CN110753228A - 基于YOLOv1的目标检测算法的车库监控视频压缩方法及系统 - Google Patents
基于YOLOv1的目标检测算法的车库监控视频压缩方法及系统 Download PDFInfo
- Publication number
- CN110753228A CN110753228A CN201911015231.9A CN201911015231A CN110753228A CN 110753228 A CN110753228 A CN 110753228A CN 201911015231 A CN201911015231 A CN 201911015231A CN 110753228 A CN110753228 A CN 110753228A
- Authority
- CN
- China
- Prior art keywords
- video
- frame
- key
- yolov1
- frames
- 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
Images
Classifications
-
- 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
- H04N19/42—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals characterised by implementation details or hardware specially adapted for video compression or decompression, e.g. dedicated software implementation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/215—Motion-based segmentation
-
- 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
- H04N19/85—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using pre-processing or post-processing specially adapted for video compression
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30232—Surveillance
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Closed-Circuit Television Systems (AREA)
Abstract
本发明公开了基于YOLOv1的目标检测算法的车库监控视频压缩方法及系统,属于视频压缩及目标检测领域,本发明要解决的技术问题为如何改善传统的压缩技术对文件压缩效果,确保既能保证视频的分辨率,又能降低视频的存储代价,技术方案为:该方法步骤如下:S1、获取监控视频序列;S2、确定关键帧;S3、关键帧的提取和保存;S4、确定关键帧的同时对运动目标进行检测;其中,运动目标包括人和车;S5、对运动目标进行提取和保存;S6、记录关键信息生成压缩文件;S7、视频解码重构。该系统包括监控视频序列获取单元、关键帧确定单元、关键帧保存单元、运动目标检测单元、运动目标保存单元、压缩文件生成单元及视频解码重构单元。
Description
技术领域
本发明涉及视频压缩及目标检测领域,具体地说是基于YOLOv1的目标检测算法的车库监控视频压缩方法及系统。
背景技术
随着人工智能技术快速发展,尤其是深度学习的已经成功的应用到很多领域中,例如图像识别、语音识别、NLP和目标检测等领域中。因此可以考虑利用深度学习到视频压缩,尤其是安防等方面的视频监控。因为随着许多无人场景的出现,视频监控成为越来越流行,随之带来的是海量的视频存储,因此视频压缩成为一个需求非常强烈的技术,视频压缩也成为了视频监控领域的研究热点,视频监控的主要任务之一是检测场景中图像的变化并提取运动目标。
基于目标检测的视频压缩技术是近年来低码率视频压缩技术研究的热点之一,利用深度学习网络对任意形状的运动目标进行检测和标定,估计目标的运动参数,记录位置等关键信息,可以提高视频编码效率,并较好地完成视频帧图像的重构。MPEG-4编码是现在较为主流的视频编码方式,利用图像分割、检测运动目标完成图像编码,另外在编码过程中,对不同的视频目标采用不同编码策略,效率高,压缩率高,因而基于视频目标的编码是实现视频压缩的有效方法。
在传统的视频压缩方法中,由于运动目标存在遮挡、变化速度过快、孔径和匹配误差等问题,分割效果不尽如人意。其次,待检测目标种类多、数量多,传统的特征描述子语义信息少、泛化程度低,给检测带来很大的挑战。另外,目标模型需要从大规模标记数据集中学习得到,而数据采集和标注通常是很大的工程,耗费大量的人力物力,这些情况导致目标检测的计算复杂性很高。最后,动态变化的环境需要时常更新视觉模型,提高模型对复杂环境的自适应能力。故如何改善传统的压缩技术对文件压缩效果,确保既能保证视频的分辨率,又能降低视频的存储代价是目前现有技术中急需解决的技术问题。
专利号为CN106550237A的专利文献公开了一种监控视频压缩方法,其包括以下步骤:针对I帧背景长期不变的特性,去除重复出现的I帧带来的冗余信息;P帧使用有选择地跳帧方法来降低数据量;针对于P帧跳帧后有可能给视频带来的跳跃感,使用插帧重建方法来降低其跳跃感。但是该技术方案不能改善传统的压缩技术对文件压缩效果,同时也不能保证视频的分辨率及降低视频的存储代价。
发明内容
本发明的技术任务是提供一种基于YOLOv1的目标检测算法的车库监控视频压缩方法及系统,来解决如何改善传统的压缩技术对文件压缩效果,确保既能保证视频的分辨率,又能降低视频的存储代价的问题。
本发明的技术任务是按以下方式实现的,一种基于YOLOv1的目标检测算法的车库监控视频压缩方法,该方法步骤如下:
S1、获取监控视频序列;
S2、确定关键帧;
S3、关键帧的提取和保存;
S4、确定关键帧的同时对运动目标进行检测;其中,运动目标包括人和车;
S5、对运动目标进行提取和保存;
S6、记录关键信息生成压缩文件;关键信息包括提取和保存的关键帧、运动目标、坐标和帧数信息;
S7、视频解码重构。
作为优选,所述步骤S2中确定关键帧的步骤如下:
S201、获取视频帧序列;
S202、对视频帧进行预处理;
S203、选择不包含运动目标的视频帧图像作为背景关键帧完成背景建模;
S204、背景建模的同时进行前景检测;
S205、针对背景建模和前景检测的结果进行后处理;
S206、选取关键帧序列。
更优地,所述步骤S202中对视频帧进行预处理具体如下:
S20201、利用OpenCV工具把视频截取为一张一张的图片;
S20202、将图片进行分组;
S20203、利用OpenCV工具对图片进行预处理,预处理的内容包括把图片大小调到固定的尺寸、去除噪点。
更优地,所述步骤S203中背景建模具体如下:
S20301、利用预处理好的每一组图片,进行运动目标的检测并标定运动目标;
S20302、对目标检测网络进行单一图像数据集通过YOLOV1网络进行预训练;
S20303、对图像数据进行旋转、改变亮度、变化大小的多尺度变换的图像增强手段操作;
S20304、利用新数据,对YOLOV1网络参数进行进一步的优化调整;
S20305、利用训练好的模型参数对后续新的数据进行目标检测和标定。
更优地,所述步骤S204中前景检测具体如下:
S20401、利用步骤S203训练的好的YOLOV1模型,对预处理好的每一组图片进行运动物体检测;
S20402、对于每一组检测到的运动目标进行帧数和坐标记录的操作,作为后期视频帧图像重构的关键信息进行保存。
更优地,所述步骤S206中选取关键帧序列具体如下:
S20601、对步骤S202预处理好的图片,在每一组帧中,确定第一个帧为关键帧;
S20602、找到在同一组中和前一个已经确定为关键帧差值大于设定的阈值的帧,作为一个新的关键帧;
S20604、不断重复步骤S20602直到整个组结束;
若一个组中均不满足步骤S20602中的条件,则说明视频帧基本保持不变,选择该视频序列的中间帧作为关键帧;
S20605、对关键帧进行保存,作为图像重构的背景关键帧。
更优地,所述步骤S20602中差值的计算方法是通过对应像素点之间的差值的绝对值之和。
作为优选,所述步骤S7中视频解码重构具体是利用关键帧和运动目标的图片、帧数及坐标信息进行逐帧重构,再利用OpenCV把帧还原为视频,重构后的视频与原视频基本保持一致。
一种基于YOLOv1的目标检测算法的车库监控视频压缩系统,该系统包括,监控视频序列获取单元,用于获取监控视频序列;
关键帧确定单元,用于确定关键帧,选择不包含运动目标的视频帧图像作为背景关键帧,根据镜头内帧的变化来确定关键帧的数量;
关键帧保存单元,用于提取和保存关键帧;
运动目标检测单元,用于对运动目标进行检测;其中,运动目标包括人和车;
运动目标保存单元,用于对运动目标进行提取和保存;
压缩文件生成单元,用于将记录关键信息生成压缩文件;关键信息包括提取和保存的关键帧、运动目标、坐标和帧数信息;
视频解码重构单元,用于利用关键帧和运动目标的图片、帧数及坐标信息进行逐帧重构,再利用OpenCV把帧还原为视频,重构后的视频与原视频基本保持一致。
作为优选,所述关键帧确定单元的工作过程如下:
(1)、获取视频帧序列;
(2)、对视频帧进行预处理;
(3)、选择不包含运动目标的视频帧图像作为背景关键帧完成背景建模;
(4)、背景建模的同时进行前景检测;
(5)、针对背景建模和前景检测的结果进行后处理;
(6)、选取关键帧序列。
本发明的基于YOLOv1的目标检测算法的车库监控视频压缩方法及系统具有以下优点:
(一)、传统的压缩技术对文件压缩,可以起到很好的作用,但是对于视频的压缩,并没有获得想要压缩效果。使用YOLOv1深度目标检测算法进行车库监控视频领域进行视频压缩,既可以保证视频的分辨率的同时,又降低的视频的存储代价;
(二)、当前视频数据已经变得非常普遍,但是大视频的存储成为一个亟待解决的问题,尤其是云计算平台上的大量的安防领域的视频存储;本发明可以很好的应用在公司云平台上的视频压缩,帮公司有效的降低存储代价;
(三)、本发明主要应用于车库等领域的监控视频压缩,包含视频序列关键帧的提取,运动目标的检测与提取等关键技术,并利用其进行压缩,在很大程度上压缩了视频的存储空间,并且不丢失关键信息;读取视频时,会利用存储的关键帧以及运动目标信息对图像进行重构,还原视频;本发明改善传统的压缩技术对文件压缩效果,同时也保证视频的分辨率及降低视频的存储代价。
附图说明
下面结合附图对本发明进一步说明。
附图1为基于YOLOv1的目标检测算法的车库监控视频压缩方法流程框图;
附图2为确定关键帧的流程框图;
附图3为实施例3的示意图。
具体实施方式
参照说明书附图和具体实施例对本发明的一种基于YOLOv1的目标检测算法的车库监控视频压缩方法及系统作以下详细地说明。
实施例1:
如附图1所示,本发明的基于YOLOv1的目标检测算法的车库监控视频压缩方法,该方法步骤如下:
S1、获取监控视频序列;
S2、确定关键帧;
S3、关键帧的提取和保存;
S4、确定关键帧的同时对运动目标进行检测;其中,运动目标包括人和车;视频中的运动目标检测,同样利用好预处理好的图片,利用深度学习中的卷积网络进行视频运动目标检测。深度学习相比于传统的目标检测方法,能够利用大数据更好的学习目标模型,检测更为准确和快速。此方法利用车库中的大量视频中获取的图像数据训练基于YOLOv1的卷积网络网络,并对数据集样本进行数据增强,改变图片的亮度,尺度的大小,旋转等处理后的图片进一步的优化网络参数,从而提高模型的识别效率。这种训练方式得到的网络模型,对于多尺度的目标检测,有更好的适应性。
S5、对运动目标进行提取和保存;
S6、记录关键信息生成压缩文件;关键信息包括提取和保存的关键帧、运动目标、坐标和帧数信息;
S7、视频解码重构,具体是利用关键帧和运动目标的图片、帧数及坐标信息进行逐帧重构,再利用OpenCV把帧还原为视频,重构后的视频与原视频基本保持一致。
其中,如附图2所示,步骤S2中确定关键帧的步骤如下:
S201、获取视频帧序列;
S202、对视频帧进行预处理;
S203、选择不包含运动目标的视频帧图像作为背景关键帧完成背景建模;
S204、背景建模的同时进行前景检测;
S205、针对背景建模和前景检测的结果进行后处理;
S206、选取关键帧序列。
步骤S202中对视频帧进行预处理具体如下:
S20201、利用OpenCV工具把视频截取为一张一张的图片;
S20202、将图片进行分组;
S20203、利用OpenCV工具对图片进行预处理,预处理的内容包括把图片大小调到固定的尺寸、去除噪点。
步骤S203中背景建模具体如下:
S20301、利用预处理好的每一组图片,进行运动目标的检测并标定运动目标;
S20302、对目标检测网络进行单一图像数据集通过YOLOV1网络进行预训练;
S20303、对图像数据进行旋转、改变亮度、变化大小的多尺度变换的图像增强手段操作;
S20304、利用新数据,对YOLOV1网络参数进行进一步的优化调整;
S20305、利用训练好的模型参数对后续新的数据进行目标检测和标定。
步骤S204中前景检测具体如下:
S20401、利用步骤S203训练的好的YOLOV1模型,对预处理好的每一组图片进行运动物体检测;
S20402、对于每一组检测到的运动目标进行帧数和坐标记录的操作,作为后期视频帧图像重构的关键信息进行保存。
步骤S206中选取关键帧序列具体如下:
S20601、对步骤S202预处理好的图片,在每一组帧中,确定第一个帧为关键帧;
S20602、找到在同一组中和前一个已经确定为关键帧差值大于设定的阈值的帧,作为一个新的关键帧;差值的计算方法是通过对应像素点之间的差值的绝对值之和。
S20604、不断重复步骤S20602直到整个组结束;
若一个组中均不满足步骤S20602中的条件,则说明视频帧基本保持不变,选择该视频序列的中间帧作为关键帧;
S20605、对关键帧进行保存,作为图像重构的背景关键帧。
实施例2:
本发明的基于YOLOv1的目标检测算法的车库监控视频压缩系统,该系统包括,
监控视频序列获取单元,用于获取监控视频序列;
关键帧确定单元,用于确定关键帧,选择不包含运动目标的视频帧图像作为背景关键帧,根据镜头内帧的变化来确定关键帧的数量;
关键帧保存单元,用于提取和保存关键帧;
运动目标检测单元,用于对运动目标进行检测;其中,运动目标包括人和车;
运动目标保存单元,用于对运动目标进行提取和保存;
压缩文件生成单元,用于将记录关键信息生成压缩文件;关键信息包括提取和保存的关键帧、运动目标、坐标和帧数信息;
视频解码重构单元,用于利用关键帧和运动目标的图片、帧数及坐标信息进行逐帧重构,再利用OpenCV把帧还原为视频,重构后的视频与原视频基本保持一致。
其中,关键帧确定单元的工作过程如下:
(1)、获取视频帧序列;
(2)、对视频帧进行预处理;
(3)、选择不包含运动目标的视频帧图像作为背景关键帧完成背景建模;
(4)、背景建模的同时进行前景检测;
(5)、针对背景建模和前景检测的结果进行后处理;
(6)、选取关键帧序列。
该系统的工作过程具体如下:
①、给定一段视频,然后利用OpenCV工具,把视频截取为一张一张的图片,再对这些图片进行分组,例如这些图片均匀分为50组,再利用OpenCV对这些图片进行预处理,包括把图片大小调到固定的尺寸,例如224*224,去除噪点等,方便以后的YOLO算法进行运动物体(人或车)检测;
②、对预处理好的图片,在每一组帧中,首先确定第一个帧为关键帧,找到在同一组中和前一个已经确定为关键帧差值(差值的计算方法就是通过对应像素点之间的差值的绝对值之和)大于一个给定的阈值(例如100)的帧,作为一个新的关键帧;再对关键帧进行保存,作为图像重构的背景模型,例如背景帧等;
③、利用预处理好的每一组图片,进行运动目标的检测并标定运动目标,先需要对目标检测网络进行单一图像数据集通过YOLOV1网络进行预训练,再对图像数据进行旋转,改变亮度,变化大小的多尺度变换等图像增强手段操作,再利用新数据,对YOLOV1网络参数进行进一步的优化调整,最后利用训练好的模型参数对后续新的数据进行目标检测和标定;
④、利用步骤③训练的好的YOLOV1模型,对预处理好的每一组图片进行运动物体检测,(也就是前景检测);对于每一组检测到的运动目标进行帧数和坐标记录等操作,作为后期视频帧图像重构的关键信息进行保存;
⑤、对于上述得到的背景关键帧图片和运动目标那块图片、以及坐标和帧数信息,进行压缩存储,可极大的减少存储空间;
⑥、视频重构时,对步骤⑤压缩的信息,进行解压缩,利用背景关键帧和运动目标的图片、帧数、坐标信息,进行逐帧重构,再利用OpenCV把帧还原为视频,重构后的视频与原视频基本保持一致。
实施例3:
基于实施例1的方法对车库中的关键物体进行检测,如附图3所示:
(1)、单一样本数据集训练;
(2)、多尺寸样本训练、参数调整、优化网络;
(3)、进行目标检测。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各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,或者对其中部分或者全部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范围。
Claims (10)
1.一种基于YOLOv1的目标检测算法的车库监控视频压缩方法,其特征在于,该方法步骤如下:
S1、获取监控视频序列;
S2、确定关键帧;
S3、关键帧的提取和保存;
S4、确定关键帧的同时对运动目标进行检测;其中,运动目标包括人和车;
S5、对运动目标进行提取和保存;
S6、记录关键信息生成压缩文件;关键信息包括提取和保存的关键帧、运动目标、坐标和帧数信息;
S7、视频解码重构。
2.根据权利要求1所述的基于YOLOv1的目标检测算法的车库监控视频压缩方法,其特征在于,所述步骤S2中确定关键帧的步骤如下:
S201、获取视频帧序列;
S202、对视频帧进行预处理;
S203、选择不包含运动目标的视频帧图像作为背景关键帧完成背景建模;
S204、背景建模的同时进行前景检测;
S205、针对背景建模和前景检测的结果进行后处理;
S206、选取关键帧序列。
3.根据权利要求2所述的基于YOLOv1的目标检测算法的车库监控视频压缩方法,其特征在于,所述步骤S202中对视频帧进行预处理具体如下:
S20201、利用OpenCV工具把视频截取为一张一张的图片;
S20202、将图片进行分组;
S20203、利用OpenCV工具对图片进行预处理,预处理的内容包括把图片大小调到固定的尺寸、去除噪点。
4.根据权利要求2所述的基于YOLOv1的目标检测算法的车库监控视频压缩方法,其特征在于,所述步骤S203中背景建模具体如下:
S20301、利用预处理好的每一组图片,进行运动目标的检测并标定运动目标;
S20302、对目标检测网络进行单一图像数据集通过YOLOV1网络进行预训练;
S20303、对图像数据进行旋转、改变亮度、变化大小的多尺度变换的图像增强手段操作;
S20304、利用新数据,对YOLOV1网络参数进行进一步的优化调整;
S20305、利用训练好的模型参数对后续新的数据进行目标检测和标定。
5.根据权利要求2所述的基于YOLOv1的目标检测算法的车库监控视频压缩方法,其特征在于,所述步骤S204中前景检测具体如下:
S20401、利用步骤S203训练的好的YOLOV1模型,对预处理好的每一组图片进行运动物体检测;
S20402、对于每一组检测到的运动目标进行帧数和坐标记录的操作,作为后期视频帧图像重构的关键信息进行保存。
6.根据权利要求2所述的基于YOLOv1的目标检测算法的车库监控视频压缩方法,其特征在于,所述步骤S206中选取关键帧序列具体如下:
S20601、对步骤S202预处理好的图片,在每一组帧中,确定第一个帧为关键帧;
S20602、找到在同一组中和前一个已经确定为关键帧差值大于设定的阈值的帧,作为一个新的关键帧;
S20604、不断重复步骤S20602直到整个组结束;
若一个组中均不满足步骤S20602中的条件,则说明视频帧基本保持不变,选择该视频序列的中间帧作为关键帧;
S20605、对关键帧进行保存,作为图像重构的背景关键帧。
7.根据权利要求6所述的基于YOLOv1的目标检测算法的车库监控视频压缩方法,其特征在于,所述步骤S20602中差值的计算方法是通过对应像素点之间的差值的绝对值之和。
8.根据权利要求1所述的基于YOLOv1的目标检测算法的车库监控视频压缩方法,其特征在于,所述步骤S7中视频解码重构具体是利用关键帧和运动目标的图片、帧数及坐标信息进行逐帧重构,再利用OpenCV把帧还原为视频,重构后的视频与原视频基本保持一致。
9.一种基于YOLOv1的目标检测算法的车库监控视频压缩系统,其特征在于,该系统包括,
监控视频序列获取单元,用于获取监控视频序列;
关键帧确定单元,用于确定关键帧,选择不包含运动目标的视频帧图像作为背景关键帧,根据镜头内帧的变化来确定关键帧的数量;
关键帧保存单元,用于提取和保存关键帧;
运动目标检测单元,用于对运动目标进行检测;其中,运动目标包括人和车;
运动目标保存单元,用于对运动目标进行提取和保存;
压缩文件生成单元,用于将记录关键信息生成压缩文件;关键信息包括提取和保存的关键帧、运动目标、坐标和帧数信息;
视频解码重构单元,用于利用关键帧和运动目标的图片、帧数及坐标信息进行逐帧重构,再利用OpenCV把帧还原为视频,重构后的视频与原视频基本保持一致。
10.根据权利要求9所述的基于YOLOv1的目标检测算法的车库监控视频压缩系统,其特征在于,所述关键帧确定单元的工作过程如下:
(1)、获取视频帧序列;
(2)、对视频帧进行预处理;
(3)、选择不包含运动目标的视频帧图像作为背景关键帧完成背景建模;
(4)、背景建模的同时进行前景检测;
(5)、针对背景建模和前景检测的结果进行后处理;
(6)、选取关键帧序列。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911015231.9A CN110753228A (zh) | 2019-10-24 | 2019-10-24 | 基于YOLOv1的目标检测算法的车库监控视频压缩方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911015231.9A CN110753228A (zh) | 2019-10-24 | 2019-10-24 | 基于YOLOv1的目标检测算法的车库监控视频压缩方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110753228A true CN110753228A (zh) | 2020-02-04 |
Family
ID=69279636
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911015231.9A Pending CN110753228A (zh) | 2019-10-24 | 2019-10-24 | 基于YOLOv1的目标检测算法的车库监控视频压缩方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110753228A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112622757A (zh) * | 2020-10-20 | 2021-04-09 | 程涛 | 一种智能车载安全监测系统 |
CN113596473A (zh) * | 2021-07-28 | 2021-11-02 | 浙江大华技术股份有限公司 | 视频压缩方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103179402A (zh) * | 2013-03-19 | 2013-06-26 | 中国科学院半导体研究所 | 一种视频压缩编码与解码方法及其装置 |
CN103686095A (zh) * | 2014-01-02 | 2014-03-26 | 中安消技术有限公司 | 一种视频浓缩方法和系统 |
CN107729809A (zh) * | 2017-09-11 | 2018-02-23 | 汕头大学 | 一种自适应生成视频摘要的方法、装置及其可读存储介质 |
CN109246488A (zh) * | 2017-07-04 | 2019-01-18 | 北京航天长峰科技工业集团有限公司 | 一种用于安保监控系统的视频摘要生成方法 |
WO2019034804A2 (en) * | 2017-08-14 | 2019-02-21 | Nokia Technologies Oy | THREE-DIMENSIONAL VIDEO PROCESSING |
-
2019
- 2019-10-24 CN CN201911015231.9A patent/CN110753228A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103179402A (zh) * | 2013-03-19 | 2013-06-26 | 中国科学院半导体研究所 | 一种视频压缩编码与解码方法及其装置 |
CN103686095A (zh) * | 2014-01-02 | 2014-03-26 | 中安消技术有限公司 | 一种视频浓缩方法和系统 |
CN109246488A (zh) * | 2017-07-04 | 2019-01-18 | 北京航天长峰科技工业集团有限公司 | 一种用于安保监控系统的视频摘要生成方法 |
WO2019034804A2 (en) * | 2017-08-14 | 2019-02-21 | Nokia Technologies Oy | THREE-DIMENSIONAL VIDEO PROCESSING |
CN107729809A (zh) * | 2017-09-11 | 2018-02-23 | 汕头大学 | 一种自适应生成视频摘要的方法、装置及其可读存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112622757A (zh) * | 2020-10-20 | 2021-04-09 | 程涛 | 一种智能车载安全监测系统 |
CN113596473A (zh) * | 2021-07-28 | 2021-11-02 | 浙江大华技术股份有限公司 | 视频压缩方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108805015B (zh) | 加权卷积自编码长短期记忆网络人群异常检测方法 | |
CN111798400B (zh) | 基于生成对抗网络的无参考低光照图像增强方法及系统 | |
Liu et al. | Three-dimensional point-cloud plus patches: Towards model-based image coding in the cloud | |
CN109377499B (zh) | 一种像素级物体分割方法及装置 | |
CN112597815A (zh) | 一种基于Group-G0模型的合成孔径雷达图像舰船检测方法 | |
CN112801068B (zh) | 一种视频多目标跟踪与分割系统和方法 | |
CN114936605A (zh) | 基于知识蒸馏的神经网络训练方法、设备及存储介质 | |
CN114723760B (zh) | 人像分割模型的训练方法、装置及人像分割方法、装置 | |
CN110084181B (zh) | 一种基于稀疏MobileNetV2网络的遥感图像舰船目标检测方法 | |
CN110602504A (zh) | 一种基于YOLOv2目标检测算法的视频解压缩方法及系统 | |
CN116110036B (zh) | 基于机器视觉的电力铭牌信息缺陷等级判断方法及装置 | |
CN110753228A (zh) | 基于YOLOv1的目标检测算法的车库监控视频压缩方法及系统 | |
CN110889868A (zh) | 一种结合梯度和纹理特征的单目图像深度估计方法 | |
CN110598540A (zh) | 一种监控视频中步态轮廓图的提取方法及系统 | |
Ouyang et al. | The comparison and analysis of extracting video key frame | |
Chang et al. | Stip: A spatiotemporal information-preserving and perception-augmented model for high-resolution video prediction | |
Shen et al. | BSH-Det3D: improving 3D object detection with BEV shape heatmap | |
CN112084949B (zh) | 视频实时识别分割和检测方法及装置 | |
CN110298229B (zh) | 视频图像处理方法及装置 | |
CN114120198A (zh) | 一种伪造视频检测方法、系统及存储介质 | |
Prabakaran et al. | Key frame extraction analysis based on optimized convolution neural network (ocnn) using intensity feature selection (ifs) | |
Chang et al. | ASTM: An attention based spatiotemporal model for video prediction using 3D convolutional neural networks | |
CN113971826A (zh) | 估计连续的效价和唤醒水平的动态情感识别方法和系统 | |
CN113902000A (zh) | 模型训练、合成帧生成、视频识别方法和装置以及介质 | |
CN111160255A (zh) | 一种基于三维卷积网络的捕鱼行为识别方法及系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200204 |