CN106897295B - 一种基于Hadoop的输电线路监控视频分布式检索方法 - Google Patents

一种基于Hadoop的输电线路监控视频分布式检索方法 Download PDF

Info

Publication number
CN106897295B
CN106897295B CN201510957776.7A CN201510957776A CN106897295B CN 106897295 B CN106897295 B CN 106897295B CN 201510957776 A CN201510957776 A CN 201510957776A CN 106897295 B CN106897295 B CN 106897295B
Authority
CN
China
Prior art keywords
key frame
video
region
key
retrieval
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201510957776.7A
Other languages
English (en)
Other versions
CN106897295A (zh
Inventor
戴江鹏
孟祥君
刁柏青
王电钢
陈龙
黄林
周爱华
饶伟
冯亚洲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Shandong Electric Power Co Ltd
State Grid Sichuan Electric Power Co Ltd
Smart Grid Research Institute of SGCC
Original Assignee
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Shandong Electric Power Co Ltd
State Grid Sichuan Electric Power Co Ltd
Smart Grid Research Institute of SGCC
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, Electric Power Research Institute of State Grid Shandong Electric Power Co Ltd, State Grid Sichuan Electric Power Co Ltd, Smart Grid Research Institute of SGCC filed Critical State Grid Corp of China SGCC
Priority to CN201510957776.7A priority Critical patent/CN106897295B/zh
Publication of CN106897295A publication Critical patent/CN106897295A/zh
Application granted granted Critical
Publication of CN106897295B publication Critical patent/CN106897295B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/78—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/783—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply

Abstract

本发明提供一种基于Hadoop的输电线路监控视频分布式检索方法，以Hadoop平台为基础，将海量视频数据存储分成不同的视频片段存储在Hadoop的Block中，辅之以OpenCV提取关键帧，经过关键帧与用户提交的示例图片的相似度对比，得到与示例图片最相似的N幅关键帧，获得与之相对应的视频片段，在Web界面展示检索结果，完成视频数据检索工作。本发明提供的分布式检索方法处理大容量数据具有快速、高效、可扩展的优点，解决了大数据量的输电线路监控视频检索的高性能需求问题。

Description

一种基于Hadoop的输电线路监控视频分布式检索方法
技术领域
本发明涉及计算机数据处理领域，具体讲涉及一种基于Hadoop的输电线路监控视频的分布式检索方法。
背景技术
作为一种重要的信息载体的视频，是多模态数据内容处理的重要内容。电力行业的输变电状态监测、智能营业厅、各类机房等都对视频系统的要求很高。随着计算机技术和数字图像采集技术的迅速发展以及互联网、物联网、传感网和移动互联网泛在网络空间中的普及应用，在泛在网络空间中，通过海量传感器、智能处理设备等终端实现的物与物、物与人、人与人、信息与信息、信息与人、信息与物体之间在任何时候、任何地点的有效连接产生出大量的图片和视频形式表现的多媒体数据，基于单节点架构的传统检索系统存在检索速度慢、可扩展性差，实时性和稳定性无法保障等问题，已经不能满足人们对于检索性能的要求。现有的视频检索方法主要借用基于文本数据库的检索方法，以人工的方式或借助计算机工作对视频进行编号和添加标签，通过查询标签或关键词实现视频信息的检索，在检索的过程中消耗了大量的CPU资源。
云计算可以将任务分配到各个工作节点共同完成任务，具有分布式、并行处理能力，为输电线路监控视频检索提供一种新的研究思路。Hadoop分布式文件系统HDFS(HadoopDistributed File System，)是一个可扩展的分布式文件系统，他可以运行于廉价的普通硬件上，在不了解底层细节的情况下，利用Map/Reduce函数可以轻松实现并行计算，具有高可靠性、高扩展性、高效性以及高容错性等优点，在大规模数据处理领域得到了广泛的应用。
为解决上述问题，本发明提供一种实现输电线路监控视频检索的策略性方法，解决输电线路海量监控视频检索速度慢、稳定性差等问题，使得输电线路电力视频检索更加高效。
发明内容
为解决海量视频数据检索速度慢、稳定性差的问题，本发明提供一种基于Hadoop的输电线路监控视频的分布式检索方法，利用Hadoop分布式处理大容量数据具有快速、高效、可扩展等优点，解决大数据量的输电线路监控视频检索的高性能需求问题。
一种基于Hadoop的输电线路监控视频分布式检索方法，包括以下步骤：
(1)存储海量视频数据；
(2)提取视频数据的关键帧；
(3)完成关键帧索引；
(4)在Web界面展示检索结果。
进一步的，所述步骤(1)，用户向NameNode提交存储请求，NameNode在文件命名空间中写入文件名，将视频分割为分片段，并查询元数据表为视频分配空闲块，最后将相关元数据返回给用户，中断与用户的连接；
用户与DataNode建立连接，将原始视频数据分片段写入到对应DataNode中。
进一步的，所述步骤(2)，将每个DataNode中存储的视频片段视为一个镜头，结合OpenCV，将根据自适应阈值算法提取的每个镜头的关键帧存储在HDFS中；
存储时，将关键帧与存储在DataNode中的视频片段的对应的关系记录在NameNode中。
进一步的，收集所有关键帧进行一次映射，提取关键帧感兴趣区域的特征作为关键帧的特征数据，存入HDFS中，等待被调用。
进一步的，映射函数是感兴趣区域的特征提取算法，所述算法包括：
A、将图像由RGB颜色空间转换成HSV颜色空间；
B、把HSV颜色空间量化为72种颜色，感兴趣区域的颜色值如下式所示：
Figure BDA0000882119990000021
做直方图统计，其中：numk表示感兴趣区域颜色K的像素数量；num是区域所有像素的数量；L为量化后的颜色柄数；
C、用灰度共生矩阵表示图像的纹理特征：
假设灰度图像为f(x,y)，其灰度级数为L，则有f(x,y)∈[0,L-1]对图像中的任一区域R，定义S为区域中具有特定空间联系的像素对的集合，其归一化共生矩阵如下式所示：
Figure BDA0000882119990000022
式(2)中i∈[0,L-1]，j∈[0,L-1]，d为(x1,y1)与(x2,y2)之间的距离，θ为两点连线与坐标横轴的夹角，x2＝x1+dcosθ，y2＝y1+dsinθ，card(S)为集合S中对CM(d,θ)(i,j)有贡献的元素个数。
进一步的，按照公式(2)计算感兴趣区域的灰度共生矩阵，四个统计特征量如下式所示：
(1)能量：
Figure BDA0000882119990000031
(2)惯性：
Figure BDA0000882119990000032
(3)熵：
Figure BDA0000882119990000033
其中，当m(i,j)＝0时，有log[m(i,j)]＝0；
(4)匀度：
Figure BDA0000882119990000034
上述的4个统计特征量中量化级数D均为8，由上述特征量组成感兴趣区域的4维纹理特征向量，F＝[F1,F2,F3,F4]＝[E,I,S,H]。
进一步的，所述步骤(3)，用户提交检索请求并上传示例图片，系统提取示例图片的特征与存储在HDFS中的关键帧特征数据进行相似度匹配。
进一步的，在Map映射阶段得到相似度，将每个关键帧的特征数据得到的Map输出的<相似度，关键帧ID>键值对，进行排序和重新划分，输出到Reduce。
进一步的，在Reduce阶段，对所有收集的<相似度，关键帧ID>键值对按相似度排序，根据用户设定的N值将前N个键值对写入到HDFS。
进一步的，所述步骤(4)，系统得到与示例图片最相似的关键帧的ID，并将其展示在界面，NameNode记录了关键帧与视频片段对应的关系，用户根据自己的判断选择最相似的关键帧，进而向NameNode发出请求读取与之对应的视频片段，在Web界面展示检索结果。
与最接近的现有技术比，本发明提供的技术方案具有以下优异效果：
1、本发明提供的检索方法是一种策略性方法，利用利用Hadoop分布式处理大容量数据具有快速、高效、可扩展等优点，解决大数据量的输电线路监控视频检索的高性能需求问题。
2、本发明提供的检索方法基于Hadoop系统，Hadoop作为一个高容错性的分布式文件系统，能够部署在廉价的PC集群上，提供高吞吐量的数据访问，并且可以根据需要调整整个集群的大小，可扩展性高。
3、本发明提供的检索方法涉及关键帧的提取，相对于海量的原始视频数据，关键帧的提取大大提高了检索的效率并且检索精度也足以让人接受，提高用户检索视频数据的质量。
4、本发明提供的分布式检索方法采用自适应阈值算法提取关键帧，对于视频内容不会发生太大变化的输电线路监控频来说，阈值法计算相邻视频帧间的差异度，将差异度与事先设定的阈值比较来判断此视频帧处是否发生了镜头变化，简单且易实现，尤其对镜头切换具有良好的检测效果，能达到良好的视频检索效果。
附图说明
图1是一种基于Hadoop的输电线路监控视频分布式检索方法的架构图；
图2是输电线路监控视频分布式检索方法中关键帧检索的整个流程，即关键帧检索的Map\Reduce算法流程图；
图3是基于Hadoop的输电线路监控视频分布式检索方法的流程图。
具体实施方式
为清晰的说明本发明的分布式检索方法，下面结合附图做具体说明。
图1是一种基于Hadoop的输电线路监控视频分布式检索方法的架构图，在Hadoop平台的HDFS和Map/Reduce模块的支持下，辅之以OpenCV(一个开源的计算机视觉库)视觉库和关键帧提取算法，海量原始输电线路视频数据转化为相应关键帧，通过关键帧索引在Web界面上向用户展示最终的检索结果。它主要包括三个部分：海量视频数据的存储、关键帧的提取以及关键帧的索引，最后在Web界面展示检索结果。构架图中HDFS部分主要用于存储海量的原始输电线路电力视频数据以及由原始视频得到的关键帧，Map/Reduce部分完成关键帧的索引工作。
图3是基于Hadoop的输电线路监控视频分布式检索方法的流程图。
(1)存储海量视频数据
Hadoop作为最为广泛的开源云计算编程平台，具备处理输电线路监控视频这种大型数据的能力。根据HDFS采取的主从构架，原始视频数据被分割成为许多个块，分别存储在一个或多个DataNode上。用户从客户端向NameNode发送存储请求，NameNode在文件命名空间中写入文件名，查询元数据表并为视频分配空闲块，最后将用户上传的视频需要空闲块的总数量和具体空闲块分配的DataNode信息等相关元数据返回给用户，用户直接与相关DataNode建立联系，获得块的写入权限将原始视频数据分片段写入到对应DataNode中。
(2)提取视频数据的关键帧
原始监控视频在存储阶段被分割为许多个视频片段，将每个DataNode中存储的视频片段视为一个镜头，利用开源的计算机视觉库OpenCV，结合自适应阈值算法提取每个镜头的关键帧。
OpenCV从Hadoop的HDFS中提取原始视频分割成的视频片段，采用自适应阈值算法提取出关键帧，再把该关键帧重新存储在HDFS中。在存储时，一个视频片段与从该视频片段中提取的关键帧虽然不是存储在同一个DataNode中，但是两者有一一对应的关系，这种关系保存在NameNode中，系统能够根据一副关键帧图像返回给用户对应的视频片段。
(3)完成关键帧索引
提取的关键帧存储在HDFS中，当用户提交检索请求时，关键帧索引工作开始，首先提取示例图片的特征，然后与存储在HDFS中的关键帧的特征数据进行比较，得到关键帧与示例图片的相似度，对所有相似度进行一次排序，得到与示例图片相似度最高的关键帧。
如图2所示，展示了关键帧索引的整个过程，具体过程为：
A、存储在HDFS中的关键帧首先经过关键帧感兴趣区域的特征提取算法的映射函数把图像数据转化成为特征数据再次存储在HDFS中。
本实施例采用的提取关键帧和示例图片的特征的提取算法是提取感兴趣区域的颜色特征，具体算法为：
首先对图像进行空间转换，将RGB颜色空间转换成HSV颜色空间；
然后把HSV颜色空间量化为72种主要颜色，并对感兴趣区域的颜色值按
Hk＝numk/num,k＝0,1,2,…,L-1 (1)
作直方图统计。其中：numk表示感兴趣区域颜色K的像素数量；num是区域所有像素的数量；L为量化后的颜色柄数。
利用灰度共生矩阵来表示图像的纹理特征。
假设灰度图像为f(x,y)，其灰度级数为L，则有f(x,y)∈[0,L-1]对图像中的任一区域R，定义S为区域中具有特定空间联系的像素对的集合，其归一化共生矩阵可用如下公式表示：
Figure BDA0000882119990000061
式(2)中i∈[0,L-1]，j∈[0,L-1]，d为(x1,y1)与(x2,y2)之间的距离，θ为两点连线与坐标横轴的夹角，x2＝x1+dcosθ，y2＝y1+dsinθ，card(S)为集合S中对CM(d,θ)(i,j)有贡献的元素个数。
按此公式计算图像感兴趣区域的灰度共生矩阵，提取能量、惯性、熵和匀度4个统计特征量，以m(i,j)表示灰度共生矩阵，表示为：
●能量：
Figure BDA0000882119990000062
●惯性：
Figure BDA0000882119990000063
●熵：
Figure BDA0000882119990000064
其中，当m(i,j)＝0时，有log[m(i,j)]＝0
●匀度：
Figure BDA0000882119990000065
上述4个统计特征量中量化级数D为均为8，由上述特征量组成感兴趣区域的4维纹理特征向量，F＝[F1,F2,F3,F4]＝[E,I,S,H]。
B、当用户提交检索请求并上传示例图片后，系统会提取示例图片的特征数据，并且与已经存储的关键帧的特征数据进行比较，得到相似度，即进行Map映射，Map阶段输出<相似度，关键帧ID>键值对，收集所有的键值对，进行重新划分和归一化后输出到Reduce阶段。
C、Reduce收集所有<相似度，关键帧ID>键值对，对键对值进行汇总，并按照相似度由高到低进行排序，根据用户设定的N值，将前N个键值对写入到HDFS，至此，完成关键帧索引。
(4)在Web界面展示检索结果
系统得到与示例图片最相似的N幅关键帧的ID，并将其展示在界面，用户根据自己的判断选择最相似的关键帧，进而向记录了关键帧与视频片段一一对应的关系的NameNode发出请求读取与之对应的视频片段，完成视频检索。
最后应当说明的是：以上实施例仅用以说明本申请的技术方案而非对其保护范围的限制，尽管参照上述实施例对本申请进行了详细的说明，所属领域的普通技术人员应当理解：本领域技术人员阅读本申请后依然可以对申请的具体实施方式进行种种变更、修改或者等同替换，但这些变更、修改或者等同替换，均在申请待批的权利要求保护范围之内。

Claims (7)

1.一种基于Hadoop的输电线路监控视频分布式检索方法，其特征在于，该检索方法包括以下步骤：
(1)存储视频数据；
(2)提取视频数据的关键帧；
(3)完成关键帧索引；
(4)在Web界面展示检索结果；
所述步骤(2)，将每个DataNode中存储的视频片段视为一个镜头，结合OpenCV，将根据自适应阈值算法提取的每个镜头的关键帧存储在HDFS中；
存储时，将关键帧与存储在DataNode中的视频片段的对应关系记录在NameNode中；
收集所有关键帧进行一次映射，提取关键帧感兴趣区域的特征作为关键帧的特征数据，存入HDFS中，等待被调用；
映射函数是感兴趣区域的特征提取算法，所述算法包括：
A、将图像由RGB颜色空间转换成HSV颜色空间；
B、把HSV颜色空间量化为72种颜色，感兴趣区域的颜色值如下式所示
Hk＝numk/num,k＝0,1,2,…,L-1 (1)
做直方图统计，其中：numk表示感兴趣区域颜色K的像素数量；num是区域所有像素的数量；L为量化后的颜色柄数；
C、用灰度共生矩阵表示图像的纹理特征：
假设灰度图像为f(x,y)，其灰度级数为L，则有f(x,y)∈[0,L-1]对图像中的任一区域R，定义S为区域中具有特定空间联系的像素对的集合，其归一化共生矩阵如下式所示：
Figure FDA0002510804710000011
式(2)中i∈[0,L-1]，j∈[0,L-1]，d为(x1,y1)与(x2,y2)之间的距离，θ为两点连线与坐标横轴的夹角，x2＝x1+d cosθ，y2＝y1+d sinθ，card(S)为集合S 中对CM(d,θ)(i,j)有贡献的元素个数。
2.根据权利要求1所述的分布式检索方法，其特征在于，所述步骤(1)，用户向NameNode提交存储请求，NameNode在文件命名空间中写入文件名，将视频分割为分片段，查询元数据表为视频分配空闲块后，将相关元数据返回给用户，中断与用户的连接；
用户与DataNode建立连接，将原始视频数据分片段写入到对应DataNode中。
3.根据权利要求1所述的分布式检索方法，其特征在于，按照公式(2)计算感兴趣区域的灰度共生矩阵，以m(i,j)表示灰度共生矩阵，四个统计特征量如下式所示：
(1)能量：
Figure FDA0002510804710000021
(2)惯性：
Figure DEST_PATH_FDA0000882119980000023
(3)熵：
Figure DEST_PATH_FDA0000882119980000024
其中，当时m(i,j)＝0，有log[m(i,j)]＝0；
(4)匀度：
Figure FDA0002510804710000024
上述的四个统计特征量中量化级数D均为8，由上述特征量组成感兴趣区域的4维纹理特征向量，F＝[F1,F2,F3,F4]＝[E,I,S,H]。
4.根据权利要求1所述的分布式检索方法，其特征在于，所述步骤(3)，用户提交检索请求并上传示例图片，系统提取示例图片的特征与存储在HDFS中的关键帧特征数据进行相似度匹配。
5.根据权利要求4所述的分布式检索方法，其特征在于，在Map映射阶段得到相似度，将每个关键帧的特征数据得到的Map输出的<相似度，关键帧ID> 键值对进行排序和重新划分，输出到Reduce。
6.根据权利要求5所述的分布式检索方法，其特征在于，在Reduce阶段，对所有收集的<相似度，关键帧ID>键值对按相似度排序，根据用户设定的N值将前N个键值对写入到HDFS。
7.根据权利要求1所述的分布式检索方法，其特征在于，所述步骤(4)，系统得到与示例图片最相似的关键帧的ID，并将其展示在界面，NameNode记录了关键帧与视频片段对应的关系，用户根据自己的判断选择最相似的关键帧，进而向NameNode发出请求读取与之对应的视频片段，在Web界面展示检索结果。
CN201510957776.7A 2015-12-17 2015-12-17 一种基于Hadoop的输电线路监控视频分布式检索方法 Active CN106897295B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510957776.7A CN106897295B (zh) 2015-12-17 2015-12-17 一种基于Hadoop的输电线路监控视频分布式检索方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510957776.7A CN106897295B (zh) 2015-12-17 2015-12-17 一种基于Hadoop的输电线路监控视频分布式检索方法

Publications (2)

Publication Number Publication Date
CN106897295A CN106897295A (zh) 2017-06-27
CN106897295B true CN106897295B (zh) 2021-01-15

Family

ID=59188445

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510957776.7A Active CN106897295B (zh) 2015-12-17 2015-12-17 一种基于Hadoop的输电线路监控视频分布式检索方法

Country Status (1)

Country Link
CN (1) CN106897295B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107506370A (zh) * 2017-07-07 2017-12-22 大圣科技股份有限公司 多媒体数据深度挖掘方法、存储介质及电子设备
CN107968930A (zh) * 2017-10-23 2018-04-27 国网辽宁省电力有限公司本溪供电公司 基于统一视频监控平台的海量视频高密度存储与快速检索方法及电力施工实施方法
CN108288777A (zh) * 2017-10-23 2018-07-17 国网辽宁省电力有限公司本溪供电公司 66kV-220kV对接卡簧式接地线线夹及电力施工实施方法
CN107887836A (zh) * 2017-10-23 2018-04-06 国网辽宁省电力有限公司本溪供电公司 直线塔架空地线提升器及其架空地线提升方法、电力施工实施方法
CN108051616A (zh) * 2017-10-23 2018-05-18 国网辽宁省电力有限公司本溪供电公司 Gis设备回路电阻测试辅助工具及电力施工实施方法
CN108054596A (zh) * 2017-10-23 2018-05-18 国网辽宁省电力有限公司本溪供电公司 电缆绕、放线装置及方法、电力施工实施方法
CN107800063A (zh) * 2017-10-23 2018-03-13 国网辽宁省电力有限公司本溪供电公司 便携式变电站设备除雪机及电力施工实施方法
CN109753584A (zh) * 2018-12-06 2019-05-14 国电南瑞南京控制系统有限公司 一种风电设备的视频分布式存储与检索方法
CN111914118B (zh) * 2020-07-22 2021-08-27 珠海大横琴科技发展有限公司 基于大数据的视频分析方法、装置、设备及存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101021857A (zh) * 2006-10-20 2007-08-22 鲍东山 基于内容分析的视频搜索系统
CN101631237A (zh) * 2009-08-05 2010-01-20 青岛海信网络科技股份有限公司 一种视频监控数据存储管理系统
CN103500230A (zh) * 2013-10-25 2014-01-08 苏州千视通信科技有限公司 基于样本图像的视频检索方法
CN103974037A (zh) * 2014-04-28 2014-08-06 厦门纳网科技有限公司 一种基于网络视频云的实时检索系统及其方法
CN104462354A (zh) * 2014-12-05 2015-03-25 国家电网公司 一种具有多种检索方式的多媒体系统及处理方法
CN104679891A (zh) * 2015-03-18 2015-06-03 成都影泰科技有限公司 一种海量数据处理方法
US20150189193A1 (en) * 2013-12-27 2015-07-02 TCL Research America Inc. Method and apparatus for video sequential alignment

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101021857A (zh) * 2006-10-20 2007-08-22 鲍东山 基于内容分析的视频搜索系统
CN101631237A (zh) * 2009-08-05 2010-01-20 青岛海信网络科技股份有限公司 一种视频监控数据存储管理系统
CN103500230A (zh) * 2013-10-25 2014-01-08 苏州千视通信科技有限公司 基于样本图像的视频检索方法
US20150189193A1 (en) * 2013-12-27 2015-07-02 TCL Research America Inc. Method and apparatus for video sequential alignment
CN103974037A (zh) * 2014-04-28 2014-08-06 厦门纳网科技有限公司 一种基于网络视频云的实时检索系统及其方法
CN104462354A (zh) * 2014-12-05 2015-03-25 国家电网公司 一种具有多种检索方式的多媒体系统及处理方法
CN104679891A (zh) * 2015-03-18 2015-06-03 成都影泰科技有限公司 一种海量数据处理方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于灰度共生矩阵的影像纹理特征研究;王宏光等;《测绘通报》;20131231(第2期);正文第二节 *

Also Published As

Publication number Publication date
CN106897295A (zh) 2017-06-27

Similar Documents

Publication Publication Date Title
CN106897295B (zh) 一种基于Hadoop的输电线路监控视频分布式检索方法
Ashraf et al. Content based image retrieval by using color descriptor and discrete wavelet transform
CN111950653B (zh) 视频处理方法和装置、存储介质及电子设备
Shi et al. Photo album compression for cloud storage using local features
JP2015170358A (ja) シーンから取得されるビデオの低階数記述子を抽出する方法
US20090263014A1 (en) Content fingerprinting for video and/or image
CN105354248A (zh) 基于灰度的分布式图像底层特征识别方法及系统
CN102737243A (zh) 获取多幅图像的描述信息的方法及装置与图像匹配方法
CN113779303B (zh) 视频集合的索引方法、装置和存储介质及电子设备
Haldar et al. Content based image retrieval using histogram, color and edge
CN110956213A (zh) 遥感影像特征库生成、遥感影像检索方法及装置
CN104346630A (zh) 一种异构特征融合的云花卉识别方法
CN112561976A (zh) 一种图像主颜色特征提取方法、图像检索方法、存储介质及设备
Kushwaha et al. Feature Selection for Image Retrieval based on Genetic Algorithm.
CN115757857A (zh) 一种水下三维跨模态联合检索方法、存储介质和电子设备
CN104778272B (zh) 一种基于区域挖掘和空间编码的图像位置估计方法
WO2021051562A1 (zh) 人脸特征点定位方法、装置、计算设备和存储介质
CN106886783B (zh) 一种基于区域特征的图像检索方法及系统
CN110826545A (zh) 一种视频类别识别的方法及相关装置
Wang et al. Fractal image encoding with flexible classification sets
CN104866818A (zh) 一种用于搜索包含人脸的图片的方法和装置
CN104850600A (zh) 一种用于搜索包含人脸的图片的方法和装置
Milani Compression of multiple user photo galleries
KR101572330B1 (ko) 동영상의 근복사 검출 방법 및 시스템
CN107870923B (zh) 图像检索方法和装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant