CN111565303B - 基于雾计算及深度学习的视频监控方法、系统和可读存储介质 - Google Patents
基于雾计算及深度学习的视频监控方法、系统和可读存储介质 Download PDFInfo
- Publication number
- CN111565303B CN111565303B CN202010475578.8A CN202010475578A CN111565303B CN 111565303 B CN111565303 B CN 111565303B CN 202010475578 A CN202010475578 A CN 202010475578A CN 111565303 B CN111565303 B CN 111565303B
- Authority
- CN
- China
- Prior art keywords
- video
- image
- data packet
- fog
- deep learning
- 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
- H04N7/181—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a plurality of remote sources
-
- 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
- G06V20/49—Segmenting video sequences, i.e. computational techniques such as parsing or cutting the sequence, low-level clustering or determining units such as shots or scenes
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Signal Processing (AREA)
- Computing Systems (AREA)
- Alarm Systems (AREA)
Abstract
本发明公开了一种基于雾计算及深度学习的视频监控方法、系统和可读存储介质,所述方法包括以下步骤:采集监控视频数据,实时传输并分段存储于雾计算单元;每次截取过去3个小时的原始视频数据流,分割成3个时长为1小时的视频段;每个时长1小时的视频段再分割成20个时长为3分钟的视频段;每个视频段随机再提取50个关键图像帧,生成第一图像数据包;进行图像分析处理后,生成第二图像数据包并输入到训练好的深度卷积网络进行深度学习,根据识别结果判断是否存在异常现象。本发明通过利用雾计算技术及深度学习,实现了智能化视频监控,提高了视频监控数据的处理效率和传输速率,降低了时延和云端的计算压力,进一步提升了视频监控的安全性。
Description
技术领域
本发明涉及视频监控技术领域,更具体的,涉及一种基于雾计算及深度学习的视频监控方法、系统和可读存储介质。
背景技术
现如今,物联网应用深入到社会生活中的方方面面,从衣食住行到工业发展,随处可见物联网留下的足迹。但随着科学技术的持续发展,以及人类对于智能化应用的普遍需求日益增长,当前市场上的物联网产品仍有巨大的提升空间。例如视频监控设备,它普遍应用于住宅、街道、公共娱乐场所、企事业单位等等场景,为提高社会安全性、提升群众幸福感和安全感起到了重大作用。我们可以实时的查看视频监控画面,了解监控范围的及时情况,做好突发事件的应急措施;也可以通过回看存储的历史监控视频,查找历史事件的细节。但是,在这个过程中毫无疑问会产生巨大的视频数据量,对于传输速率的要求也越来越高,久而久之将给终端和云端带来繁重的计算压力和负载压力;另一方面,视频监控数据直接关系到人民群众和企事业单位的隐私,若防护不当将可能被不法分子所窃取利用;因此,提高视频监控的安全性和可靠性亦是发展物联网过程中亟需解决的问题。
发明内容
为了解决上述至少一个技术问题,本发明提出了一种基于雾计算及深度学习的视频监控方法、系统和可读存储介质。
为了解决上述的技术问题,本发明第一方面公开了一种基于雾计算及深度学习的视频监控方法,所述方法包括:
通过视频监控单元采集在监控范围之内的视频数据,实时传输并分段存储于雾计算单元;
每次截取过去X个小时的原始视频数据流,分割成X个时长为1小时的视频段,生成第一视频数据包,X∈N;
每个时长1小时的视频段再分割成20个时长为3分钟的视频段,生成第二视频数据包;
所述第二视频数据包的每个视频段随机再提取Y个关键图像帧,生成第一图像数据包,Y∈N;
对所述第一图像数据包进行图像分析处理,生成第二图像数据包;
将所述第二图像数据包输入训练好的深度卷积网络进行深度学习,根据识别结果判断是否存在异常现象。
本方案中,所述雾计算单元包括规律性分布在监控区域周边的雾服务器,通过无线局域网络与视频监控单元连接,通过网关与云计算模块连接。
本方案中,所述雾计算单元通过无线局域网络与终端设备连接,用户可以通过终端设备进行如下操作:
查看实时的监控视频;
调取、回看历史监控视频数据;
观看历史监控视频时进行倍速播放、快进、回调等操作;
设置定时删除、手动删除历史监控视频数据。
本方案中,所述对第一图像数据包进行图像分析处理,其具体步骤为:对第一图像数据包进行有效数据检测,删除无效图像帧;提取有效图像帧的灰度图、LBP特征图、HOG特征图和梯度幅值特征图,生成第二图像数据包。
本方案中,所述深度卷积网络的建立过程为:
获取大量日常视频监控图像帧作为训练图像集;
提取所述大量日常视频监控图像帧的灰度图、LBP特征图、HOG特征图和梯度幅值特征图;
将所述灰度图、LBP特征图、HOG特征图和梯度幅值特征图分类打包,输入到初始化的深度卷积网络,进一步得到深度卷积特征;
将所述的深度卷积特征输入到分类器,进一步得到预测结果;
根据预测结果进行分析对比,调整深度卷积网络及分类器的初始参数,重复以上步骤。
本方案中,若识别结果显示异常,雾服务器将进行如下操作:
发出短信通知指令,所述短信将发送到用户绑定的移动端设备,具体内容包括异常图像帧所在的监控位置及监控时间点;
将异常图像帧所在的第二视频数据包传输到终端设备,同时传输到云计算模块进行备份并发出异常告警指令。
若识别结果显示正常,则删除第一图像数据包和第二图像数据包。
本方案中,所述存储于雾计算单元的视频数据,每一段都生成一个哈希值并发送到终端设备,同时发送到云计算模块进行备份。
本发明第二方面公开了一种基于雾计算及深度学习的视频监控系统,包括存储器和处理器,所述存储器中包括基于雾计算及深度学习的视频监控方法程序,所述基于雾计算及深度学习的视频监控方法程序被所述处理器执行时实现如下步骤:
通过视频监控单元采集在监控范围之内的视频数据,实时传输并分段存储于雾计算单元;
每次截取过去X个小时的原始视频数据流,分割成X个时长为1小时的视频段,生成第一视频数据包,X∈N;
每个时长1小时的视频段再分割成20个时长为3分钟的视频段,生成第二视频数据包;
所述第二视频数据包的每个视频段随机再提取Y个关键图像帧,生成第一图像数据包,Y∈N;
对所述第一图像数据包进行图像分析处理,生成第二图像数据包;
将所述第二图像数据包输入训练好的深度卷积网络进行深度学习,根据识别结果判断是否存在异常现象。
本方案中,所述雾计算单元包括规律性分布在监控区域周边的雾服务器,通过无线局域网络与视频监控单元连接,通过网关与云计算模块连接。
本方案中,所述雾计算单元通过无线局域网络与终端设备连接,用户可以通过终端设备进行如下操作:
查看实时的监控视频;
调取、回看历史监控视频数据;
观看历史监控视频时进行倍速播放、快进、回调等操作;
设置定时删除、手动删除历史监控视频数据。
本方案中,所述对第一图像数据包进行图像分析处理,其具体步骤为:对第一图像数据包进行有效数据检测,删除无效图像帧;提取有效图像帧的灰度图、LBP特征图、HOG特征图和梯度幅值特征图,生成第二图像数据包。
本方案中,所述深度卷积网络的建立过程为:
获取大量日常视频监控图像帧作为训练图像集;
提取所述大量日常视频监控图像帧的灰度图、LBP特征图、HOG特征图和梯度幅值特征图;
将所述灰度图、LBP特征图、HOG特征图和梯度幅值特征图分类打包,输入到初始化的深度卷积网络,进一步得到深度卷积特征;
将所述的深度卷积特征输入到分类器,进一步得到预测结果;
根据预测结果进行分析对比,调整深度卷积网络及分类器的初始参数,重复以上步骤。
本方案中,若识别结果显示异常,雾服务器将进行如下操作:
发出短信通知指令,所述短信将发送到用户绑定的移动端设备,具体内容包括异常图像帧所在的监控位置及监控时间点;
将异常图像帧所在的第二视频数据包传输到终端设备,同时传输到云计算模块进行备份并发出异常告警指令。
若识别结果显示正常,则删除第一图像数据包和第二图像数据包。
本方案中,所述存储于雾计算单元的视频数据,每一段都生成一个哈希值并发送到终端设备,同时发送到云计算模块进行备份。
本方案中,所述的基于雾计算及深度学习的视频监控系统包括视频数据采集模块、视频数据分析模块和监控结果输出模块。
本发明第三方面公开了一种计算机可读存储介质,所述计算机可读存储介质中包括机器的一种基于雾计算及深度学习的视频监控方法程序,所述一种基于雾计算及深度学习的视频监控方法程序被处理器执行时,实现上述的一种基于雾计算及深度学习的视频监控方法的步骤。
本发明公开的一种基于雾计算及深度学习的视频监控方法、系统和可读存储介质,通过利用雾计算技术及深度学习,实现了智能化视频监控,提高了视频监控数据的处理效率和传输速率,降低了时延和云端的计算压力,进一步提升了视频监控的安全性。
附图说明
图1示出了本发明一种基于雾计算及深度学习的视频监控方法流程图;
图2示出了本发明一种基于雾计算及深度学习的视频监控系统的框图。
具体实施方法
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本发明一种基于雾计算及深度学习的视频监控方法流程图。
如图1所示,本发明第一方面公开了一种基于雾计算及深度学习的视频监控方法,包括:
通过视频监控单元采集在监控范围之内的视频数据,实时传输并分段存储于雾计算单元;
每次截取过去X个小时的原始视频数据流,分割成X个时长为1小时的视频段,生成第一视频数据包,X∈N;
每个时长1小时的视频段再分割成20个时长为3分钟的视频段,生成第二视频数据包;
所述第二视频数据包的每个视频段随机再提取Y个关键图像帧,生成第一图像数据包,Y∈N;
对所述第一图像数据包进行图像分析处理,生成第二图像数据包;
将所述第二图像数据包输入训练好的深度卷积网络进行深度学习,根据识别结果判断是否存在异常现象。
在本案中,X取值为3,Y取值为50,则基于雾计算及深度学习的视频监控方法的具体步骤如下:
通过视频监控单元采集在监控范围之内的视频数据,实时传输并分段存储于雾计算单元;
每次截取过去3个小时的原始视频数据流,分割成3个时长为1小时的视频段,生成第一视频数据包;
每个时长1小时的视频段再分割成20个时长为3分钟的视频段,生成第二视频数据包;
所述第二视频数据包的每个视频段随机再提取50个关键图像帧,生成第一图像数据包;
对所述第一图像数据包进行图像分析处理,生成第二图像数据包;
将所述第二图像数据包输入训练好的深度卷积网络进行深度学习,根据识别结果判断是否存在异常现象。
需要说明的是,本发明中的视频监控单元包括多个智能监控摄像头,所述智能监控摄像头可以是不可转动的,也可以是可转动的。所述智能监控摄像头可以根据监控环境的空间布局和监控目标需要,针对性地选择相应的安装方式、安装位置和智能监控摄像头数量,从而做到监控视角无盲区,全方位保障视频监控区域的安全性。
本方案中,所述雾计算单元包括规律性分布在监控区域周边的雾服务器,通过无线局域网络与视频监控单元连接,通过网关与云计算模块连接。
需要说明的是,本发明中所述雾计算单元包括多个雾服务器,且雾服务器之间可通过无线局域网络进行通信,共享视频监控信息。
本方案中,所述雾计算单元通过无线局域网络与终端设备连接,用户可以通过终端设备进行如下操作:
查看实时的监控视频;
调取、回看历史监控视频数据;
观看历史监控视频时进行倍速播放、快进、回调等操作;
设置定时删除、手动删除历史监控视频数据。
本方案中,所述对第一图像数据包进行图像分析处理,其具体步骤为:对第一图像数据包进行有效数据检测,删除无效图像帧;提取有效图像帧的灰度图、LBP特征图、HOG特征图和梯度幅值特征图,生成第二图像数据包。
需要说明的是,本发明中所述对第一图像数据包进行有效数据检测即根据有效数据判定标准,通过对大量图像帧数据进行分类、统计、筛选等操作方式进行多次过滤,提高数据有效性。
本方案中,所述深度卷积网络的建立过程为:
获取大量日常视频监控图像帧作为训练图像集;
提取所述大量日常视频监控图像帧的灰度图、LBP特征图、HOG特征图和梯度幅值特征图;
将所述灰度图、LBP特征图、HOG特征图和梯度幅值特征图分类打包,输入到初始化的深度卷积网络,进一步得到深度卷积特征;
将所述的深度卷积特征输入到分类器,进一步得到预测结果;
根据预测结果进行分析对比,调整深度卷积网络及分类器的初始参数,重复以上步骤。
本方案中,若识别结果显示异常,雾服务器将进行如下操作:
发出短信通知指令,所述短信将发送到用户绑定的移动端设备,具体内容包括异常图像帧所在的监控位置及监控时间点;
将异常图像帧所在的第二视频数据包传输到终端设备,同时传输到云计算模块进行备份并发出异常告警指令。
若识别结果显示正常,则删除第一图像数据包和第二图像数据包。
需要说明的是,本发明中所述异常告警指令可根据视频监控环境的实际情况和用户实际需求进行等级设置,并提供相应的应急措施。
本方案中,所述存储于雾计算单元的视频数据,每一段都生成一个哈希值并发送到终端设备,同时发送到云计算模块进行备份。
图2示出了本发明一种基于雾计算及深度学习的视频监控系统的框图。
如图2所示,本发明第二方面公开了一种基于雾计算及深度学习的视频监控系统,包括存储器和处理器,所述存储器中包括基于雾计算及深度学习的视频监控方法程序,所述基于雾计算及深度学习的视频监控方法程序被所述处理器执行时实现如下步骤:
通过视频监控单元采集在监控范围之内的视频数据,实时传输并分段存储于雾计算单元;
每次截取过去3个小时的原始视频数据流,分割成3个时长为1小时的视频段,生成第一视频数据包;
每个时长1小时的视频段再分割成20个时长为3分钟的视频段,生成第二视频数据包;
所述第二视频数据包的每个视频段随机再提取50个关键图像帧,生成第一图像数据包;
对所述第一图像数据包进行图像分析处理,生成第二图像数据包;
将所述第二图像数据包输入训练好的深度卷积网络进行深度学习,根据识别结果判断是否存在异常现象。
需要说明的是,本发明的系统可以在服务器、PC、手机、PAD等终端设备中进行操作。
需要说明的是,所述处理器可以是中央处理单元(CentralProcessingUnit,CPU),还可以是其他通用处理器、数字信号处理(DigitalSignalProcessor,DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit,ASIC)、现成可编程门阵列(Field-ProgrammableGateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
本方案中,所述的基于雾计算及深度学习的视频监控系统包括视频数据采集模块、视频数据分析模块和监控结果输出模块。
需要说明的是,本发明中的视频监控单元包括多个智能监控摄像头,所述智能监控摄像头可以是不可转动的,也可以是可转动的。所述智能监控摄像头可以根据监控环境的空间布局和监控目标需要,针对性地选择相应的安装方式、安装位置和智能监控摄像头数量,从而做到监控视角无盲区,全方位保障视频监控区域的安全性。
本方案中,所述雾计算单元包括规律性分布在监控区域周边的雾服务器,通过无线局域网络与视频监控单元连接,通过网关与云计算模块连接。
需要说明的是,本发明中所述雾计算单元包括多个雾服务器,且雾服务器之间可通过无线局域网络进行通信,共享视频监控信息。
本方案中,所述雾计算单元通过无线局域网络与终端设备连接,用户可以通过终端设备进行如下操作:
查看实时的监控视频;
调取、回看历史监控视频数据;
观看历史监控视频时进行倍速播放、快进、回调等操作;
设置定时删除、手动删除历史监控视频数据。
本方案中,所述对第一图像数据包进行图像分析处理,其具体步骤为:对第一图像数据包进行有效数据检测,删除无效图像帧;提取有效图像帧的灰度图、LBP特征图、HOG特征图和梯度幅值特征图,生成第二图像数据包。
需要说明的是,本发明中所述对第一图像数据包进行有效数据检测即根据有效数据判定标准,通过对大量图像帧数据进行分类、统计、筛选等操作方式进行多次过滤,提高数据有效性。
本方案中,所述深度卷积网络的建立过程为:
获取大量日常视频监控图像帧作为训练图像集;
提取所述大量日常视频监控图像帧的灰度图、LBP特征图、HOG特征图和梯度幅值特征图;
将所述灰度图、LBP特征图、HOG特征图和梯度幅值特征图分类打包,输入到初始化的深度卷积网络,进一步得到深度卷积特征;
将所述的深度卷积特征输入到分类器,进一步得到预测结果;
根据预测结果进行分析对比,调整深度卷积网络及分类器的初始参数,重复以上步骤。
本方案中,若识别结果显示异常,雾服务器将进行如下操作:
发出短信通知指令,所述短信将发送到用户绑定的移动端设备,具体内容包括异常图像帧所在的监控位置及监控时间点;
将异常图像帧所在的第二视频数据包传输到终端设备,同时传输到云计算模块进行备份并发出异常告警指令。
若识别结果显示正常,则删除第一图像数据包和第二图像数据包。
需要说明的是,本发明中所述异常告警指令可根据视频监控环境的实际情况和用户实际需求进行等级设置,并提供相应的应急措施。
本方案中,所述存储于雾计算单元的视频数据,每一段都生成一个哈希值并发送到终端设备,同时发送到云计算模块进行备份。
本发明第三方面公开了一种计算机可读存储介质,所述计算机可读存储介质中包括机器的一种基于雾计算及深度学习的视频监控方法程序,所述一种基于雾计算及深度学习的视频监控方法程序被处理器执行时,实现如述任一项的一种基于雾计算及深度学习的视频监控方法的步骤。
本发明公开的一种基于雾计算及深度学习的视频监控方法、系统和可读存储介质,通过利用雾计算技术及深度学习,实现了智能化视频监控,提高了视频监控数据的处理效率和传输速率,降低了时延和云端的计算压力,进一步提升了视频监控的安全性。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,如:多个单元或组件可以结合,或可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元;既可以位于一个地方,也可以分布到多个网络单元上;可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外,在本发明各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,也可以两个或两个以上单元集成在一个单元中;上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者,本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实施例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,该计算机软件产品存储在一个存储介质中,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方法的全部或部分。而前述的存储介质包括:移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
Claims (8)
1.一种基于雾计算及深度学习的视频监控方法,其特征在于,包括:
通过视频监控单元采集在监控范围之内的视频数据,实时传输并分段存储于雾计算单元;
每次截取过去X个小时的原始视频数据流,分割成X个时长为1小时的视频段,生成第一视频数据包,X∈N,N为正整数;
每个时长1小时的视频段再分割成20个时长为3分钟的视频段,生成第二视频数据包;
所述第二视频数据包的每个视频段随机再提取Y个关键图像帧,生成第一图像数据包,Y∈N,N为正整数;
对所述第一图像数据包进行图像分析处理,生成第二图像数据包;
将所述第二图像数据包输入训练好的深度卷积网络进行深度学习,根据识别结果判断是否存在异常现象;
所述对所述第一图像数据包进行图像分析处理,其具体步骤为:对第一图像数据包进行有效数据检测,删除无效图像帧;提取有效图像帧的灰度图、LBP特征图、HOG特征图和梯度幅值特征图,生成第二图像数据包;
所述深度卷积网络的建立过程为:
获取大量日常视频监控图像帧作为训练图像集;
提取所述大量日常视频监控图像帧的灰度图、LBP特征图、HOG特征图和梯度幅值特征图;
将所述灰度图、LBP特征图、HOG特征图和梯度幅值特征图分类打包,输入到初始化的深度卷积网络,进一步得到深度卷积特征;
将所述的深度卷积特征输入到分类器,进一步得到预测结果;
根据预测结果进行分析对比,调整深度卷积网络及分类器的初始参数,重复以上深度卷积网络的建立过程的步骤。
2.根据权利要求1所述的一种基于雾计算及深度学习的视频监控方法,其特征在于,所述雾计算单元包括规律性分布在监控区域周边的雾服务器,通过无线局域网络与视频监控单元连接,通过网关与云计算模块连接。
3.根据权利要求1所述的一种基于雾计算及深度学习的视频监控方法,其特征在于,所述雾计算单元通过无线局域网络与终端设备连接,用户可以通过终端设备进行如下操作:
查看实时的监控视频;
调取、回看历史监控视频数据;
观看历史监控视频时进行倍速播放、快进、回调等操作;
设置定时删除、手动删除历史监控视频数据。
4.根据权利要求1所述的一种基于雾计算及深度学习的视频监控方法,其特征在于,若识别结果显示异常,雾服务器将进行如下操作:发出短信通知指令,所述短信将发送到用户绑定的移动端设备,具体内容包括异常图像帧所在的监控位置及监控时间点;将异常图像帧所在的第二视频数据包传输到终端设备,同时传输到云计算模块进行备份并发出异常告警指令;
若识别结果显示正常,则删除第一图像数据包和第二图像数据包。
5.根据权利要求1所述的一种基于雾计算及深度学习的视频监控方法,其特征在于,所述存储于雾计算单元的视频数据,每一段都生成一个哈希值并发送到终端设备,同时发送到云计算模块进行备份。
6.一种基于雾计算及深度学习的视频监控系统,其特征在于,包括存储器和处理器,所述存储器中包括基于雾计算及深度学习的视频监控方法程序,所述基于雾计算及深度学习的视频监控方法程序被所述处理器执行时实现如下步骤:
通过视频监控单元采集在监控范围之内的视频数据,实时传输并分段存储于雾计算单元;
每次截取过去X个小时的原始视频数据流,分割成X个时长为1小时的视频段,生成第一视频数据包,X∈N,N为正整数;
每个时长1小时的视频段再分割成20个时长为3分钟的视频段,生成第二视频数据包;
所述第二视频数据包的每个视频段随机再提取Y个关键图像帧,生成第一图像数据包,Y∈N,N为正整数;
对所述第一图像数据包进行图像分析处理,生成第二图像数据包;
将所述第二图像数据包输入训练好的深度卷积网络进行深度学习,根据识别结果判断是否存在异常现象;
所述对所述第一图像数据包进行图像分析处理,其具体步骤为:对第一图像数据包进行有效数据检测,删除无效图像帧;提取有效图像帧的灰度图、LBP特征图、HOG特征图和梯度幅值特征图,生成第二图像数据包;
所述深度卷积网络的建立过程为:
获取大量日常视频监控图像帧作为训练图像集;
提取所述大量日常视频监控图像帧的灰度图、LBP特征图、HOG特征图和梯度幅值特征图;
将所述灰度图、LBP特征图、HOG特征图和梯度幅值特征图分类打包,输入到初始化的深度卷积网络,进一步得到深度卷积特征;
将所述的深度卷积特征输入到分类器,进一步得到预测结果;
根据预测结果进行分析对比,调整深度卷积网络及分类器的初始参数,重复以上深度卷积网络的建立过程的步骤。
7.根据权利要求6所述的一种基于雾计算及深度学习的视频监控系统,其特征在于,所述的基于雾计算及深度学习的视频监控系统包括视频数据采集模块、视频数据分析模块和监控结果输出模块。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中包括机器的一种基于雾计算及深度学习的视频监控方法程序,所述一种基于雾计算及深度学习的视频监控方法程序被处理器执行时,实现如权利要求1至5中任一项所述的一种基于雾计算及深度学习的视频监控方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010475578.8A CN111565303B (zh) | 2020-05-29 | 2020-05-29 | 基于雾计算及深度学习的视频监控方法、系统和可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010475578.8A CN111565303B (zh) | 2020-05-29 | 2020-05-29 | 基于雾计算及深度学习的视频监控方法、系统和可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111565303A CN111565303A (zh) | 2020-08-21 |
CN111565303B true CN111565303B (zh) | 2021-12-14 |
Family
ID=72073801
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010475578.8A Active CN111565303B (zh) | 2020-05-29 | 2020-05-29 | 基于雾计算及深度学习的视频监控方法、系统和可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111565303B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112991742B (zh) * | 2021-04-21 | 2021-08-20 | 四川见山科技有限责任公司 | 一种实时交通数据的可视化仿真方法及系统 |
CN115205952B (zh) * | 2022-09-16 | 2022-11-25 | 深圳市企鹅网络科技有限公司 | 一种基于深度学习的线上学习图像采集方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107027007A (zh) * | 2017-04-12 | 2017-08-08 | 南京三宝弘正视觉科技有限公司 | 一种视频共享方法及系统 |
CN108012121A (zh) * | 2017-12-14 | 2018-05-08 | 安徽大学 | 一种边缘计算和云计算融合的实时视频监控方法及系统 |
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 |
CN110688512A (zh) * | 2019-08-15 | 2020-01-14 | 深圳久凌软件技术有限公司 | 基于ptgan区域差距与深度神经网络的行人图像搜索算法 |
Family Cites Families (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104519323A (zh) * | 2014-12-26 | 2015-04-15 | 桂林远望智能通信科技有限公司 | 一种人车目标分类系统和方法 |
CN105227907B (zh) * | 2015-08-31 | 2018-07-27 | 电子科技大学 | 基于视频的无监督异常事件实时检测方法 |
CN106686108A (zh) * | 2017-01-13 | 2017-05-17 | 中电科新型智慧城市研究院有限公司 | 一种基于分布式检测技术的视频监控方法 |
CN108062349B (zh) * | 2017-10-31 | 2022-03-08 | 深圳大学 | 基于视频结构化数据及深度学习的视频监控方法和系统 |
US10607484B2 (en) * | 2017-12-28 | 2020-03-31 | Intel Corporation | Privacy-preserving distributed visual data processing |
CN108852268A (zh) * | 2018-04-23 | 2018-11-23 | 浙江大学 | 一种消化内镜图像异常特征实时标记系统及方法 |
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 |
CN109495723A (zh) * | 2018-11-30 | 2019-03-19 | 济南浪潮高新科技投资发展有限公司 | 一种基于雾计算的家用智能监控系统 |
CN109905675A (zh) * | 2019-03-13 | 2019-06-18 | 武汉大学 | 一种基于计算机视觉的矿山人员监控系统及方法 |
CN110087041B (zh) * | 2019-04-30 | 2021-01-08 | 中国科学院计算技术研究所 | 基于5g基站的视频数据处理及传输方法和系统 |
CN110163154A (zh) * | 2019-05-23 | 2019-08-23 | 湖南机电职业技术学院 | 基于人工智能的视频监控系统 |
CN110244611A (zh) * | 2019-06-06 | 2019-09-17 | 北京迈格威科技有限公司 | 一种宠物监控方法及装置 |
CN110505446A (zh) * | 2019-07-29 | 2019-11-26 | 西安电子科技大学 | 基于雾计算的酒店视频安防系统 |
CN110990634A (zh) * | 2019-12-27 | 2020-04-10 | 广东德融汇科技有限公司 | 用于k12教育阶段基于人脸识别的视频中检索人员方法 |
CN111046849B (zh) * | 2019-12-30 | 2023-07-21 | 珠海格力电器股份有限公司 | 一种厨房安全的实现方法、装置以及智能终端、存储介质 |
-
2020
- 2020-05-29 CN CN202010475578.8A patent/CN111565303B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107027007A (zh) * | 2017-04-12 | 2017-08-08 | 南京三宝弘正视觉科技有限公司 | 一种视频共享方法及系统 |
CN108012121A (zh) * | 2017-12-14 | 2018-05-08 | 安徽大学 | 一种边缘计算和云计算融合的实时视频监控方法及系统 |
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 |
CN110688512A (zh) * | 2019-08-15 | 2020-01-14 | 深圳久凌软件技术有限公司 | 基于ptgan区域差距与深度神经网络的行人图像搜索算法 |
Non-Patent Citations (1)
Title |
---|
高密度计算应对边缘视觉的挑战;高永英;《人工智能》;20191010;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111565303A (zh) | 2020-08-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10839257B2 (en) | Prioritizing objects for object recognition | |
CN110390262B (zh) | 视频分析方法、装置、服务器及存储介质 | |
CN110519177B (zh) | 一种网络流量识别方法及相关设备 | |
CN107862270B (zh) | 人脸分类器训练方法、人脸检测方法及装置、电子设备 | |
US20180048894A1 (en) | Methods and systems of performing lighting condition change compensation in video analytics | |
CN111553328A (zh) | 基于区块链技术和深度学习的视频监控方法、系统和可读存储介质 | |
CN111565303B (zh) | 基于雾计算及深度学习的视频监控方法、系统和可读存储介质 | |
US20180144476A1 (en) | Cascaded-time-scale background modeling | |
EP2283472A1 (en) | A system and method for electronic surveillance | |
US20180047173A1 (en) | Methods and systems of performing content-adaptive object tracking in video analytics | |
CN110659391A (zh) | 一种视频侦查方法及装置 | |
CN112953971B (zh) | 一种网络安全流量入侵检测方法和系统 | |
US20170193810A1 (en) | Video event detection and notification | |
US20190370559A1 (en) | Auto-segmentation with rule assignment | |
CN114679607B (zh) | 一种视频帧率控制方法、装置、电子设备及存储介质 | |
CN109657626B (zh) | 一种识别人体行为的分析方法 | |
CN109564686B (zh) | 在视频分析中更新用于对象追踪器的运动模型的方法和系统 | |
WO2022213336A1 (zh) | 车辆驾驶环境异常监测方法、装置、电子设备和存储介质 | |
CN109559211A (zh) | 一种基于大数据的审计预警分析系统 | |
CN116347045B (zh) | 基于通信及卫星技术的监控方法、装置、设备及存储介质 | |
CN113139428A (zh) | 目标识别方法、边缘设备、边防监控系统及可读存储介质 | |
CN111178241A (zh) | 一种基于视频分析的智能监控系统及方法 | |
CN107172622B (zh) | 伪基站短信的识别和分析方法、装置及系统 | |
CN112419639A (zh) | 一种视频信息的获取方法及装置 | |
Giorgi et al. | Privacy-Preserving Analysis for Remote Video Anomaly Detection in Real Life Environments. |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20211201 Address after: 510000 floor 14, Guangdong foreign trade and economic cooperation building, No. 351, Tianhe Road, Tianhe District, Guangzhou, Guangdong Applicant after: Guangdong Electronic Port Management Co.,Ltd. Address before: 5024 Xueyuan street, Taoyuan District, Guangdong Province Applicant before: Shenzhen E-Chain Information Technology Co.,Ltd. |