coding make me calm 点击>知乎专栏
分享原创计算机视觉和深度学习相关文章
领域：算法工程落地/视频分析/目标检测/目标跟踪/行为分析/深度学习/计算机视觉/DeepStream/gstreamer/tensorRT/tensorflow/pytorch/C++/Python/GPU加速/CUDA/编解码流媒体/Java/.NET/Tesla 计算卡/Jetson 嵌入式/华为Atlas加速卡/华为Ascend 310 AI芯片/雷达PCD点云数据目标检测和跟踪/ROS框架开发/雷视融合

• 首页
• 新随笔
• 联系
• 管理

VP视频结构化框架

完成多路视频并行接入、解码、多级推理、结构化数据分析、上报、编码推流等过程，插件式/pipe式编程风格，功能上类似英伟达的deepstream和华为的mxvision，但底层核心不依赖复杂难懂的gstreamer框架（少部分地方需要），框架主干部分主要使用原生C++ STL实现，目标是平台高可移植性。框架可用于：视频结构化、以图搜图、目标行为分析等应用领域。

主要功能

• 视频接入，支持file/rtsp/udp/rtmp等主流视频流协议；
• 多级推理，自带检测/分类/特征提取等推理插件。默认使用opencv.dnn实现，可基于其他类似tensorrt、甚至原生的pytorch/tensorflow扩展新的推理插件；
• 目标跟踪，自带基于iou的跟踪插件，可基于其他算法扩展新的跟踪插件；
• 行为分析，自带若干行为分析插件，比如目标跨线、拥堵/目标聚集判断；
• 图像叠加，结构化数据和视频融合显示；
• 消息推送，自带基于kafka的消息推送插件，可基于其他消息中间件扩展新的插件；
• 录像/截图，自带截图/录像插件；
• 编码输出，支持file/screen/rtmp/rtsp等主流方式输出编码结果；

主要特点

• 可视化调试，自带pipe可视化功能，可在界面实时显示pipe的运行状态，如pipe中各个环节的fps/缓存队列大小，以及计算pipe起/止插件之间的时间延时，帮助程序员快速定位性能瓶颈位置；
• 插件与插件之间默认采用“smart pointer”传递数据，数据从头到尾，只需创建一次，不存在拷贝操作。当然，可根据需要设置“深拷贝”方式在插件之间传递数据；
• pipe中各通道视频的fps、分辨率、编码方式、来源均可不同，并且可单独暂停某一通道；
• pipe中可传递的数据只有两种，一种frame_meta数据、一种control_meta数据，结构清晰明了；
• 插件组合方式自由，在满足客观逻辑的前提下，可合并、可拆分，根据需要设计不同的pipe结构。同时自带pipe结构检查功能，识别出不合规的pipe结构；
• pipe支持各种hook，外部通过hook可以实时获取pipe的运行情况（第1点就是基于该特性实现）；
• 基于指定基类，所有自带插件全部可自定义重新实现；
• 框架主干代码完全基于原生C++ STL实现，跨平台编译部署简单。

目前进度

• 2022/7/22：已完成主干框架开发，预估占总体进度的1/3。等基本完成后开源，有兴趣的朋友可以关注。

下面第一张图显示pipe构建过程，第二张图自动显示pipe结构、并实时刷新pipe运行状态：

作者：周见智
出处：http://www.cnblogs.com/xiaozhi_5638/
首发公众号，扫描二维码关注公众号，分享原创计算机视觉/深度学习/算法落地相关文章