CN112188212A - 一种高清监控视频智能转码的方法及装置 - Google Patents
一种高清监控视频智能转码的方法及装置 Download PDFInfo
- Publication number
- CN112188212A CN112188212A CN202011082884.1A CN202011082884A CN112188212A CN 112188212 A CN112188212 A CN 112188212A CN 202011082884 A CN202011082884 A CN 202011082884A CN 112188212 A CN112188212 A CN 112188212A
- Authority
- CN
- China
- Prior art keywords
- frame
- chip
- target
- video
- target object
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000012544 monitoring process Methods 0.000 title abstract description 4
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 4
- 238000006073 displacement reaction Methods 0.000 claims abstract description 4
- 238000001514 detection method Methods 0.000 claims description 11
- 230000002146 bilateral effect Effects 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 5
- 238000003491 array Methods 0.000 claims description 3
- 230000006835 compression Effects 0.000 description 5
- 238000007906 compression Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000003044 adaptive effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 210000001525 retina Anatomy 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
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
- H04N19/40—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using video transcoding, i.e. partial or full decoding of a coded input stream followed by re-encoding of the decoded output stream
-
- 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
- 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
-
- 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
- H04N19/134—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the element, parameter or criterion affecting or controlling the adaptive coding
- H04N19/136—Incoming video signal characteristics or properties
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Compression Or Coding Systems Of Tv Signals (AREA)
- Closed-Circuit Television Systems (AREA)
Abstract
本发明公开了一种高清监控视频智能转码的方法及装置,方法包括:S1,解码;S2,缩放;S3,目标检测,通过卷积神经网络学得的特征,将图像分割成单元格,单元格用于预测边界框,从而检测中心落在单元格中的目标对象;S4,跟踪,对比前后两帧中预测的边界框,实现对目标对象的跟踪;S5,丢帧,采用自适应丢帧操作,根据目标对象的位移矢量大小,判断关键帧的间隔长短,丢弃关键帧之间的非关键帧;S6,编码;装置包括:用于解码的GV9531芯片和用于编码VC8000E芯片,还包括分别与GV9531芯片和VC8000E芯片连接的CSKY860芯片,CSKY860芯片决定需要编码的图像帧。
Description
技术领域
本发明涉及视频转码压缩技术领域,尤其是涉及了一种高清监控视频智能转码的方法及装置。
背景技术
2003年两大国际组织联合推出的H.264编码协议相比以前的编码协议,视频压缩比得到了质的飞跃,所以一被提出,就饱受欢迎。然而,由于人们对视频质量的需求日益提高,越来越高清的视频开始被越来越多地应用到工程领域。在这样的背景下,相关机构和组织在2013年推行了一种相对更高效、压缩比更高的视频编码标准,即H.265视频编码标准。与H.264编码协议相比,H.265编码协议标准创新性的使用了四叉树的编码块划分结构等一系列技术,使用的这种技术让H.265视频编码标准对于视频数据的存储有了质的提升,例如,H.264视频编码标准和H.265视频编码标准同时编码等质量的视频,在完成对该视频的编码后,H.265视频编码标准比H.264视频编码标准节约将近一半的码流。
然而至今,H.264视频编码协议仍然是使用最广泛的视频编码协议,是占据市场份额最大的视频编码标准协议,并且目前大多数视频监控,仍只支持旧的H.264视频压缩标准,其存储量较大。从H.264编码标准到H.265编码标准的视频转码技术作为一种具有广阔前景的转码技术,也因其转码后的H.265码流的各项优势,在视频传输、存储等领域受到广泛使用。转码后的H.265码流不仅在码率上得到了降低,在无线通信环境中也有着极强的抗误码性,更重要的是视频数据量小,在无线通信信道传输也极为方便。鉴于H.265视频编码标准的种种优势,迫切需要我们将H.264码流更高效的转码成H.265码流。
发明内容
为解决现有技术的不足,实现H.264码流向H.265码流高效转码的目的,本发明采用如下的技术方案:
一种高清监控视频智能转码的方法,包括如下步骤:
S1,解码;
S2,缩放,对图像去噪;
S3,目标检测,采用目标检测算法对图像中目标对象进行检测识别,通过卷积神经网络学得的特征,将图像分割成单元格,单元格用于预测边界框,并从中选取最合适的边界框来预测目标对象,从而检测中心落在单元格中的目标对象;
S4,跟踪,对比前后两帧中预测的边界框,实现对目标对象的跟踪;
S5,丢帧,采用自适应丢帧操作,根据目标对象的位移矢量大小,判断关键帧的间隔长短,丢弃关键帧之间的非关键帧;从而减少视频的数据量,让视频数据更容易存储以及在无线信道中传输;
S6,编码。
所述步骤S3,采用Yolo V3目标检测算法,使用53层卷积层的Darknet-53结构,层之间设置快速链路,卷积层用于预测,预测的尺寸是Kernel大小为:1×1×(B×(5+C)),使用1×1的卷积,使得预测图的大小恰好是之前特征图的大小,(B×(5+C))表示特征图中的条目数,B表示每个由网络步幅切分后的单元格能够预测的边界框的数量,5+C表示边界框属性,包括每个边界框的中心坐标、宽高、目标分数、类别分数,利用网络步幅对输入图像进行切分操作,切分后的单元格用于预测边界框,在预测到的边界框中,选取与真实边界框IoU最大的边界框,用于预测该目标对象。
所述的Yolo V3在网络步幅分别为32、16、8的三个尺度上执行预测,每个尺度的特征图负责预测不同大小的目标。
预测对象类别时采用logistic的输出进行预测,能够支持多标签对象。
设定目标置信度阈值,移除目标分数低于目标置信度阈值的边界框,解决对同一个目标对象的多次检测的问题。
所述的目标对象的跟踪,包括如下公式:
pre[][]、current[][]是两个存储坐标值的数组,分别存储前一帧和当前帧的边界框的对角坐标,x1、x2、y1、y2分别表示前一帧和当前帧边界框在X、Y轴上形成的对角坐标的差值,当pre[0]==current[0]时,表示前后两帧检测的边界框的目标对象为同一个,计算前后两帧对角坐标的差值x1、y1、x2、y2,如果差值小于等于设定的阈值,则认为前后两帧相同,将视频中的第一帧设为关键帧,对其后的相同帧进行丢帧,对不同帧进行保留。
所述步骤S2,采用双边滤波缩放算法,对图像进行平滑操作。基于双边滤波的既考虑像素值相似度,又考虑像素值的空间距离,达到对图像保留边缘去除噪声的目的。
一种高清监控视频智能转码的装置,包括:GV9531芯片和VC8000E芯片,还包括分别与GV9531芯片和VC8000E芯片连接的CSKY860芯片,GV9531芯片用于对H.264视频码流解码,VC8000E芯片用于编码成H.265视频码流,CSKY860芯片用于控制,决定需要编码的图像帧。
GV9531芯片与CSKY860芯片之间设有P6/C5芯片用于存储。
本发明的优势和有益效果在于:
通过本发明的转码方法,在保证关键信息不丢失的情况下,完成H.264码流到H.265码流的视频转换,转码后的视频相比转码前的视频在数据量上得到了极大的减小,将视频压缩存储量减少10倍,实现高效的转码,且转码过程简单、明了,为现有的海量H.264视频码流的高效存储提供解决方案。相较传统的视频转码,通过使用计算机及相关设备面向文件方式进行视频转码,为视频转码提供了更好的性价比的平台,且使用计算机设备配合转码软件,硬件设施相对简单,转码范围广,灵活性更好。
附图说明
图1是本发明的转换方法流程图。
图2是本发明的硬件实施流程图。
图3是本发明中自适应丢帧流程。
具体实施方式
以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本发明,并不用于限制本发明。
如图1所示,一种高清监控视频智能转码的方法,依次通过解码、缩放、目标检测、跟踪、丢帧以及编码操作,达到H.264视频码流到H.265视频码流转码的目的,进而减少了视频数据量。
1、解码:通过调用函数库,将采集到的视频图像数据转换为YUV格式的图像帧,即对H.264视频码流解码。
2、缩放:通过调用函数库,采用双边滤波缩放算法,对图像进行平滑操作,基于双边滤波的既考虑像素值相似度,又考虑像素值的空间距离,达到对图像保留边缘去除噪声的目的。
3、目标检测:即目标提取,基于目标几何和统计特征的图像分割,它将目标的分割和识别合二为一,其准确性和实时性是整个系统的一项重要能力。尤其是在复杂场景中,需要对多个目标进行实时处理时,目标自动提取和识别就显得特别重要。
采用Yolo(You Only Look Once) V3目标检测算法,实现对图像中目标对象的检测识别。这种算法的思路就是利用卷积神经网络学得的特征把图像分成许多单元格,每个单元格负责检测中心落在其中的目标对象。Yolo V3使用了53层卷积层Darknet-53结构,它借鉴了残差网络的做法,在一些层之间设置了快速链路。卷积层的责任是负责预测,而且,对目标进行预测的尺寸一般情况下是其Kernel 大小为:1×1×(B×(5+C))。由于使用了1×1的卷积,所以预测图的大小恰好是之前特征图的大小,特征图中有(B×(5+C))个条目,“B”代表每个由网络步幅切分后的单元格能够预测的边界框的数量,“5+C”表示的是边界框属性,具体说来就是每个边界框的中心坐标、宽高、目标分数加上类别分数。
利用网络步幅对输入图像进行切分操作,切分后的单元格负责预测边界框,将预测的边界框中与真实边界框IoU(Intersection over Union,交并比)最大的边界框用来预测该目标对象。
Yolo V3在网络步幅分别为32、16、8的三个尺度上执行预测,每个尺度的特征图负责预测不同大小的目标。
预测对象类别时不使用softmax,改成使用logistic的输出进行预测,能够支持多标签对象。
利用目标置信度阈值,移除目标分数低于设定阈值的边界框;利用非极大值抑制(NMS),解决对同一个目标对象的多次检测的问题。
4、跟踪:基于先前的目标检测操作,通过对比前后两帧中预测的边界框,实现对目标对象的跟踪,公式如下:
pre[][]、current[][]是两个存储坐标值的数组,分别存储前一帧和当前帧的边界框的对角坐标,x1、x2、y1、y2分别表示前一帧和当前帧边界框在X、Y轴上形成的对角坐标的差值。
5、丢帧:采用自适应丢帧操作,即人为丢弃一部分与主题相比不是非常关键的数据,而非由于某些原因导致的非人为的丢帧,从而减少视频的数据量,让视频数据更容易存储以及在无线信道中传输。
基于关键帧丢弃的自适应丢帧操作,是将视频中的第一帧设为关键帧,如果一段视频中目标对象的位移矢量较大,则关键帧的间隔一定变小,反之,如果一段视频中的目标对象长时间静止不动,则关键帧的间隔一定变大。对于关键帧之间间隔的非关键帧,进行丢弃,从而达到丢帧目的。如图3所示,pre[0]==current[0]时,表示前后两帧检测的某个边界框的目标对象为同一个,根据上述公式中计算得到的x1、y1、x2、y2来判断丢帧与否,如果它们小于或等于设定的阈值,认为前后两帧相同,对帧相同的图片进行丢帧,对帧不同的图片进行保留。
6、编码:通过调用函数库的操作,将其编码成H.265视频码流出。
如图2所示,一种高清监控视频智能转码的装置,采用GV9531芯片,它是由中国工程院院士高文领衔的杭州博雅鸿图视频技术有限公司,向外发布的完全国产自主的数字视网膜芯片“鸿芯图腾GV9531”,GV9531芯片架构,包括主控子系统、图像子系统、视频编码子系统以及智能子系统。该芯片是一款人工智能芯片,可以根据需求提取拍摄视频画面内的特定信息并上传至云端,减轻计算成本,是国内首颗符合我国自主第二代音视频编码标准的编解码芯片,可作为智能摄像机、智能物联网关、AI服务器等设备的计算芯片。本装置中,GV9531芯片负责对H.264视频码流解码,VC8000E芯片负责编码成H.265视频码流,CSKY860芯片用于控制,即决定需要编码的图像帧,P6/C5芯片用于存储。
以上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实施例技术方案的范围。
Claims (9)
1.一种高清监控视频智能转码的方法,其特征在于包括如下步骤:
S1,解码;
S2,缩放,对图像去噪;
S3,目标检测,采用目标检测算法对图像中目标对象进行检测识别,通过卷积神经网络学得的特征,将图像分割成单元格,单元格用于预测边界框,并从中选取最合适的边界框来预测目标对象,从而检测中心落在单元格中的目标对象;
S4,跟踪,对比前后两帧中预测的边界框,实现对目标对象的跟踪;
S5,丢帧,采用自适应丢帧操作,根据目标对象的位移矢量大小,判断关键帧的间隔长短,丢弃关键帧之间的非关键帧;
S6,编码。
2.如权利要求1所述的一种高清监控视频智能转码的方法,其特征在于所述步骤S3,采用Yolo V3目标检测算法,使用53层卷积层的Darknet-53结构,层之间设置快速链路,卷积层用于预测,预测的尺寸是Kernel大小为:1×1×(B×(5+C)),使用1×1的卷积,使得预测图的大小恰好是之前特征图的大小,(B×(5+C))表示特征图中的条目数,B表示每个由网络步幅切分后的单元格能够预测的边界框的数量,5+C表示边界框属性,包括每个边界框的中心坐标、宽高、目标分数、类别分数,利用网络步幅对输入图像进行切分操作,切分后的单元格用于预测边界框,在预测到的边界框中,选取与真实边界框IoU最大的边界框,用于预测该目标对象。
3.如权利要求2所述的一种高清监控视频智能转码的方法,其特征在于所述的Yolo V3在网络步幅分别为32、16、8的三个尺度上执行预测,每个尺度的特征图负责预测不同大小的目标。
4.如权利要求2所述的一种高清监控视频智能转码的方法,其特征在于预测对象类别时采用logistic的输出进行预测。
5.如权利要求2所述的一种高清监控视频智能转码的方法,其特征在于设定目标置信度阈值,移除目标分数低于目标置信度阈值的边界框。
7.如权利要求1所述的一种高清监控视频智能转码的方法,其特征在于所述步骤S2,采用双边滤波缩放算法,对图像进行平滑操作。
8.一种高清监控视频智能转码的装置,包括:GV9531芯片和VC8000E芯片,其特征在于还包括分别与GV9531芯片和VC8000E芯片连接的CSKY860芯片,GV9531芯片用于对H.264视频码流解码,VC8000E芯片用于编码成H.265视频码流,CSKY860芯片用于控制,决定需要编码的图像帧。
9.如权利要求8所述的一种高清监控视频智能转码的装置,其特征在于GV9531芯片与CSKY860芯片之间设有P6/C5芯片用于存储。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011082884.1A CN112188212B (zh) | 2020-10-12 | 2020-10-12 | 一种高清监控视频智能转码的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011082884.1A CN112188212B (zh) | 2020-10-12 | 2020-10-12 | 一种高清监控视频智能转码的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112188212A true CN112188212A (zh) | 2021-01-05 |
CN112188212B CN112188212B (zh) | 2024-02-13 |
Family
ID=73949167
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011082884.1A Active CN112188212B (zh) | 2020-10-12 | 2020-10-12 | 一种高清监控视频智能转码的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112188212B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112929662A (zh) * | 2021-01-29 | 2021-06-08 | 中国科学技术大学 | 解决码流结构化图像编码方法中对象重叠问题的编码方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104243998A (zh) * | 2014-09-29 | 2014-12-24 | 广州华多网络科技有限公司 | 一种数据处理方法、装置及相关服务器 |
CN107274433A (zh) * | 2017-06-21 | 2017-10-20 | 吉林大学 | 基于深度学习的目标跟踪方法、装置及存储介质 |
CN207589062U (zh) * | 2017-09-30 | 2018-07-06 | 常州海图电子科技有限公司 | 一种基于海思hi3798mv200平台的高清转码系统 |
CN110610510A (zh) * | 2019-08-29 | 2019-12-24 | Oppo广东移动通信有限公司 | 目标跟踪方法、装置、电子设备及存储介质 |
CN110807377A (zh) * | 2019-10-17 | 2020-02-18 | 浙江大华技术股份有限公司 | 目标跟踪和入侵检测方法、装置、及存储介质 |
CN111402297A (zh) * | 2020-03-25 | 2020-07-10 | 杭州博雅鸿图视频技术有限公司 | 目标追踪检测方法、系统、电子设备及存储介质 |
-
2020
- 2020-10-12 CN CN202011082884.1A patent/CN112188212B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104243998A (zh) * | 2014-09-29 | 2014-12-24 | 广州华多网络科技有限公司 | 一种数据处理方法、装置及相关服务器 |
CN107274433A (zh) * | 2017-06-21 | 2017-10-20 | 吉林大学 | 基于深度学习的目标跟踪方法、装置及存储介质 |
CN207589062U (zh) * | 2017-09-30 | 2018-07-06 | 常州海图电子科技有限公司 | 一种基于海思hi3798mv200平台的高清转码系统 |
CN110610510A (zh) * | 2019-08-29 | 2019-12-24 | Oppo广东移动通信有限公司 | 目标跟踪方法、装置、电子设备及存储介质 |
CN110807377A (zh) * | 2019-10-17 | 2020-02-18 | 浙江大华技术股份有限公司 | 目标跟踪和入侵检测方法、装置、及存储介质 |
CN111402297A (zh) * | 2020-03-25 | 2020-07-10 | 杭州博雅鸿图视频技术有限公司 | 目标追踪检测方法、系统、电子设备及存储介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112929662A (zh) * | 2021-01-29 | 2021-06-08 | 中国科学技术大学 | 解决码流结构化图像编码方法中对象重叠问题的编码方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112188212B (zh) | 2024-02-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10628961B2 (en) | Object tracking for neural network systems | |
CN111147867B (zh) | 一种多功能视频编码cu划分快速决策方法及存储介质 | |
US10034005B2 (en) | Banding prediction for video encoding | |
US20200193609A1 (en) | Motion-assisted image segmentation and object detection | |
US9241094B2 (en) | Capturing event information using a digital video camera | |
US20190138816A1 (en) | Method and apparatus for segmenting video object, electronic device, and storage medium | |
US9123133B1 (en) | Method and apparatus for moving object detection based on cerebellar model articulation controller network | |
JP2009147911A (ja) | 映像データ圧縮前処理方法およびこれを用いた映像データ圧縮方法と映像データ圧縮システム | |
WO2013056200A1 (en) | Method and apparatus for video compression of stationary scenes | |
CN105516720A (zh) | 一种监控摄像机码流的自适应控制方法 | |
CN112291562B (zh) | 针对h.266/vvc的快速cu分区和帧内模式决策方法 | |
CN115456868B (zh) | 一种消防演练系统数据管理方法 | |
US9202116B2 (en) | Image processing method and image processing apparatus using the same | |
CN113112519A (zh) | 基于感兴趣目标分布的关键帧筛选方法 | |
CN112437310B (zh) | 一种基于随机森林的vvc帧内编码快速cu划分决策方法 | |
US9256789B2 (en) | Estimating motion of an event captured using a digital video camera | |
CN112188212B (zh) | 一种高清监控视频智能转码的方法及装置 | |
CN112561946A (zh) | 一种动态目标检测方法 | |
CN115618051A (zh) | 一种基于互联网的智慧校园监控视频存储方法 | |
CN109308709B (zh) | 基于图像分割的Vibe运动目标检测算法 | |
CN114331837A (zh) | 特高压换流站保护系统全景监控图像处理与存储方法 | |
US20240062347A1 (en) | Multi-scale fusion defogging method based on stacked hourglass network | |
CN115665359B (zh) | 一种环境监测数据智能压缩方法 | |
CN113709483B (zh) | 一种插值滤波器系数自适应生成方法及装置 | |
CN110580706A (zh) | 一种视频背景模型的提取方法及装置 |
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 |