CN108012097A - 视频云录像的方法、装置、计算机设备和存储介质 - Google Patents

视频云录像的方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN108012097A
CN108012097A CN201711114381.6A CN201711114381A CN108012097A CN 108012097 A CN108012097 A CN 108012097A CN 201711114381 A CN201711114381 A CN 201711114381A CN 108012097 A CN108012097 A CN 108012097A
Authority
CN
China
Prior art keywords
code check
time
video
vector
default
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.)
Granted
Application number
CN201711114381.6A
Other languages
English (en)
Other versions
CN108012097B (zh
Inventor
雷明
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.)
Aizhi Technology Shenzhen Co ltd
Beijing Zhihong Technology Co ltd
Original Assignee
Chi Meida (jiangsu) Digital Technology Co Ltd
Airmada Technology Inc
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 Chi Meida (jiangsu) Digital Technology Co Ltd, Airmada Technology Inc filed Critical Chi Meida (jiangsu) Digital Technology Co Ltd
Priority to CN201711114381.6A priority Critical patent/CN108012097B/zh
Publication of CN108012097A publication Critical patent/CN108012097A/zh
Application granted granted Critical
Publication of CN108012097B publication Critical patent/CN108012097B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
    • 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
    • G06F16/7837—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using objects detected or recognised in the video content
    • G06F16/784—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using objects detected or recognised in the video content the detected or recognised objects being people
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/10—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding
    • H04N19/102—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the element, parameter or selection affected or controlled by the adaptive coding
    • H04N19/124—Quantisation
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/10—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding
    • H04N19/134—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the element, parameter or criterion affecting or controlling the adaptive coding
    • H04N19/136—Incoming video signal characteristics or properties
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/10—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding
    • H04N19/134—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the element, parameter or criterion affecting or controlling the adaptive coding
    • H04N19/146—Data rate or code amount at the encoder output
    • H04N19/149—Data rate or code amount at the encoder output by estimating the code amount by means of a model, e.g. mathematical model or statistical model
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/90—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using coding techniques not provided for in groups H04N19/10-H04N19/85, e.g. fractals
    • H04N19/94—Vector quantisation
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N5/00—Details of television systems
    • H04N5/76—Television signal recording

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Library & Information Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Algebra (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Compression Or Coding Systems Of Tv Signals (AREA)

Abstract

本发明提供一种视频云录像方法，包括获取当前时间点对应的特征向量，所述特征向量包括当前时间点、用户行为特征和当前画面的变化特征；将所述特征向量输入预设码率模型中，得到码率向量；根据所述码率向量得到码率，根据所述码率进行录像，并将录制的视频传送至服务器。能够提供最佳录像码率，降低服务器带宽消耗与存储空间。还提供了一种视频云录像的装置、存储介质和计算机设备。

Description

视频云录像的方法、装置、计算机设备和存储介质
技术领域
本发明涉及互联网技术领域，特别是涉及一种视频云录像的方法、装置、计算机设备和存储介质。
背景技术
视频云录像提供云端录像存储与录像回放服务，是互联网视频监控和智能家居产品的核心功能。当接入服务器的录像设备数规模很大时，录像设备一直工作时，会消耗大量的服务器带宽，以及存储服务器的存储空间。
传统的解决方案一般是采用根据图像的变化信息来自适应的调整码率，以达到降低带宽消耗与存储空间的目的，但是只是简单的根据图像的变化信息来自适应的调整码率，画面变化多的时候并不一定是需要高质量录像的时候，而且自适应的调整码率确定的录像码率准确率低，并不能真正的起到有效的作用。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提供最佳录像码率，降低带宽消耗与存储空间的视频云录像的方法、装置、计算机设备和存储介质。
一种视频云录像方法，包括：
获取当前时间点对应的特征向量，所述特征向量包括当前时间点、用户行为特征和当前画面的变化特征；
将所述特征向量输入预设码率模型中，得到码率向量；
根据所述码率向量得到码率，根据所述码率进行录像，并将录制的视频传送至服务器。
在其中一个实施例中，在获取当前时间点对应的特征向量之前，还包括：
从历史视频记录中，获取每个时间点及每个时间点对应的用户行为特征、当前画面的变化特征，根据所述每个时间点、每个时间点对应的用户行为特征、当前画面的变化特征组成每个时间点对应的特征向量；
根据所述每个时间点对应的特征向量获取预设码率，获取所述预设码率对应的预设量化等级，对所述预设码率对应的预设量化等级和除所述预设码率对应的预设量化等级外的预设量化等级进行编码，得到码率向量；
将所述特征向量和所述码率向量在多层神经网络中进行训练，得到预设码率模型。
在其中一个实施例中，所述降所述特征向量和所述码率向量在多层神经网络中进行训练，得到预设码率模型，包括：
将所述特征向量作为多层前馈神经网络的输入，将所述多层前馈神经网络的输入层神经元个数设置为等于所述特征向量的维数，将所述码率向量作为多层前馈神经网络的输出进行训练，得到预设码率模型。
在其中一个实施例中，所述获取当前时间点对应的特征向量，包括：
获取当前时间点，根据所述当前时间点查找对应的预设时间区间，所述预设时间区间是指预先将每天划分为等分的时间区间；
对所述当前时间点对应的预设时间区间和除所述当前时间点对应的预设时间区间外的其他预设时间区间进行编码，组成所述当前时间点的特征向量。
在其中一个实施例中，所述获取当前时间点对应的特征向量，包括：
获取每个预设时间区间的历史视频记录，统计每个所述预设时间区间内所述历史视频记录回放的频率；
对所述频率超过预设阈值的预设时间区间和除所述频率超过预设阈值的预设时间区间外的其他预设时间区间进行编码，组成所述用户行为特征的特征向量。
在其中一个实施例中，所述获取当前时间点对应的特征向量，包括：
从当前的视频画面中提取当前帧的前景区域，对所述前景区域进行划分，得到多个前景子区域，从所述多个前景子区域中提取出变化区域，统计所述变化区域的数量和所述变化区域相对于整个视频画面的相对面积；
所述数量和所述相对面积组成所述当前画面的变化特征的特征向量。
在其中一个实施例中，根据所述码率向量得到码率，包括：
对所述码率向量进行计算得到对应的量化等级，根据预设量化等级和码率的对应关系获取所述量化等级对应的码率。
一种视频云录像装置，包括：
特征获取模块，用于获取当前时间点对应的特征向量，所述特征向量包括当前时间点、用户行为特征和当前画面的变化特征；
码率预测模块，用于将所述特征向量输入预设码率模型中，得到码率向量；
录像模块，用于根据所述码率向量得到码率，根据所述码率进行录像，并将录制的视频传送至服务器。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述任一项所述视频云录像方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述任一项所述视频云录像方法的步骤。
上述视频云录像方法、装置、计算机设备和存储介质，通过获取当前时间点对应的特征向量，并将特征向量输入到预设码率模型中得到码率向量，并根据码率向量得到码率，根据该码率进行录像并将录制的视频传送给到服务器，可以大幅度降低服务器的带宽消耗和存储空间消耗。
附图说明
图1为一个实施例中视频云录像方法的应用环境示意图；
图2为一个实施例中图1中的录像设备的内部结构示意图；
图3为一个实施例中视频云录像方法流程示意图；
图4为一个实施例中训练预设码率模型的流程图；
图5为一个实施例中获取当前时间点特征向量的流程图；
图6为一个实施例中获取用户行为特征的特征向量的流程图；
图7为一个实施例中获取当前画面的变化特征的特征向量的流程图；
图8为一个实施例中视频云录像装置的结构框图；
图9为另一个实施例中视频云录像装置的结构框图；
图10为又一个实施例中视频云录像装置的结构框图；
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
如图1所示，在一个实施例中，提供了一种视频云录像方法、装置的应用环境示意图，至少包括服务器102、至少一个录像设备104且录像设备104通过网络和服务器102通过网络连接进行数据传输。录像设备104来实现视频云录像方法。录像设备104计算出当前画面的变化特征，根据录像设备104的用户行为计算出用户行为特征，并获取当前时间点，然后将当前画面的变化特征、用户行为特征和当前时间点输入预设码率模型中，得到码率向量。录像设备104根据码率向量得到码率，根据得到的码率进行录像，并将录制的视频传送至服务器102。
在一个实施例中，如图2所示，提供了一种计算机设备，该计算机设备可以是比如图1所示的录像设备104，该计算机设备包括通过系统总线连接的处理器、内存储器、非易失性存储介质、网络接口，摄像头。该计算机设备的非易失性存储介质中存储有操作系统和一种视频云录像装置的计算机程序，该视频云录像装置的计算机程序用于实现一种视频云录像方法。该计算机设备的处理器用于提供计算和控制能力，被配置为执行一种视频云录像方法。计算机设备中内存储器为非易失性存储介质中的计算机程序的运行提供环境。计算机设备中网络接口与服务器进行数据传输，例如，服务器接收录像设备录制的视频。计算机设备中摄像头用于根据处理器执行一种视频云录像方法进行录像。本领域技术人员可以理解，图2中示出的结构，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
如图3所示，在一个实施例中，提供了一种视频云录像方法，包括以下步骤：
S302，获取当前时间点对应的特征向量，特征向量包括当前时间点、用户行为特征和当前画面的变化特征。
具体的，录像设备获取到当前时间点对应的特征向量，包括当前时间点、用户行为特征和当前画面的变化特征。其中，在每个时刻，对每个要录像的录像设备通过移动侦测算法获取当前画面的变化特征，并根据录像设备本身用户的行为计算出用户行为特征且获取到当前时间点，并将当前画面的变化特征、用户行为特征和当前时间点进行编码组成特征向量。当前画面的变化特征是指录像设备通过移动侦测算法从实时的序列图像中提取出来相对于背景图像中的变化区域和数量。用户行为特征是指用户查看录像设备在一个时间段内历史视频录像的频率。当前时间点是指录像设备录像时当前时间点所处的时间段。例如：录像设备获取到的当前时间点的特征向量为xtime，获取到的当前画面的变化特征的特征向量为xmd，获取到的用户行为特征的特征向量xbehavor，则组合成的特征向量为x＝[xtime,xbehavor,xmd]。
S304，将特征向量输入预设码率模型中，得到码率向量。
具体的，将特征向量包括当前时间点、用户行为特征和当前画面的变化特征组合起来形成整个特征向量，将整个的特征向量输入到预设码率模型中进行预测，其中，预设码率模型是指预先建立输入为当前时间点、用户行为特征和当前画面的变化组成的特征向量，输出为码率向量的多层神经网络模型。多层神经网络即多层感知器，是一种前向结构的人工神经网络，映射一组输入向量到一组输出向量。预测完成后就得到一个码率向量，该码率向量为量化的码率编码向量，码率向量中分量的个数就是码率的量化等级数。例如：录像设备将获取到的特征向量x＝[xtime,xbehavor,xmd]输入到预设码率模型，该模型实现的是y＝f(x)的映射函数，录像设备得到输出的码率向量y。
S306，根据码率向量得到码率，根据码率进行录像，并将录制的视频传送至服务器。
具体的，可对码率向量进行量化处理得到码率。根据得到的码率进行录像并将录制的视频传送到服务器，在服务器上对录制的视频进行保存和重放。
上述实施例中，通过预设码率模型，获取录像设备运行移动侦测算法提取出当前画面变化特征，并根据本录像设备的用户行为计算出用户行为特征和当前时间点编码组成特征向量输入到已经训练好的预设码率模型中进行预测。最后用预测出的码率进行录像并将录制的视频传送给服务器。考虑到了录像设备的应用场景和用户的行为习惯，能够更精确的确定用户和录像设备所需要的码率，从而进行录像，使得在多个录像设备接入服务器时大幅度的降低了服务器的带宽消耗和存储空间消耗。
如图4所示，在一个实施例中，在步骤S302之前，建立预设码率模型，包括步骤：
S402，从历史视频记录中，获取每个时间点及每个时间点对应的用户行为特征、当前画面的变化特征，根据每个时间点、每个时间点对应的用户行为特征、当前画面的变化特征组成每个时间点对应的特征向量。
具体的，获取到在服务器上存储的录像设备录制的历史视频记录，从该历史视频记录中获取录制历史视频记录时对应的每个当前时间点，同时获取该当前时间点对应的用户行为特征，即在该当前时间点用户查看该历史视频记录的频率和当前画面的变化特征，即该历史视频记录在每个当前时间点记录的当前画面相对于历史视频记录背景图像的变化区域和数量。将每个时间点、每个时间点对应的用户行为特征、当前画面的变化特征分别进行编码，然后组成每个时间点对应的特征向量。例如，在一个录像设备中，录像设备获取到当前时间点的特征向量[1,0,....,0]、用户行为特征的特征向量[1,0,....,0]和当前画面的变化特征的特征向量组成最终的特征向量[1,0,....,0,1,0....0,N,ΔS]。
S404，根据每个时间点对应的特征向量获取预设码率，获取预设码率对应的预设量化等级，对预设码率对应的量化等级和除预设码率对应的预设量化等级外的预设量化等级进行编码，得到码率向量。
具体的预设码率是指预先根据每个时间点对应的特征向量指定的码率。然后获取预先对码率设置的量化等级，得到指定的码率对应的量化等级。对该量化等级和其他的量化等级进行编码，就得到了码率向量。例如：如果预设码率为1帧/10分钟，且预先对码率设置了6个量化等级，编号为1到6，分别对应1帧/10分钟，1帧/1分钟，1帧/10秒，1帧/1秒，1帧/100毫秒，1帧/40毫秒。则预设码率为1帧/10分钟对应编号为1的量化等级，则对预设码率编码为1，其他的码率编码为0。则得到码率向量为[1,0,0,0,0,0]。
S406，将特征向量和码率向量在多层神经网络中进行训练，得到预设码率模型。
具体的，将录像设备获取到的特征向量作为输入，将获取到的码率向量作为输出在多层神经网络中进行训练，得到预设码率模型。例如，将将获取到的当前时间点的特征向量[1,0,....,0]、用户行为特征的特征向量[1,0,....,0]和当前画面的变化特征的特征向量组成最终的特征向量[1,0,....,0,1,0....0,N,ΔS]作为预设码率模型的输入，将得到的码率向量[1,0,0,0,0,0]作为预设码率模型的输出，进行训练得到预设码率模型。
在一个实施例中，步骤S406，包括：将特征向量作为多层前馈神经网络的输入，将多层前馈神经网络的输入层神经元个数设置为等于特征向量的维数，将码率向量作为多层前馈神经网络的输出进行训练，得到预设码率模型。
具体的，多层神经网络采用多层前馈神经网络，前馈神经网络是一种最简单的神经网络，各神经元分层排列。每个神经元只与前一层的神经元相连。接收前一层的输出，并输出给下一层.各层间没有反馈。而多层前馈神经网络有一个输入层，中间有一个或多个隐含层，有一个输出层。将录像设备得到特征向量输入到多层前馈神经网络的输入层，该输入层的神经元个数等于特征向量的位数，并将录像设备得到的码率向量设置为输出层的输出进行训练，得到预设码率模型。例如：预设码率模型采用了一个4层的多层前馈神经网络，特征向量的维数为242，因此输入层有242个神经元。第二层为隐含层，包含512个神经。第三层也为隐含层，包含256个神经元。最后为输出层包含6个神经元，即输出为码率向量。所有层的激活函数采用ReLU(Rectified Linear Unit，修正线性单元)函数，定义为：f(x)＝max(0,x)。
在上述实施例中通过从历史视频记录中获取到特征向量，通过获取到指定的码率得到码率向量，将特征向量和码率向量在多层神经网络中进行训练，得到预设码率模型。使得录像设备在预测码率时能够直接使用预设码率模型，更方便的去预测码率，提高了预测的效率。
如图5所示，在一个实施例中，在步骤S302中，获取当前时间点的特征向量，包括步骤：
S502，获取当前时间点，根据当前时间点查找对应的预设时间区间，预设时间区间是指预先将每天划分为等分的时间区间。
具体的，在每个时刻，录像设备获取到当前时间点，根据当前时间点查找对应的预设时间区间。其中预设时间区间是指预先将每天划分为等分的时间区间，每个时间点都对应一个时间区间。我们可以自由的调整时间区间的长度，只需要划分成等分的时间区间。例如：预先将一天24小时等分为120个时间区间，每个时间区间5分钟，如果获取到的当前时间点为t，则当前时间点必定在120个时间区间中，查找到这个对应时间区间为第i个时间区间。
S504，对当前时间点对应的预设时间区间和除当前时间点对应的预设时间区间外的其他预设时间区间进行编码，组成当前时间点的特征向量。
具体的，对时间区间进行编码，将得到的当前时间对应的预设时间区间编码作为特征向量中的一个分量，将不是当前时间对应的预设时间区间编码作为特征向量中的其它分量，组成当前时间点的特征向量。例如，如果当前时间点为0时3分，则该时间点对应的时间区间为第一个时间区间，则当前时间点的特征向量的第一个分量为1，其它时间区间特征向量的分量为0，具体的编码为[1,0,....,0]。
在上述实施例中，通过预设时间区间，获取当前时间点对应的预设时间区间，并对当前时间点对应的预设时间区间和其他的预设时间区间进行编码组成当前时间点的特征向量，使得获取的码率更加的精确。
如图6所示，在一个实施例中，在步骤S302中，获取用户行为特征的特征向量，包括步骤：
S602，获取每个预设时间区间的历史视频记录，统计每个预设时间区间内历史视频记录回放的频率；
具体的，历史视频记录是指录像设备在过去的时间中录制的视频，并将视频存储在服务器中。录像设备获取到每个预设时间区间内的历史视频记录统计每个预设时间区间内历史视频记录回放的频率。其中历史视频回放记录的频率是指在过去的这个时间区间用户查看录像视频的次数。预设时间区间是指预先将时间设置为等分的时间段，每个时间段具有相同的时间长度。例如：可以将一天24个小时等分成120个时间区间，每个时间区间12分钟，也可以将一天24个小时等分为288个时间区间，每个时间区间5分钟。
S604，对频率超过预设阈值的预设时间区间和除频率超过预设阈值的预设时间区间外的其它他预设时间区间进行编码，组成用户行为特征的特征向量。
具体的，阈值又称阈强度，是指释放一个行为反应所需要的最小刺激强度。低于阈值的刺激不能导致行为释放。预设阈值是指预先根据实验和测试得到在每个预设时间区间用户回放历史视频记录的频率的阈值，如果预设时间区间超过预设的阈值，则对超过预设的阈值预设时间区间进行编码，其中，超过预设的阈值预设时间区间可能会有多个，对每个超过预设的阈值都进行编码，同时也对没有超过预设阈值的其它预设时间进行编码，组成用户行为特征的特征向量。例如，在0时0分到0时12分的预设时间区间中用户回放历史视频记录的频率超过了预设阈值，且该预设时间区间为所有预设时间区间第一个时间区间，则对该预设时间区间进行编码为1，其他预设时间区间用户回放历史视频记录的频率都没有超过预设阈值，则对其他预设时间区间进行编码为0。则用户行为特征的特征向量为[1,0,....,0]。
在上述实施例中，通过预设时间区间，统计用户对预设时间区间的历史视频记录查看的频率，并对超过预设阈值的预设时间区间和其他的预设时间区间进行编码组成了用户行为特征的特征向量，作为确定码率的因素，使得录像设备在利用码率录像时考虑到了用户的习惯，则使用码率录制的视频是用户需要的视频。
如图7所示，在一个实施例中，在步骤S302中，获取当前画面的变化特征的特征向量，包括步骤：
S702，从当前的视频画面中提取当前帧的前景区域，对前景区域进行划分，得到多个前景子区域，从多个前景子区域中提取出变化区域，统计变化区域的数量和变化区域相对于整个视频画面的相对面积；
具体的，当前帧是录像设备当前采集的帧，前景区域是指当前帧的图片与背景帧的图片像素变化超过一定的阈值的区域。采用移动侦测算法提取出当前帧的前景区域，对前景对前景区域进行划分，得到多个前景子区域，提取出变化的前景子区域，统计变化区域的数量和变化区域相对于整个视频画面的相对面积。
S704，数量和相对面积组成当前画面的变化特征的特征向量。
具体的，变化特征的特征向量是由两个分量组成，包括前景子区域中变化区域的数量特征的分量和前景子区域中变化区域相对于整个视频画面的相对面积特征的分量。例如，得到的前景子区域中变化区域的数量特征的分量为N，得到的前景子区域中变化区域相对于整个视频画面的相对面积特征的分量为ΔS。
在上述实施例中，通过从当前的视频画面中提取当前帧的前景区域，并从前景区域中获取到变化区域的数量特征和变化区域相对于整个视频画面的相对面积特征，组成当前画面的变化特征的特征向量，可以确定录像设备的使用场景，更加容易的精确确定码率。
在一个实施例中，根据码率向量得到码率，包括：
对码率向量进行计算得到对应的量化等级，根据预设量化等级和码率的对应关系获取量化等级对应的码率。
具体的，预先设置码率量化等级，根据码率向量得到进行计算获取码率对应的量化等级。根据预先设置好的每个量化等级都对应一个码率得到码率对应的量化等级对应的码率。例如，预先设置码率的量化等级数为6，编号为1到6，量化等级编号为1的对应的码率为1帧/10分钟，量化等级编号为2的对应的码率1帧/1分钟，量化等级编号为3的对应的码率1帧/10秒，量化等级编号为4的对应的码率1帧/1秒，量化等级编号5的对应的码率1帧/100毫秒，量化等级编号为6的对应的码率1帧/40毫秒。若得到的码率向量为[1,0,0,0,0,0]，根据码率向量得到进行计算得到量化等级的编号1，根据量化等级的编号为1得到对应的码率为1帧/10分钟。
如图8所示，在一个实施例中，一种视频云录像装置，包括特征获取模块802、码率预测模块804、录像模块806。其中：
特征获取模块802，用于获取当前时间点对应的特征向量，特征向量包括当前时间点、用户行为特征和当前画面的变化特征；
码率预测模块804，用于将特征向量输入预设码率模型中，得到码率向量；
录像模块806，用于根据码率向量得到码率，根据码率进行录像，并将录制的视频传送至服务器。
如图9所示，在一个实施例中，特征获取模块802之前，还包括：
预设码率模型模块800，用于从历史视频记录中，获取每个时间点及每个时间点对应的用户行为特征、当前画面的变化特征，根据每个时间点、每个时间点对应的用户行为特征、当前画面的变化特征组成每个时间点对应的特征向量。根据每个时间点对应的特征向量获取预设码率，获取预设码率对应的预设量化等级，对预设码率对应的预设量化等级和除预设码率对应的预设量化等级外的预设量化等级进行编码，得到码率向量。将特征向量和码率向量在多层神经网络中进行训练，得到预设码率模型。
具体的，用于将特征向量作为多层前馈神经网络的输入，将多层前馈神经网络的输入层神经元个数设置为等于特征向量的维数，将码率向量作为多层前馈神经网络的输出进行训练，得到预设码率模型。
如图10所示，在一个实施例中，特征获取模块802包括：
当前时间点模块8022，用于获取当前时间点，根据当前时间点查找对应的预设时间区间，预设时间区间是指预先将每天划分为等分的时间区间。对当前时间点对应的预设时间区间和除当前时间点对应的预设时间区间外的其他预设时间区间进行编码，组成当前时间点的特征向量。
用户行为特征模块8024，用于获取每个预设时间区间的历史视频记录，统计每个预设时间区间内历史视频记录回放的频率。对频率超过预设阈值的预设时间区间和除频率超过预设阈值的预设时间区间外的其他预设时间区间进行编码，组成用户行为特征的特征向量。
当前画面的变化特征模块8026，用于从当前的视频画面中提取当前帧的前景区域，对前景区域进行划分，得到多个前景子区域，从多个前景子区域中提取出变化区域，统计变化区域的数量和变化区域相对于整个视频画面的相对面积。将数量和相对面积组成当前画面的变化特征的特征向量。
在上述实施例中，通过在预设码率模型模块中训练好码率模型，在特征获取模块中获取到当前时间点、用户行为特征和当前画面的变化特征的向量组成的特征向量，在码率预测模块中得到码率向量，在录像模块中通过码率向量得到码率进行录像，将录制的视频传送至服务器。精准的确定了用户和录像设备所需要的录像码率，能够降低服务器的带宽消耗和存储空间消耗。
在一个实施例中，还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述各实施例中的任意一种视频云录像方法。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性的计算机可读取存储介质中，如本发明实施例中，该程序可存储于计算机系统的非易失性存储介质中，并被该计算机系统中的至少一个处理器执行，以实现包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(RandomAccess Memory，RAM)等。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种视频云录像方法，其特征在于，包括：
获取当前时间点对应的特征向量，所述特征向量包括当前时间点、用户行为特征和当前画面的变化特征；
将所述特征向量输入预设码率模型中，得到码率向量；
根据所述码率向量得到码率，根据所述码率进行录像，并将录制的视频传送至服务器。
2.根据权利要求1所述的方法，其特征在于，在获取当前时间点对应的特征向量之前，还包括：
从历史视频记录中，获取每个时间点及每个时间点对应的用户行为特征、当前画面的变化特征，根据所述每个时间点、每个时间点对应的用户行为特征、当前画面的变化特征组成每个时间点对应的特征向量；
根据所述每个时间点对应的特征向量获取预设码率，获取所述预设码率对应的预设量化等级，对所述预设码率对应的预设量化等级和除所述预设码率对应的预设量化等级外的预设量化等级进行编码，得到码率向量；
将所述特征向量和所述码率向量在多层神经网络中进行训练，得到预设码率模型。
3.根据权利要求2所述的方法，其特征在于，所述将所述特征向量和所述码率向量在多层神经网络中进行训练，得到预设码率模型，包括：
将所述特征向量作为多层前馈神经网络的输入，将所述多层前馈神经网络的输入层神经元个数设置为等于所述特征向量的维数，将所述码率向量作为多层前馈神经网络的输出进行训练，得到预设码率模型。
4.根据权利要求1所述的方法，其特征在于，所述获取当前时间点对应的特征向量，包括：
获取当前时间点，根据所述当前时间点查找对应的预设时间区间，所述预设时间区间是指预先将每天划分为等分的时间区间；
对所述当前时间点对应的预设时间区间和除所述当前时间点对应的预设时间区间外的其他预设时间区间进行编码，组成所述当前时间点的特征向量。
5.根据权利要求1所述的方法，其特征在于，所述获取当前时间点对应的特征向量，包括：
获取每个预设时间区间的历史视频记录，统计每个所述预设时间区间内所述历史视频记录回放的频率；
对所述频率超过预设阈值的预设时间区间和除所述频率超过预设阈值的预设时间区间外的其他预设时间区间进行编码，组成所述用户行为特征的特征向量。
6.根据权利要求1所述的方法，其特征在于，所述获取当前时间点对应的特征向量，包括：
从当前的视频画面中提取当前帧的前景区域，对所述前景区域进行划分，得到多个前景子区域，从所述多个前景子区域中提取出变化区域，统计所述变化区域的数量和所述变化区域相对于整个视频画面的相对面积；
所述数量和所述相对面积组成所述当前画面的变化特征的特征向量。
7.根据权利要求1所述的方法，其特征在于，根据所述码率向量得到码率，包括：
对所述码率向量进行计算得到对应的量化等级，根据预设量化等级和码率的对应关系获取所述量化等级对应的码率。
8.一种视频云录像装置，其特征在于，包括：
特征获取模块，用于获取当前时间点对应的特征向量，所述特征向量包括当前时间点、用户行为特征和当前画面的变化特征；
码率预测模块，用于将所述特征向量输入预设码率模型中，得到码率向量；
录像模块，用于根据所述码率向量得到码率，根据所述码率进行录像，并将录制的视频传送至服务器。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1-7任一项所述视频云录像方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-7任一项所述视频云录像方法的步骤。
CN201711114381.6A 2017-11-13 2017-11-13 视频云录像的方法、装置、计算机设备和存储介质 Active CN108012097B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711114381.6A CN108012097B (zh) 2017-11-13 2017-11-13 视频云录像的方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711114381.6A CN108012097B (zh) 2017-11-13 2017-11-13 视频云录像的方法、装置、计算机设备和存储介质

Publications (2)

Publication Number Publication Date
CN108012097A true CN108012097A (zh) 2018-05-08
CN108012097B CN108012097B (zh) 2019-08-30

Family

ID=62051610

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711114381.6A Active CN108012097B (zh) 2017-11-13 2017-11-13 视频云录像的方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN108012097B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109308778A (zh) * 2018-09-11 2019-02-05 深圳市智美达科技股份有限公司 移动侦测告警方法、装置、采集设备和存储介质
CN110401847A (zh) * 2019-07-17 2019-11-01 咪咕文化科技有限公司 云dvr视频的压缩存储方法、电子设备及系统
CN111083483A (zh) * 2019-12-31 2020-04-28 北京奇艺世纪科技有限公司 一种视频编码码率确定方法、装置、电子设备及存储介质
WO2021036103A1 (zh) * 2019-08-28 2021-03-04 深圳大学 图像数据的压缩传输方法、系统和计算机可读存储介质
CN112543366A (zh) * 2020-12-02 2021-03-23 北京五八信息技术有限公司 一种视频的播放方法和装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101282463A (zh) * 2008-05-05 2008-10-08 广西大学 基于dct域差值传输的远程无线图像采集监控系统
JP2009055341A (ja) * 2007-08-27 2009-03-12 Mitsubishi Electric Corp 映像監視装置
CN102065283A (zh) * 2010-12-23 2011-05-18 杭州华三通信技术有限公司 一种视频监控数据存储管理方法及其装置
CN104702914A (zh) * 2015-01-14 2015-06-10 汉柏科技有限公司 一种监控视频的数据处理方法及系统
CN104702897A (zh) * 2013-12-10 2015-06-10 明泰科技股份有限公司 网络视频录影的快速历史回放及事件锁定的方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009055341A (ja) * 2007-08-27 2009-03-12 Mitsubishi Electric Corp 映像監視装置
CN101282463A (zh) * 2008-05-05 2008-10-08 广西大学 基于dct域差值传输的远程无线图像采集监控系统
CN102065283A (zh) * 2010-12-23 2011-05-18 杭州华三通信技术有限公司 一种视频监控数据存储管理方法及其装置
CN104702897A (zh) * 2013-12-10 2015-06-10 明泰科技股份有限公司 网络视频录影的快速历史回放及事件锁定的方法
CN104702914A (zh) * 2015-01-14 2015-06-10 汉柏科技有限公司 一种监控视频的数据处理方法及系统

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109308778A (zh) * 2018-09-11 2019-02-05 深圳市智美达科技股份有限公司 移动侦测告警方法、装置、采集设备和存储介质
CN109308778B (zh) * 2018-09-11 2020-08-18 深圳市智美达科技股份有限公司 移动侦测告警方法、装置、采集设备和存储介质
CN110401847A (zh) * 2019-07-17 2019-11-01 咪咕文化科技有限公司 云dvr视频的压缩存储方法、电子设备及系统
WO2021036103A1 (zh) * 2019-08-28 2021-03-04 深圳大学 图像数据的压缩传输方法、系统和计算机可读存储介质
CN111083483A (zh) * 2019-12-31 2020-04-28 北京奇艺世纪科技有限公司 一种视频编码码率确定方法、装置、电子设备及存储介质
CN112543366A (zh) * 2020-12-02 2021-03-23 北京五八信息技术有限公司 一种视频的播放方法和装置

Also Published As

Publication number Publication date
CN108012097B (zh) 2019-08-30

Similar Documents

Publication Publication Date Title
CN108012097B (zh) 视频云录像的方法、装置、计算机设备和存储介质
CN110474815B (zh) 带宽预测方法、装置、电子设备及存储介质
CN112001274B (zh) 人群密度确定方法、装置、存储介质和处理器
CN111125519B (zh) 用户行为预测方法、装置、电子设备以及存储介质
He et al. Objective image quality assessment: a survey
Maeng et al. Towards fair federated recommendation learning: Characterizing the inter-dependence of system and data heterogeneity
CN107943583A (zh) 应用程序的处理方法、装置、存储介质及电子设备
CN113641835A (zh) 多媒体资源推荐方法、装置、电子设备及介质
CN107632697A (zh) 应用程序的处理方法、装置、存储介质及电子设备
CN104657457B (zh) 一种用户评价视频的数据处理方法、视频推荐方法及装置
CN108322827A (zh) 度量用户的视频偏好的方法、系统及计算机可读存储介质
He et al. A visual residual perception optimized network for blind image quality assessment
US10911785B2 (en) Intelligent compression of grainy video content
CN109657725B (zh) 一种基于复杂时空情境感知的服务质量预测方法及系统
WO2025050766A1 (zh) 内容推送方法、装置、计算机设备和存储介质
CN110163401B (zh) 时间序列的预测方法、数据预测方法和装置
CN112581177B (zh) 结合自动特征工程及残差神经网络的营销预测方法
Leszczuk Optimising task-based video quality: A journey from subjective psychophysical experiments to objective quality optimisation
Lotfallah et al. A framework for advanced video traces: evaluating visual quality for video transmission over lossy networks
CN112506063A (zh) 数据分析方法、系统、电子设备和存储介质
CN116346697B (zh) 通信业务质量评测方法、装置及电子设备
CN115330553B (zh) 一种基于设备特征多层优选的非侵入式负荷分解方法
Wu et al. Neuromorphic wireless split computing with multi-level spikes
Ye et al. A visual sensitivity aware ABR algorithm for DASH via deep reinforcement learning
CN115460401A (zh) 一种优化视频码率分配的方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20230418

Address after: 102199 Room 1731, Building 2, East Ring Road, Yanqingyuan, Zhongguancun, Yanqing District, Beijing

Patentee after: Beijing Zhihong Technology Co.,Ltd.

Patentee after: ZMODO TECHNOLOGY SHENZHEN Corp.,Ltd.

Address before: 518051 25 / F, block a, financial technology building, No. 11, Keyuan Road, Nanshan District, Shenzhen, Guangdong Province

Patentee before: ZMODO TECHNOLOGY SHENZHEN Corp.,Ltd.

Patentee before: ZMODO (JIANGSU) DIGITAL TECHNOLOGY CO.,LTD.

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20230915

Address after: Room 227, 2nd Floor, Building 1, No. 3 Xingfu West Street, Beifang Town, Huairou District, Beijing, 101400

Patentee after: Beijing Zhihong Technology Co.,Ltd.

Patentee after: Aizhi Technology (Shenzhen) Co.,Ltd.

Address before: 102199 Room 1731, Building 2, East Ring Road, Yanqingyuan, Zhongguancun, Yanqing District, Beijing

Patentee before: Beijing Zhihong Technology Co.,Ltd.

Patentee before: ZMODO TECHNOLOGY SHENZHEN Corp.,Ltd.

TR01 Transfer of patent right