CN110008916A - 一种视频图像存储方法、装置、设备及存储介质 - Google Patents
一种视频图像存储方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN110008916A CN110008916A CN201910289846.4A CN201910289846A CN110008916A CN 110008916 A CN110008916 A CN 110008916A CN 201910289846 A CN201910289846 A CN 201910289846A CN 110008916 A CN110008916 A CN 110008916A
- Authority
- CN
- China
- Prior art keywords
- frame picture
- present frame
- video image
- feature code
- fisrt feature
- 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
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
- 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
-
- 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
- H04N19/169—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the coding unit, i.e. the structural portion or semantic portion of the video signal being the object or the subject of the adaptive coding
- H04N19/17—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the coding unit, i.e. the structural portion or semantic portion of the video signal being the object or the subject of the adaptive coding the unit being an image region, e.g. an object
- H04N19/172—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the coding unit, i.e. the structural portion or semantic portion of the video signal being the object or the subject of the adaptive coding the unit being an image region, e.g. an object the region being a picture, frame or field
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Closed-Circuit Television Systems (AREA)
Abstract
本发明实施例公开了一种视频图像存储方法、装置、设备及存储介质。该方法包括：采用神经卷积网络提取所述视频图像的当前帧画面的第一特征码；将所述第一特征码和预先定义的一个或多个第二特征码进行比较，以确认当前帧画面是否异常，所述第二特征码为所述视频图像中预先定义的正常画面对应的特征码；如果当前帧画面异常，则存储当前帧画面、第一特征码和/或使用第一特征码标记的当前帧画面，如果当前帧画面正常，则放弃存储当前帧画面、第一特征码和/或使用第一特征码标记的当前帧画面。本发明实施例的技术方案，采用的神经卷积网络对图像进行识别，提取图像特征码，极大地减少了监控的视频数据存储量，增加了视频监控的准确性。
Description
技术领域
本发明实施例涉及视频技术，尤其涉及一种视频图像存储方法、装置、设备及存储介质。
背景技术
视频采集装置一般由采集主机、摄像机、显示器、大容量存储设备和输入设备构成。视频采集装置工作时，通常自动进行视频录制和存储。由于视频存储设备容量有限，所以视频存储到一定限额时一般就自动覆盖掉先前的视频，进行反复录制。因此，视频采集装置的有效视频时长由存储容量决定，存储容量大，有效视频的时长就长，否则就短。为了进行增加有效视频的时长，用户往往配备大容量的存储设备。
针对室内监控而言，夜间时或无人状态时，传统视频采集装置仍不断地进行录制和存储，造成视频时间上的大量冗余图像信息，这是对昂贵的存储设备的浪费，另外长久不间断的使用设备容易造成设备的老化，减少使用寿命。
目前，图像采集一般选用普通视频监控设备进行，虽能进行全天候监控，但采集的视频数据量非常大，其中存在大量重复的图像信息。比如，监控区域常时间保持在静态画面的状态，这样就录制了一段冗余的视频信息，浪费了存储空间。所以，需要一种能进行自动采集图像的设备，具有当监控区域处在静态画面状态时，降低采样率；当有人闯入时，能自动及时高速采集图像以获取充分的信息。
发明内容
本发明实施例提供一种视频图像存储方法、装置、设备及存储介质，以实现极大地减少了监控的视频数据存储量，增加了视频监控的准确性。
第一方面，本发明实施例提供了一种视频图像存储方法，包括：
采用神经卷积网络提取所述视频图像的当前帧画面的第一特征码；
将所述第一特征码和预先定义的一个或多个第二特征码进行比较，以确认当前帧画面是否异常，所述第二特征码为所述视频图像中预先定义的正常画面对应的特征码；
如果当前帧画面异常，则存储当前帧画面、第一特征码和/或使用第一特征码标记的当前帧画面，如果当前帧画面正常，则放弃存储当前帧画面、第一特征码和/或使用第一特征码标记的当前帧画面。
可选的，所述采用神经卷积网络提取所述视频图像的当前帧画面的第一特征码，包括：
使用神经卷积网络提取当前帧画面的深度特征描述符；
使用嵌套不变性池模型对所述深度特征描述符进行转换；
对转换后的深度特征描述符进行二值化以生成所述第一特征码。
可选的，所述采用神经卷积网络提取所述视频图像的当前帧画面的第一特征码，之前包括：
确定需要进行动态视频监控的对象或位置；
拍摄所述对象或位置的视频图像。
可选的，所述第一特征码标记为用于对当前帧画面进行可视搜索的压缩描述符。
可选的，所述压缩描述符进一步包括全局和本地特性描述符，所述全局和本地特性描述符基于CDV描述符组件和视频图像的当前帧画面生成。
可选的，所述神经卷积网络为VGG-16卷积神经网络。
可选的，所述对象或位置为有滑坡倾向的路旁山体、体育集会或体育活动的场所和建筑通道的入口或出口中的一种或多种。
可选的，所述将所述第一特征码和预先定义的一个或多个第二特征码进行比较，之后包括：
如果当前帧画面异常，则进一步识别当前帧画面中的异常位置；
在所述当前帧画面的异常位置进行警告提示。
第二方面，本发明实施例还提供了一种视频图像存储装置，包括：
提取单元，用于采用神经卷积网络提取所述视频图像的当前帧画面的第一特征码；
比较单元，用于将所述第一特征码和预先定义的一个或多个第二特征码进行比较，以确认当前帧画面是否异常，所述第二特征码为所述视频图像中预先定义的正常画面对应的特征码；
判断单元，用于如果当前帧画面异常，则存储当前帧画面、第一特征码和/或使用第一特征码标记的当前帧画面，如果当前帧画面异常正常，则放弃存储当前帧画面、第一特征码和/或使用第一特征码标记的当前帧画面。
第三方面，本发明实施例还提供了一种设备，该设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上述实施例中任一所述的视频图像存储方法。
第四方面，本发明实施例还提供了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如上述实施例中任一所述的视频图像存储方法。
本发明实施例的技术方案，采用的神经卷积网络对图像进行识别，提取图像特征码，对图像的识别直接使用特征码进行，针对异常的图像才存储，正常图像则放弃存储，极大地减少了监控的视频数据存储量，增加了视频监控的准确性。另外，本案在对获取的图像进行重新编码，在视频图像每帧数据中导入了方便检索和分析的第一特征码标记，提高了后续对视频图像进行检索分析的效率。
附图说明
图1是本发明实施例一中的一种视频图像存储方法的流程示意图；
图2是本发明实施例二中的一种视频图像存储方法的流程示意图；
图3是本发明实施例三中的一种视频图像存储装置的结构示意图；
图4是本发明实施例四中的一种设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各步骤描述成顺序的处理，但是其中的许多步骤可以被并行地、并发地或者同时实施。此外，各步骤的顺序可以被重新安排。当其操作完成时处理可以被终止，但是还可以具有未包括在附图中的附加步骤。处理可以对应于方法、函数、规程、子例程、子程序等等。
此外，术语“第一”、“第二”等可在本文中用于描述各种方向、动作、步骤或元件等，但这些方向、动作、步骤或元件不受这些术语限制。这些术语仅用于将第一个方向、动作、步骤或元件与另一个方向、动作、步骤或元件区分。举例来说，在不脱离本申请的范围的情况下，可以将第一速度差值为第二速度差值，且类似地，可将第二速度差值称为第一速度差值。第一速度差值和第二速度差值两者都是速度差值，但其不是同一速度差值。术语“第一”、“第二”等而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
实施例一
图1为本发明实施例一提供的一种视频图像存储方法的流程示意图，本实施例的方法可适用于视频监控下，对动态画面进行识别的情况。本实施例的方法可以由视频图像存储装置来执行，该装置可以由软件和/或硬件的方式实现，并一般可集成于服务器或终端设备中。参照图1，本发明实施例的视频图像存储方法具体包括如下步骤：
步骤110、采用神经卷积网络提取视频图像的当前帧画面的第一特征码；
具体的，采用神经卷积网络提取视频图像的当前帧画面的第一特征码，该第一特征码包含当前帧画面的特征信息。例如，在建筑通道的出入口的视频监控中，当前帧画面可能有人走过，也可能没有人走过。有人经过和没人经过的第一特征码是不一样的。该第一特征码包含有目标对象的特征信息，这些特征信息可以包括人脸特征、步态特征、燃烧特征、烟雾特征等。
步骤120、将第一特征码和预先定义的一个或多个第二特征码进行比较，以确认当前帧画面是否异常，第二特征码为视频图像中预先定义的正常画面对应的特征码；
具体的，预先定义的一个或多个第二特征码为当前静态画面的特征码，该第二特征码包含当前静态画面的特征信息。例如，在建筑通道的出入口的视频监控中，预先定义的一个或多个第二特征码为没有目标对象活动，例如人经过的静态画面的特征码，包含目标对象活动，例如没有人经过的特征信息。具体的，将第一特征码和预先定义的一个或多个第二特征码进行比较，以确认当前帧画面是否异常。
步骤130、如果当前帧画面异常，则存储当前帧画面、第一特征码和/或使用第一特征码标记的当前帧画面，如果当前帧画面正常，则放弃存储当前帧画面、第一特征码和/或使用第一特征码标记的当前帧画面。
具体的，例如，在建筑通道的出入口的视频监控中，如果当前帧画面异常，即第一特征码和第二特征码不一样或不近似，则说明有人经过，则存储当前帧画面、第一特征码和/或使用第一特征码标记的当前帧画面；如果当前帧画面正常，即第一特征码和第二特征码一样或近似，则说明没有人经过，则放弃存储当前帧画面、第一特征码和/或使用第一特征码标记的当前帧画面。本实施例的第一特征码标记的当前帧画面为使用第一特征码信息对当前帧画面的压缩数据进行索引的图像数据。
本发明实施例的技术方案，采用的神经卷积网络对图像进行识别，提取图像特征码，对图像的识别直接使用特征码进行，针对异常的图像才存储，正常图像则放弃存储，极大地减少了监控的视频数据存储量，增加了视频监控的准确性。另外，本案在对获取的图像进行重新编码，在视频图像每帧数据中导入了方便检索和分析的第一特征码标记，提高了后续对视频图像进行检索分析的效率。
实施例二
图2为本发明实施例二提供的一种视频图像存储方法的流程示意图，本实施例的方法可适用于视频监控下，对动态画面进行识别的情况。本实施例的方法可以由视频图像存储装置来执行，该装置可以由软件和/或硬件的方式实现，并一般可集成于服务器或终端设备中。参照图2，本发明实施例的视频图像存储方法具体包括如下步骤：
步骤210、确定需要进行动态视频监控的对象或位置。
具体的，本案监控对象或位置为目标物体(人、汽车等)在预设范围内有运动变化或处于运动状态的对象或位置。例如，停车场、超市、运动场馆、有滑坡倾向的路旁山体、和建筑通道的入口或出口中的一种或多种。
步骤220、拍摄该对象或位置的视频图像。
具体的，使用摄像头拍摄该对象或位置的视频图像，将拍摄的视频图像传输到后台服务器。
步骤230、使用神经卷积网络提取当前帧画面的深度特征描述符。
进一步地，该神经卷积网络为VGG-16卷积神经网络。
具体的，使用VGG-16卷积神经网络来提取当前帧画面的深度特征描述符。具体先后使用卷积、padding(填充)、pooling(池化)、flatten(拉开)、dropout(丢弃)等步骤来提取当前帧画面的深度特征描述符。例如，卷积过程是基于一个小矩阵，也就是卷积核，在每层像素矩阵上不断按步长扫过去的，扫到数与卷积核对应位置的数相乘，然后求总和，每扫一次，得到一个值，全部扫完则生成一个新的矩阵。padding是在每次卷积操作之前，在原矩阵外边补包一层0，可以只在横向补，或只在纵向补，或者四周都补0，从而使得卷积后输出的图像跟输入图像在尺寸上一致。pooling是在一个小矩阵区域内，取该区域的最大值或平均值来代替该区域，该小矩阵的大小可以在搭建网络的时候自己设置。flatten是指将多维的矩阵拉开，变成一维向量来表示。dropout是指在网络的训练过程中，按照一定的概率将网络中的神经元丢弃，这样有效防止过拟合。
步骤240、使用嵌套不变性池模型对该深度特征描述符进行转换。
具体的，嵌套不变性池模型是MPEG的一个模型，通过使用该模型对深度特征描述符进行转换，来提高其对几何转换的鲁棒性。
步骤250、对转换后的深度特征描述符进行二值化以生成第一特征码。
具体的，二值化，就是将图像上的像素点的灰度值设置为0或255，也就是将整个图像呈现出明显的只有黑和白的视觉效果。二值化可以把灰度图像转换成二值图像。把大于某个临界灰度值的像素灰度设为灰度极大值，把小于这个值的像素灰度设为灰度极小值，从而实现二值化。对转换后的深度特征描述符进行二值化，生成第一特征码，以实现有效的存储和匹配。
进一步地，该第一特征码标记为用于对当前帧画面进行可视搜索的压缩描述符。
进一步地，该压缩描述符进一步包括全局和本地特性描述符，该全局和本地特性描述符基于CDV描述符组件和视频图像的当前帧画面生成。
步骤260、将该第一特征码和预先定义的一个或多个第二特征码进行比较，以确认当前帧画面是否异常，该第二特征码为视频图像中预先定义的正常画面对应的特征码。
步骤270、如果当前帧画面异常，则存储当前帧画面、第一特征码和/或使用第一特征码标记的当前帧画面，如果当前帧画面正常，则放弃存储当前帧画面、第一特征码和/或使用第一特征码标记的当前帧画面。
进一步地，如果当前帧画面异常，则进一步识别当前帧画面中的异常位置；在该当前帧画面的异常位置进行警告提示。
在一个具体的例子中，如有滑坡倾向的路旁山体。预先定义一个或多个第二特征码，该第二特征码为视频图像中预先定义的正常画面对应的特征码，即山体正常没有滑坡的画面时的特征码。视频监控实时采集路旁山体的图像，使用神经卷积网络提取每一帧画面的第一特征码，将该第一特征码和预先定义的一个或多个第二特征码进行比较，以确认当前帧画面是否异常，即山体是否发生滑坡或其他事件。如果当前帧画面异常，即山体发生滑坡，则存储当前帧画面、第一特征码和/或使用第一特征码标记的当前帧画面，如果当前帧画面正常，即山体没有发生滑坡，则放弃存储当前帧画面、第一特征码和/或使用第一特征码标记的当前帧画面。进一步地，如果当前帧画面异常，则进一步识别当前帧画面中的异常位置，即山体滑坡的位置；在该当前帧画面的异常位置(即山体滑坡的位置)进行警告提示。
本发明实施例的技术方案，采用的神经卷积网络对图像进行识别，提取图像特征码，对图像的识别直接使用特征码进行，针对异常的图像才存储，正常图像则放弃存储，极大地减少了监控的视频数据存储量，增加了视频监控的准确性。另外，本案在对获取的图像进行重新编码，在视频图像每帧数据中导入了方便检索和分析的第一特征码标记，增加了后续对视频图像进行检索分析的效率。
实施例三
本发明实施例所提供的视频图像存储装置可执行本发明任意实施例所提供的视频图像存储方法，具备执行方法相应的功能模块和有益效果。图3是本发明实施例三中的一种视频图像存储装置的结构示意图。参照图3，本发明实施例提供的视频图像存储装置具体可以包括：
提取单元310，用于采用神经卷积网络提取所述视频图像的当前帧画面的第一特征码；
比较单元320，用于将所述第一特征码和预先定义的一个或多个第二特征码进行比较，以确认当前帧画面是否异常，所述第二特征码为所述视频图像中预先定义的正常画面对应的特征码；
判断单元330，用于如果当前帧画面异常，则存储当前帧画面、第一特征码和/或使用第一特征码标记的当前帧画面，如果当前帧画面异常正常，则放弃存储当前帧画面、第一特征码和/或使用第一特征码标记的当前帧画面。
进一步地，该提取单元310包括：
描述符提取子单元，用于使用神经卷积网络提取当前帧画面的深度特征描述符；
描述符转换子单元，用于使用嵌套不变性池模型对所述深度特征描述符进行转换；
描述符二值子单元，用于对转换后的深度特征描述符进行二值化以生成所述第一特征码。
进一步地，该装置还包括：
确定单元，用于确定需要进行动态视频监控的对象或位置；
拍摄单元，用于拍摄所述对象或位置的视频图像。
进一步地，所述第一特征码标记为用于对当前帧画面进行可视搜索的压缩描述符。
进一步地，所述压缩描述符进一步包括全局和本地特性描述符，所述全局和本地特性描述符基于CDV描述符组件和视频图像的当前帧画面生成。
进一步地，所述神经卷积网络为VGG-16卷积神经网络。
进一步地，所述对象或位置为有滑坡倾向的路旁山体、体育集会或体育活动的场所和建筑通道的入口或出口中的一种或多种。
进一步地，该判断单元330还用于：如果当前帧画面异常，则进一步识别当前帧画面中的异常位置；在所述当前帧画面的异常位置进行警告提示。
本发明实施例的技术方案，采用的神经卷积网络对图像进行识别，提取图像特征码，对图像的识别直接使用特征码进行，针对异常的图像才存储，正常图像则放弃存储，极大地减少了监控的视频数据存储量，增加了视频监控的准确性。另外，本案在对获取的图像进行重新编码，在视频图像每帧数据中导入了方便检索和分析的第一特征码标记，增加了后续对视频图像进行检索分析的效率。
实施例四
图4为本发明实施例四提供的一种设备的结构示意图，如图4所示，该设备包括处理器410、存储器420、输入装置430和输出装置440；设备中处理器410的数量可以是一个或多个，图4中以一个处理器410为例；设备中的处理器410、存储器420、输入装置430和输出装置440可以通过总线或其他方式连接，图4中以通过总线连接为例。
存储器420作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的视频图像存储方法对应的程序指令/模块(例如，视频图像存储装置中的提取单元310、比较单元320和判断单元330)。处理器410通过运行存储在存储器420中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述的视频图像存储方法。
也即：
采用神经卷积网络提取所述视频图像的当前帧画面的第一特征码；
将所述第一特征码和预先定义的一个或多个第二特征码进行比较，以确认当前帧画面是否异常，所述第二特征码为所述视频图像中预先定义的正常画面对应的特征码；
如果当前帧画面异常，则存储当前帧画面、第一特征码和/或使用第一特征码标记的当前帧画面，如果当前帧画面正常，则放弃存储当前帧画面、第一特征码和/或使用第一特征码标记的当前帧画面。
存储器420可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器420可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器420可进一步包括相对于处理器410远程设置的存储器，这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置430可用于接收输入的数字或字符信息，以及产生与设备的用户设置以及功能控制有关的键信号输入。输出装置440可包括显示屏等显示设备。
实施例五
本发明实施例五还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种视频图像存储方法，该方法包括：
采用神经卷积网络提取所述视频图像的当前帧画面的第一特征码；
将所述第一特征码和预先定义的一个或多个第二特征码进行比较，以确认当前帧画面是否异常，所述第二特征码为所述视频图像中预先定义的正常画面对应的特征码；
如果当前帧画面异常，则存储当前帧画面、第一特征码和/或使用第一特征码标记的当前帧画面，如果当前帧画面正常，则放弃存储当前帧画面、第一特征码和/或使用第一特征码标记的当前帧画面。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的视频图像存储方法中的相关操作.
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
值得注意的是，上述视频图像存储装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (11)
1.一种视频图像存储方法，其特征在于，包括：
采用神经卷积网络提取所述视频图像的当前帧画面的第一特征码；
将所述第一特征码和预先定义的一个或多个第二特征码进行比较，以确认当前帧画面是否异常，所述第二特征码为所述视频图像中预先定义的正常画面对应的特征码；
如果当前帧画面异常，则存储当前帧画面、第一特征码和/或使用第一特征码标记的当前帧画面，如果当前帧画面正常，则放弃存储当前帧画面、第一特征码和/或使用第一特征码标记的当前帧画面。
2.根据权利要求1所述的一种视频图像存储方法，其特征在于：所述采用神经卷积网络提取所述视频图像的当前帧画面的第一特征码，包括：
使用神经卷积网络提取当前帧画面的深度特征描述符；
使用嵌套不变性池模型对所述深度特征描述符进行转换；
对转换后的深度特征描述符进行二值化以生成所述第一特征码。
3.根据权利要求1所述的一种视频图像存储方法，其特征在于：所述采用神经卷积网络提取所述视频图像的当前帧画面的第一特征码，之前包括：
确定需要进行动态视频监控的对象或位置；
拍摄所述对象或位置的视频图像。
4.根据权利要求1-3任一所述的一种视频图像存储方法，其特征在于：所述第一特征码标记为用于对当前帧画面进行可视搜索的压缩描述符。
5.根据权利要求4任一所述的一种视频图像存储方法，其特征在于：所述压缩描述符进一步包括全局和本地特性描述符，所述全局和本地特性描述符基于CDV描述符组件和视频图像的当前帧画面生成。
6.根据权利要求1-3任一所述的视频图像存储方法，其特征在于：所述神经卷积网络为VGG-16卷积神经网络。
7.根据权利要求3或6任一所述的一种视频图像存储方法，其特征在于：所述对象或位置为有滑坡倾向的路旁山体、体育集会或体育活动的场所和建筑通道的入口或出口中的一种或多种。
8.根据权利要求1-3或6任一所述的一种视频图像存储方法，其特征在于：所述将所述第一特征码和预先定义的一个或多个第二特征码进行比较，之后包括：
如果当前帧画面异常，则进一步识别当前帧画面中的异常位置；
在所述当前帧画面的异常位置进行警告提示。
9.一种视频图像存储装置，其特征在于，包括：
提取单元，用于采用神经卷积网络提取所述视频图像的当前帧画面的第一特征码；
比较单元，用于将所述第一特征码和预先定义的一个或多个第二特征码进行比较，以确认当前帧画面是否异常，所述第二特征码为所述视频图像中预先定义的正常画面对应的特征码；
判断单元，用于如果当前帧画面异常，则存储当前帧画面、第一特征码和/或使用第一特征码标记的当前帧画面，如果当前帧画面异常正常，则放弃存储当前帧画面、第一特征码和/或使用第一特征码标记的当前帧画面。
10.一种设备，其特征在于，所述设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-8中任一所述的视频图像存储方法。
11.一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如权利要求1-8中任一所述的视频图像存储方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910289846.4A CN110008916A (zh) | 2019-04-11 | 2019-04-11 | 一种视频图像存储方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910289846.4A CN110008916A (zh) | 2019-04-11 | 2019-04-11 | 一种视频图像存储方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110008916A true CN110008916A (zh) | 2019-07-12 |
Family
ID=67171168
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910289846.4A Pending CN110008916A (zh) | 2019-04-11 | 2019-04-11 | 一种视频图像存储方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110008916A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110944201A (zh) * | 2019-12-02 | 2020-03-31 | 深圳云朵数据技术有限公司 | 一种视频去重压缩的方法、装置、服务器及存储介质 |
| CN113824967A (zh) * | 2021-11-23 | 2021-12-21 | 环球数科集团有限公司 | 一种基于深度学习的视频压缩方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105516653A (zh) * | 2015-11-25 | 2016-04-20 | 致象尔微电子科技（上海）有限公司 | 一种安防监控系统 |
| CN108171214A (zh) * | 2018-01-23 | 2018-06-15 | 北京易智能科技有限公司 | 一种基于深度学习的视频监控异常识别方法及系统 |
| CN108540743A (zh) * | 2018-03-23 | 2018-09-14 | 佛山市台风网络科技有限公司 | 一种基于视频监控的图像数据保存方法及系统 |
| CN108549862A (zh) * | 2018-04-11 | 2018-09-18 | 北京航空航天大学 | 异常场景检测方法及装置 |
| CN109543513A (zh) * | 2018-10-11 | 2019-03-29 | 平安科技（深圳）有限公司 | 智能监控实时处理的方法、装置、设备及存储介质 |
-
2019
- 2019-04-11 CN CN201910289846.4A patent/CN110008916A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105516653A (zh) * | 2015-11-25 | 2016-04-20 | 致象尔微电子科技（上海）有限公司 | 一种安防监控系统 |
| CN108171214A (zh) * | 2018-01-23 | 2018-06-15 | 北京易智能科技有限公司 | 一种基于深度学习的视频监控异常识别方法及系统 |
| CN108540743A (zh) * | 2018-03-23 | 2018-09-14 | 佛山市台风网络科技有限公司 | 一种基于视频监控的图像数据保存方法及系统 |
| CN108549862A (zh) * | 2018-04-11 | 2018-09-18 | 北京航空航天大学 | 异常场景检测方法及装置 |
| CN109543513A (zh) * | 2018-10-11 | 2019-03-29 | 平安科技（深圳）有限公司 | 智能监控实时处理的方法、装置、设备及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| L.DUAN: "《Compact descriptors for Video analysis: The Emerging MPEG Standard》", 《IEEE MULTIMEDIA》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110944201A (zh) * | 2019-12-02 | 2020-03-31 | 深圳云朵数据技术有限公司 | 一种视频去重压缩的方法、装置、服务器及存储介质 |
| CN113824967A (zh) * | 2021-11-23 | 2021-12-21 | 环球数科集团有限公司 | 一种基于深度学习的视频压缩方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Xiong et al. | Learning to generate time-lapse videos using multi-stage dynamic generative adversarial networks | |
| CN109753948B (zh) | 基于微波雷达的空调控制方法和装置、存储介质和处理器 | |
| US7127127B2 (en) | System and method for adaptive video fast forward using scene generative models | |
| CN110807385A (zh) | 目标检测方法、装置、电子设备及存储介质 | |
| YuanQiang et al. | Guided attention network for object detection and counting on drones | |
| US11468683B2 (en) | Population density determination from multi-camera sourced imagery | |
| Thi et al. | Human action recognition and localization in video using structured learning of local space-time features | |
| CN111783712A (zh) | 一种视频处理方法、装置、设备及介质 | |
| CN112733690A (zh) | 一种高空抛物检测方法、装置及电子设备 | |
| CN110008916A (zh) | 一种视频图像存储方法、装置、设备及存储介质 | |
| CN113723257A (zh) | 事件短视频生成方法、系统、设备和存储介质 | |
| CN111753721A (zh) | 一种人体姿态的识别方法及装置 | |
| CN112949439A (zh) | 一种油罐车重点区域人员入侵监测方法和系统 | |
| CN114241012B (zh) | 一种高空抛物的判定方法及装置 | |
| CN111144156B (zh) | 一种图像数据处理方法和相关装置 | |
| US10785509B2 (en) | Heat ranking of media objects | |
| CN114155551A (zh) | 基于YOLOv3改进的复杂环境下的行人检测方法及装置 | |
| CN113837144A (zh) | 一种冰箱的智能化图像数据采集处理方法 | |
| US7826667B2 (en) | Apparatus for monitor, storage and back editing, retrieving of digitally stored surveillance images | |
| CN111881996A (zh) | 目标检测方法、计算机设备和存储介质 | |
| CN111539390A (zh) | 一种基于Yolov3的小目标图像识别方法、设备和系统 | |
| EP4332910A1 (en) | Behavior detection method, electronic device, and computer readable storage medium | |
| US20230353701A1 (en) | Removing objects at image capture time | |
| CN115606575A (zh) | 基于目标检测网络的智能鸟类驱逐方法及系统 | |
| CN114092623A (zh) | 点云数据去重方法及存储介质 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190712 |