CN109670488A - 一种视频数据典型动态目标检测方法及系统 - Google Patents
一种视频数据典型动态目标检测方法及系统 Download PDFInfo
- Publication number
- CN109670488A CN109670488A CN201910100988.1A CN201910100988A CN109670488A CN 109670488 A CN109670488 A CN 109670488A CN 201910100988 A CN201910100988 A CN 201910100988A CN 109670488 A CN109670488 A CN 109670488A
- Authority
- CN
- China
- Prior art keywords
- real
- video
- time streams
- object detection
- dynamic object
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 23
- 230000011218 segmentation Effects 0.000 claims abstract description 12
- 238000000034 method Methods 0.000 claims abstract description 8
- 238000013528 artificial neural network Methods 0.000 claims abstract description 6
- 238000001914 filtration Methods 0.000 claims abstract description 6
- 230000008569 process Effects 0.000 claims abstract description 6
- 238000004458 analytical method Methods 0.000 claims abstract description 4
- 238000005516 engineering process Methods 0.000 claims description 5
- 239000000463 material Substances 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 3
- 238000012544 monitoring process Methods 0.000 description 4
- 239000003245 coal Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 241000282326 Felis catus Species 0.000 description 1
- 239000003610 charcoal Substances 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种视频数据典型动态目标检测方法及系统，包括如下步骤：S1接收视频实时流；S2对所述视频实时流进行预处理；S3对经过预处理的视频实时流进行目标分析识别；S4根据S3的识别结果，发出反馈。所述S1之前还包括注册用于采集视频实时流的摄像头传感器。所述S1还包括根据用户指令向所述用户发送对应的视频实时流。所述S2具体包括对所述视频实时流解码并初步过滤图像冗余信息。本发明采用分布式深度神经网络计算技术平台框架，通过构建图像卷积目标分割模型，实现对当前环境的人、车等典型对象内容实时高准确率的识别与分割，能够很好的解决传统图像识别能力弱、误报率高、计算实时性差等问题。
Description
技术领域
本发明涉及视觉处理，具体涉及一种视频数据典型动态目标检测方法及系统。
背景技术
监控摄像是安防监控系统的主要手段。随着数字图像处理技术和模式识别技术的发展，监控摄像机的应用范围进一步扩大。例如在煤矿井下监控摄像机也更多地应用于煤炭自动开采、人员及设备监控定位等领域。监控摄像机一般固定安装于云台上，受云台控制系统控制变换角度，从而实现对不同区域的图像采集；再例如在通过对关键交通路口的位置上设置监控摄像机，实现对人流以及车辆进行实时监控，因此如何对视频数据的实时流进行关键动态目标的识别检测，如何克服传统图像识别对视频这类随机复杂的环境识别能力弱、误报率高、计算实时性差的问题成为了本领域亟待解决的关键问题。
发明内容
为解决现有技术的技术问题，本发明所要解决的技术问题是提供视频数据典型动态目标检测方法及系统。
本发明的第一个方面，提出了一种视频数据典型动态目标检测方法，包括如下步骤：
S1接收视频实时流；
S2对所述视频实时流进行预处理；
S3对经过预处理的视频实时流进行目标分析识别；
S4根据S3的识别结果，发出反馈。
进一步地，所述S1之前还包括注册用于采集视频实时流的摄像头传感器。
进一步地，所述S1还包括根据用户指令向所述用户发送对应的视频实时流。
进一步地，所述S2具体包括
对所述视频实时流解码并初步过滤图像冗余信息。
进一步的，所述S3具体包括
对实时图像的人、汽车等典型目标通过分布式Tensorflow卷积深度神经网络图像目标分割识别技术进行分割识别。
进一步的，所述S4具体包括
将典型图像目标识别结果通过Kafka消息系统实时反馈到前端应用服务。第二方面，本发明提出了一种视频数据典型动态目标检测系统，包括
摄像头传感器接入单元，用于接入已注册摄像头传感器并接收视频实时流；
图像内容识别发现单元，用于对视频实时流中的目标进行识别。
进一步地，所述摄像头传感器接入单元包括视频实时流通过CDN转发模块，用于根据用户指令向所述用户发送对应的视频实时流。
进一步地，所述图像内容识别发现单元包括视频流预处理模块，用于对所述视频实时流解码并初步过滤图像冗余信息。
进一步地，所述图像内容识别发现单元包括图像目标识别发现模块，用于将实时图像中的目标进行分割识别，并将识别结果实时反馈到前端。
本发明采用分布式深度神经网络计算技术平台框架，通过构建图像卷积目标分割模型，实现对当前环境的人、车等典型对象内容实时高准确率的识别与分割，能够很好的解决传统图像识别产生的问题。
附图说明
图1为本发明视频数据典型动态目标检测系统架构图。
图2为本发明视频数据典型动态目标检测方法业务流程图。
图3为本发明视频数据典型动态目标检测系统模块划分图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
实时视频流数据特征在于数据量大，计算密集，本发明采用支持GPU计算的Tensorflow平台作为深度神经识别技术基础，通过Kafka消息系统串联各处理服务模块。
本发明提出了一种视频数据典型动态目标检测方法，包括如下步骤：
S1接收视频实时流；
S2对视频实时流进行预处理；
S3对经过预处理的视频实时流进行目标分析识别；
S4当根据S3的识别结果，发出反馈。
S1之前还包括注册用于采集视频实时流的摄像头传感器。
S1还包括根据用户指令向用户发送对应的视频实时流。
S2具体包括
对视频实时流解码并初步过滤图像冗余信息。
S3具体包括
对实时图像的人、汽车等典型目标通过分布式Tensorflow卷积深度神经网络图像目标分割识别技术进行分割识别。
S4具体包括
将典型图像目标识别结果通过Kafka消息系统实时反馈到前端应用服务。
第二方面，本发明提出了一种视频数据典型动态目标检测系统，包括
摄像头传感器接入单元，用于接入所有摄像头传感器并接收视频实时流；
图像内容识别发现单元，用于对视频实时流中的目标进行识别。
摄像头传感器接入单元包括视频实时流转发模块，用于根据用户指令向用户发送对应的视频实时流。
摄像头传感器接入服务主要有以下功能：
(1)视频流接入：支持视频传感器标准流媒体协议的实时流接入。
(2)视频流转发CDN：视频转码，并支持hls、rtmp协议转发。视频CND资源实时消息发布。
图像内容识别发现单元包括视频流预处理模块，用于对视频实时流解码并去除图像冗余信息。
图像内容识别发现单元包括图像目标识别发现模块，用于将实时图像中的目标进行分割识别，并将识别结果实时反馈到前端。对实时图像的人、汽车、自行车、猫、狗目标进行分割识别，识别结果实时通过Kafka消息系统反馈到前端应用服务。
本发明采用分布式深度神经网络计算技术平台框架，通过构建图像卷积目标分割模型，实现对当前环境的人、车等典型对象内容实时高准确率的识别与分割，能够很好的解决传统图像识别产生的问题。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种视频数据典型动态目标检测方法，其特征在于，包括如下步骤：
S1接收视频实时流；
S2对所述视频实时流进行预处理；
S3对经过预处理的视频实时流进行目标分析识别；
S4根据S3的识别结果，发出反馈。
2.根据权利要求1所述的视频数据典型动态目标检测方法，其特征在于：
所述S1之前还包括注册用于采集视频实时流的摄像头传感器。
3.根据权利要求1所述的视频数据典型动态目标检测方法，其特征在于：
所述S1还包括根据用户指令通过视频流CDN向所述用户发送对应的视频实时流。
4.根据权利要求1所述的视频数据典型动态目标检测方法，其特征在于：
所述S2具体包括
对所述视频实时流解码并初步过滤图像冗余信息。
5.根据权利要求1所述的视频数据典型动态目标检测方法，其特征在于：
所述S3具体包括
对实时图像的人、汽车等典型目标通过分布式Tensorflow卷积深度神经网络图像目标分割识别技术进行分割识别。
6.根据权利要求1所述的视频数据典型动态目标检测方法，其特征在于：
所述S4具体包括
将典型图像目标识别结果通过Kafka消息系统实时反馈到前端应用服务。
7.一种视频数据典型动态目标检测系统，其特征在于：
包括
摄像头传感器接入单元，用于接入已注册的摄像头传感器并接收视频实时流；
图像内容识别发现单元，用于对视频实时流中的目标进行识别。
8.根据权利要求7所述的视频数据典型动态目标检测系统，其特征在于：
所述摄像头传感器接入单元包括视频实时流转发模块，用于通过CDN(内容分发网络)根据用户指令向所述用户发送对应的视频实时流。
9.根据权利要求7所述的视频数据典型动态目标检测系统，其特征在于：
所述图像内容识别发现单元包括视频流预处理模块，用于对所述视频实时流解码并初步过滤图像冗余信息。
10.根据权利要求7所述的视频数据典型动态目标检测系统，其特征在于：
所述图像内容识别发现单元包括图像目标识别发现模块，用于将实时图像中的目标进行分割识别，并将识别结果实时反馈到前端。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910100988.1A CN109670488A (zh) | 2019-01-31 | 2019-01-31 | 一种视频数据典型动态目标检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910100988.1A CN109670488A (zh) | 2019-01-31 | 2019-01-31 | 一种视频数据典型动态目标检测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109670488A true CN109670488A (zh) | 2019-04-23 |
Family
ID=66150311
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910100988.1A Pending CN109670488A (zh) | 2019-01-31 | 2019-01-31 | 一种视频数据典型动态目标检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109670488A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110443298A (zh) * | 2019-07-31 | 2019-11-12 | 华中科技大学 | 一种基于云-边缘协同计算的ddnn及其构建方法和应用 |
| CN112560809A (zh) * | 2021-02-19 | 2021-03-26 | 广东海启星海洋科技有限公司 | 一种实时展示识别效果的方法及装置 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101170679A (zh) * | 2006-10-27 | 2008-04-30 | 中兴通讯股份有限公司 | 使用对等技术的iptv视频监控业务实现方法及其系统 |
| CN104219541A (zh) * | 2014-09-22 | 2014-12-17 | 北京奇艺世纪科技有限公司 | 一种视频生产系统及方法 |
| CN106778675A (zh) * | 2016-12-31 | 2017-05-31 | 歌尔科技有限公司 | 一种视频图像中目标对象的识别方法和装置 |
| CN106982359A (zh) * | 2017-04-26 | 2017-07-25 | 深圳先进技术研究院 | 一种双目视频监控方法、系统和计算机可读存储介质 |
| CN108197633A (zh) * | 2017-11-24 | 2018-06-22 | 百年金海科技有限公司 | 基于TensorFlow的深度学习图像分类与应用部署方法 |
| CN108418821A (zh) * | 2018-03-06 | 2018-08-17 | 北京焦点新干线信息技术有限公司 | 基于Redis与Kafka的线上抢购系统高并发场景处理方法及装置 |
| CN108509912A (zh) * | 2018-04-03 | 2018-09-07 | 深圳市智绘科技有限公司 | 多路网络视频流车牌识别方法及系统 |
-
2019
- 2019-01-31 CN CN201910100988.1A patent/CN109670488A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101170679A (zh) * | 2006-10-27 | 2008-04-30 | 中兴通讯股份有限公司 | 使用对等技术的iptv视频监控业务实现方法及其系统 |
| CN104219541A (zh) * | 2014-09-22 | 2014-12-17 | 北京奇艺世纪科技有限公司 | 一种视频生产系统及方法 |
| CN106778675A (zh) * | 2016-12-31 | 2017-05-31 | 歌尔科技有限公司 | 一种视频图像中目标对象的识别方法和装置 |
| CN106982359A (zh) * | 2017-04-26 | 2017-07-25 | 深圳先进技术研究院 | 一种双目视频监控方法、系统和计算机可读存储介质 |
| CN108197633A (zh) * | 2017-11-24 | 2018-06-22 | 百年金海科技有限公司 | 基于TensorFlow的深度学习图像分类与应用部署方法 |
| CN108418821A (zh) * | 2018-03-06 | 2018-08-17 | 北京焦点新干线信息技术有限公司 | 基于Redis与Kafka的线上抢购系统高并发场景处理方法及装置 |
| CN108509912A (zh) * | 2018-04-03 | 2018-09-07 | 深圳市智绘科技有限公司 | 多路网络视频流车牌识别方法及系统 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110443298A (zh) * | 2019-07-31 | 2019-11-12 | 华中科技大学 | 一种基于云-边缘协同计算的ddnn及其构建方法和应用 |
| CN110443298B (zh) * | 2019-07-31 | 2022-02-15 | 华中科技大学 | 一种基于云-边缘协同计算的ddnn及其构建方法和应用 |
| CN112560809A (zh) * | 2021-02-19 | 2021-03-26 | 广东海启星海洋科技有限公司 | 一种实时展示识别效果的方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106251578B (zh) | 基于探针的人流预警分析方法和系统 | |
| US9704393B2 (en) | Integrated intelligent server based system and method/systems adapted to facilitate fail-safe integration and/or optimized utilization of various sensory inputs | |
| CA2824330C (en) | An integrated intelligent server based system and method/systems adapted to facilitate fail-safe integration and/or optimized utilization of various sensory inputs | |
| CN107277442A (zh) | 一种基于智能全景实时视频vr巡检监控装置及监控方法 | |
| Prati et al. | Intelligent video surveillance as a service | |
| KR20050082442A (ko) | 다수의 병렬 연속 영상에서 사건 감지를 효과적으로 수행하는 방법 및 시스템 | |
| US20190051127A1 (en) | A method and apparatus for conducting surveillance | |
| CN109460744B (zh) | 一种基于深度学习的视频监控系统 | |
| US10212462B2 (en) | Integrated intelligent server based system for unified multiple sensory data mapped imagery analysis | |
| CN104581081A (zh) | 基于视频信息的客流分析方法 | |
| CN109670488A (zh) | 一种视频数据典型动态目标检测方法及系统 | |
| CN103974029A (zh) | 视频监控的方法、系统及装置 | |
| CN211184122U (zh) | 铁路作业安全防控和大客流预警联动的智能视频分析系统 | |
| CN103576691A (zh) | 3g警务无人机管控系统 | |
| CN204375161U (zh) | 违章停车自动抓拍系统 | |
| CN112001810A (zh) | 基于机器视觉的智能林业巡护系统及方法 | |
| TWI503759B (zh) | 人臉偵測之雲端智慧監視系統 | |
| Meghana et al. | IOT based smart traffic signal violation monitoring system using edge computing | |
| CN104902238A (zh) | 一种智能视频分析服务器 | |
| Dašić et al. | Some examples of video surveillance as a service applications | |
| KR102641536B1 (ko) | 클라우드-에지 플랫폼 | |
| CN114466121B (zh) | 一种基于ar的空地可视化指挥系统和工作方法 | |
| CN108108664A (zh) | 一种基于多目标检测与分类的城市管理监控系统 | |
| Mhaiskar et al. | Automated Surveillance System using Raspberry pi | |
| CN116881935A (zh) | 数字战场多平台数据协同方法和装置及计算机可读存储介质 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190423 |
|
| RJ01 | Rejection of invention patent application after publication |