[发明专利]一种基于智能视频应用的服务器性能测试方法和系统

说明书

本发明提供了一种基于智能视频应用的服务器性能测试方法，包括以下步骤：对多路视频进行硬解码处理，以确定可以在满足帧率要求的情况下解码的视频路数范围；以及开启多进程以同时运行解码及智能视频处理深度学习算法，并依次输入所述范围内的视频路数，以确定在满足帧率、处理延迟的情况下可以同时解码的最大视频路数。本发明将视频解码和AI算法同时压入GPU，以得到AI服务器在安防智能视频应用领域应用的整体性能及处理能力。

技术领域

本发明总体上涉及视频监控领域，并且更具体地，涉及一种基于智能视频应用的服务器性能测试方法和系统。

背景技术

安防是个很大的范畴，笼统而言包括监控、消防、门禁等。目前来讲，视频监控部分特别是数字监控还是有很大的潜力。在视频监控领域，服务器需求、市场发展比较火热，众多AI初创公司都选择该领域作为新机会，未来安防的大部分技术爆发及创新将集中于此领域。视频监控领域涉及的场景众多，比如安检中的违禁物体识别、人脸识别、车牌识别、行为分析、视频结构化等等。

传统的视频安防监控系统利用视频技术探测、监视设防区域并实时显示、记录线程图像的电子系统和网络，系统的前端一般利用摄像机、高清摄像头，传输方式可采用同轴电缆或光纤传输，系统的终端设备一般是显示、记录、控制、通信设备等。终端设备一般是传统的X86服务器或者相应的嵌入式设备，会简单的对前端传输的数据保存或者处理，但限于计算能力和算法的水平，传统视频监控一直处于滞后监控或者模糊监控，无法达到精准、智能的要求。

在终端设备中处理采用的服务器之前全部采用的是CPU架构的服务器，如图1所示，其性能测试方法一般包括：CPU评估，针对的是计算能力；内存评估，针对的是延时和速率；IO评估，针对的是读写能力；还有类似网络带宽、集群高可用等的其它评估方法。上述步骤针对的是传统的视频处理步骤，在利用CPU为主的计算核心时，该检测步骤往往是有效的。但随着GPU设备的出现，许多计算尤其是矩阵相关运算都移植到 GPU端，新一代的由深度学习算法引领的人工智能浪潮的特点即是异构计算带来的爆炸计算能力，因此如何评价AI服务器的性能才是最需关注的点，一般的对GPU进行测试的项包括：gpu-burn、NVqual。上述的这些测试项目主要针对的是GPU运行的稳定性及数学运算能力，而在智能视频应用中视频的转解码工作、抽帧处理、深度学习算法处理能力都需要在 AI服务器异构计算设备中进行评估。

因此，随着异构计算设备的出现、视频硬解码能力的提高、深度学习算法的出现及不断发展，上述的针对传统设备的性能测试方法已不能涵盖服务器在视频监控领域所关注的指标参数。

发明内容

鉴于此，本发明实施例的目的在于解决视频安防监控系统中的在异构计算设备AI服务器上如何测试视频硬解码及深度学习并发计算能力、以及如何衡量应用于智能视频领域的服务器性能的问题，以满足当前的智能视频应用的测试需求。

基于上述目的，本发明实施例的一方面提供了一种基于智能视频应用的服务器性能测试方法，包括以下步骤：

对多路视频进行硬解码处理，以确定可以在满足帧率要求的情况下解码的视频路数范围；以及

开启多进程以同时运行解码及智能视频处理深度学习算法，并依次输入所述范围内的视频路数，以确定在满足帧率、处理延迟的情况下可以同时解码的最大视频路数。

在一些实施方式中，对多路视频进行硬解码处理，以确定可以在满足帧率要求的情况下解码的视频路数范围包括：利用视频处理软件实现在 GPU上对所述多路视频进行硬解码处理。

在一些实施方式中，对多路视频进行硬解码处理，以确定可以在满足帧率要求的情况下解码的视频路数范围还包括：在对所述多路视频进行硬解码处理的过程中，基于并行计算库来控制多个进程的并发执行。

在一些实施方式中，所述智能视频处理深度学习算法包括依赖 TensorFlow深度学习框架的FaceNet工程，以进行人脸识别检测。