视频结构化类应用涉及到的技术栈比较多，而且每种技术入门门槛都较高，比如视频接入存储、编解码、深度学习推理、rtmp流媒体等等。每个环节的水都非常深，单独拿出来可以写好几篇文章，如果没有个几年经验基本很难搞定。本篇文章简单介绍视频结构化类应用涉及到的技术栈，以及这类应用常见结构，因为是实时视频分析，因此这类应用基本都是管道（pipeline）设计模式。本篇文章算是科普入门介绍文章，不涉及详细技术细节，适合这方面的新手。
所谓视频结构化，就是利用深度学习技术对视频进行逐帧分析，解析出视频帧中感兴趣的目标、并且进一步推理出每个目标感兴趣的属性，最后将这些目标、属性保存成结构化数据（能与每帧关联起来）。如果是实时类应用，要求实时看到分析结果，那么整个过程要求能做到实时性，比如单路视频分析保证FPS能达到原视频的FPS（常见是25）。当然，还有另外一类结构化类应用并不要求做到实时性，比如分析监控录像，将视频录像文件进行结构化处理，结果存于数据库，用于后期快速检索，这类应用不用做到实时分析，打个比方，每秒处理25帧和处理5帧对于这类应用影响不大，只是处理完一个录像文件总耗时不同。本篇文章主要介绍实时（Real-Time）视频结构化。
上图中实时将结构化数据叠加在视频画面中，图中红色多边形为人工配置检测区域（ROI），ROI之外的目标可以忽略。
视频结构化常见Pipeline
视频从接入，到模型推理，再到结果分析、界面呈现，是一个“流式”处理过程，我们可以称为pipeline，对于实时视频结构化类应用，要求整个pipeline各个环节均能满足性能要求，做到实时处理，某个环节达不到实时性，那么整个pipeline就有问题。下面是我整理出来的视频结构化处理pipeline，这个设计基本可以满足要求，有些pipeline可能不长这样，但是大同小异。
如上图所示，数据从左往右移动。涉及到的技术有视频接入、解码、目标检测（一次推理）、目标跟踪、属性分类（二次推理）、数据分析（目标轨迹分析、目标行为分析、数据存储）、图像叠加、编码、rtmp推流。下面详细说一下每个环节涉及到的技术内容。
视频接入
在处理视频之前，需要先将视频接入到系统。常见的接入方式有2种，一种就是直接从摄像机（摄像头）直接接入，常见IP摄像机都支持RTSP/28181国标/设备SDK方式接入；第二种就是从视频管理平台接入，所谓管理平台，其实就是管理所有的摄像机视频数据，摄像机先接入平台，其他系统如果需要视频数据，需要通过SDK/协议再从平台接入，这种方式的好处是平台已经适配了所有前端摄像机，其他系统找平台接入视频时逻辑更简单。
解码
视频接入到系统之后，紧接着需要做的是解码，因为后面深度学习推理的输入是RGB格式的图片。常见解码库可以采用ffmpeg，ffmpeg入门简单，但是如果想做好、适配实际现场各种情况却需要很多经验。解码环节的输入输出如下图所示：
上图左边输入视频流二进制数据，经过解码后，输出单张RGB图片序列。
目标检测（一级推理）
解码之后得到每帧RGB格式的图片，将图片依次输入目标检测模型，GPU加速推理后得到每帧中感兴趣的目标。这个环节是一次推理，主要作用是从单帧图像中锁定感兴趣的目标（目标类型、目标可信度、目标位置）。常见目标检测算法有yolo系列、ssd、rcnn系列。目标检测环节的输入输出如下图所示：
上图左边输入RGB图片序列（可以按batch输入，batch size可以为1），经过目标检测环节后，输出每帧中检测到的目标（类型， 可行度， 目标位置）。
目标跟踪
目标检测是单帧处理，视频帧是连续的，如何将前后帧中的目标一一关联起来就叫目标跟踪。目标跟踪的作用是为了后面的轨迹分析，通过轨迹分析得出目标的行为。目标跟踪的算法有很多，最简单最好理解的是IOU方法，通过计算前后帧每两目标区域之间的IOU来关联目标，并赋予该目标唯一ID（标识符），之后的轨迹分析全部基于该ID。目标跟踪环节的输入输出如下：
上图左边输入前后两帧的目标（M*N），经过跟踪环节后，将M和N个目标一一关联，赋予目标ID。
属性分类（二级推理）
对于检测得到的目标，有可能需要进一步对某些感兴趣的属性进行推理，比如我们检测到了一辆车，我们需要进一步确认它是什么车（轿车、SUV还是皮卡）？还需要知道该车什么颜色（白色、黑色还是黄色）？因此，对于每个检测得到的目标，我们需要根据该目标位置（left、top、width、height）裁剪出目标图像，输入到第二个模型中进行推理，我们称之为二次推理。二次推理环节的输入输出如下：
上图左边输入检测到的车辆（根据尺寸位置裁剪，可以按batch输入，batch size可以为1），经过属性分类环节后，输出每个目标的各个属性值。注意：上图推理模型为多输出模型（multi-outputs），可以同时为多个属性分类。
结果分析
根据具体的业务逻辑，我们可以在这里做一些具体的数据分析，比如根据目标轨迹判断目标行为是否合法（车辆逆行、车辆停车），根据进入画面行人特征（年龄、性别、穿着、交通工具）来判断该目标是否是犯罪嫌疑人（自动告警）。这块的逻辑根据实际需要可以自行扩展，当然前提是前几个环节可以产生足够的数据，比如模型能检测出来充分的属性值。
数据持久化
该环节可以将前面产生的结构化数据存入数据库（可以将其与帧编号关联起来，或者与视频时间戳关联），后面方便快速检索。同时，通过行为分析环节，如果发现重要结果（比如发现嫌疑人、比如发现有车辆逆行），可以实时上报服务器。
图像叠加（OSD）
为了便于实时查看画面分析结果，我们需要在该环节将前面的结构化数据叠加到原始图片帧上。该环节很简单，按照数据格式使用opencv等图像库将其绘制到图片即可，同样我们还可以将目标轨迹叠加在图片上。
上图中将前面检测到的目标，跟踪轨迹，按照不同的颜色绘制到原始图片帧上。
编码 + RTMP推流
图像叠加之后，只能在本地看效果，实际工程中通常是将叠加之后的图片序列进行编码，然后通过rtmp等方式推送到nginx等流媒体服务器，其他用户可以通过rtmp地址查看实时叠加效果。
上图中，经过编码、rtmp推流后，其他用户可以使用对应地址播放叠加流。