[发明专利]多用户视频流深度学习共享计算复用方法

权利要求书

1.一种多用户视频流深度学习共享计算复用方法，其特征是，首先，当带有检测操作或识别操作的请求到来时，根据空间维度的关联性，对请求进行合并，裁剪掉请求中存在重叠的部分；然后，根据时间维度的关联性，请求到物体检测数据库或物体识别数据库中进行检索，查询是否已有数据可供复用，当不存在可复用的数据时，根据逻辑间的关联性，应用物体识别数据库或物体检测数据库中数据对检测操作或识别操作进行过滤减少无效计算，再调用配置好参数的深度学习模型进行分析；对于不可复用的部分，首先根据速度精度的平衡关系，找到分析过程中参数配置，然后据此调用差异检测器与深度学习模型进行视频分析，最终将分析结果输出并存入数据仓库，提升模块则用来提升数据库中原有的结果精度以便于复用给高精度的查询请求；需要对相关参数包括分辨率、深度学习模型的选择、跳帧率进行合理配置；平衡查询的精度与速度具体步骤：

步骤一、对不同参数下的不同模型的精度与速度关系进行拟合，获取各个模型速度与精度的对应关系，在查询到来时便可选择最优的参数进行视频分析，以达到用户需求；

步骤二、根据马尔科夫链法则，由前一帧的精度以及两帧之间的差异度，再加上相应的调节参数，来预测后一帧的精度，通过验证实验来不断更正调节参数的数值，从而能够进行准确的精度评价，具体使用δdiff代表两帧之间的差异度，使用A(fi-1)代表i-1帧的精度，使用k作为调节参数，那么根据马尔科夫链法则，第i帧的精度为：

A(fi-1)＝k*δdiff*A(fi-1).

最后，推理请求之间的结果复用是有条件的复用即采用增加使用深度学习模型的频次；步骤三、保留深度学习模型的结果，对差异检测器的部分结果使用高精度模型进行重新检测，并充分复用差异检测器关于两帧之间相似度的计算结果，重新评估连续帧之间的精度，从而在整体上提高检测精度；

其中，逻辑维度的复用：对物体检测与物体识别的数据建立关联，找到不同模型间存在关联性的数据从而进行互相过滤，逻辑维度的复用具体步骤：

一个视频中含有m帧图像，共有l类物体可检测和k个人物可识别，使用Dl*m和Rk*m两个矩阵来对数据进行存储，Dl*m为代表物体矩阵，Rk*m为代表人物矩阵，当新的查询到来时，首先查询Dl*m和Rk*m中是否有对应数据存在，若有则直接使用，D_ij为1表示第j帧图片中存在第i物体，为0则表示不存在第i物体；R_ij为1表示第j帧图片中存在第i人物，为0则表示不存在第i人物；D_1j记录第j帧中是否有人存在；R_*j表示第j帧中所有的人物；

定理一：如果D1j为0，那么当0j＝m时，R*j也为0；

定理二：如果Rij为1，那么当0j＝m时，D1j也为1；

定理一表示，当第j帧检测到没有人时，那么目标识别模型在第j帧将会检测不到任何人；定理二表示，当第j帧中识别出人物i时，目标检测矩阵会自动更新第j帧中有人，由此，在进行逻辑复用时，根据定理一与定理二动态更新数据库数据，为目标检测和目标识别建立关联。

2.如权利要求1所述的多用户视频流深度学习共享计算复用方法，其特征是，时间维度的复用具体步骤：

1)采用差异检测的方式检测连续帧之间的相似度，差异检测器获取连续帧的直方图并计算直方图距离，进一步计算出相似度，然后根据相似度判断数据是否可进行复用；

2)新的请求到来时，首先对请求进行拆分为两部分，可复用部分与不可复用部分，可复用部分的数据已存在于数据库中，可直接通过运行时间更快的数据库查询操作获取结果；对于不可复用的部分，仍通过深度学习模型进行处理获取请求结果，然后将请求到的结果反馈给数据库，以便于后续查询进行复用。

3.如权利要求1所述的多用户视频流深度学习共享计算复用方法，其特征是，空间维度的复用：采用请求裁剪合并的方式对请求进行合并，裁剪掉其中的重叠部分，减少多次的重复请求。