息与泛场景数据对应关系，可以自动采集不安全行为和不安全场景泛物态数据，提高场景数据处理效率。
[0065]
从计算机视觉角度分析，施工场景图像语义根据其理解层次的不同，可分为底层特征、中层语义和高层视觉3个层次。
[0066]
底层特征为低级视觉信息，可从图像中直接获取，是对图像的视觉特征最直接客观的描述；中层语义用视觉词包模型或语义主题来表示。中层语义由低层视觉特征推导演变得到的特征信息，用来表示基于内容的图像。高层视觉指人们对图像进行高级的抽象认知而得到的语义信息，往往包含比低的层次更高级更抽象的语义。底层特征与人们理解的高层视觉存在语义鸿沟，即在判别图像相似性时是建立理解描述对象语义的基础上，并非仅建立在底层纹理颜色和形状等特征上。
[0067]
由低层次到高层次依次是特征语义(纹理
‑
颜色
‑
形状信息、区域像素值变化信息、区域边缘变化信息)、对象语义、空间关系语义、场景语义、行为语义和情感语义。结合实际不安全物态和不安全行为场景描述，其图像语义主要涉及对象语义、空间关系语义、场景语义和行为语义4个层面。
[0068]
选用cnn深度学习结构提取对象语义，包括信息输入、预处理、特征抽取和选择以及分类决策学习4个过程。cnn可以直接处理二维图像，图像特征提取和降维是分步进行的，卷积层通过卷积核来提取图像特征，采样层对图像特征进行降维，通过全连接层和分类层进行分类。
[0069]
对于空间关系语义，在对象识别的基础上，为定位各对象区域，用最小边缘矩形法(minimal bounding rectangle，mbr)对区域作近似估算，其处理得到的是一系列矩形，而每个矩形则对应对象轮廓的一条闭合曲线对象之间的方位关系，可通过建立方向关系矩阵来确定这样，就可直观地得到8个方向(上/下左/右/左上/左下/右上/右下)上对象所处空间位置的形式描述以及对象之间相邻和交叠的关系。对于空间关系语义，在对象识别的基础上，为定位各对象区域，用最小边缘矩形法对区域作近似估算，其处理得到的是一系列矩形，而每个矩形则对应对象轮廓的一条闭合曲线。对象之间的方位关系，可通过建立方向关系矩阵来确定。这样，就可直观地得到8个方向(上/下/左/右/左上/左下/右上/右下)上对象所处空间位置的形式描述以及对象之间相邻和交叠的关系。
[0070]
行为语义的提取主要包括识别人的动作姿态和自然语言描述人体行为2个步骤。
[0071]
第1步，应用dbn识别施工场景中人的动作姿态，首先，应用高斯混合模型对背景建模，运用背景减法来提取前景，获得前景运动时的二值图像，然后输入二值图像，通过深度学习获得各种行为的多层次特征，最后利用训练得到的dbn来识别各种不同动作姿态；
在行为识别过程中，dbn是一个包含多个隐含层的概率模型，每个低层ｒbm的输出结果作为输入数据用于训练下一个ｒbm，通过贪婪学习得到一组ｒbm，这一组ｒbm可以构成一个dbn；第2步，结合场景语义用自然语言描述场景中目标人体的行为。由于行为语义涉及到的人物场景和行为状态是特定的，所以行为语义的一方面提取必须依赖一个较完备的知识库，并且需要知识库的支持系统具有一定的推理能力，如识别出的人物动作为平躺，结合工人在施工台架上的场景语义，则行为语义可以描述为工人在施工台架上睡觉（存在危险因素）。
[0072]
图6是本发明一个实施例的一种基于亿级像素数据的视频监测方法的流程示意图。
[0073]
在图6中，示出一种基于亿级像素数据的视频监测方法，所述方法利用包括亿级图像传感器的多个图像采集阵列采集视频图像后，对所述视频图像进行监测分析，所述方法包括如下步骤：s810：启动第一图像采集阵列，获得第一分辨率的多个视频图像；s820：将所述多个视频图像存贮至外环存储器阵列；s830：识别出多个视频图像中包含同一个目标对象的多个子视频图像；s840：将所述多个子视频图像存储至内环存储器阵列；s850：基于所述外环存储器存贮的视频图像进行视频监测；s860：基于所述视频监测的结果，确定是否清空所述内环存储器。
[0074]
所述目标对象包括目标人物和目标区域；针对同一个目标区域，至少存在两个不同分辨率的图像采集阵列进行视频监测，并且其中至少一个图像采集阵列分辨率不低于亿级像素；当在所述目标区域监测到所述目标人物时，将较高分辨率的图像采集阵列采集到的图像数据存储至所述内环存储器阵列。
[0075]
基于所述外环存储器存贮的图像数据进行视频监测，确定是否清空所述内环存储器，具体包括：若不存在行为异常的目标人物，则清空所述内环存储器。
[0076]
图7是本发明一个实施例的一种基于亿级像素数据的视频异常分析方法的流程示意图。
[0077]
图7所述基于亿级像素数据的视频异常分析方法包括步骤s100
‑
s103，各个步骤具体实现如下：s100：将不同的至少两个外环存储器存储的图像数据中包含同一个目标对象的图像数据存储至内环存储器阵列；s101：采用第一视频异常分析模型对外环存储器阵列存储的图像数据执行第一异常识别；s102：判断所述第一异常识别结果是否为是；如果是，则进入步骤s103；否则，判断内环存储器是否满栈；如果满栈，则清空所述内环存储器阵列，返回步骤s100；s103：采用第二视频异常分析模型对内环存储器阵列存储的图像数据执行第二异常识别；
其中，所述外环存储器阵列和所述内环存储器阵列为组合于同一个环形阵列存储模块中的环形存储栈；所述第一视频异常分析模型的精度低于所述第二视频异常分析模型的精度。
[0078]
所述第一视频异常分析模型为动作异常识别模型；所述第二视频异常分析模型为图像帧语义异常识别模型，所述图像帧语义异常识别模型包括区域像素值变化分析、区域边缘变化分析以及图像文本语义分析。
[0079]
需要指出的是，图6或图7所述方法、流程，均可以通过计算机程序指令自动化的实现。因此，参见图8提供一种电子计算机设备，该电子设备可以是数据交互设备，包括总线、处理器以及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机存储介质存储的程序指令。
[0080]
该计算机设备可以是终端，该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过wifi、运营商网络、nfc（近场通信）或其他技术实现。该计算机程序被处理器执行时以实现前述方法实例的步骤。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
[0081]
本发明采用栈存储的形式，可以充分利用栈的后进先出的特点，使得最先从栈中读取的视频数据，总是离当前处理时间节点最近的数据；采用环形栈的形式，则可以确保数据存储时不会产生“溢出”现象；而在满栈时主动清空的处理方式，进一步确保了关键的实时数据具有相应的栈存储空间；此外，视频异常分析采用两级视频异常识别模型，首先采用精度较低的第一视频异常分析模型对所述外环存储空间存储的图像数据执行第一异常识别，此时所述第一异常识别仅执行动作异常识别，以迅速得出结果；然后，采用精度较高的所述第二视频异常分析模型对所述内环存储空间存储的图像数据执行第二异常识别，此时所述第二异常识别包括区域像素值变化分析、区域边缘变化分析以及图像文本语义分析，可以准确的识别出细微部分，得出准确的判断，因此，两个方面的结合，可以兼顾速度与准确性。
[0082]
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，尽管参照上述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等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。
[0083]
本发明未特别明确的部分模块结构，以现有技术记载的内容为准。本发明在前述背景技术部分提及的现有技术可作为本发明的一部分，用于理解部分技术特征或者参数的含义。本发明的保护范围以权利要求实际记载的内容为准。