一种周期调整方法、装置及设备与流程

1.本技术涉及监控技术领域，尤其是一种周期调整方法、装置及设备。


背景技术：

2.深度学习是机器学习领域中新的研究方向，可以学习样本数据的内在规律和表示层次，这些学习过程获得的信息，对诸如文字，图像和声音等数据的解释有很大帮助。深度学习的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。深度学习在搜索技术，数据挖掘，机器学习，机器翻译，自然语言处理，多媒体学习，语音，推荐和个性化技术，以及其他相关领域都取得了很多成果。深度学习使机器模仿视听和思考等人类的活动，解决了很多复杂的模式识别难题，使得人工智能相关技术取得了很大进步。
3.随着视频监控技术的普及，可以将深度学习算法部署到视频监控领域，比如说，通过深度学习算法对视频图像进行智能分析，从而有效降低人工巡查的工作量，降低人为主观原因的分析和判断，提高分析结果的准确度。
4.在相关技术中，需要对视频流中的每帧视频图像进行智能分析，虽然分析过程更全面，不容易丢失分析的细节。但是，上述方式会对大量无效的视频图像进行智能分析，浪费硬件资源，不能较好的利用智能分析的硬件资源。


技术实现要素：

5.有鉴于此，本技术提供一种周期调整方法，所述方法包括：
6.基于目标数据提取周期获取待分析数据；
7.对所述待分析数据进行智能分析，得到智能分析结果返回值；
8.若根据所述智能分析结果返回值确定需要对所述目标数据提取周期进行调整，则对所述目标数据提取周期进行调整，并将调整后的数据提取周期更新为目标数据提取周期，返回执行基于目标数据提取周期获取待分析数据。
9.本技术提供一种周期调整装置，所述装置包括：
10.获取模块，用于基于目标数据提取周期获取待分析数据；
11.分析模块，用于对待分析数据进行智能分析，得到智能分析结果返回值；
12.处理模块，用于若根据所述智能分析结果返回值确定需要对所述目标数据提取周期进行调整，则对所述目标数据提取周期进行调整，并将调整后的数据提取周期更新为目标数据提取周期。
13.本技术提供一种存储设备，包括：处理器和机器可读存储介质，所述机器可读存储介质存储有能够被所述处理器执行的机器可执行指令；
14.所述处理器用于执行机器可执行指令，以实现如下步骤：
15.基于目标数据提取周期获取待分析数据；
16.对所述待分析数据进行智能分析，得到智能分析结果返回值；
17.若根据所述智能分析结果返回值确定需要对所述目标数据提取周期进行调整，则对所述目标数据提取周期进行调整，并将调整后的数据提取周期更新为目标数据提取周期，返回执行基于目标数据提取周期获取待分析数据。
18.由以上技术方案可见，本技术实施例中，基于目标数据提取周期获取待分析数据，对待分析数据进行智能分析，不是对视频流中的每帧视频图像进行智能分析，减少大量无效数据的智能分析，节约硬件资源，较好的利用智能分析的硬件资源，增加智能分析应用的灵活性。可以根据智能分析结果返回值对目标数据提取周期进行动态调整，从而设置合适的目标数据提取周期，在节约硬件资源的同时，能够保证智能分析结果满足实际应用中对分析响应时间的要求。
附图说明
19.为了更加清楚地说明本技术实施例或者现有技术中的技术方案，下面将对本技术实施例或者现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据本技术实施例的这些附图获得其他的附图。
20.图1是本技术一种实施方式中的应用场景示意图；
21.图2是本技术一种实施方式中的周期调整方法的流程图；
22.图3a和图3b是本技术一种实施方式中的周期调整方法的流程图；
23.图4是本技术一种实施方式中的周期调整装置的结构图；
24.图5是本技术一种实施方式中的存储设备的结构图。
具体实施方式
25.在本技术实施例使用的术语仅仅是出于描述特定实施例的目的，而非限制本技术。本技术和权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其它含义。还应当理解，本文中使用的术语“和/或”是指包含一个或多个相关联的列出项目的任何或所有可能组合。
26.应当理解，尽管在本技术实施例可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本技术范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，此外，所使用的词语“如果”可以被解释成为“在
……
时”或“当
……
时”或“响应于确定”。
27.随着视频监控技术的普及，可以将深度学习算法部署到视频监控领域，比如说，通过深度学习算法对监控的视频图像进行智能分析，从而有效降低人工巡查的工作量，降低人为主观原因的分析和判断，提高分析结果的准确度。
28.例如，在道路违章停车的应用场景中，可以通过摄像机采集区域a的视频图像，通过深度学习算法对该视频图像进行智能分析，从而判断区域a是否存在违章停车，而不需要用户到区域a，人工巡查区域a是否存在违章停车。又例如，在垃圾桶满检测的应用场景中，可以通过摄像机采集垃圾桶的视频图像，通过深度学习算法对该视频图像进行智能分析，从而判断该垃圾桶是否已满，而不需要用户到该垃圾桶的现场，人工巡查该垃圾桶是否已
满。当然，上述只是将深度学习算法部署到视频监控领域的两个示例，对此不做限制。
29.在一种可能的实施方式中，可以对视频流中的每帧视频图像进行智能分析，虽然分析过程更全面，不容易丢失分析的细节。但是，上述方式会对大量无效的视频图像进行智能分析，浪费硬件资源，不能较好的利用智能分析的硬件资源。例如，在垃圾桶满检测，道路违章停车，秸秆焚烧检测等应用场景中，不需要实时快速的得到分析结果，并不需要对视频流中的每帧视频图像进行智能分析，因此，若对视频流中的每帧视频图像进行智能分析，则会对大量无效的视频图像进行智能分析。
30.在另一种可能的实施方式中，可以设置数据提取周期，在每个数据提取周期，从视频流的所有视频图像中选取一帧视频图像，对该选取的一帧视频图像转换为图片后，对该图片进行智能分析，而不是对视频流的每帧视频图像进行智能分析，从而节约硬件资源，较好的利用智能分析的硬件资源。例如，假设数据提取周期为30分钟，则每间隔30分钟选取一帧视频图像，对该选取的一帧视频图像转换为图片后，对该图片进行智能分析。
31.但是，上述方式需要设置固定的数据提取周期，一旦设置好数据提取周期，则不能对数据提取周期进行动态调整，缺少灵活性，不能充分利用硬件资源。
32.在另一种可能的实施方式中，可以设置数据提取周期，在每个数据提取周期，从视频流的所有视频图像中选取一帧视频图像，对该选取的一帧视频图像转换为图片后，对该图片进行智能分析，得到智能分析结果返回值。然后，根据智能分析结果返回值对数据提取周期进行调整，基于调整后的数据提取周期从视频流的所有视频图像中选取一帧视频图像，对该选取的一帧视频图像转换为图片后，对该图片进行智能分析，得到智能分析结果返回值，以此类推。
33.例如，假设数据提取周期为30分钟，则每间隔30分钟选取一帧视频图像，对选取的一帧视频图像转换为图片后，对该图片进行智能分析，得到智能分析结果返回值。然后，根据智能分析结果返回值对数据提取周期进行调整，假设调整后的数据提取周期为60分钟，则每间隔60分钟选取一帧视频图像，对该选取的一帧视频图像转换为图片后，对该图片进行智能分析，得到智能分析结果返回值，以此类推。显然，在上述方式中，不是对视频流的每帧视频图像进行智能分析，从而节约硬件资源，较好的利用智能分析的硬件资源。而且，基于上述方式，可以对数据提取周期进行动态调整，增加了智能分析应用的灵活性，可以设置合适的数据提取周期，在节约硬件资源的同时，能够保证智能分析结果满足实际应用中对分析响应时间的要求。
34.以下结合具体的实施例，对上述“设置数据提取周期，并根据智能分析结果返回值对该数据提取周期进行调整”的实现方式进行详细说明。
35.参见图1所示，为本技术实施例的应用场景示意图，视频监控系统可以包括存储设备(也可以称为后端设备)和前端设备，前端设备的数量可以为至少一个，图1中以3个前端设备为例，实际应用中，前端设备的数量还可以更多。针对每个前端设备的处理过程相同，后续以一个前端设备的处理过程为例。
36.示例性的，存储设备可以为nvr(network video recorder，网络视频录像机)，存储服务器等，对此存储设备的类型不做限制。前端设备可以为ipc(ip camera，网络摄像机)、录像采集设备等，对此前端设备的类型不做限制。
37.基于上述应用场景，本技术实施例中提出一种周期调整方法，可以应用于存储设
备，参见图2所示，为该周期调整方法的流程示意图，该方法包括：
38.步骤201，基于目标数据提取周期获取待分析数据。
39.示例性的，可以设置一个初始数据提取周期(可以根据经验设置，对此初始数据提取周期不做限制)，将初始数据提取周期作为目标数据提取周期，基于目标数据提取周期获取待分析数据。在后续过程中，可以对该目标数据提取周期进行调整，并将调整后的数据提取周期更新为目标数据提取周期，返回执行步骤201，以此类推，可以不断的对目标数据提取周期进行调整，在每次调整后，将调整后的数据提取周期更新为目标数据提取周期，返回执行步骤201。
40.示例性的，待分析数据可以为待分析图片，即待分析数据是图片数据；或者，待分析数据可以为待分析文本，即待分析数据是文本数据；或者，待分析数据可以为待分析音频，即待分析数据是音频数据；或者，待分析数据可以为待分析视频(即视频流中的视频图像)，即待分析数据是视频数据。当然，上述只是待分析数据的几个示例，对此待分析数据的类型不做限制。
41.步骤202，对待分析数据进行智能分析，得到智能分析结果返回值。
42.示例性的，可以将深度学习算法部署到视频监控领域的存储设备，基于此，存储设备得到待分析数据后，采用深度学习算法对待分析数据进行智能分析(即采用计算机图片视觉分析技术进行智能分析)，得到智能分析结果返回值。
43.例如，存储设备可以部署智能分析芯片，如gpu(graphic processing unit，图形处理器)，cpu(central processing unit，中央处理器)，tpu(tensor processing unit，张量处理器)，fpga(field programmable gate array，现场可编程门阵列)，嵌入式处理器等，智能分析芯片通过运行深度学习算法对待分析数据进行智能分析，得到智能分析结果返回值，从而能够通过智能分析结果返回值来代替或辅助人工进行判断和处理。深度学习算法是模拟人脑来进行分析学习的神经网络智能分析算法，可以基于深度学习算法对待分析数据进行智能分析，对此待分析数据的智能分析过程不做限制，且对深度学习算法的类型不做限制。
44.例如，在道路违章停车的应用场景中，通过深度学习算法对待分析数据进行智能分析，得到智能分析结果返回值，该智能分析结果返回值表示存在违章停车或不存在违章停车。如智能分析结果返回值为第一标识时，表示存在违章停车；或者，智能分析结果返回值为第二标识时，表示不存在违章停车。
45.又例如，在垃圾桶满检测的应用场景中，通过深度学习算法对待分析数据进行智能分析，得到智能分析结果返回值，该智能分析结果返回值表示垃圾桶已满或者垃圾桶未满。如智能分析结果返回值为第一标识时，可以表示垃圾桶已满；或者，智能分析结果返回值为第二标识时，可以表示垃圾桶未满。
46.在人群聚集检测的应用场景中，通过深度学习算法对待分析数据进行智能分析，得到智能分析结果返回值，该智能分析结果返回值表示指定区域的聚集状态。例如，智能分析结果返回值为305，表示指定区域存在305人，指定区域为密集；或者，智能分析结果返回值为155，表示指定区域存在155人，指定区域为正常；或者，智能分析结果返回值为70，表示指定区域存在70人，指定区域为稀少。又例如，智能分析结果返回值为第一标识(如00)，表示指定区域为密集(如聚集人数大于300)；或者，智能分析结果返回值为第二标识(如01)，
表示指定区域正常(如聚集人数位于100-300之间)；或者，智能分析结果返回值为第三标识(如10)，表示指定区域为稀少(如聚集人数小于100)。
47.当然，上述只是几个示例，对此应用场景不做限制，例如，在人脸分析比对、车辆分析识别、人数分析统计、物体分类和物体检测等应用场景中，均可以采用上述方式进行处理，无论是哪种应用场景，均可以通过深度学习算法对待分析数据进行智能分析，得到智能分析结果返回值，对此分析过程不做限制。
48.步骤203，若根据该智能分析结果返回值确定需要对目标数据提取周期进行调整，则对该目标数据提取周期进行调整，并将调整后的数据提取周期更新为目标数据提取周期，返回执行基于目标数据提取周期获取待分析数据的操作。
49.示例性的，在得到智能分析结果返回值之后，可以根据该智能分析结果返回值确定是否对目标数据提取周期进行调整。如果是，则可以对该目标数据提取周期进行调整，并将调整后的数据提取周期更新为新的目标数据提取周期，然后，基于新的目标数据提取周期执行步骤201。如果否，则可以对该目标数据提取周期不进行调整，并基于原有的目标数据提取周期执行步骤201。
50.例如，基于数据提取周期a1获取待分析数据b1，对待分析数据b1进行智能分析，得到智能分析结果返回值c1。若根据智能分析结果返回值c1确定需要对数据提取周期进行调整，对数据提取周期a1进行调整，得到数据提取周期a2。
51.在下一个数据提取周期的处理过程中，可以基于数据提取周期a2获取待分析数据b2，对待分析数据b2进行智能分析，得到智能分析结果返回值c2。若根据智能分析结果返回值c2确定对数据提取周期不进行调整，则可以保持数据提取周期a2不变。在下一个数据提取周期的处理过程中，可以继续基于数据提取周期a2获取待分析数据b3，对待分析数据b3进行智能分析，得到智能分析结果返回值c3。若根据智能分析结果返回值c3确定需要对数据提取周期进行调整，则对数据提取周期a2进行调整，得到数据提取周期a3，以此类推。
52.步骤203中，若连续n(可根据经验配置)个待分析数据的智能分析结果返回值是用户关注的智能分析结果返回值，则表示用户比较关注当前的情况，可以对目标数据提取周期进行减少调整。或者，若连续m(可根据经验配置)个待分析数据的智能分析结果返回值是用户不关注的智能分析结果返回值，则表示用户不关注当前的情况，可以对目标数据提取周期进行增加调整。
53.由以上技术方案可见，本技术实施例中，可以基于目标数据提取周期获取待分析数据，对待分析数据进行智能分析，而不是对所有的数据进行智能分析，减少大量无效数据的智能分析，从而能够节约硬件资源(如智能分析芯片的资源)，较好的利用智能分析的硬件资源，增加了智能分析应用的灵活性。可以根据智能分析结果返回值对目标数据提取周期进行动态调整，从而设置合适的目标数据提取周期，在节约硬件资源的同时，能够保证智能分析结果满足实际应用中对分析响应时间要求。
54.在一种可能的实施方式中，根据智能分析结果返回值确定需要对目标数据提取周期进行调整，并对目标数据提取周期进行调整的过程，包括但不限于：
55.情况一、若连续n个待分析数据的智能分析结果返回值处于预设第一区间，则确定需要对目标数据提取周期进行调整。若目标数据提取周期大于数据提取周期最小值，则对目标数据提取周期进行减少调整，且调整后的数据提取周期不小于数据提取周期最小值；
或者，若目标数据提取周期等于数据提取周期最小值，则对目标数据提取周期不进行减少调整，即保持目标数据提取周期为数据提取周期最小值。示例性的，n为正整数，预设第一区间是根据智能分析结果设定的，需要减少数据提取周期的区间范围或者区间值(即一个数值)。
56.在情况一中，可以预先配置数据提取周期最小值，n和预设第一区间。
57.数据提取周期最小值可以根据经验进行配置，对此数据提取周期最小值不做限制，如10分钟、30分钟等，后续将数据提取周期最小值记为t1。
58.n可以根据经验进行配置，对此n的取值不做限制，如1、2、3等。
59.预设第一区间是根据智能分析结果设定的，需要减少数据提取周期的区间范围或者区间值，预设第一区间可以根据经验进行配置，对此不做限制。
60.例如，在道路违章停车的应用场景中，若存在违章停车，则需要减少数据提取周期，因此，预设第一区间可以是“存在违章停车”时的智能分析结果返回值的区间范围或者区间值。参见上述实施例，智能分析结果返回值为第一标识时，表示存在违章停车，因此设定预设第一区间为第一标识，即一个区间值。
61.又例如，在垃圾桶满检测的应用场景中，若垃圾桶已满，则需要减少数据提取周期，因此，预设第一区间可以是“垃圾桶已满”时的智能分析结果返回值的区间范围或者区间值。参见上述实施例，智能分析结果返回值为第一标识时，表示垃圾桶已满，因此，可以设定预设第一区间为第一标识，即一个区间值。
62.又例如，在人群聚集检测的应用场景中，若聚集状态为密集，则需要减少数据提取周期，因此，预设第一区间可以是“聚集状态为密集”时的智能分析结果返回值的区间范围或者区间值。参见上述实施例，智能分析结果返回值为300-正无穷时，表示聚集状态为密集，设定预设第一区间为300-正无穷，即一个区间范围；或，智能分析结果返回值为第一标识时，表示聚集状态为密集，设定预设第一区间为第一标识，即一个区间值。
63.当然，上述只是预设第一区间的几个示例，在不同的应用场景中，可以设定与该应用场景对应的预设第一区间，对此不做限制，只要预设第一区间是根据智能分析结果设定的，需要减少数据提取周期的区间范围或者区间值即可。
64.基于预先配置的数据提取周期最小值t1，n和预设第一区间，在得到智能分析结果返回值后，判断智能分析结果返回值是否处于预设第一区间。例如，在道路违章停车的应用场景中，若智能分析结果返回值为第一标识，则确定智能分析结果返回值处于预设第一区间；在人群聚集检测的应用场景中，若智能分析结果返回值大于300，则确定智能分析结果返回值处于预设第一区间。
65.如果智能分析结果返回值处于预设第一区间，则判断连续n个待分析数据的智能分析结果返回值是否均处于预设第一区间。例如，若n为1，则确定连续n个待分析数据的智能分析结果返回值均处于预设第一区间。若n为2，且上一个待分析数据的智能分析结果返回值处于预设第一区间，则确定连续n个待分析数据的智能分析结果返回值均处于预设第一区间；若n为2，且上一个待分析数据的智能分析结果返回值不处于预设第一区间，则确定连续n个待分析数据的智能分析结果返回值未均处于预设第一区间，以此类推。
66.如果连续n个待分析数据的智能分析结果返回值均处于预设第一区间，则确定需要对目标数据提取周期进行调整。在需要对目标数据提取周期进行调整时，还需要判断目
标数据提取周期是否大于数据提取周期最小值t1。
67.如果目标数据提取周期大于数据提取周期最小值t1，则对目标数据提取周期进行减少调整，且调整后的数据提取周期不小于数据提取周期最小值t1。示例性的，在对目标数据提取周期进行减少调整时，对此减少调整的数值不做限制，只要调整后的数据提取周期不小于数据提取周期最小值t1即可。
68.如果目标数据提取周期等于数据提取周期最小值t1，则对目标数据提取周期不进行减少调整，即保持目标数据提取周期为数据提取周期最小值t1。
69.情况二、若连续n个待分析数据的智能分析结果返回值处于预设第一区间，则确定需要对目标数据提取周期进行调整，并且对该目标数据提取周期进行减少调整。示例性的，n为正整数，预设第一区间是根据智能分析结果设定的，需要减少数据提取周期的区间范围或者区间值(可以为一个数值)。
70.情况二与情况一相比，在情况二中，并不需要数据提取周期最小值t1的限制，即不需要限制目标数据提取周期大于或者等于数据提取周期最小值t1。基于此，确定需要对目标数据提取周期进行调整时，可以直接对目标数据提取周期进行减少调整，而不需要判断目标数据提取周期是否大于数据提取周期最小值t1，在对目标数据提取周期进行减少调整时，对此减少调整的数值不做限制。
71.情况三、若连续m个待分析数据的智能分析结果返回值处于预设第二区间，则确定需要对目标数据提取周期进行调整。若目标数据提取周期小于数据提取周期最大值，则对目标数据提取周期进行增加调整，且调整后的数据提取周期不大于数据提取周期最大值；或者，若目标数据提取周期等于数据提取周期最大值，则对目标数据提取周期不进行增加调整，即保持目标数据提取周期为数据提取周期最大值。示例性的，m为正整数，预设第二区间是根据智能分析结果设定的，需要增加数据提取周期的区间范围或者区间值(即一个数值)。
72.在情况三中，可以预先配置数据提取周期最大值，m和预设第二区间。
73.数据提取周期最大值可以根据经验进行配置，对此数据提取周期最大值不做限制，如200分钟、300分钟等，后续将数据提取周期最大值记为t2。示例性的，数据提取周期最大值t2可以大于数据提取周期最小值t1。
74.m可以根据经验进行配置，对此m的取值不做限制，如1、2、3等。
75.预设第二区间是根据智能分析结果设定的，需要增加数据提取周期的区间范围或者区间值，预设第二区间可以根据经验进行配置，对此不做限制。
76.例如，在道路违章停车的应用场景中，若不存在违章停车，则需要增加数据提取周期，因此，预设第二区间可以是“不存在违章停车”时的智能分析结果返回值的区间范围或者区间值。参见上述实施例，智能分析结果返回值为第二标识时，表示不存在违章停车，因此，可以设定预设第二区间为第二标识，即一个区间值。
77.又例如，在人群聚集检测的应用场景中，若聚集状态为稀少，则需要增加数据提取周期，因此，预设第二区间可以是“聚集状态为稀少”时的智能分析结果返回值的区间范围或者区间值。参见上述实施例，智能分析结果返回值为0-100时，表示聚集状态为稀少，因此，可以设定预设第二区间为0-100，即一个区间范围。
78.当然，上述只是预设第二区间的几个示例，对此不做限制。
79.基于预先配置的数据提取周期最大值t2，m和预设第二区间，在得到智能分析结果返回值后，判断智能分析结果返回值是否处于预设第二区间。例如，在道路违章停车的应用场景中，若智能分析结果返回值为第二标识，确定智能分析结果返回值处于预设第二区间；在人群聚集检测的应用场景中，若智能分析结果返回值位于0-100之间，确定智能分析结果返回值处于预设第二区间。
80.如果智能分析结果返回值处于预设第二区间，则判断连续m个待分析数据的智能分析结果返回值是否均处于预设第二区间。例如，若m为1，则确定连续m个待分析数据的智能分析结果返回值均处于预设第二区间。若m为2，且上一个待分析数据的智能分析结果返回值处于预设第二区间，则确定连续m个待分析数据的智能分析结果返回值均处于预设第二区间，若m为2，且上一个待分析数据的智能分析结果返回值不处于预设第二区间，则确定连续m个待分析数据的智能分析结果返回值未均处于预设第二区间，以此类推。
81.如果连续m个待分析数据的智能分析结果返回值均处于预设第二区间，则确定需要对目标数据提取周期进行调整。在需要对目标数据提取周期进行调整时，还需要判断目标数据提取周期是否小于数据提取周期最大值t2。
82.如果目标数据提取周期小于数据提取周期最大值t2，则对目标数据提取周期进行增加调整，且调整后的数据提取周期不大于数据提取周期最大值t2。示例性的，在对目标数据提取周期进行增加调整时，对此增加调整的数值不做限制，只要调整后的数据提取周期不大于数据提取周期最大值t2即可。
83.如果目标数据提取周期等于数据提取周期最大值t2，则对目标数据提取周期不进行增加调整，即保持目标数据提取周期为数据提取周期最大值t2。
84.情况四、若连续m个待分析数据的智能分析结果返回值处于预设第二区间，则确定需要对目标数据提取周期进行调整，并且对该目标数据提取周期进行增加调整。示例性的，m为正整数，预设第二区间是根据智能分析结果设定的，需要增加数据提取周期的区间范围或者区间值(即一个数值)。
85.情况四与情况三相比，在情况四中，并不需要数据提取周期最大值t2的限制，即不需要限制目标数据提取周期小于或者等于数据提取周期最大值t2。基于此，确定需要对目标数据提取周期进行调整时，可以直接对目标数据提取周期进行增加调整，而不需要判断目标数据提取周期是否小于数据提取周期最大值t2，在对目标数据提取周期进行增加调整时，对此增加调整的数值不做限制。
86.情况五、在对待分析数据进行智能分析，得到智能分析结果返回值后，若智能分析结果返回值处于预设第三区间，则确定不需要对目标数据提取周期进行调整。示例性的，预设第三区间可以是根据智能分析结果设定的，不需要对数据提取周期进行调整的区间范围或者区间值(即一个数值)。
87.在情况五中，可以预先配置预设第三区间，预设第三区间是根据智能分析结果设定的，不需要对数据提取周期进行调整的区间范围或者区间值，预设第三区间可以根据经验进行配置，对此预设第三区间不做限制。例如，在人群聚集检测的应用场景中，若聚集状态为正常，则不需要对数据提取周期进行调整，因此，预设第三区间可以是“聚集状态为正常”时的智能分析结果返回值的区间范围或者区间值。
88.参见上述实施例，智能分析结果返回值为100-300时，表示聚集状态为正常，因此，
可以设定预设第三区间为100-300，即一个区间范围；或者，智能分析结果返回值为第二标识时，表示聚集状态为正常，因此，可以设定预设第三区间为第二标识，即一个区间值。
89.当然，上述只是预设第三区间的示例，在不同的应用场景中，可以设定与该应用场景对应的预设第三区间，也可以不设定预设第三区间，对此不做限制。
90.基于预先配置的预设第三区间，在得到智能分析结果返回值之后，判断智能分析结果返回值是否处于预设第三区间。例如，在人群聚集检测的应用场景中，若智能分析结果返回值位于100-300之间，则确定智能分析结果返回值处于预设第三区间。然后，如果智能分析结果返回值处于预设第三区间，则确定不需要对目标数据提取周期进行调整，即保持目标数据提取周期不变。
91.情况六、在对待分析数据进行智能分析，得到智能分析结果返回值后，若该智能分析结果返回值处于预设第一区间，但是，连续n个待分析数据的智能分析结果返回值未均处于预设第一区间(如n为3，当前是连续2个智能分析结果返回值处于预设第一区间)，则确定不需要对目标数据提取周期进行调整。
92.情况七、在对待分析数据进行智能分析，得到智能分析结果返回值后，若该智能分析结果返回值处于预设第二区间，但是，连续m个待分析数据的智能分析结果返回值未均处于预设第二区间(如m为3，当前是连续2个智能分析结果返回值处于预设第二区间)，则确定不需要对目标数据提取周期进行调整。
93.综上所述，基于上述情况一至情况七，可以确定是否对目标数据提取周期进行调整，并在需要对目标数据提取周期进行调整时，可以对目标数据提取周期进行减少调整，或者，可以对目标数据提取周期进行增加调整。
94.在一种可能的实施方式中，针对情况一和情况二，可以对目标数据提取周期进行减少调整，例如，采用如下方式对目标数据提取周期进行减少调整：
95.方式一、采用等差调整法，比如说，确定与预设第一区间对应的第一调整公差，并根据第一调整公差对目标数据提取周期进行减少调整。例如，调整后的目标数据提取周期为调整前的目标数据提取周期与第一调整公差的差值。
96.例如，可以为预设第一区间设定第一调整公差d1。当存在多个预设第一区间时，针对同一预设第一区间的第一调整公差d1，可以是固定值，即第一调整公差d1不变，因此，分析结果在该预设第一区间内每次第一调整公差d1是相同的。针对不同预设第一区间的第一调整公差d1，可以相同，也可以不同，因此，分析结果在不同预设第一区间内每次第一调整公差可以相同，也可以不同。
97.例如，针对预设第一区间1和预设第一区间2，为预设第一区间1设定第一调整公差d1为2分钟，且第一调整公差d1保持2分钟不变。当然，实际应用中，也可以根据实际需要对第一调整公差d1进行调整，对此不做限制。为预设第一区间2设定第一调整公差d1可以为2分钟(与预设第一区间1的第一调整公差d1相同)，也可以为4分钟(与预设第一区间1的第一调整公差d1不同)。
98.示例性的，在根据第一调整公差对目标数据提取周期进行减少调整的过程中，如果调整后的目标数据提取周期小于上述数据提取周期最小值t1，则还可以将调整后的目标数据提取周期设置为数据提取周期最小值t1。
99.例如，若目标数据提取周期为8分钟，第一调整公差d1为2分钟，数据提取周期最小
值t1为3分钟，则第一次对目标数据提取周期进行减少调整时，调整后的目标数据提取周期为6分钟，第二次对目标数据提取周期进行减少调整时，调整后的目标数据提取周期为4分钟，第三次对目标数据提取周期进行减少调整时，调整后的目标数据提取周期为3分钟，此后，不再对目标数据提取周期进行减少调整，即保持目标数据提取周期为3分钟不变。
100.方式二、采用等比调整法，比如说，确定与预设第一区间对应的第一调整公比，并根据第一调整公比对目标数据提取周期进行减少调整。例如，调整后的目标数据提取周期为调整前的目标数据提取周期与第一调整公比的乘积。
101.例如，可以为预设第一区间设定第一调整公比q1，第一调整公比q1为0与1之间的数值，如4/5、3/4、2/3、1/2等，对此不做限制。当存在多个预设第一区间时，针对同一预设第一区间的第一调整公比q1，可以是固定值，即第一调整公比q1不变，因此，分析结果在该预设第一区间内每次第一调整公比q1是相同的。当然，在实际应用中，也可以根据实际需要对第一调整公比q1进行调整。针对不同预设第一区间的第一调整公比q1，可以相同，也可以不同，因此，分析结果在不同预设第一区间内每次第一调整公比q1可以相同，也可以不同。
102.示例性的，在根据第一调整公比对目标数据提取周期进行减少调整的过程中，如果调整后的目标数据提取周期小于上述数据提取周期最小值t1，则还可以将调整后的目标数据提取周期设置为数据提取周期最小值t1。
103.例如，若目标数据提取周期为8分钟，第一调整公比q1为1/2，数据提取周期最小值t1为3分钟，则第一次对目标数据提取周期进行减少调整时，调整后的目标数据提取周期为4分钟(即8*1/2)，第二次对目标数据提取周期进行减少调整时，调整后的目标数据提取周期为3分钟，此后，不再对目标数据提取周期进行减少调整，即保持目标数据提取周期为3分钟不变。
104.方式三、采用固定值调整法，比如说，直接将目标数据提取周期调整为数据提取周期最小值t1，而不是采用方式一或者方式二中的逐步调整过程。
105.例如，可以为预设第一区间设定数据提取周期最小值t1，当存在多个预设第一区间时，针对同一预设第一区间的数据提取周期最小值t1，可以是固定值，即分析结果在相同预设第一区间的数据提取周期最小值t1不变。针对不同预设第一区间的数据提取周期最小值t1，可以相同，也可以不同，即分析结果在不同预设第一区间的数据提取周期最小值t1可以相同，也可以不同。
106.例如，若目标数据提取周期为8分钟，数据提取周期最小值t1为3分钟，则第一次对目标数据提取周期进行减少调整时，调整后的目标数据提取周期为3分钟，此后不对目标数据提取周期进行减少调整，保持目标数据提取周期不变。
107.基于上述方式，可以对目标数据提取周期进行减少调整，当然，上述方式只是示例，对此不做限制，只要能够对目标数据提取周期进行减少调整即可。
108.在一种可能的实施方式中，针对情况三和情况四，可以对目标数据提取周期进行增加调整，例如，采用如下方式对目标数据提取周期进行增加调整：
109.方式1、采用等差调整法，比如说，确定与预设第二区间对应的第二调整公差，并根据第二调整公差对目标数据提取周期进行增加调整。例如，调整后的目标数据提取周期为调整前的目标数据提取周期与第二调整公差的和。
110.例如，可以为预设第二区间设定第二调整公差d2，第二调整公差d2与第一调整公
差d1可以相同，也可以不同，后续以第二调整公差d2与第一调整公差d1相同为例进行说明。当存在多个预设第二区间时，针对同一预设第二区间的第二调整公差d2，可以是一个固定值，即第二调整公差d2不变，因此，分析结果在该预设第二区间内每次第二调整公差d2是相同的。当然，在实际应用中，也可以根据实际需要对第二调整公差d2进行调整，对此不做限制。针对不同预设第二区间的第二调整公差d2，可以相同，也可以不同，因此，分析结果在不同预设第二区间内每次第二调整公差d2可以相同，也可以不同。
111.示例性的，在根据第二调整公差对目标数据提取周期进行增加调整的过程中，如果调整后的目标数据提取周期大于上述数据提取周期最大值t2，则还可以将调整后的目标数据提取周期设置为数据提取周期最大值t2。
112.例如，若目标数据提取周期为8分钟，第二调整公差d2为2分钟，数据提取周期最大值t2为13分钟，则第一次对目标数据提取周期进行增加调整时，调整后的目标数据提取周期为10分钟，第二次对目标数据提取周期进行增加调整时，调整后的目标数据提取周期为12分钟，第三次对目标数据提取周期进行增加调整时，调整后的目标数据提取周期为13分钟，此后，不再对目标数据提取周期进行增加调整，即保持目标数据提取周期为13分钟不变。
113.方式2、采用等比调整法，比如说，确定与预设第二区间对应的第二调整公比，并根据第二调整公比对目标数据提取周期进行增加调整。例如，调整后的目标数据提取周期为调整前的目标数据提取周期与第二调整公比的乘积。
114.例如，可以为预设第二区间设定第二调整公比q2，第二调整公比q2可以为大于1的数值，如5/4、4/3、3/2、2/1等。示例性的，第二调整公比q2可以为第一调整公比q1的倒数。当存在多个预设第二区间时，针对同一预设第二区间的第二调整公比q2，可以是固定值，分析结果在该预设第二区间内每次第二调整公比q2是相同的。当然，实际应用中，也可根据实际需要对第二调整公比q2进行调整。针对不同预设第二区间的第二调整公比q2，可以相同，也可以不同，即分析结果在不同预设第二区间内每次第二调整公比q2可以相同，也可以不同。
115.示例性的，在根据第二调整公比对目标数据提取周期进行增加调整的过程中，如果调整后的目标数据提取周期大于上述数据提取周期最大值t2，则还可以将调整后的目标数据提取周期设置为数据提取周期最大值t2。
116.例如，若目标数据提取周期为8分钟，第二调整公比q2为2，数据提取周期最大值t2为20分钟，则第一次对目标数据提取周期进行增加调整时，调整后的目标数据提取周期为16分钟(即8*2)，第二次对目标数据提取周期进行增加调整时，调整后的目标数据提取周期为20分钟，此后，不再对目标数据提取周期进行增加调整，即保持目标数据提取周期为20分钟不变。
117.方式3、采用固定值调整法，比如说，直接将目标数据提取周期调整为数据提取周期最大值t2，而不是采用方式1或者方式2中的逐步调整过程。
118.例如，可以为预设第二区间设定数据提取周期最大值t2，当存在多个预设第二区间时，针对同一预设第二区间的数据提取周期最大值t2，可以是固定值。针对不同预设第二区间的数据提取周期最大值t2，可以相同，也可以不同。
119.例如，若目标数据提取周期为8分钟，数据提取周期最大值t2为20分钟，第一次对目标数据提取周期进行增加调整时，调整后的目标数据提取周期为20分钟，此后不对目标
数据提取周期进行增加调整，保持目标数据提取周期不变。
120.基于上述方式，可以对目标数据提取周期进行增加调整，当然，上述方式只是示例，对此不做限制，只要能够对目标数据提取周期进行增加调整即可。
121.在一种可能的实施方式中，待分析数据可以包括待分析图片，在基于目标数据提取周期获取待分析图片的过程中，存储设备可以将目标数据提取周期配置到前端设备，以使前端设备基于目标数据提取周期，从连续视频图像中获取待分析图片。基于此，存储设备可以接收前端设备发送的待分析图片。
122.例如，若前端设备支持待分析图片获取功能(也可以称为图片定时提取功能)，即支持从连续的视频图像中提取一帧视频图像，并将该提取的一帧视频图像转换为待分析图片，则存储设备在得到目标数据提取周期后，可以将目标数据提取周期配置到前端设备。
123.前端设备基于目标数据提取周期，从连续视频图像(即视频流)中获取待分析图片。比如说，以目标数据提取周期从连续的视频图像中提取一帧视频图像，并将该提取的一帧视频图像转换为待分析图片。
124.在得到待分析图片后，前端设备将待分析图片发送给存储设备，显然，由于是从目标数据提取周期的视频流中选取一帧视频图像转换为待分析图片，因此，发送给存储设备的待分析图片的数量很少，从而节约存储设备的处理资源。
125.存储设备接收前端设备发送的待分析图片，并对待分析图片进行智能分析，得到智能分析结果返回值，根据智能分析结果返回值决策是否对目标数据提取周期进行调整。如果对目标数据提取周期进行调整，则存储设备还可以将调整后的目标数据提取周期配置到前端设备，以使前端设备基于调整后的目标数据提取周期，从连续视频图像中提取一帧视频图像，并将该提取的一帧视频图像转换为待分析图片，以此类推。
126.在另一种可能的实施方式中，待分析数据可以包括待分析图片，在基于目标数据提取周期获取待分析图片的过程中，存储设备可以对前端设备发送的视频编码比特流进行解码，得到连续视频图像。基于此，存储设备基于目标数据提取周期，从连续视频图像中获取一帧视频图像，并将该提取的一帧视频图像转换为待分析图片。
127.例如，前端设备不支持待分析图片获取功能时，存储设备不将目标数据提取周期配置到前端设备。基于此，前端设备采集连续视频图像，并对视频图像进行编码，得到视频编码比特流，并将视频编码比特流发送给存储设备。存储设备在接收到视频编码比特流后，对视频编码比特流进行解码，得到连续视频图像。然后，存储设备基于目标数据提取周期，从连续视频图像中提取一帧视频图像，并将该提取的一帧视频图像转换为待分析图片。
128.在得到待分析图片后，可以对待分析图片进行智能分析，得到智能分析结果返回值，根据智能分析结果返回值决策是否对目标数据提取周期进行调整。
129.在上述实施例中，若待分析数据为待分析图片，则对待分析图片进行智能分析，得到智能分析结果返回值的过程，可以包括但不限于如下情况：
130.情况一、基于深度学习算法对待分析图片进行智能分析，得到智能分析结果返回值。例如，可以在存储设备的智能分析芯片部署深度学习算法，对此深度学习算法的类型不做限制。可以将待分析图片提供给智能分析芯片，以使智能分析芯片基于深度学习算法对待分析图片进行智能分析，得到智能分析结果返回值，对此智能分析过程不做限制，与深度学习算法的类型有关。
131.情况二、从待分析图片中选取目标子图片，基于深度学习算法对目标子图片进行智能分析，得到智能分析结果返回值。例如，在智能分析芯片部署深度学习算法，将目标子图片提供给智能分析芯片，由智能分析芯片基于深度学习算法对目标子图片进行智能分析，得到智能分析结果返回值；或者，将待分析图片提供给智能分析芯片，由智能分析芯片从待分析图片中选取目标子图片，基于深度学习算法对目标子图片进行智能分析，得到智能分析结果返回值。
132.示例性的，可以根据预定的目标类型对待分析图片进行目标提取，得到目标子图片。例如，对待分析图片中的预设人脸进行目标提取，得到包括预设人脸的目标子图片。又例如，对待分析图片中的预设人体进行目标提取，得到包括预设人体的目标子图片。又例如，对待分析图片中的预设车辆进行目标提取，得到包括预设车辆的目标子图片。又例如，对待分析图片中的预设垃圾桶进行目标提取，得到包括预设垃圾桶的目标子图片。当然，上述只是示例，对此不做限制。显然，通过对目标子图片进行分析，能够降低分析的数据量。
133.示例性的，可以对待分析图片上的指定目标进行过滤，得到目标子图片。例如，假设待分析图片包括人体和车辆，可以从待分析图片中过滤出包括人体的子图片1，将子图片1作为目标子图片；或者，从待分析图片中过滤出包括车辆的子图片2，将待分析图片中除子图片2之外剩余的子图片作为目标子图片。
134.示例性的，可以从待分析图片中选择指定坐标区域的子图片，将该子图片作为目标子图片。例如，可以预先设定若干个坐标区域，且需要对这些坐标区域的子图片进行分析，不对这些坐标区域外的子图片进行分析。基于此，可以从待分析图片中选择这些坐标区域的子图片，这些子图片作为目标子图片。
135.当然，上述只是从待分析图片中选取目标子图片的示例，对此不做限制。
136.情况三、可以设置时间段，在时间段进行智能分析，例如，在上午8-10点进行人脸分析，在下午13-15点进行车辆分析，其余时间不分析。基于此，在上午8-10点，可以基于深度学习算法对待分析图片进行基于人脸检测的智能分析，得到智能分析结果返回值。在下午13-15点，可以基于深度学习算法对待分析图片进行基于车辆检测的智能分析，得到智能分析结果返回值。
137.在上述实施例中，智能分析结果返回值可以包括但不限于：被检测对象的个数，如人的个数、车的个数等。被检测对象的数值，如评分、置信度，位置信息等，例如，人脸的评分数值。或者，被检测对象的类型，如被检测对象的属性的多种结果，例如，年龄段属性可以为儿童，青年，中年，老年等。或者，被检测对象的状态，如存在违章停车的状态或者不存在违章停车的状态，垃圾桶已满的状态或者垃圾桶未满的状态等。当然，上述只是几个示例。
138.以下结合具体的应用场景，对上述周期调整方法进行说明。
139.在将前端设备添加到存储设备时，需要判断该前端设备是否支持待分析图片提取功能(也可以称为图片定时提取功能)，如果是，则可以采用图3a所示的周期调整流程，如果否，则可以采用图3b所示的周期调整流程。
140.参见图3a所示，为周期调整流程的示意图，该周期调整流程可以包括：
141.步骤311，存储设备配置深度学习算法、初始数据提取周期(将初始数据提取周期作为目标数据提取周期)、数据提取周期最小值t1、数据提取周期最大值t2、数值n、数值m、预设第一区间、预设第二区间和预设第三区间。
142.步骤312，存储设备将目标数据提取周期配置到前端设备。
143.步骤313，前端设备基于目标数据提取周期，从本前端设备采集的连续视频图像中提取一帧视频图像，并将该提取的一帧视频图像转换为待分析图片，并将该待分析图片发送给存储设备。
144.步骤314，存储设备接收待分析图片。
145.步骤315，存储设备对待分析图片进行智能分析，得到智能分析结果返回值。
146.步骤316，存储设备根据智能分析结果返回值判断是否需要对目标数据提取周期进行调整。如果是，执行步骤317；如果否，等待接收下一个待分析图片。
147.步骤317，对目标数据提取周期进行调整，并将调整后的数据提取周期更新为目标数据提取周期，将该目标数据提取周期配置到前端设备，返回步骤313。
148.示例性的，可以基于深度学习算法、数据提取周期最小值t1、数据提取周期最大值t2、数值n、数值m、预设第一区间、预设第二区间和预设第三区间等参数，实现步骤315-步骤317，具体过程参见上述实施例，在此不再赘述。
149.参见图3b所示，为周期调整流程的示意图，该周期调整流程可以包括：
150.步骤321，存储设备配置深度学习算法、初始数据提取周期(将初始数据提取周期作为目标数据提取周期)、数据提取周期最小值t1、数据提取周期最大值t2、数值n、数值m、预设第一区间、预设第二区间和预设第三区间。
151.步骤322，前端设备采集视频图像，并对视频图像进行编码，得到视频编码比特流。
152.步骤323，前端设备将视频编码比特流发送给存储设备，存储设备在接收到该视频编码比特流后，对该视频编码比特流进行解码，得到连续视频图像。
153.步骤324，存储设备基于目标数据提取周期，从连续视频图像中提取一帧视频图像，并将该提取的一帧视频图像转换为待分析图片。
154.步骤325，存储设备对待分析图片进行智能分析，得到智能分析结果返回值。
155.步骤326，存储设备根据智能分析结果返回值判断是否需要对目标数据提取周期进行调整。如果是，执行步骤327；如果否，则返回步骤324。
156.步骤327，对目标数据提取周期进行调整，并将调整后的数据提取周期更新为目标数据提取周期，基于调整后的目标数据提取周期返回步骤324。
157.示例性的，可以基于深度学习算法、数据提取周期最小值t1、数据提取周期最大值t2、数值n、数值m、预设第一区间、预设第二区间和预设第三区间等参数，实现步骤325-步骤327，具体过程参见上述实施例，在此不再赘述。
158.在人群聚集检测的应用场景中，可以采用上述流程，监控指定区域的人数，当人数超过设定的阈值(如300)时进行报警。在人数小于100时，不需要报警，且可以增加目标数据提取周期，一直到目标数据提取周期为数据提取周期最大值t2。在人数为100-300之间时，需要开始关注，但是不需要报警，可以保持目标数据提取周期不变。在人数大于300时，需要重点进行报警，且可以降低目标数据提取周期，一直到目标数据提取周期为数据提取周期最小值t1。
159.在检测消防通道是否被占用的应用场景中，可以采用上述流程，检测消防通道是否被占用，如果被占用则需要报警。在消防通道未被占用时，不需要报警，且可以增加目标数据提取周期，一直到目标数据提取周期为数据提取周期最大值t2。在消防通道被占用时，
需要重点进行报警，且可以降低目标数据提取周期，一直到目标数据提取周期为数据提取周期最小值t1。
160.基于与上述方法同样的申请构思，本技术实施例中还提出一种周期调整装置，如图4所示，为所述周期调整装置的结构图，所述装置包括：
161.获取模块41，用于基于目标数据提取周期获取待分析数据；
162.分析模块42，用于对待分析数据进行智能分析，得到智能分析结果返回值；
163.处理模块43，用于若根据所述智能分析结果返回值确定需要对所述目标数据提取周期进行调整，则对所述目标数据提取周期进行调整，并将调整后的数据提取周期更新为目标数据提取周期。
164.所述处理模块43具体用于：若连续n个待分析数据的智能分析结果返回值是用户关注的智能分析结果返回值，则对所述目标数据提取周期进行减少调整；或者，若连续m个待分析数据的智能分析结果返回值是用户不关注的智能分析结果返回值，则对所述目标数据提取周期进行增加调整。
165.所述处理模块43具体用于：若连续n个待分析数据的智能分析结果返回值处于预设第一区间，则确定需要对所述目标数据提取周期进行调整；n为正整数，预设第一区间是根据智能分析结果设定的，需要减少数据提取周期的区间范围或者区间值；若所述目标数据提取周期大于数据提取周期最小值，则对所述目标数据提取周期进行减少调整，调整后的数据提取周期不小于数据提取周期最小值。
166.所述处理模块43对所述目标数据提取周期进行减少调整时具体用于：确定与所述预设第一区间对应的第一调整公差，并根据所述第一调整公差对所述目标数据提取周期进行减少调整；或者，确定与所述预设第一区间对应的第一调整公比，并根据所述第一调整公比对所述目标数据提取周期进行减少调整；或者，将所述目标数据提取周期调整为所述数据提取周期最小值。
167.所述处理模块43具体用于：若连续m个待分析数据的智能分析结果返回值处于预设第二区间，则确定需要对所述目标数据提取周期进行调整；m为正整数，预设第二区间是根据智能分析结果设定的，需要增加数据提取周期的区间范围或者区间值；若所述目标数据提取周期小于数据提取周期最大值，则对所述目标数据提取周期进行增加调整，调整后的数据提取周期不大于数据提取周期最大值。
168.所述处理模块43对所述目标数据提取周期进行增加调整时具体用于：确定与所述预设第二区间对应的第二调整公差，并根据所述第二调整公差对所述目标数据提取周期进行增加调整；或者，确定与所述预设第二区间对应的第二调整公比，并根据所述第二调整公比对所述目标数据提取周期进行增加调整；或者，将所述目标数据提取周期调整为所述数据提取周期最大值。
169.所述处理模块43还用于：若所述智能分析结果返回值处于预设第三区间，则确定不需要对所述目标数据提取周期进行调整；其中，所述预设第三区间是根据智能分析结果设定的，不需要对数据提取周期进行调整的区间范围或者区间值。
170.所述待分析数据包括待分析图片，所述获取模块41具体用于：将所述目标数据提取周期配置到前端设备，以使所述前端设备基于所述目标数据提取周期，从连续视频图像中提取一帧视频图像，并将该提取的一帧视频图像转换为待分析图片；接收所述前端设备
发送的所述待分析图片；或者，对前端设备发送的视频编码比特流进行解码，得到连续视频图像；基于所述目标数据提取周期，从连续视频图像中提取一帧视频图像，并将该提取的一帧视频图像转换为待分析图片。
171.所述分析模块42具体用于：若所述待分析数据包括待分析图片，则基于深度学习算法对所述待分析图片进行智能分析，得到智能分析结果返回值；或者，从所述待分析图片中选取目标子图片，并基于深度学习算法对所述目标子图片进行智能分析，得到智能分析结果返回值。
172.基于与上述方法同样的申请构思，本技术实施例还提出一种存储设备，如安防监控的视频存储设备，如nvr(network video recorder)、存储服务器、智能分析服务器，本技术实施例提供的存储设备，从硬件层面而言，存储设备的硬件架构示意图可以参见图5所示。存储设备可以包括：处理器51和机器可读存储介质52，所述机器可读存储介质52存储有能够被所述处理器51执行的机器可执行指令；所述处理器51用于执行机器可执行指令，以实现本技术上述示例公开的方法。例如，处理器51用于执行机器可执行指令，以实现如下步骤：
173.基于目标数据提取周期获取待分析数据；
174.对所述待分析数据进行智能分析，得到智能分析结果返回值；
175.若根据所述智能分析结果返回值确定需要对所述目标数据提取周期进行调整，则对所述目标数据提取周期进行调整，并将调整后的数据提取周期更新为目标数据提取周期，返回执行基于目标数据提取周期获取待分析数据。
176.基于与上述方法同样的申请构思，本技术实施例还提供一种机器可读存储介质，其中，所述机器可读存储介质上存储有若干计算机指令，所述计算机指令被cpu执行时，能够实现本技术上述示例公开的方法。
177.例如，所述计算机指令被处理器执行时，能够实现如下步骤：
178.基于目标数据提取周期获取待分析数据；
179.对所述待分析数据进行智能分析，得到智能分析结果返回值；
180.若根据所述智能分析结果返回值确定需要对所述目标数据提取周期进行调整，则对所述目标数据提取周期进行调整，并将调整后的数据提取周期更新为目标数据提取周期，返回执行基于目标数据提取周期获取待分析数据。
181.示例性的，上述机器可读存储介质可以是任何电子、磁性、光学或其它物理存储装置，可以包含或存储信息，如可执行指令、数据，等等。例如，机器可读存储介质可以是：ram(random access memory，随机存取存储器)、易失存储器、非易失性存储器、闪存、存储驱动器(如硬盘驱动器)、固态硬盘、任何类型的存储盘(如光盘、dvd等)，或者类似的存储介质，或者它们的组合。
182.上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机，计算机的具体形式可以是个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件收发设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任意几种设备的组合。
183.为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本
申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
184.本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
185.本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可以由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其它可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其它可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
186.而且，这些计算机程序指令也可以存储在能引导计算机或其它可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或者多个流程和/或方框图一个方框或者多个方框中指定的功能。
187.这些计算机程序指令也可装载到计算机或其它可编程数据处理设备上，使得在计算机或者其它可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其它可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
188.以上所述仅为本技术的实施例而已，并不用于限制本技术。对于本领域技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本技术的权利要求范围之内。