CN112149586A - 一种基于神经网络的视频片段自动抽取系统及方法 - Google Patents
一种基于神经网络的视频片段自动抽取系统及方法 Download PDFInfo
- Publication number
- CN112149586A CN112149586A CN202011037743.8A CN202011037743A CN112149586A CN 112149586 A CN112149586 A CN 112149586A CN 202011037743 A CN202011037743 A CN 202011037743A CN 112149586 A CN112149586 A CN 112149586A
- Authority
- CN
- China
- Prior art keywords
- video data
- violation
- neural network
- illegal
- video
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 41
- 238000000605 extraction Methods 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 title abstract description 14
- 238000001514 detection method Methods 0.000 claims abstract description 35
- 230000006399 behavior Effects 0.000 claims abstract description 17
- 238000003062 neural network model Methods 0.000 claims abstract description 14
- 238000012216 screening Methods 0.000 claims abstract description 13
- 238000010801 machine learning Methods 0.000 claims abstract description 12
- 230000000007 visual effect Effects 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 7
- 230000000391 smoking effect Effects 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 9
- 238000007689 inspection Methods 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 125000004122 cyclic group Chemical group 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- 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
- G06V20/59—Context or environment of the image inside of a vehicle, e.g. relating to seat occupancy, driver state or inner lighting conditions
- G06V20/597—Recognising the driver's state or behaviour, e.g. attention or drowsiness
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
- G06F16/71—Indexing; Data structures therefor; Storage structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
- G06F16/73—Querying
- G06F16/735—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
- G06F16/74—Browsing; Visualisation therefor
-
- 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
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于神经网络的视频片段自动抽取系统及方法，系统包括：多个检测服务器，其用于检测输入的原始视频数据，通过机器学习视觉识别算法识别出违规操作视频数据；第一数据库，其用于存储所述多个检测服务器识别出的违规操作视频数据；第二数据库，其用于呈现和筛选所述多个检测服务器识别出的违规操作视频数据的条目。本发明提供的基于神经网络的视频片段自动抽取系统及方法，通过机器学习视觉识别算法自动识别出违规操作视频数据，节省了安监人员筛选违规操作视频数据需要耗费的人力，并且可以呈现和筛选违规操作视频数据的条目，能够更加直观地展示违规操作情况，通过神经网络模型提取出精准图像，更为直观地展示违规操作行为。
Description
技术领域
本发明涉及视频识别处理领域，尤其涉及一种基于神经网络的视频片段自动抽取系统及方法。
背景技术
目前，传统的码头在不断往自动化码头的方向发展，其中堆场内集卡将逐渐被替换成无人驾驶卡车，而无人驾驶卡车的行进过程需要桥吊驾驶员集中注意力及逆行操作，所以对桥吊驾驶员的行为进行规范变得非常重要。
桥吊驾驶员的违规操作包括违规操作电子设备、抽烟、打瞌睡、不佩戴安全带等行为，由此可能会影响桥吊驾驶员的判断和注意力，造成无人驾驶卡车的错误配合，影响整体调度。
现有技术中对于人员的行为规范通常由码头的安监部门安排人员对桥吊驾驶员的行为进行实时监控，需要负责监控的人员手动记录下违规操作的时间和摄像头地址来截取视频片段进行留档。如果负责监控的人员数量不够，容易造成视频数据遗漏的不良后果，如果增加人员数量又会因为人力成本的提高而造成资源的浪费。
因此有必要提供一种基于神经网络的视频片段自动抽取的系统及方法，可以对人员的行为规范的视频片段进行自动抽取。
发明内容
本发明所要解决的技术问题是提供基于神经网络的视频片段自动抽取系统，通过机器学习视觉识别算法自动识别出违规操作视频数据，节省了安监人员筛选违规操作视频数据需要耗费的人力，并且可以呈现和筛选违规操作视频数据的条目，能够更加直观地展示违规操作情况。
本发明为解决上述技术问题而采用的技术方案是提供一种基于神经网络的视频片段自动抽取系统，包括：
多个检测服务器，其用于检测输入的原始视频数据，通过机器学习视觉识别算法识别出违规操作视频数据；
第一数据库，其用于存储所述多个检测服务器识别出的违规操作视频数据；
第二数据库，其用于呈现和筛选所述多个检测服务器识别出的违规操作视频数据的条目。
优选地，所述通过机器学习视觉识别算法识别出违规操作视频数据包括获取所述原始视频数据的帧数信息，在预设帧数之内，若连续检测到无违规图像的数量达到第一数值则记录为无违规判断点，若累计检测违规图像的数量达到第二数值则记录为违规判断点，从开始检测的第一帧开始保存帧数，从第一帧开始到所述违规判断点之间的帧数组成所述违规操作视频数据。
优选地，所述预设帧数为123帧，所述第一数值为15帧，所述第二数值为78帧。
优选地，所述帧数信息是由分布式数据库fastDFS存储的。
优选地，所述违规操作视频数据包括违规操作电子设备、抽烟、打瞌睡、不佩戴安全带的行为。
优选地，所述呈现和筛选所述多个检测服务器识别出的违规操作视频数据的条目包括从所述违规操作视频数据中通过神经网络模型提取出精准图像，用于快速判断所述违规操作。
优选地，还包括：
违规操作视频数据预览模块，其用于从所述第一数据库获取所述违规操作视频数据，每隔预设的帧数进行循环展示；
搜索模块，其用于对所述违规操作视频数据进行搜索，搜索类目包括：仓位、时间以及违规类别；
待输出列表模块，其用于呈现从所述第二数据库获取的违规操作条目的违规ID；
数据统计模块，其用于实时统计违规操作的总数以及待处理的违规操作的数量。
优选地，还包括：
报表生成模块，其用于生成违规操作工作报表，违规操作工作报表包括：违规图像、仓位、时间以及违规类别。
优选地，所述违规操作工作报表根据预设规则主动推送给审核人员。
本发明为解决上述技术问题而还采用的技术方案是还提供一种基于上述基于神经网络的视频片段自动抽取系统的基于神经网络的视频片段自动抽取方法。
本发明对比现有技术有如下的有益效果：本发明提供的通过机器学习视觉识别算法自动识别出违规操作视频数据，节省了安监人员筛选违规操作视频数据需要耗费的人力，并且可以呈现和筛选违规操作视频数据的条目，能够更加直观地展示违规操作情况。
进一步地，通过在预设帧数之内，连续检测违规操作图像来记录违规判断点，从第一帧开始到所述违规判断点之间的帧数组成所述违规操作视频数据，从而不会过于敏感导致大量误检测记录，也不会遗漏违规操作数据，大大提高了违规操作视频数据的检测精度；
进一步地，通过神经网络模型提取出精准图像，更为直观地展示违规操作行为，从而用于快速判断所述违规操作。
附图说明
图1为本发明实施例中基于神经网络的视频片段自动抽取系统的模块图；
图2为本发明实施例中基于神经网络的视频片段自动抽取系统的又一模块图；
图3为本发明实施例中基于神经网络的视频片段自动抽取系统的违规操作工作报表的设置界面；
图4为本发明实施例中基于神经网络的视频片段自动抽取系统的待输出报表界面；
图5为本发明实施例中基于神经网络的视频片段自动抽取系统的违规操作工作报表；
图6为本发明实施例中基于神经网络的视频片段自动抽取系统的小型神经网络模型示意图；
图7为本发明实施例中基于神经网络的视频片段自动抽取系统的帧数保存机制示意图。
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描述。
在以下描述中，为了提供本发明的透彻理解，阐述了很多具体的细节。然而，本发明可以在没有这些具体的细节的情况下实践，这对本领域普通该技术人员来说将是显而易见的。因此，具体的细节阐述仅仅是示例性的，具体的细节可以由奔放的精神和范围而变化并且仍被认为是在本发明的精神和范围内。
现在参看图1，图1本发明实施例中基于神经网络的视频片段自动抽取系统的模块图。一种基于神经网络的视频片段自动抽取系统，包括：多个检测服务器11，其用于检测输入的原始视频数据，通过机器学习视觉识别算法识别出违规操作视频数据；第一数据库12，其用于存储所述多个检测服务器识别出的违规操作视频数据；第二数据库13，其用于呈现和筛选所述多个检测服务器识别出的违规操作视频数据的条目。
在具体实施中，对于检测出来的违规操作视频进行甄别和二次检查抽取，其中，多个检测服务器11承接固定数量的视频数据。
现在参看图2，图2是本发明实施例中基于神经网络的视频片段自动抽取系统的又一模块图。多个检测服务器11和多个摄像头14连接，多个摄像头14用于拍摄原始视频数据。多个检测服务器11分别和第一数据库12、第二数据库13连接，多个检测服务器11，其用于检测输入的原始视频数据，通过机器学习视觉识别算法识别出违规操作视频数据；第一数据库12，其用于存储所述多个检测服务器识别出的违规操作视频数据；第二数据库13，其用于呈现和筛选所述多个检测服务器识别出的违规操作视频数据的条目。第二数据库13和监控显示器15连接，监控显示器15用于展示违规操作工作报表的设置界面16。
在具体实施中，通过机器学习视觉识别算法识别出违规操作视频数据包括获取所述原始视频数据的帧数信息，在预设帧数之内，若连续检测到无违规图像的数量达到第一数值则记录为无违规判断点，若累计检测违规图像的数量达到第二数值则记录为违规判断点，从开始检测的第一帧开始保存帧数，从第一帧开始到所述违规判断点之间的帧数组成所述违规操作视频数据。优选地，预设帧数为123帧，第一数值为15帧，第二数值为78帧，设置该数值的标准依照长期的运行过程中拟合出来最符合码头舱内的具体行为环境的判断标准，从而不会过于敏感导致大量误检测记录，也不会遗漏违规操作数据，大大提高了违规操作视频数据的检测精度。若换到其他应用场景，也可以根据实际运行过程中的数据来调整该数值的设置。
现在参看图7，图7是本发明实施例中基于神经网络的视频片段自动抽取系统的帧数保存机制示意图。从多个检测服务器75内获得帧数信息，每123帧内检测到相应的目标就会启动一个计数器，在123帧被检测的图像71中累计检测到78帧被判定为违规的图像72，则从开始检测的第一帧开始保存帧数，即从开始保存点76进行帧数保存，一直到结束保存点77停止保存帧数，从第一帧开始到所述违规判断点之间的帧数组成所述违规操作视频数据。连续检测到无违规图像的数量达到15帧则记录为无违规判断点，即连续检测到15帧被判定为无违规的图像73，完成判断后将自动保存到最后一帧检测结果，即在判断点78停止保存帧数。最后输出123帧被检测的图像74。所述帧数信息是由分布式数据库fastDFS存储的。fastDFS是一个开源的轻量级分布式文件系统，它对文件进行管理，功能包括：文件存储、文件同步、文件访问(文件上传、文件下载)等，解决了大容量存储和负载均衡的问题。特别适合以文件为载体的在线服务，如相册网站、视频网站等等。使用关系型数据库存储详细视频详细内容条目，视频文件名与数据库内条目的ID进行绑定可以用于报表数据的生成。
在具体实施中，所述违规操作视频数据包括违规操作电子设备、抽烟、打瞌睡、不佩戴安全带的行为。
现在参看图6，图6是本发明实施例中基于神经网络的视频片段自动抽取系统的小型神经网络模型示意图。本发明还提供一种小型神经网络模型逆向从第一数据库12内提取视频内容转化为可以被预览的精准图像，所述呈现和筛选所述多个检测服务器识别出的违规操作视频数据的条目包括从所述违规操作视频数据中通过神经网络模型提取出精准图像，用于快速判断所述违规操作，从而为安监人员的判断提供直观的依据。小型神经网络模型相较于检测使用的神经网络模型体积更小，检测使用的神经网络模型的体积为200MB左右，而小型神经网络模型的体积仅为30MB，从而大大降低了对存储空间的需求。本发明中的小型神经网络训练的目的不是检测出准确的行为数据，而是从较多的正确数据中找出表现力更强的数据，也就是说找出更容易做出判断的数据。训练的模型的正样本和负样本都是被识别出来的正确的数据，其中，更容易做出判断的数据将会被当作正样本来进行训练。视觉检测模型61检测产生的图像62，并存储到分布式视频数据库63中，检测产生的视频数据64，由小型检测模型65检测产生若干张精准的检测图像。对存储进分布式视频存储系统的视频分解进行小型模型快速的逆向挑选表现力较强的帧数据作为预览窗口的展示内容，确认生成报表之后从关系型数据库内抽取数据形成条目，从轻量分布式存储系统里生成条目，本地不会生成冗余数据。
现在参看图3，图3是本发明实施例中基于神经网络的视频片段自动抽取系统的违规操作工作报表的设置界面。在具体实施中，本发明基于神经网络的视频片段自动抽取系统还包括违规操作视频数据预览模块，其用于从所述第一数据库获取所述违规操作视频数据，每隔预设的帧数进行循环展示。所述违规操作视频数据预览模块位于图3的左上1号标记所处的位置，选中的具体条目将会从第一数据库12中获取相应的违规操作视频数据，每隔50帧抽取一张图片进行循环展示，使得安监人员对展示的检查结果做出快速判断。还包括搜索模块，其用于对所述违规操作视频数据进行搜索，搜索类目包括：仓位、时间、违规类别以及搜索按键，仓位键可以弹出仓位信息直接选择仓位，时间选项可以弹出日历选择查询时间段，违规类别可以选择使用在判断标准内的安监条例，确认完三个条件之后点击搜索安监可以对图3下方的具体条目展示进行筛选。还包括待输出列表模块和数据统计模块，待输出列表模块用于呈现从所述第二数据库获取的违规操作条目的违规ID，数据统计模块用于实时统计违规操作的总数以及待处理的违规操作的数量，待输出列表模块和数据统计模块位于图3右上角的3号标记所处的位置，待输出列表模块提供了一个被选中的违规条例暂时存放和展示的地方，会展示出最近被选入待输出列表的最近两条违规调理的违规ID，通知具备直接删除功能，同时可以选择更多按键进入完整的待输出列表，数据统计模块功能实时统计已经被搜索到的条目的具体细节统计和待处理行为统计。
具体条目数据展示功能区位于图3下方的4号标记所处的位置，每一条条例的信息内容包括违规ID，违规时间，违规种类，违规时长和仓位名称信息，每一条条例可以包含的操作种类包括预览、下载、报错和选中。预览键在点击后触发预览功能，将在图3的1号标记处的违规预览处循环播放违规截图供安监人员判断，点击下载将会从第一数据库12下载本段违规操作视频至本地，点击报错按键将会生成一个报错的表单，该条违规ID的数据将会被记录，并更新至小型神经网络模型。末尾的选中键点击后将会使本条记录进待输出列表。
现在参看图4，图4是本发明实施例中基于神经网络的视频片段自动抽取系统的待输出报表界面。图4中的待输出报表界面由图3的3号标记处的待输出列表内的更多按键触发。图4左上角是被选中的条目和已选中条目的数据统计，下部的条目框是条目的具体内容，每条条目最后都有撤销按钮，点击撤销按钮将本条目从待输出报表界面删除。右上方的输入框可以输入这个报表的名称，点击生成报表按钮将生成此报表。
现在参看图5，图5是本发明实施例中基于神经网络的视频片段自动抽取系统的违规操作工作报表。本发明的基于神经网络的视频片段自动抽取系统还包括报表生成模块，其用于生成违规操作工作报表，违规操作工作报表包括：违规图像、仓位、时间以及违规类别。点击图4中的生成报表按钮将生成本次违规操作工作报表，包括报表生成时间以及报表内所有条目的统计信息，右侧为审核人员和对应负责人的签字界面，下侧的每一个方框代表一次被整理的违规行为，包括截图即违规图像、仓位、行为分类、违规时间和违规时长等数据。以往需要手动记录违规时间，再去下载视频记录进行证据的截取，存在很大的延时，人工之外也无法做到全面的覆盖检查，而通过自动生成违规操作工作报表，能够更为直观地展示违规操作行为，从而用于快速判断所述违规操作。
在具体实施中，所述违规操作工作报表根据预设规则主动推送给审核人员。所述预设规则包括将违规时长超过设定值的违规操作工作报表主动推送给审核人员，例如违规时长超过10分钟，即被认定为严重违规，需要主动推送给审核人员，以及时制止该严重违规行为。
本发明实施例还提供了一种基于上述基于神经网络的视频片段自动抽取系统的基于神经网络的视频片段自动抽取方法。
综上，本实施例提供的通过机器学习视觉识别算法自动识别出违规操作视频数据，节省了安监人员筛选违规操作视频数据需要耗费的人力，并且可以呈现和筛选违规操作视频数据的条目，能够更加直观地展示违规操作情况。
进一步地，通过在预设帧数之内，连续检测违规操作图像来记录违规判断点，从第一帧开始到所述违规判断点之间的帧数组成所述违规操作视频数据，从而不会过于敏感导致大量误检测记录，也不会遗漏违规操作数据，大大提高了违规操作视频数据的检测精度；
进一步地，通过神经网络模型提取出精准图像，更为直观地展示违规操作行为，从而用于快速判断所述违规操作。
虽然本发明已以较佳实施例揭示如上，然其并非用以限定本发明，任何本领域技术人员，在不脱离本发明的精神和范围内，当可作些许的修改和完善，因此本发明的保护范围当以权利要求书所界定的为准。
Claims (10)
1.一种基于神经网络的视频片段自动抽取系统，其特征在于，包括：
多个检测服务器，其用于检测输入的原始视频数据，通过机器学习视觉识别算法识别出违规操作视频数据；
第一数据库，其用于存储所述多个检测服务器识别出的违规操作视频数据；
第二数据库，其用于呈现和筛选所述多个检测服务器识别出的违规操作视频数据的条目。
2.根据权利要求1所述的基于神经网络的视频片段自动抽取系统，其特征在于，所述通过机器学习视觉识别算法识别出违规操作视频数据包括获取所述原始视频数据的帧数信息，在预设帧数之内，若连续检测到无违规图像的数量达到第一数值则记录为无违规判断点，若累计检测违规图像的数量达到第二数值则记录为违规判断点，从开始检测的第一帧开始保存帧数，从第一帧开始到所述违规判断点之间的帧数组成所述违规操作视频数据。
3.根据权利要求2所述的基于神经网络的视频片段自动抽取系统，其特征在于，所述预设帧数为123帧，所述第一数值为15帧，所述第二数值为78帧。
4.根据权利要求2所述的基于神经网络的视频片段自动抽取系统，其特征在于，所述帧数信息是由分布式数据库fastDFS存储的。
5.根据权利要求1所述的基于神经网络的视频片段自动抽取系统，其特征在于，所述违规操作视频数据包括违规操作电子设备、抽烟、打瞌睡、不佩戴安全带的行为。
6.根据权利要求1所述的基于神经网络的视频片段自动抽取系统，其特征在于，所述呈现和筛选所述多个检测服务器识别出的违规操作视频数据的条目包括从所述违规操作视频数据中通过神经网络模型提取出精准图像，用于快速判断所述违规操作。
7.根据权利要求1所述的基于神经网络的视频片段自动抽取系统，其特征在于，还包括：
违规操作视频数据预览模块，其用于从所述第一数据库获取所述违规操作视频数据，每隔预设的帧数进行循环展示；
搜索模块，其用于对所述违规操作视频数据进行搜索，搜索类目包括：仓位、时间以及违规类别；
待输出列表模块，其用于呈现从所述第二数据库获取的违规操作条目的违规ID；
数据统计模块，其用于实时统计违规操作的总数以及待处理的违规操作的数量。
8.根据权利要求7所述的基于神经网络的视频片段自动抽取系统，其特征在于，还包括：
报表生成模块，其用于生成违规操作工作报表，违规操作工作报表包括：违规图像、仓位、时间以及违规类别。
9.根据权利要求8所述的基于神经网络的视频片段自动抽取系统，其特征在于，所述违规操作工作报表根据预设规则主动推送给审核人员。
10.一种基于如权利要求1-9任一项所述的基于神经网络的视频片段自动抽取系统的基于神经网络的视频片段自动抽取方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011037743.8A CN112149586A (zh) | 2020-09-28 | 2020-09-28 | 一种基于神经网络的视频片段自动抽取系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011037743.8A CN112149586A (zh) | 2020-09-28 | 2020-09-28 | 一种基于神经网络的视频片段自动抽取系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112149586A true CN112149586A (zh) | 2020-12-29 |
Family
ID=73894818
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011037743.8A Pending CN112149586A (zh) | 2020-09-28 | 2020-09-28 | 一种基于神经网络的视频片段自动抽取系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112149586A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113923464A (zh) * | 2021-09-26 | 2022-01-11 | 北京达佳互联信息技术有限公司 | 视频违规率确定方法、装置、设备、介质及程序产品 |
| CN117787815A (zh) * | 2024-02-27 | 2024-03-29 | 山东杰出人才发展集团有限公司 | 一种基于大数据的人力资源外包服务系统及方法 |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102013176A (zh) * | 2010-12-01 | 2011-04-13 | 曹乃承 | 在线学习系统 |
| CN102348101A (zh) * | 2010-07-30 | 2012-02-08 | 深圳市先进智能技术研究所 | 一种考场智能监控系统和方法 |
| CN105740339A (zh) * | 2016-01-25 | 2016-07-06 | 河北中科恒运软件科技股份有限公司 | 民政大数据融合管理系统 |
| CN106777116A (zh) * | 2016-12-15 | 2017-05-31 | 腾讯科技（深圳）有限公司 | 一种内容获取方法、用户客户端、服务器及系统 |
| CN107705574A (zh) * | 2017-10-09 | 2018-02-16 | 荆门程远电子科技有限公司 | 一种精准快速的道路违章停车全自动抓拍系统 |
| CN109194913A (zh) * | 2018-08-21 | 2019-01-11 | 平安科技（深圳）有限公司 | 监控视频数据的处理方法、装置、设备及介质 |
| CN109711320A (zh) * | 2018-12-24 | 2019-05-03 | 兴唐通信科技有限公司 | 一种值班人员违规行为检测方法及系统 |
| CN109791680A (zh) * | 2016-09-20 | 2019-05-21 | 脸谱公司 | 在线社交网络上的视频关键帧显示 |
| CN110807620A (zh) * | 2019-11-04 | 2020-02-18 | 湖南臻荣网络科技有限公司 | 一种企业人事管理系统 |
| CN110880081A (zh) * | 2019-11-29 | 2020-03-13 | 秒针信息技术有限公司 | 基于语音识别的员工管理方法、装置、计算机设备和介质 |
| CN111147955A (zh) * | 2019-12-31 | 2020-05-12 | 咪咕视讯科技有限公司 | 视频播放方法、服务器和计算机可读存储介质 |
| CN111325119A (zh) * | 2020-02-09 | 2020-06-23 | 华瑞新智科技（北京）有限公司 | 一种安全生产的视频监控方法及系统 |
| CN111401851A (zh) * | 2020-03-20 | 2020-07-10 | 湖南有色金属职业技术学院 | 一种便于企业管理的考勤系统 |
| CN111401330A (zh) * | 2020-04-26 | 2020-07-10 | 四川自由健信息科技有限公司 | 教学系统及采用该教学系统的智能镜 |
-
2020
- 2020-09-28 CN CN202011037743.8A patent/CN112149586A/zh active Pending
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102348101A (zh) * | 2010-07-30 | 2012-02-08 | 深圳市先进智能技术研究所 | 一种考场智能监控系统和方法 |
| CN102013176A (zh) * | 2010-12-01 | 2011-04-13 | 曹乃承 | 在线学习系统 |
| CN105740339A (zh) * | 2016-01-25 | 2016-07-06 | 河北中科恒运软件科技股份有限公司 | 民政大数据融合管理系统 |
| CN109791680A (zh) * | 2016-09-20 | 2019-05-21 | 脸谱公司 | 在线社交网络上的视频关键帧显示 |
| CN106777116A (zh) * | 2016-12-15 | 2017-05-31 | 腾讯科技（深圳）有限公司 | 一种内容获取方法、用户客户端、服务器及系统 |
| CN107705574A (zh) * | 2017-10-09 | 2018-02-16 | 荆门程远电子科技有限公司 | 一种精准快速的道路违章停车全自动抓拍系统 |
| CN109194913A (zh) * | 2018-08-21 | 2019-01-11 | 平安科技（深圳）有限公司 | 监控视频数据的处理方法、装置、设备及介质 |
| CN109711320A (zh) * | 2018-12-24 | 2019-05-03 | 兴唐通信科技有限公司 | 一种值班人员违规行为检测方法及系统 |
| CN110807620A (zh) * | 2019-11-04 | 2020-02-18 | 湖南臻荣网络科技有限公司 | 一种企业人事管理系统 |
| CN110880081A (zh) * | 2019-11-29 | 2020-03-13 | 秒针信息技术有限公司 | 基于语音识别的员工管理方法、装置、计算机设备和介质 |
| CN111147955A (zh) * | 2019-12-31 | 2020-05-12 | 咪咕视讯科技有限公司 | 视频播放方法、服务器和计算机可读存储介质 |
| CN111325119A (zh) * | 2020-02-09 | 2020-06-23 | 华瑞新智科技（北京）有限公司 | 一种安全生产的视频监控方法及系统 |
| CN111401851A (zh) * | 2020-03-20 | 2020-07-10 | 湖南有色金属职业技术学院 | 一种便于企业管理的考勤系统 |
| CN111401330A (zh) * | 2020-04-26 | 2020-07-10 | 四川自由健信息科技有限公司 | 教学系统及采用该教学系统的智能镜 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113923464A (zh) * | 2021-09-26 | 2022-01-11 | 北京达佳互联信息技术有限公司 | 视频违规率确定方法、装置、设备、介质及程序产品 |
| CN117787815A (zh) * | 2024-02-27 | 2024-03-29 | 山东杰出人才发展集团有限公司 | 一种基于大数据的人力资源外包服务系统及方法 |
| CN117787815B (zh) * | 2024-02-27 | 2024-05-07 | 山东杰出人才发展集团有限公司 | 一种基于大数据的人力资源外包服务系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110414320B (zh) | 一种安全生产监管的方法及系统 | |
| KR101869895B1 (ko) | 딥 러닝 기반의 오브젝트 인식 서버, 오브젝트 인식 시스템 및 오브젝트 인식 방법 | |
| CN108108744B (zh) | 用于辐射图像辅助分析的方法及其系统 | |
| CN112149586A (zh) | 一种基于神经网络的视频片段自动抽取系统及方法 | |
| CN113850562B (zh) | 一种智能旁站监理方法及系统 | |
| TW201421414A (zh) | 文件管理系統及文件管理方法以及文件管理程式 | |
| CN112257740B (zh) | 基于知识图谱的图像隐患识别方法及其系统 | |
| CN110457394A (zh) | 车辆信息管理方法、装置、计算机设备和存储介质 | |
| CN116665096A (zh) | 基于深度学习视觉算法的智慧加油站安全监管方法 | |
| CN106571040A (zh) | 一种可疑车辆确认方法及设备 | |
| CN111435435A (zh) | 一种同行人识别方法、装置、服务器及系统 | |
| CN113971207A (zh) | 文档关联方法及装置、电子设备和存储介质 | |
| KR20190031435A (ko) | 폐기물 식별 시스템 및 방법 | |
| US20230386188A1 (en) | Image analysis system an update method for machine learning model | |
| JP2017129933A (ja) | 画像管理システム、及びこれを用いた車両整備システム | |
| CN117371992A (zh) | 基于gis的水库运维控制系统 | |
| US20130054553A1 (en) | Method and apparatus for automatically extracting information of products | |
| CN110826473A (zh) | 一种基于神经网络的绝缘子图像自动识别方法 | |
| CN111460198A (zh) | 一种图片时间戳的审核方法及装置 | |
| CN109377183A (zh) | 煤矿安全监察智能执法系统 | |
| CN111831841B (zh) | 一种信息检索方法、装置、电子设备及存储介质 | |
| CN112070146A (zh) | 一种具有自动识别分类实验室样品的方法 | |
| CN113160012A (zh) | 一种基于深度学习的计算机在线考试监考方法 | |
| CN112035726A (zh) | 商标注册的方法及装置 | |
| Weinauer | Be a detective for a day: how to detect falsified interviews with statistics |
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 |