CN108900804B - 一种基于视频熵的自适应视频流处理方法 - Google Patents
一种基于视频熵的自适应视频流处理方法 Download PDFInfo
- Publication number
- CN108900804B CN108900804B CN201810745109.6A CN201810745109A CN108900804B CN 108900804 B CN108900804 B CN 108900804B CN 201810745109 A CN201810745109 A CN 201810745109A CN 108900804 B CN108900804 B CN 108900804B
- Authority
- CN
- China
- Prior art keywords
- video
- entropy
- queue
- video stream
- threshold
- 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
Links
Images
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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Signal Processing (AREA)
- Closed-Circuit Television Systems (AREA)
- Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
- Compression Or Coding Systems Of Tv Signals (AREA)
Abstract
本发明公开了一种基于视频熵的自适应视频流处理方法,视频监控系统的视频流汇流中央进行处理,并定义一个视频熵的阈值ET,在T时间度量范围内,每一路视频流均计算出各自的视频熵;优先处理当前视频熵高于阈值ET的视频流;针对当前视频熵低于阈值ET的视频流根据视频熵由大到小进行排序,插入队列,且保证队列数量不超过QT;按照优先级处理队列里的视频流,在队头的视频流优先级最高,在队尾的视频流优先级最低。本发明优先处理活跃程度较高的视频流,避免出现视频图像识别延迟或是错误的情况。
Description
技术领域
本发明涉及一种视频流处理方法,特别是一种基于视频熵的自适应视频流处理方法。
背景技术
随着视频监控系统的快速发展,视频监控空间越来越广、时间越来越长、视频分辨率越来越高,相应的待处理的视频信息量也越来越大。这就导致在各种视频流汇总到监控系统过程中,都有可能因为视频信息量过大、视频流拥塞,导致关键的视频流无法得到及时处理。
如何在有限的带宽和计算能力条件下,保证关键视频流的及时处理,成为一个亟待解决的问题。
发明内容
本发明所要解决的技术问题是提供一种基于视频熵的自适应视频流处理方法,优先处理活跃程度较高的视频流,避免出现视频图像识别延迟或是错误的情况。
为解决上述技术问题,本发明所采用的技术方案是:
一种基于视频熵的自适应视频流处理方法,其特征在于包含以下步骤:
步骤一:定义时间度量长度为T、队列长度参数QT、队列实际长度QL、视频熵阈值为ET;
步骤二:视频监控系统的视频流汇流中央进行处理,并定义一个视频熵的阈值ET,在T时间度量范围内,每一路视频流均计算出各自的视频熵;
步骤三:优先处理当前视频熵高于阈值ET的视频流;
步骤四:针对当前视频熵低于阈值ET的视频流根据视频熵由大到小进行排序,插入队列,且保证队列数量不超过QT;
步骤五:按照优先级处理队列里的视频流,在队头的视频流优先级最高,在队尾的视频流优先级最低。
进一步地,p(x)为概率函数,代表x这个范围特征出现的概率,图像中每个像素表示为0到255共256个整数,把一个范围令为范围像素,分割每n个连续整数为一个范围,这样0到255共有256/n个范围,降低了计算量,其中n为能够被256整除的自然数。
进一步地,所述步骤三具体为将每一路视频流计算得到的视频熵的值H(x)逐个与阈值ET比较,当某一路的视频熵H(x)>ET时,将对应该路的视频流添加到队列中,当所有视频流都对比完成后,队列中m个视频流位于队列最前端进行优先处理,m<QT。
进一步地,所述步骤四具体为将H(x)<ET的视频流根据视频熵的大小从大到小依次进行排序,并将排序好的视频熵按顺序添加到队列中并位于优先处理的视频流之后,当队列实际长度QL大于队列长度QT时,删除队列尾部的QL-QT个数据。
本发明与现有技术相比,具有以下优点和效果:本发明通过视频流的处理中引入视频熵,根据不同的控制策略对视频流处理进行分类处理,在有限的带宽和计算资源条件下,既保证了变化剧烈的视频流的优先处理,又保证了视频流处理的公平性,有效避免了视频图像识别延迟或是错误的情况。
附图说明
图1是本发明的一种基于视频熵的自适应视频流处理方法的视频流处理示意图。
图2是本发明的实施例的视频熵概率分布图。
具体实施方式
下面结合附图并通过实施例对本发明作进一步的详细说明,以下实施例是对本发明的解释而本发明并不局限于以下实施例。
如图所示,本发明的一种基于视频熵的自适应视频流处理方法,包含以下步骤:
步骤一:定义时间度量长度为T、队列长度参数QT、队列实际长度QL、视频熵阈值为ET;
步骤二:视频监控系统的视频流汇流中央进行处理,并定义一个视频熵的阈值ET,在T时间度量范围内,每一路视频流均计算出各自的视频熵;
熵是一种信息度量的方法,以数值量化随机变量的不确定性,这里视频熵的随机变量就是指视频的每一帧,并把视频熵定义为H(x)越大意味着视频流的不确定性越高,每一帧变化程度越大,p(x)为概率函数,我们透过聚类算法,将图像之间相似的颜色、纹理、形状等信息分为一类,判断是否相似需要一个阈值,以此计算概率函数。
p(x)为概率函数,代表x这个范围特征(在此指的是范围像素)出现的概率,图像中每个像素表示为0到255共256个整数,我们把一个范围令为范围像素,例如分割每16个连续整数为一个范围,这样0到255共有16个范围,降低了计算量。
步骤三:优先处理当前视频熵高于阈值ET的视频流;
将每一路视频流计算得到的视频熵的值H(x)逐个与阈值ET比较,当某一路的视频熵H(x)>ET时,将对应该路的视频流添加到队列中,当所有视频流都对比完成后,队列中m个视频流位于队列最前端进行优先处理,m<QT。
步骤四:针对当前视频熵低于阈值ET的视频流根据视频熵由大到小进行排序,插入队列,且保证队列数量不超过QT;
将H(x)<ET的视频流根据视频熵的大小从大到小依次进行排序,并将排序好的视频熵按顺序添加到队列中并位于优先处理的视频流之后,当队列实际长度QL大于队列长度QT时,删除队列尾部的QL-QT个数据。
步骤五:按照优先级处理队列里的视频流,在队头的视频流优先级最高,在队尾的视频流优先级最低。处理完后再回到步骤一。
本方法基于视频熵为视频流分配不同的优先级别,并选择合适的算法关键参数(时间度量长度T、队列长度参数QT、聚类相似程度阈值、视频熵阈值ET),实现面向不同场景不同策略的视频流处理控制。
同时通过设置不同的参数,也能实现不同的控制策略。例如ET系数设置越高,高优先级视频流响应时间也越短。
如附图2所示,若是两类分类问题,0.5时熵最高,也表示信息不确定性最高。我们以一个时间段作为视频熵度量单位,例如一秒20FPS,计算每一秒的视频熵,并针对个别视频流进行排序,优先处理视频熵大的视频流,如附图2所示,设置一个队列长度,若队满,则删除优先度不高的数据(距离当前时间久的数据,即队尾数据)。
本方法应用于某油田的视频监控系统,满足安全生产相关视频监控系统的现场视频流自适应控制要求。
在实际视频监控设备数量达到一千台的条件下,进行压力测试,证明完全能满足现场需求:有效避免变化视频图像识别遗漏的情况,避免给安全生产监督带来的可能不良影响,控制了网络带宽及计算资源的占用率,并可根据网络的状态实时调整视频流处理策略,平衡网络及计算负载,保证了视频监控系统的实时模式识别处理与稳定运行。
本说明书中所描述的以上内容仅仅是对本发明所作的举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种修改或补充或采用类似的方式替代,只要不偏离本发明说明书的内容或者超越本权利要求书所定义的范围,均应属于本发明的保护范围。
Claims (3)
1.一种基于视频熵的自适应视频流处理方法,其特征在于包含以下步骤:
步骤一:定义时间度量长度为T、队列长度参数QT、队列实际长度QL、视频熵阈值为ET;所述视频熵定义为p(x)为概率函数,H(x)的值越大表示视频流的不确定性越高,每一帧变化程度越大;p(x)为概率函数,代表x这个范围特征出现的概率,图像中每个像素表示为0到255共256个整数,把一个范围令为范围像素,分割每n个连续整数为一个范围,这样0到255共有256/n个范围,降低了计算量,其中n为能够被256整除的自然数;
步骤二:视频监控系统的视频流汇流中央进行处理,并定义一个视频熵的阈值ET,在T时间度量范围内,每一路视频流均计算出各自的视频熵;
步骤三:优先处理当前视频熵高于阈值ET的视频流;
步骤四:针对当前视频熵低于阈值ET的视频流根据视频熵由大到小进行排序,插入队列,且保证队列数量不超过QT;
步骤五:按照优先级处理队列里的视频流,在队头的视频流优先级最高,在队尾的视频流优先级最低。
2.按照权利要求1所述的一种基于视频熵的自适应视频流处理方法,其特征在于:所述步骤三具体为将每一路视频流计算得到的视频熵的值H(x)逐个与阈值ET比较,当某一路的视频熵H(x)>ET时,将对应该路的视频流添加到队列中,当所有视频流都对比完成后,队列中m个视频流位于队列最前端进行优先处理,m<QT。
3.按照权利要求2所述的一种基于视频熵的自适应视频流处理方法,其特征在于:所述步骤四具体为将H(x)<ET的视频流根据视频熵的大小从大到小依次进行排序,并将排序好的视频熵按顺序添加到队列中并位于优先处理的视频流之后,当队列实际长度QL大于队列长度QT时,删除队列尾部的QL-QT个数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810745109.6A CN108900804B (zh) | 2018-07-09 | 2018-07-09 | 一种基于视频熵的自适应视频流处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810745109.6A CN108900804B (zh) | 2018-07-09 | 2018-07-09 | 一种基于视频熵的自适应视频流处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108900804A CN108900804A (zh) | 2018-11-27 |
CN108900804B true CN108900804B (zh) | 2020-11-03 |
Family
ID=64349229
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810745109.6A Active CN108900804B (zh) | 2018-07-09 | 2018-07-09 | 一种基于视频熵的自适应视频流处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108900804B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112165572A (zh) * | 2020-09-10 | 2021-01-01 | Oppo(重庆)智能科技有限公司 | 图像处理方法、装置、终端及存储介质 |
CN116455880A (zh) * | 2022-01-10 | 2023-07-18 | 腾讯科技(深圳)有限公司 | 流媒体传输方法及相关产品 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108073864A (zh) * | 2016-11-15 | 2018-05-25 | 北京市商汤科技开发有限公司 | 目标对象检测方法、装置及系统和神经网络结构 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9172980B2 (en) * | 2010-03-25 | 2015-10-27 | Mediatek Inc. | Method for adaptively performing video decoding, and associated adaptive complexity video decoder and adaptive audio/video playback system |
CN102035732B (zh) * | 2010-11-25 | 2013-12-04 | 华为技术有限公司 | 业务调度方法及装置 |
CN103188521B (zh) * | 2011-12-29 | 2015-10-28 | 北京大学 | 转码分配方法及装置,转码方法及设备 |
CN102866920B (zh) * | 2012-08-02 | 2016-05-11 | 杭州海康威视数字技术股份有限公司 | 主从结构分布式视频处理系统及其调度方法 |
CN103200419B (zh) * | 2013-03-05 | 2015-04-08 | 同济大学 | 一种高速识别视频内容变化程度的方法 |
CN103686207A (zh) * | 2013-12-04 | 2014-03-26 | 乐视网信息技术(北京)股份有限公司 | 转码任务的调度方法和系统 |
CN106954074B (zh) * | 2016-01-07 | 2019-12-20 | 青岛海信电器股份有限公司 | 一种视频数据处理方法和装置 |
-
2018
- 2018-07-09 CN CN201810745109.6A patent/CN108900804B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108073864A (zh) * | 2016-11-15 | 2018-05-25 | 北京市商汤科技开发有限公司 | 目标对象检测方法、装置及系统和神经网络结构 |
Also Published As
Publication number | Publication date |
---|---|
CN108900804A (zh) | 2018-11-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11444876B2 (en) | Method and apparatus for detecting abnormal traffic pattern | |
CN112181971A (zh) | 一种基于边缘的联邦学习模型清洗和设备聚类方法、系统、设备和可读存储介质 | |
CN110570075B (zh) | 一种电力业务边缘计算任务分配方法及装置 | |
CN108900804B (zh) | 一种基于视频熵的自适应视频流处理方法 | |
CN109471847B (zh) | 一种i/o拥塞控制方法及控制系统 | |
CN110708259A (zh) | 自动调整队列阈值的信息无感知Coflow调度系统及其调度方法 | |
CN112990420A (zh) | 一种用于卷积神经网络模型的剪枝方法 | |
CN110996365B (zh) | 一种基于多目标优化模型的异构网络垂直切换算法及系统 | |
CN110049018B (zh) | 基于增强学习的spma协议参数优化方法、系统及介质 | |
CN116233026A (zh) | 一种用于数据中心的智能管理方法及系统 | |
CN111626497A (zh) | 人流量预测方法、装置、设备和存储介质 | |
CN112364098A (zh) | 一种基于Hadoop的分布式电力系统异常数据识别方法及系统 | |
CN112465055A (zh) | 一种基于卷积神经网络的网络故障诊断方法 | |
CN111488981A (zh) | 基于高斯分布估计选取深度网络参数稀疏阈值的方法 | |
CN116662832A (zh) | 一种基于聚类和主动学习的训练样本选择方法 | |
CN115293519A (zh) | 公交线路排班的处理方法、装置、设备及可读存储介质 | |
CN114548421A (zh) | 一种针对联邦学习通信开销的优化处理方法及装置 | |
CN113079389B (zh) | 一种边缘计算环境下的资源自适应调节方法 | |
CN117519913B (zh) | 一种容器内存资源弹性伸缩调度方法和系统 | |
CN115334002B (zh) | 流量预测下结合改进队列管理算法的aos智能帧生成方法 | |
CN116232998B (zh) | 基于深度强化学习的网络拥塞控制方法、系统及相关设备 | |
CN114553836B (zh) | 一种基于强化学习的数据块传输准时性提升方法 | |
Chen et al. | Information value measurement distribution model based on improved information entropy | |
CN113837879B (zh) | 一种指数行情的异常检测方法 | |
CN115086663B (zh) | 一种基于深度强化学习的多摄像头实时视频传输方法 |
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 |