本發明公開了一種面向大規模視頻分析的快速過濾系統，包括：多級過濾器，用于過濾視頻流中的背景幀、沒有目標對象的幀，以及目標對象數量小于數量閾值NumberofObject的幀，得到視頻流中的被檢測幀；全特征網絡模型，用于對被檢測幀進行檢測和分析；全局反饋隊列模塊，用于協調多級過濾器中各個過濾器的處理速度；所述多級過濾器中的前后兩個連續的過濾器中間增加一個隊列，使多級過濾器以流水線的方式異步并行執行。本發明通過多個過濾器級聯，大大減少了需要全特征模型分析的視頻幀的數量，并通過異步并行的級聯結構，在相同硬件環境下，提高了系統能夠實時檢測的視頻流的數量。

1.一種面向大規模視頻分析的快速過濾系統，其特征在于，包括：多級過濾器，用于過濾視頻流中的背景幀、沒有目標對象的幀，以及目標對象數量小于數量閾值NumberofObject的幀，得到視頻流中的被檢測幀；全特征網絡模型，用于對被檢測幀進行檢測和分析；全局反饋隊列模塊，用于協調多級過濾器中各個過濾器的處理速度；所述多級過濾器中的前后兩個連續的過濾器中間增加一個隊列，使多級過濾器以流水線的方式異步并行執行；所述多級過濾器包括M個SDD、M個SNM和一個T-YOLO，其中，M≥1，M表示視頻流的總數，一個視頻流對應一個SDD和一個SNM，每個視頻流和每個SDD之間具有一個SDD隊列，每個SDD與每個SNM之間具有一個SNM隊列，每個SNM與T-YOLO之間具有一個T-YOLO隊列；所述SDD隊列，用于保存視頻流；所述SDD，用于從SDD隊列中獲取視頻流，過濾視頻流中的背景幀，得到第一視頻幀；所述SNM隊列，用于保存第一視頻幀；所述SNM，用于從SNM隊列中獲取第一視頻幀，過濾第一視頻幀中沒有目標對象的幀，得到第二視頻幀；所述T-YOLO隊列，用于保存第二視頻幀；所述T-YOLO，用于從T-YOLO隊列中獲取第二視頻幀，過濾第二視頻幀中目標對象數量小于閾值NumberofObject的幀，得到視頻流中的被檢測幀；所述SDD的處理速度＞SNM的處理速度＞T-YOLO的處理速度，保證多級過濾器的高效運行；所述全局反饋隊列模塊的具體執行方式為：在離線情況下，利用檢測多級過濾器中后端過濾器的處理速度，控制前端過濾器的處理速度，通過維持每個過濾器隊列深度在其閾值上限和多線程并行，來獲得最高的吞吐量；在在線情況下，當T-YOLO隊列深度低于其閾值上限一段時間，說明系統有富余的計算能力，一個新的視頻流可以被加載到當前系統中，當T-YOLO隊列深度高于其閾值上限一段時間，說明系統的計算能力不足以支持當前系統中所有視頻流的實時檢測，此時到達T-YOLO的最低幀率的視頻流將被轉發到另一個有富余計算能力的系統中，另外，全局隊列反饋模塊還用于根據視頻流內容的變化，調整T-YOLO每個周期從相應的T-YOLO隊列中取出視頻幀的數量，維持視頻流間的負載均衡。2.如權利要求1所述的一種面向大規模視頻分析的快速過濾系統，其特征在于，所述SDD的具體執行方式為：將多張樣本背景幀的平均值作為參考圖像，根據參考圖像和視頻流中的某一幀的距離，判斷兩張圖像內容是否相同；如果距離的均方誤差大于第一閾值δ_diff，說明兩張圖像內容不相同，將該幀保存至SNM隊列，否則，兩張圖像內容相同，該幀被視為一個背景幀，直接被過濾掉。3.如權利要求2所述的一種面向大規模視頻分析的快速過濾系統，其特征在于，所述SNM的具體執行方式為：對于第一視頻幀中的每一幀進行預測，得到每一幀中含有目標對象的概率c，當c＜t_pre時，對應的幀被直接過濾；當c≥t_pre時，對應的幀放入T-YOLO隊列，繼續執行后續的檢測，其中，t_pre為第二閾值。4.如權利要求1所述的一種面向大規模視頻分析的快速過濾系統，其特征在于，所述T-YOLO的具體執行方式為：T-YOLO依次遍歷所有的T-YOLO隊列，從T-YOLO隊列中提取不超過num_t-yolo幀進行檢測，輸出每一幀中目標對象的數量信息，如果目標對象的數量小于用戶設定的異常事件的數量閾值NumberofObject，說明當前場景不屬于用戶關心的范圍，直接過濾掉該幀，否則，說明當前場景很可能發生了意外或異常事件，該幀需要使用全特征網絡模型進行高精度的內容分析。5.如權利要求3所述的一種面向大規模視頻分析的快速過濾系統，其特征在于，所述第一閾值和第二閾值的獲取方式為：使用全特征網絡模型對樣本視頻流中的每一幀進行標記，得到標記幀集合，將標記幀集合劃分為訓練數據集和測試數據集，根據測試數據集得到第一閾值δ_diff、第三閾值c_low和第四閾值c_high，進而根據第三閾值c_low和第四閾值c_high，得到第二閾值t_pre，t_pre＝(c_high-c_low)*FilterDegree+c_low其中，FilterDegree是用戶設置的參數，反映SNM的過濾程度。6.如權利要求5所述的一種面向大規模視頻分析的快速過濾系統，其特征在于，所述SNM為訓練好的SNM，所述SNM的訓練過程為：根據AlexNet或者VGG-16的特征，設計CNN的結構，CNN自動從訓練數據集中學習目標對象的特征，并通過隨機下降算法更新權值，經過多次權值更新，得到一系列CNN模型，使用測試數據集對一系列CNN模型下的系統進行測試，得到每個CNN模型下，系統的執行時間和預測精度，將預測精度大于等于95％時執行時間最短的CNN模型作為訓練好的SNM。7.如權利要求2-6任一所述的一種面向大規模視頻分析的快速過濾系統，其特征在于，所述系統在運行時，包括至少一個CPU和兩個GPU，所述SDD在CPU上執行，所述SNM和T-YOLO在一個GPU上運行，所述全特征網絡模型單獨占用另一個GPU。8.如權利要求2-6任一所述的一種面向大規模視頻分析的快速過濾系統，其特征在于，所述系統還包括：動態批次處理模塊，所述動態批次處理模塊，用于當SNM隊列深度大于等于BatchSize時，從SNM隊列中取出BatchSize幀使用SNM進行檢測，當SNM隊列深度小于BatchSize時，將SNM隊列中的第一視頻幀全部取出，構成一批圖像使用SNM進行檢測。