CN110225299A - 视频监测方法、装置、计算机设备及存储介质 - Google Patents

视频监测方法、装置、计算机设备及存储介质 Download PDF

Info

Publication number
CN110225299A
CN110225299A CN201910372320.2A CN201910372320A CN110225299A CN 110225299 A CN110225299 A CN 110225299A CN 201910372320 A CN201910372320 A CN 201910372320A CN 110225299 A CN110225299 A CN 110225299A
Authority
CN
China
Prior art keywords
suspicious
record
picture
video
abnormal
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
CN201910372320.2A
Other languages
English (en)
Other versions
CN110225299B (zh
Inventor
石磊
王健宗
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.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen Co Ltd
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 Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN201910372320.2A priority Critical patent/CN110225299B/zh
Priority to PCT/CN2019/103500 priority patent/WO2020224122A1/zh
Publication of CN110225299A publication Critical patent/CN110225299A/zh
Application granted granted Critical
Publication of CN110225299B publication Critical patent/CN110225299B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • 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
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Signal Processing (AREA)
  • Closed-Circuit Television Systems (AREA)
  • Alarm Systems (AREA)

Abstract

本发明公开了一种视频监测方法，首先获取视频信息，从视频信息中提取关键帧，然后利用识别模型对关键帧进行识别，若识别模型从关键帧中识别出异常情况，则根据预设的时间间隔对视频信息进行截取，生成异常图片，再根据异常图片和预设的记录条件生成对应的第一可疑记录，接着根据第一可疑记录中的可疑时段从视频信息中选取一张异常图片作为待显示图片，将第一可疑记录和对应的待显示图片进行显示，最后根据第一可疑记录和显示条件生成第二可疑记录。通过上述方式，可根据识别模型的识别结果生成反映异常情况的可疑记录，并且经过筛选的有效可疑记录可以大大提高视频监测的效率。

Description

视频监测方法、装置、计算机设备及存储介质
技术领域
本发明涉及视频监控领域，尤其涉及一种视频监测方法、装置、计算机设备及存储介质。
背景技术
随着经济的发展和自动化水平的提高，大量自动化操作的作业场所能够产生巨大的经济效益，但作业场所中存在着高温、污染、有毒害的特点，因此一旦作业场所存在非法闯入的情况，不仅危害着闯入者的身体健康，对作业场所也存在着财产损毁、丢失以及有害物二次泄露的威胁，因此需要对作业场所进行严密监控。
目前是利用安装摄像头的方式对作业场所进行实时监控，通过查看监控视频观察监测点的情况，根据视频中每一帧画面判断是否出现异常闯入人员或其他可疑迹象，在发现异常情况后及时采取措施。但是该种主观判断可疑迹象的方式效率较为低下，并且无法全面记录下异常情况的相关信息，导致视频监控具有很大的局限性。
发明内容
本发明实施例提供一种视频监测方法、装置、计算机设备及存储介质，以解决视频监控效率低下、反映异常情况的信息较为单一的问题。
一种视频监测方法，包括：
获取视频信息；
从所述视频信息中提取关键帧；
利用识别模型对所述关键帧进行识别，所述识别模型是用于检测视频信息中异常情况的模型，其中，所述异常情况为所述视频信息中出现闯入目标；
若所述识别模型从所述关键帧中识别出异常情况，则根据预设的时间间隔对所述视频信息进行截取，生成异常图片；
根据所述异常图片和预设的记录条件生成对应的第一可疑记录，所述预设的记录条件用于指示所述异常图片和所述第一可疑记录之间的关系，所述第一可疑记录的数量小于所述异常图片的数量，所述第一可疑记录包括可疑时段；
根据所述第一可疑记录中的可疑时段从所述视频信息中选取一张异常图片作为待显示图片；
将所述第一可疑记录和对应的所述待显示图片进行显示；
根据所述第一可疑记录和显示条件生成第二可疑记录，所述显示条件用于指示从所述第一可疑记录中选择第二可疑记录进行显示。
一种视频监测装置，包括：
获取模块，用于获取视频信息；
提取模块，用于从所述视频信息中提取关键帧；
识别模块，用于利用识别模型对所述关键帧进行识别，所述识别模型是用于检测视频信息中异常情况的模型，其中，所述异常情况为所述视频信息中出现闯入目标；
所述提取模块，用于当所述识别模型从所述关键帧中识别出异常情况时，根据预设的时间间隔对所述视频信息进行截取，生成异常图片；
生成模块，用于根据所述异常图片和预设的记录条件生成对应的第一可疑记录，所述预设的记录条件用于指示所述异常图片和所述第一可疑记录之间的关系，所述第一可疑记录的数量小于所述异常图片的数量，所述第一可疑记录包括可疑时段；
选取模块，用于根据所述第一可疑记录中的可疑时段从所述视频信息中选取一张异常图片作为待显示图片；
显示模块，用于将所述第一可疑记录和对应的所述待显示图片进行显示；
所述生成模块，还用于根据所述第一可疑记录和显示条件生成第二可疑记录，所述显示条件用于指示从所述第一可疑记录中选择第二可疑记录进行显示。
一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述视频监测方法。
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述视频监测方法。
上述视频监测方法、装置、计算机设备及存储介质，在利用识别模型对视频信息中提取的关键帧识别出异常情况之后，可根据异常图片的生成情况生成对应的第一可疑记录，从而得到具有针对性的第二可疑记录，并可将第一可疑记录或第二可疑记录与对应的异常图片进行联合显示。通过上述方式，可根据识别模型的识别结果生成反映异常情况的可疑记录，具体包括监测地点和可疑时段等信息，具体、全面的记录信息可以更好地反映异常情况，并且经过筛选的有效可疑记录可以大大提高视频监测的效率。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请一实施例中视频监测方法的一应用环境示意图；
图2是本申请一实施例中视频监测方法的一流程图；
图3是本申请一实施例中视频监测方法一显示界面的示意图；
图4是本申请一实施例中视频监测方法的另一流程图；
图5是本申请一实施例中视频监测方法的另一流程图；
图6是本申请一实施例中视频监测方法的另一流程图；
图7是本申请一实施例中视频监测方法的另一流程图；
图8是本申请一实施例中视频监测装置的一结构示意图；
图9是本申请一实施例中视频监测装置的另一结构示意图；
图10是本申请一实施例中视频监测装置的另一结构示意图；
图11是本申请一实施例中计算机设备的一示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例提供的视频监测方法，可应用在如图1的应用环境中，其中，客户端(计算机设备)通过网络与服务器进行通信，客户端用于获取视频信息，服务端在从所述视频信息中提取关键帧后，可利用识别模型对所述关键帧进行识别，如果所述识别模型从所述关键帧中识别出异常情况，那么根据预设的时间间隔可对所述视频信息进行截取，以生成异常图片，然后服务端根据所述异常图片和预设的记录条件生成对应的第一可疑记录，所述预设的记录条件用于指示所述异常图片和所述第一可疑记录之间的关系，所述第一可疑记录的数量小于所述异常图片的数量，所述第一可疑记录包括可疑时段，再根据所述第一可疑记录中的可疑时段从所述视频信息中选取一张异常图片作为待显示图片，并将所述第一可疑记录和对应的所述待显示图片进行显示；接下来，服务端根据所述第一可疑记录和显示条件生成第二可疑记录，所述显示条件用于指示从所述第一可疑记录中选择第二可疑记录进行显示。客户端(计算机设备)可以但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。服务端可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一实施例中，如图2所示，提供一种视频监测方法，以该方法应用在图1中的服务器为例进行说明，包括如下步骤：
S10：获取视频信息。
为了获取视频信息，首先需要在监测点投放多个高清摄像头，该高清摄像头与服务器进行连接，将获取的视频信息通过客户端传送给服务器中进行数据处理和分析。
S20：从所述视频信息中提取关键帧。
服务器在接收到摄像头采集的视频信息后，在视频信息中每隔固定的一段时间提取一帧关键帧，关键帧也叫I帧，I帧是帧间压缩编码中最重要的一帧画面，视频的编码是按照“组”来进行的，每一个图像组(GOP，Group of Picture)都是由关键帧开始的，关键帧是一幅完整的画面，由关键帧、前面帧以及后面帧等一起运算可得到中间不完整的帧画面，由于关键帧比其他帧例如预测帧P帧、双向预测帧B帧占用的空间大很多，因此过多的使用I帧会降低压缩效率,视频的清晰度也会下降，但是I帧数量过少也容易导致后面的帧画面失真的问题。由上述内容可知提取关键帧的时间间隔即GOP的长度很重要，可根据视频中帧差的度量确定提取的时间间隔，帧差是指帧画面之间的差异，例如帧差较大的情况下可将提取的时间间隔设置得短一些，相反，帧画面之间相似度较高的情况下将提取时间间隔设置得略长一些也不会影响画面质量。
S30：利用识别模型对所述关键帧进行识别，所述识别模型是用于检测视频信息中异常情况的模型，其中，所述异常情况为所述视频信息中出现闯入目标。
该识别异常情况的识别模型具体是采用tensorflow框架对卷积神经网络进行目标检测训练得到。模型的训练首先需要将含有闯入情况的视频截取成帧图片，对图片中的闯入目标进行标注，标注信息包括位置坐标和类别(例如有闯入目标设置为1，无闯入目标设置为0)，训练得到的结果可以分类为出现异常情况和未出现异常情况。出现异常情况即为从图片中识别出闯入目标，若从图片中未识别出闯入目标，则为未出现异常情况。通过大量样本训练可对卷积神经网络中的各个参数进行优化更新，使得识别结果更加准确，提高识别模型的识别能力。
为了提高检测精度和速度，服务器在提取关键帧之后、识别关键帧之前对关键帧进行归一化处理，即将图片调整到统一大小，对每幅图减去平均图，平均图是通过提前计算所有训练样本三通道像素的平均值得到的，三通道像素是指图像中的RED红色分量、GREEN绿色分量和BULE蓝色分量。具体步骤包括：在把每一幅图调整到与平均图大小一致之后，将每幅图的三通道像素分别减去平均图中一一对应的三通道像素值得到归一化处理的结果。
S40：若所述识别模型从所述关键帧中识别出异常情况，则根据预设的时间间隔对所述视频信息进行截取，生成异常图片。
如果异常识别模型识别出异常情况，那么服务器将从视频信息中每隔一段时间间隔提取一帧异常图片。具体地，假设当某个人闯入了作业场所，出现在排口1监测室里，那么在通过识别模型识别出有人闯入出现异常情况时，服务器便会每隔5分钟从视频信息中提取一帧画面作为异常图片，如果行人一共待了3个小时，那么服务器将会生成36张异常图片，实际上每张异常图片会对应一条可疑记录。
本申请中视频监测系统的服务器还会与绑定的终端设备进行连接，当服务器通过异常识别模型识别出异常情况时，将会发送异常短信至绑定的终端设备，以便及时告知管理员或用户作业场所内的异常情况。
S50：根据所述异常图片和预设的记录条件生成对应的第一可疑记录，所述预设的记录条件用于指示所述异常图片和所述第一可疑记录之间的关系，所述第一可疑记录的数量小于所述异常图片的数量，所述第一可疑记录包括可疑时段。
根据步骤S40可知，根据服务器预设的提取异常图片的时间间隔，在行人闯入的一段时间内，生成的异常图片的数量较多，与异常图片一一对应的可疑记录的数量也较多，因此本申请中的视频监测方法会根据异常图片的生成情况和预设的记录条件合成数量较少的第一可疑记录，较少数量的第一可疑记录也可准确反映异常闯入情况，反映一段时间内的异常闯入情况。
预设的记录条件可以是针对异常图片生成的情况而言，例如记录条件可以设置为“服务器大于30分钟仍然继续生成异常图片”，即视频中出现异常情况的时间持续在30分钟以上。此时若服务器每隔5分钟生成一张异常图片，并对应记录一条可疑记录，则显得重复冗余，因此可以在异常图片的生成情况满足预设的记录条件时将繁琐冗余的图片生成适当合成为数量较少的第一可疑记录。由于该种场景下异常闯入的情况是持续存在，因此通过多张连续的异常图片识别出的结果依旧是有人闯入，本申请中的视频监测方法用一条可疑记录(即第一可疑记录)就可反映这一段时间的异常情况。
服务器通过识别模型识别异常图片形成第一可疑记录，其中记录的信息包括：摄像头采集视频信息的地点即监测地点、识别结果(有人闯入出现异常情况或未出现异常情况)、可疑时段，其中，第一可疑记录的可疑时段可通过异常图片的生成时间推算得到。
S60：根据所述第一可疑记录中的可疑时段从所述视频信息中选取一张异常图片作为待显示图片。
根据异常图片解析合成的第一可疑记录可从数据上总体反映该段时间内的异常闯入情况，本申请中的视频监测方法还可以根据第一可疑记录中记载的可疑时段从视频信息中选取一张异常图片在视频监测系统中的预警显示模块上进行直观显示。
具体地，假设通过识别某一段视频信息得出第一可疑记录，其中记载的监测地点为排口1，识别结果的类别为“有人进入”，可疑时段为2018-9-3 14:00至2018-9-3 16:00，那么从9月3日下午14:00到16:00时间段的视频信息中任意挑选一张异常图片作为待显示图片。
S70：将所述第一可疑记录和对应的所述待显示图片进行显示。
本申请中一条第一可疑记录可以指代多张异常图片反映的监测情况，因此将第一可疑记录显示在显示模块上供管理员查看即可，随之一同显示的还有可疑时段内的任意一张照片。
S80：根据所述第一可疑记录和显示条件生成第二可疑记录，所述显示条件用于指示从所述第一可疑记录中选择第二可疑记录进行显示。
本步骤中的显示规则具体可以设定为：同一监测地点、同一种可疑类型、多条可疑记录的情况下，选择可疑时段最长的可疑记录进行显示。例如，假设根据识别模型的识别结果和预设的记录条件生成的第一可疑记录如下所示：
1：公司A排口1有人进入可疑时段10/23 9:00-10/23 10:00
2：公司A排口1有人进入可疑时段10/23 14:00-10/23 16:00
3：公司A排口2有人进入可疑时段10/23 9:00-10/23 11:00
4：公司A排口2有人进入可疑时段10/23 14:00-10/23 19:00
那么根据显示规则，从第一可疑记录中挑选可疑时段最长的一条记录为第二可疑记录，即记录2：公司A排口1有人进入可疑时段10/23 14:00-10/23 16:00和记录4：公司A排口2发现可疑人员进入可疑时段10/23 14:00-10/23 19:00。实际上，为了表明公司A每个排口的异常闯入情况，只需一条指示排口的可疑记录便可起到提醒的作用，因此本申请中的视频监测系统从数量较少的第一可疑记录中进一步挑选出第二可疑记录用来提醒作业场所的情况。
可以理解的是，本申请中的视频监测系统还可收集多个公司的视频信息，产生关于多个公司的可疑记录，并汇总显示在显示模块当中，具体显示页面包括的内容可如图3所示：公司名称、可疑类别、可疑时段以及统计得到的昨日异常超标总计、小时异常超标总计等等信息，昨日异常超标总计、小时异常超标总计等数据可通过将实际可疑记录与超标标准进行对比得到。
本申请中的视频监测方法可对视频信息中的关键帧进行智能识别，在判断出存在持续性的异常情况时，可根据异常图片的生成情况适当合成简略、有效的可疑记录，用以指示监测的异常情况，能够有效地传递异常情况，更加直观地展示异常数据，体现了视频监测的智能性和实用性。
在一实施例中，如图4所示，所述根据所述异常图片和预设的记录条件生成对应的第一可疑记录，包括：
S501：根据所述异常图片生成第三可疑记录。
本步骤利用识别模型对关键帧进行识别，从而生成一系列异常图片，和对应数量的第三可疑记录。假设行人一共在监测点待了3个小时，服务器每隔5分钟从视频信息中持续截取画面作为异常图片，那么服务器将会生成36张异常图片，对应地，通过识别模型对36张异常图片进行识别可得到36条可疑记录即第三可疑记录。
S502：当所述异常图片满足预设的记录条件时，根据所述第三可疑记录生成第一可疑记录，每一条所述第一可疑记录为多条第三可疑记录合成得到。
提取异常图片的时间间隔较短可以保证识别结果的准确度，但同时也会造成可疑记录冗余的问题，本申请中的视频监测方法利用视频监测系统可以科学合理地合成可疑记录，本步骤中的记录条件具体可设为：以服务器生成第一张异常图片为起始点开始计时，若大于30分钟仍在生成异常图片，则根据该时间段的多条可疑记录生成一条可疑记录。假设甲多次进入公司A的作业场所中，闯入情况分别为：
甲进入到A公司排口1，闯入时间为上午9:00到10:00；
甲进入到A公司排口1，闯入时间为从下午14:00下午15:00；
甲进入到A公司排口2，闯入时间为上午9:00待到上午11:00；
甲进入到A公司排口2，闯入时间为下午14:00待到上午19:00；
对于第一条记录，闯入的持续时间为一个小时，在这一个小时内，服务器每隔5分钟生成一张异常图片，持续生成了36张异常图片，若预设条件为大于30分钟仍收到异常图片，则根据36条第三可疑记录生成1条第一可疑记录。其中，36条可疑记录是根据异常图片的生成频率记载的阶段性的内容，例如根据视频信息可得知36条可疑记录中第一条记录的可疑时段为9:00至9:05，根据5分钟的间隔时间推算得到其他可疑记录的时段，第一可疑记录的总计可疑时段可根据第三可疑记录的可疑时段推算出来，因此对应生成的第一可疑记录的内容为：
公司名称：公司A，监测地点：排口1，识别结果:有人进入，可疑时段：上午9:00到10:00。
以此类推通过其他三个视频信息得到的第一可疑记录分别为：
公司名称：公司A，监测地点：排口1，识别结果:有人进入，可疑时段：10/23下午14:00到下午15:00；
公司名称：公司A，监测地点：排口2，识别结果:有人进入，可疑时段：10/23上午9:00到上午11:00；
公司名称：公司A，监测地点：排口2，识别结果:有人进入，可疑时段：10/23下午14:00到下午19:00。
从上述内容可看出，每一条第一可疑记录是根据多条第三可疑记录合成获得，例如第一条第一可疑记录是根据上午9:00到10:00期间的12条第三可疑记录合成得到的。本申请中的视频监测方法在达到记录可疑情况的目的下同时可以精简可疑记录，推算得到总的可疑时段，准确、有效地统计汇总可疑记录，提高了视频监测系统的便捷性和实用性。
在一实施例中，如图5所示，根据所述第一可疑记录和显示条件生成第二可疑记录之后，视频监测方法还包括；
S90：通过所述第二可疑记录中的可疑地点确定与所述可疑地点对应的终端设备。
每个公司不同的监测地点都有对应的用于紧急联系的终端设备，以便出现异常情况时能够快速到达监测地点，本申请中的视频监测方法在通过识别视频信息生成第二可疑记录后，可根据第二可疑记录中的可疑地点确定与之绑定的终端设备。
S100：根据所述第二可疑记录生成预警信息，并将所述预警信息发送至所述终端设备。
当服务器根据第一可疑记录和显示规则生成第二可疑记录后，将与显示模块进行连接，使得服务器将第二可疑记录发送给显示模块进行显示，并触发显示模块根据第二可疑记录生成预警信息，并将预警信息发送到绑定的终端设备。
本申请的视频监测方法在通过识别视频信息生成可疑记录后，还会与绑定的终端设备进行连接，以便及时发送预警信息给紧急联系人员例如管理员，及时提醒管理员作业场所出现异常情况，达到了视频监测的目的，体现了预警的实时性。
在一实施例中，本申请的视频监测方法还具备核验功能，即在生成第一可疑记录或第二可疑记录之后，可根据用户的触控指令对相应的视频进行核验，具体如图6所示，将所述第一可疑记录和对应的所述待显示图片进行显示之后，所述方法还包括：
S101：若接收到核验指令，则从所述视频信息中截取以所述待显示图片为中心的预设数量的待核验帧画面，所述核验指令由点击异常图片而触发。
异常图片和对应的可疑记录会通过显示模块显示在终端显示屏上，用户或管理员如果对包含所述显示的异常图片的视频信息识别有疑义，那么可以点击界面上的核验按钮，触发服务器从视频信息中调取以所述异常图片为中心的预设数量的帧画面，例如以异常图片为中心，调取异常图片前三十帧画面和后三十帧画面。
S102：根据所述异常图片和所述预设数量的帧画面形成待核验视频。
仅靠一张异常图片并不能对是否有异常情况进行准确界定，因此需要根据以异常图片为中心的动态视频进行判定，可提高核验的准确率。
S103：显示所述待核验视频。
本申请通过识别模型对视频信息进行识别，继而生成简洁、直观的可疑记录，用于记录异常闯入的具体情况，并且本申请中的视频监测方法还具备视频核验功能，将异常图片、前后预设数量的帧画面形成的视频通过显示模块进行显示，以供用户进行人工核验，对识别模型的异常识别情况再次核验，可在一定程度上保证识别模型的准确率。
在一实施例中，本申请通过摄像头采集的视频信息以及生成的可疑记录会存储在视频监测系统中的服务器中，随时供用户进行查看，如图7所示，所述根据所述异常图片和预设的记录条件合成对应的第一可疑记录之后，所述方法还包括：
S104：若接收到包含时间点的查看指令，则从所述第一可疑记录中挑选出包含所述时间点的可疑记录作为待显示记录，所述查看指令用于指示查看所述时间点的视频信息。
当接收到用户需要查看上午9：00点视频监测情况的指令时，从所有第一可疑记录中挑选包含9:00点的可疑记录，假设有关于A公司排口1和排口2的可疑记录如步骤S502中所示：
公司名称：公司A，监测地点：排口1，识别结果:有人进入，可疑时段：上午9:00到10:00；
公司名称：公司A，监测地点：排口1，识别结果:有人进入，可疑时段：10/23下午14:00到下午15:00；
公司名称：公司A，监测地点：排口2，识别结果:有人进入，可疑时段：10/23上午9:00到上午11:00；
公司名称：公司A，监测地点：排口2，识别结果:有人进入，可疑时段：10/23下午14:00到下午19:00。
从记录可以看出，排口1的第一条可疑记录和排口2第二条可疑记录中的可疑时段中含了9:00这个时间点，因此这两条可疑记录被选为待显示记录。
S105：根据所述待显示记录选取一张异常图片作为待显示图片，并从所述视频信息中截取以所述待显示图片为中心的预设数量的待查看帧画面。
在确定待显示记录后，根据待显示记录中的可疑时段从视频信息中任意挑选一张异常图片作为待显示图片进行显示，并且以该异常图片为中心，截取前后预设数量的帧画面形成视频。
S106：根据所述待显示图片和所述预设数量的待查看帧画面形成待显示视频。
上个实施例步骤101指103描述的是根据已经呈现的异常图片形成待核验视频进行核验，本实施例步骤104指107描述的是可以对用户自主选择的时间点主动地进行视频核验，其中形成待显示视频的方法与上个实施例形成待核验视频的方法类似，具体不再赘述。
S107：显示所述待显示视频。
本申请实施例中的视频监测方法可主动对特定时间点的视频信息进行查看核验，体现了本申请视频监测方法的灵活性和自主性。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
在一实施例中，提供一种视频监测装置，该视频监测装置与上述实施例中视频监测方法一一对应。如图8所示，该视频监测装置包括获取模块10、提取模块20、识别模块30、生成模块40、选取模块50和显示模块60。各功能模块详细说明如下：
获取模块10，用于获取视频信息；
提取模块20，用于从所述视频信息中提取关键帧；
识别模块30，用于利用识别模型对所述关键帧进行识别，所述识别模型是用于检测视频信息中异常情况的模型，其中，所述异常情况为所述视频信息中出现闯入目标；
所述提取模块20，用于当所述识别模型从所述关键帧中识别出异常情况时，根据预设的时间间隔对所述视频信息进行截取，生成异常图片；
生成模块40，用于根据所述异常图片和预设的记录条件生成对应的第一可疑记录，所述预设的记录条件用于指示所述异常图片和所述第一可疑记录之间的关系，所述第一可疑记录的数量小于所述异常图片的数量，所述第一可疑记录包括可疑时段；
选取模块50，用于根据所述第一可疑记录中的可疑时段从所述视频信息中选取一张异常图片作为待显示图片；
显示模块60，用于将所述第一可疑记录和对应的所述待显示图片进行显示；
所述生成模块40，还用于根据所述第一可疑记录和显示条件生成第二可疑记录，所述显示条件用于指示从所述第一可疑记录中选择第二可疑记录进行显示。
优选地，如图9所示，所述视频监测装置还包括截取模块70、所述生成模块40和所述显示模块60。
截取模块70，用于接收到核验指令时，从所述视频信息中截取以所述待显示图片为中心的预设数量的待核验帧画面，所述核验指令由点击异常图片而触发；
所述生成模块40，还用于根据所述异常图片、所述预设数量的待核验帧画面形成待核验视频；
所述显示模块60，还用于显示所述待核验视频。
优选地，如图10所示，所述所述视频监测装置还包括挑选模块80、所述选取模块50、所述生成模块40和显示模块60。
挑选模块80，还用于接收到包含时间点的查看指令时，从所述第一可疑记录中挑选出包含所述时间点的可疑记录作为待显示记录，所述查看指令用于指示查看所述预设时间点的视频信息；
所述选取模块50，根据所述待显示记录选取一张异常图片作为待显示图片，并从所述视频信息中截取以所述待显示图片为中心的预设数量的待查看帧画面；
所述生成模块40，还用于根据所述待显示图片、所述预设数量的待查看帧画面形成待显示视频；
所述显示模块60，还用于显示所述待显示视频。
优选地，所述所述视频监测装置还包括生成模块。
所述生成模块，还用于根据所述异常图片生成第三可疑记录；
当所述异常图片满足预设的记录条件时，根据所述第三可疑记录生成第一可疑记录，每一条所述第一可疑记录为多条第三可疑记录合成得到。
优选地，所述所述视频监测装置还包括处理模块和发送模块。
所述处理模块，用于通过所述第二可疑记录中的可疑地点确定与所述可疑地点对应的紧急联系设备；
所述发送模块，用于根据所述第二可疑记录生成预警信息，并将所述预警信息发送至所述紧急联系设备。
关于视频监测装置的具体限定可以参见上文中对于视频监测方法的限定，在此不再赘述。上述视频监测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部服务器通过网络连接通信。该计算机程序被处理器执行时以实现一种视频监测方法。
在一个实施例中，提供了一种计算机设备，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，处理器执行计算机程序时实现上述实施例中的视频监测方法。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行上述实施例中的视频监测方法。
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，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

1.一种视频监测方法，其特征在于，所述视频监测方法包括：
获取视频信息；
从所述视频信息中提取关键帧；
利用识别模型对所述关键帧进行识别，所述识别模型是用于检测视频信息中异常情况的模型，其中，所述异常情况为所述视频信息中出现闯入目标；
若所述识别模型从所述关键帧中识别出异常情况，则根据预设的时间间隔对所述视频信息进行截取，生成异常图片；
根据所述异常图片和预设的记录条件生成对应的第一可疑记录，所述预设的记录条件用于指示所述异常图片和所述第一可疑记录之间的关系，所述第一可疑记录的数量小于所述异常图片的数量，所述第一可疑记录包括可疑时段；
根据所述第一可疑记录中的可疑时段从所述视频信息中选取一张异常图片作为待显示图片；
将所述第一可疑记录和对应的所述待显示图片进行显示；
根据所述第一可疑记录和显示条件生成第二可疑记录，所述显示条件用于指示从所述第一可疑记录中选择第二可疑记录进行显示。
2.如权利要求1所述的视频监测方法，其特征在于，所述根据所述异常图片和预设的记录条件生成对应的第一可疑记录，所述方法包括：
根据所述异常图片生成第三可疑记录；
当所述异常图片满足预设的记录条件时，根据所述第三可疑记录生成第一可疑记录，每一条所述第一可疑记录为多条第三可疑记录合成得到。
3.如权利要求1所述的视频监测方法，其特征在于，所述根据所述第一可疑记录和所述显示条件生成所述第二可疑记录之后，所述方法还包括：
通过所述第二可疑记录中的可疑地点确定与所述可疑地点对应的终端设备；
根据所述第二可疑记录生成预警信息，并将所述预警信息发送至所述终端设备。
4.如权利要求1所述的视频监测方法，其特征在于，所述将所述第一可疑记录和对应的所述待显示图片进行显示之后，所述方法还包括：
若接收到核验指令，则从所述视频信息中截取以所述待显示图片为中心的预设数量的待核验帧画面，所述核验指令由点击异常图片而触发；
根据所述异常图片和所述预设数量的帧画面形成待核验视频；
显示所述待核验视频。
5.如权利要求1所述的视频监测方法，其特征在于，所述根据所述异常图片和预设的记录条件合成对应的第一可疑记录之后，所述方法还包括：
若接收到包含时间点的查看指令，则从所述第一可疑记录中挑选出包含所述时间点的可疑记录作为待显示记录，所述查看指令用于指示查看所述预设时间点的视频信息；
根据所述待显示记录选取一张异常图片作为待显示图片，并从所述视频信息中截取以所述待显示图片为中心的预设数量的待查看帧画面；
根据所述待显示图片和所述预设数量的待查看帧画面形成待显示视频；
显示所述待显示视频。
6.一种视频监测装置，其特征在于，包括：
获取模块，用于获取视频信息；
提取模块，用于从所述视频信息中提取关键帧；
识别模块，用于利用识别模型对所述关键帧进行识别，所述识别模型是用于检测视频信息中异常情况的模型，其中，所述异常情况为所述视频信息中出现闯入目标；
所述提取模块，用于当所述识别模型从所述关键帧中识别出异常情况时，根据预设的时间间隔对所述视频信息进行截取，生成异常图片；
生成模块，用于根据所述异常图片和预设的记录条件生成对应的第一可疑记录，所述预设的记录条件用于指示所述异常图片和所述第一可疑记录之间的关系，所述第一可疑记录的数量小于所述异常图片的数量，所述第一可疑记录包括可疑时段；
选取模块，用于根据所述第一可疑记录中的可疑时段从所述视频信息中选取一张异常图片作为待显示图片；
显示模块，用于将所述第一可疑记录和对应的所述待显示图片进行显示；
所述生成模块，还用于根据所述第一可疑记录和显示条件生成第二可疑记录，所述显示条件用于指示从所述第一可疑记录中选择第二可疑记录进行显示。
7.如权利要求6所述的视频监测装置，其特征在于，所述视频监测装置包括：
截取模块，用于接收到核验指令时，从所述视频信息中截取以所述待显示图片为中心的预设数量的待核验帧画面，所述核验指令由点击异常图片而触发；
所述生成模块，还用于根据所述异常图片、所述预设数量的待核验帧画面形成待核验视频；
所述显示模块，还用于显示所述待核验视频。
8.如权利要求6所述的视频监测装置，其特征在于，所述视频监测装置包括：
挑选模块，还用于接收到包含时间点的查看指令时，从所述第一可疑记录中挑选出包含所述时间点的可疑记录作为待显示记录，所述查看指令用于指示查看所述预设时间点的视频信息；
所述选取模块，根据所述待显示记录选取一张异常图片作为待显示图片，并从所述视频信息中截取以所述待显示图片为中心的预设数量的待查看帧画面；
所述生成模块，还用于根据所述待显示图片、所述预设数量的待查看帧画面形成待显示视频；
所述显示模块，还用于显示所述待显示视频。
9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述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计算机程序时实现如权利要求1至5任一项所述视频监测方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述视频监测方法。
CN201910372320.2A 2019-05-06 2019-05-06 视频监测方法、装置、计算机设备及存储介质 Active CN110225299B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201910372320.2A CN110225299B (zh) 2019-05-06 2019-05-06 视频监测方法、装置、计算机设备及存储介质
PCT/CN2019/103500 WO2020224122A1 (zh) 2019-05-06 2019-08-30 视频监测方法、装置、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910372320.2A CN110225299B (zh) 2019-05-06 2019-05-06 视频监测方法、装置、计算机设备及存储介质

Publications (2)

Publication Number Publication Date
CN110225299A true CN110225299A (zh) 2019-09-10
CN110225299B CN110225299B (zh) 2022-03-04

Family

ID=67820448

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910372320.2A Active CN110225299B (zh) 2019-05-06 2019-05-06 视频监测方法、装置、计算机设备及存储介质

Country Status (2)

Country Link
CN (1) CN110225299B (zh)
WO (1) WO2020224122A1 (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110687877A (zh) * 2019-09-12 2020-01-14 深圳市铭华航电工艺技术有限公司 基于视觉网络的监测方法、装置、终端及存储介质
CN110740231A (zh) * 2019-09-27 2020-01-31 浙江省北大信息技术高等研究院 视频数据标注方法、装置、电子设备及介质
CN110971880A (zh) * 2019-12-17 2020-04-07 北京博雅天安信息技术有限公司 一种河道视频监控场景下多种违法行为模型实时调度方法
CN111240984A (zh) * 2020-01-15 2020-06-05 中国平安财产保险股份有限公司 异常页面识别方法、装置、计算机设备和存储介质
CN111263108A (zh) * 2019-12-20 2020-06-09 中译语通文娱科技(青岛)有限公司 一种智能生产视频监测方法
CN111639590A (zh) * 2020-05-28 2020-09-08 江苏中原建设集团有限公司 一种基于bim的工程施工现场管理信息系统
CN112633126A (zh) * 2020-12-18 2021-04-09 联通物联网有限责任公司 视频处理方法及装置
CN113596556A (zh) * 2021-07-02 2021-11-02 咪咕互动娱乐有限公司 视频传输方法、服务器及存储介质

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113421431B (zh) * 2021-06-17 2022-12-02 京东方科技集团股份有限公司 应急通道监测方法及装置
CN114302171B (zh) * 2021-12-28 2024-04-09 新瑞鹏宠物医疗集团有限公司 视频审核方法、装置与存储介质
CN114998839B (zh) * 2022-07-06 2023-01-31 北京原流科技有限公司 一种基于层级分布的数据管理方法以及系统
CN116503814B (zh) * 2023-05-24 2023-10-24 北京安录国际技术有限公司 一种待分析人员追踪方法以及系统

Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4737847A (en) * 1985-10-11 1988-04-12 Matsushita Electric Works, Ltd. Abnormality supervising system
JP2005117424A (ja) * 2003-10-08 2005-04-28 Mitsubishi Electric Corp 監視システム
CN101127143A (zh) * 2007-03-12 2008-02-20 宝鸡市公安局交通警察支队 警情自动跟踪显示系统
CN101751032A (zh) * 2008-12-16 2010-06-23 中兴通讯股份有限公司 自动控制系统的管理方法及系统、视频监控系统
CN103260010A (zh) * 2013-04-23 2013-08-21 四川天翼网络服务有限公司 智慧天网视频快速检索系统
CN105227907A (zh) * 2015-08-31 2016-01-06 电子科技大学 基于视频的无监督异常事件实时检测方法
CN106572329A (zh) * 2016-10-14 2017-04-19 中国石油大学(华东) 视频监控图像精确识别系统
CN106603999A (zh) * 2017-02-17 2017-04-26 上海创米科技有限公司 视频监控报警方法与系统
CN106781236A (zh) * 2016-12-29 2017-05-31 东南大学 一种基于人物检测和再识别方法的远程报警装置及远程监控方法
CN106992900A (zh) * 2016-01-20 2017-07-28 北京国双科技有限公司 监控预警的方法及智能预警通知平台
CN107483887A (zh) * 2017-08-11 2017-12-15 中国地质大学（武汉） 一种智慧城市视频监控中突发情况的预警检测方法
JP2018139085A (ja) * 2017-02-24 2018-09-06 エヌ・ティ・ティ・コミュニケーションズ株式会社 異常予測方法、異常予測装置、異常予測システムおよび異常予測プログラム
CN108596028A (zh) * 2018-03-19 2018-09-28 昆明理工大学 一种基于视频录像中的异常行为检测算法
CN109166261A (zh) * 2018-10-11 2019-01-08 平安科技（深圳）有限公司 基于图像识别的图像处理方法、装置、设备及存储介质
CN109241946A (zh) * 2018-10-11 2019-01-18 平安科技（深圳）有限公司 异常行为监控方法、装置、计算机设备及存储介质
CN109299646A (zh) * 2018-07-24 2019-02-01 北京旷视科技有限公司 人群异常事件检测方法、装置、系统和存储介质

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103136763B (zh) * 2011-12-02 2017-07-21 富泰华工业（深圳）有限公司 用于检测视频序列异常段落的电子装置及其方法
CN105303158B (zh) * 2015-08-31 2018-08-03 国家电网公司 一种变电站隔离开关线段拟合视频智能分析方法
CN106571040B (zh) * 2016-10-31 2020-10-20 浙江宇视科技有限公司 一种可疑车辆确认方法及设备

Patent Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4737847A (en) * 1985-10-11 1988-04-12 Matsushita Electric Works, Ltd. Abnormality supervising system
JP2005117424A (ja) * 2003-10-08 2005-04-28 Mitsubishi Electric Corp 監視システム
CN101127143A (zh) * 2007-03-12 2008-02-20 宝鸡市公安局交通警察支队 警情自动跟踪显示系统
CN101751032A (zh) * 2008-12-16 2010-06-23 中兴通讯股份有限公司 自动控制系统的管理方法及系统、视频监控系统
CN103260010A (zh) * 2013-04-23 2013-08-21 四川天翼网络服务有限公司 智慧天网视频快速检索系统
CN105227907A (zh) * 2015-08-31 2016-01-06 电子科技大学 基于视频的无监督异常事件实时检测方法
CN106992900A (zh) * 2016-01-20 2017-07-28 北京国双科技有限公司 监控预警的方法及智能预警通知平台
CN106572329A (zh) * 2016-10-14 2017-04-19 中国石油大学(华东) 视频监控图像精确识别系统
CN106781236A (zh) * 2016-12-29 2017-05-31 东南大学 一种基于人物检测和再识别方法的远程报警装置及远程监控方法
CN106603999A (zh) * 2017-02-17 2017-04-26 上海创米科技有限公司 视频监控报警方法与系统
JP2018139085A (ja) * 2017-02-24 2018-09-06 エヌ・ティ・ティ・コミュニケーションズ株式会社 異常予測方法、異常予測装置、異常予測システムおよび異常予測プログラム
CN107483887A (zh) * 2017-08-11 2017-12-15 中国地质大学（武汉） 一种智慧城市视频监控中突发情况的预警检测方法
CN108596028A (zh) * 2018-03-19 2018-09-28 昆明理工大学 一种基于视频录像中的异常行为检测算法
CN109299646A (zh) * 2018-07-24 2019-02-01 北京旷视科技有限公司 人群异常事件检测方法、装置、系统和存储介质
CN109166261A (zh) * 2018-10-11 2019-01-08 平安科技（深圳）有限公司 基于图像识别的图像处理方法、装置、设备及存储介质
CN109241946A (zh) * 2018-10-11 2019-01-18 平安科技（深圳）有限公司 异常行为监控方法、装置、计算机设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
陈颖熙等: "基于动态帧间间隔更新的人群异常行为检测", 《计算机系统应用》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110687877A (zh) * 2019-09-12 2020-01-14 深圳市铭华航电工艺技术有限公司 基于视觉网络的监测方法、装置、终端及存储介质
CN110740231A (zh) * 2019-09-27 2020-01-31 浙江省北大信息技术高等研究院 视频数据标注方法、装置、电子设备及介质
CN110971880A (zh) * 2019-12-17 2020-04-07 北京博雅天安信息技术有限公司 一种河道视频监控场景下多种违法行为模型实时调度方法
CN111263108A (zh) * 2019-12-20 2020-06-09 中译语通文娱科技(青岛)有限公司 一种智能生产视频监测方法
CN111240984A (zh) * 2020-01-15 2020-06-05 中国平安财产保险股份有限公司 异常页面识别方法、装置、计算机设备和存储介质
CN111639590A (zh) * 2020-05-28 2020-09-08 江苏中原建设集团有限公司 一种基于bim的工程施工现场管理信息系统
CN112633126A (zh) * 2020-12-18 2021-04-09 联通物联网有限责任公司 视频处理方法及装置
CN113596556A (zh) * 2021-07-02 2021-11-02 咪咕互动娱乐有限公司 视频传输方法、服务器及存储介质
CN113596556B (zh) * 2021-07-02 2023-07-21 咪咕互动娱乐有限公司 视频传输方法、服务器及存储介质

Also Published As

Publication number Publication date
CN110225299B (zh) 2022-03-04
WO2020224122A1 (zh) 2020-11-12

Similar Documents

Publication Publication Date Title
CN110225299A (zh) 视频监测方法、装置、计算机设备及存储介质
CN105556482B (zh) 监视移动应用性能
US11030463B2 (en) Systems and methods for displaying captured videos of persons similar to a search target person
US11893796B2 (en) Methods and systems for detection of anomalous motion in a video stream and for creating a video summary
CN107391538A (zh) 点击数据采集、处理和展示方法、装置、设备及存储介质
US20110231419A1 (en) Systems, methods and articles for video analysis reporting
CN101489116A (zh) 影像网络系统以及影像数据管理方法
CN107273862A (zh) 一种自动抓拍方法、监控设备及计算机可读存储介质
US20050232574A1 (en) Video generation device, video generation method, and video storage device
CN109815089A (zh) H5页面监控方法、装置、计算机设备和存储介质
CN108806153A (zh) 警情处理方法、装置及系统
CN110120113A (zh) 数据处理方法及装置、门禁设备和门禁控制系统
CN103391425A (zh) 基于时分复用视频分析的监控智能化改造方法及系统
US10750126B2 (en) Systems and methods of measuring quality of video surveillance infrastructure
CN107920223A (zh) 一种对象行为检测方法及装置
CN104202576B (zh) 一种智能视频分析系统
CN113903098A (zh) 一种电力设备的巡检方法、系统和红外巡检终端
CN110515821A (zh) 基于埋点的事件处理方法、电子设备及计算机存储介质
CN101751548A (zh) 身份识别管理方法及装置
JP2018207175A (ja) 人数管理装置、人数管理方法およびプログラム
CN110505438A (zh) 一种排队数据的获取方法和摄像机
CN110019947A (zh) 一种数据提取方法及装置
CN104038736A (zh) 视频数据动态传输方法
CN110365927B (zh) 视频录制方法、装置、存储介质和计算机设备
CN110737697A (zh) 劳动仲裁信息平台的内控管理系统

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