CN112580644A - 基于视频流抠图时间的测试方法、装置及可读存储介质 - Google Patents
基于视频流抠图时间的测试方法、装置及可读存储介质 Download PDFInfo
- Publication number
- CN112580644A CN112580644A CN202011442562.3A CN202011442562A CN112580644A CN 112580644 A CN112580644 A CN 112580644A CN 202011442562 A CN202011442562 A CN 202011442562A CN 112580644 A CN112580644 A CN 112580644A
- Authority
- CN
- China
- Prior art keywords
- time
- video stream
- picture
- frame
- matting
- 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
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 238000012360 testing method Methods 0.000 title claims description 57
- 238000012545 processing Methods 0.000 claims abstract description 75
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 64
- 238000000034 method Methods 0.000 claims abstract description 25
- 238000007781 pre-processing Methods 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 5
- 238000005520 cutting process Methods 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 2
- 238000010998 test method Methods 0.000 abstract description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000012015 optical character recognition Methods 0.000 description 18
- 238000005516 engineering process Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000000007 visual effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000007639 printing Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/14—Image acquisition
- G06V30/148—Segmentation of character regions
- G06V30/153—Segmentation of character regions using recognition of characters or words
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N17/00—Diagnosis, testing or measuring for television systems or their details
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- Television Signal Processing For Recording (AREA)
Abstract
本发明涉及一种人工智能，提供一种基于视频流抠图时间的测试方法、装置及计算机可读存储介质，其中方法包括：对视频流进行添加本地时间戳处理，并推送到RTSP服务器中；对添加有本地时间戳的视频流进行图像处理，获取具有本地时间戳的第一帧图片、最优图集合、原始图片集合；记录算法模型处理完视频流的结束时间；获取对应的最优图集合的时间集合；通过OCR获取第一帧图片的初始时间、原始图片集合的初始时间；根据原始图片集合的初始时间、最优图集合的时间集合确定最优图片的抠图时间；根据第一帧图片的初始时间、视频流的结束时间确定处理视频流的总时间。本发明提供一种简单便捷的计算抠图时间算法，解决用户无法对抠图的时间进行合理评估的问题。
Description
技术领域
本发明涉及人工智能技术领域，尤其涉及一种基于视频流抠图时间的测试方法、装置、电子设备及计算机可读存储介质。
背景技术
抠图时间是视觉抠图算法的一项性能指标，抠图时间短则效率高，抠图时间长则效率低，如何获取抠图时间一直是需要解决的一个重要问题。
在视觉工程化中，通过摄像机云台将RTSP推流至RTSP服务器，通过RTSP服务器实时拉流并逐帧解析视频流，将视频帧推到算法模型中最终得出最优抠图图片，并返会给上层应用接口保存，最后前端业务从上层应用接口获取最终生成的图片，并展示给用户；其中，抠图时间就是从视频帧流输入到抠图结果生成所需要的时间。
目前获取抠图时间一般采用在算法层插时间桩，但这种获取抠图时间的方法无法正确反馈抠图图片保存的时间，不仅需要在源码中插时间计算代码桩，而且无法保证测试环境与生产环境源代码的一致性。
为解决上述问题，本发明提供了一种新的基于视频流抠图时间的测试方法。
发明内容
本发明提供一种基于视频流抠图时间的测试方法、装置、电子设备及计算机可读存储介质，其主要目的在于提供一种简单便捷的计算抠图时间算法，解决用户无法对抠图的时间进行合理评估的问题。
为实现上述目的，本发明提供的基于视频流抠图时间的测试方法，所述方法包括：
对视频流进行添加本地时间戳处理，并将添加有本地时间戳的视频流推送到RTSP服务器中；
通过所述RTSP服务器、预设算法模型对添加有本地时间戳的视频流进行图像处理，获取具有本地时间戳的视频流的第一帧图片、具有时间属性值的最优图集合、以及与所述最优图集合所对应的具有所述本地时间戳的原始图片集合；
同时记录所述预设算法模型处理完所述视频流的结束时间；
根据所述最优图集合的时间属性值获取对应的最优图集合的时间集合；
以及，通过OCR分别识别所述第一帧图片的时间戳、所述原始图片集合的时间戳，获取所述第一帧图片的初始时间、所述原始图片集合的初始时间；
根据所述原始图片集合的初始时间、所述最优图集合的时间集合确定每一张最优图片的抠图时间；以及，
根据所述第一帧图片的初始时间、所述视频流的结束时间确定处理视频流的总时间；
根据所述抠图时间和所述总时间，测试处理所述视频流的抠图性能。
可选地，通过ffmpeg指令将所述本地时间戳添加到所述视频流中，并将添加有本地时间戳的视频流推送到RTSP服务器中。
可选地，所述通过所述RTSP服务器、预设算法模型对添加有本地时间戳的视频流进行处理，获取具有本地时间戳的视频流的第一帧图片、具有时间属性值的最优图集合、以及与所述最优图集合所对应的具有所述本地时间戳的原始图片集合，包括如下步骤：
通过所述RTSP服务器对添加有本地时间戳的视频流进行图像处理，获取具有本地时间戳的第一帧视频流图片和视频流的每一帧；
通过所述预设算法模型对所述视频流的每一帧进行图像处理，获取具有时间属性值的最优图集合、以及与所述最优图集合所对应的具有所述本地时间戳的原始图片集合。
可选地，所述通过OCR识别所述第一帧图片的本地时间戳，获取所述第一帧图片的初始时间，包括如下步骤：
对所述第一帧图片的原始图片进行二值化预处理；
对二值化预处理后的第一帧图片的原始图片的本地时间戳进行特征提取；
将提取的特征输入到训练完成的分类器中，在所述分类器中进行归类以及匹配处理，获取所述第一帧图片的初始时间。
可选地，所述对所述第一帧图片的原始图片进行二值化预处理，包括如下步骤：
对所述原始图片的指定区域进行裁切，其中，所述指定区域为在所述ffmpeg指令估算设定的区域；
对裁切后的图片进行二值化处理。
可选地，所述对二值化预处理后的原始图片的本地时间戳进行特征提取，包括如下步骤：
对预处理后的原始图片进行维度分析，并根据分析结果确定与预处理后的原始图片所对应的维度模板；
根据所述维度模板，进行特征提取。
可选地，所述将提取的特征输入到训练完成的分类器中，在所述分类器中进行归类以及匹配处理，获取所述第一帧图片的初始时间，包括如下步骤：
根据在所述分类器中学习的时间戳文字，制作出对应的字符特征模板；
对所述时间戳文字中的字符进行切分，切分成包含单个字符的子图片；
对所述子图片和所述字符特征模板进行匹配，实现对所述子图片中的字符内容的识别，以获取所述第一帧图片的初始时间。
为了解决上述问题，本发明还提供一种基于视频流抠图时间的测试装置，所述装置包括：
时间戳添加模块，用于对视频流进行添加本地时间戳处理，并将添加有本地时间戳的视频流推送到RTSP服务器中；
图片获取模块，用于通过所述RTSP服务器、预设算法模型对添加有本地时间戳的视频流进行图像处理，获取具有本地时间戳的视频流的第一帧图片、具有时间属性值的最优图集合、以及与所述最优图集合所对应的具有所述本地时间戳的原始图片集合；
视频流的结束时间获取模块，用于同时记录所述预设算法模型处理完所述视频流的结束时间；
时间集合获取模块，用于根据所述最优图集合的时间属性值获取对应的最优图集合的时间集合；
初始时间获取模块，用于通过OCR分别识别所述第一帧图片的时间戳、所述原始图片集合的时间戳，获取所述第一帧图片的初始时间、所述原始图片集合的初始时间；
最优图片的抠图时间获取模块，用于根据所述原始图片集合的初始时间、所述最优图集合的时间集合确定每一张最优图片的抠图时间；
处理视频流的总时间获取模块，用于根据所述第一帧图片的初始时间、所述视频流的结束时间确定处理视频流的总时间；根据所述抠图时间和所述总时间，测试处理所述视频流的抠图性能。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述的基于视频流抠图时间的测试方法的步骤。
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现上述所述的基于视频流抠图时间的测试方法。
本发明实施例通过在视频流打印本地时间戳的方式记录视频处理时间，以及通过OCR图片文字识别技术识别打印在视频流图片中的本地时间戳，从而实现在黑盒层面测试算法层的抠图耗时，同时在操作层面无需采用在源码上进行插入时间桩的方式，保证测试环境与生产环境源码的一致性；能够降低测试成本及测试执行成本；采用本发明提供的基于视频流抠图时间的测试方法，能够解决用户在应用层无法对算法生成抠图的时间进行合理评估的问题，并提供简单便捷的测试方法获取抠图时间。
附图说明
图1为本发明一实施例提供的基于视频流抠图时间的测试方法的流程示意图；
图2为本发明一实施例提供的基于视频流抠图时间的测试装置的模块示意图；
图3为本发明一实施例提供的实现基于视频流抠图时间的测试方法的电子设备的内部结构示意图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明提供一种基于视频流抠图时间的测试方法。参照图1所示，为本发明一实施例提供的基于视频流抠图时间的测试方法的流程示意图。该方法可以由一个装置执行，该装置可以由软件和/或硬件实现。
在本实施例中，基于视频流抠图时间的测试方法包括：
S1：对视频流进行添加本地时间戳处理，并将添加有本地时间戳的视频流推送到RTSP服务器中；
S2：通过所述RTSP服务器、预设算法模型对添加有本地时间戳的视频流进行图像处理，获取具有本地时间戳的视频流的第一帧图片、具有时间属性值的最优图集合、以及与所述最优图集合所对应的具有所述本地时间戳的原始图片集合，同时记录所述预设算法模型处理完所述视频流的结束时间；
S3：根据所述最优图集合的时间属性值获取对应的最优图集合的时间集合；以及，
S4：通过OCR分别识别所述第一帧图片的时间戳、所述原始图片集合的时间戳，获取所述第一帧图片的初始时间、所述原始图片集合的初始时间；
S5：根据所述原始图片集合的初始时间、所述最优图集合的时间集合确定每一张最优图片的抠图时间；以及，
根据所述第一帧图片的初始时间、所述视频流的结束时间确定处理视频流的总时间；
S6：根据所述抠图时间和所述总时间，测试处理所述视频流的抠图性能。
上述为本发明人工智能的基于视频流抠图时间的测试方法，抠图时间是视觉抠图算法的一项性能指标，抠图时间短则效率高，抠图时间长则效率低，下面将详细介绍抠图时间获取的方法。
在步骤S1中，通过ffmpeg指令将所述本地时间戳添加到所述视频流中。其在，本地时间戳的添加是为了确定处理第一帧图片开始的时间，以及处理原始图片集合开始的时间。
在本发明的实施例中，ffmpeg指令将一个视频直播流，视频改用h264压缩，音频改用faac压缩，推送至另一个直播服务器(RTSP服务器)，同时在推送的过程中，在视频流中打印上RTSP服务器的本地时间。也就是说，通过上述的ffmpeg指令在视频中的每一帧打印RTSP服务器的本地时间。
在步骤S2中，所述通过所述RTSP服务器、预设算法模型对添加有本地时间戳的视频流进行处理，获取具有本地时间戳的视频流的第一帧图片、具有时间属性值的最优图集合和与所述最优图集合所对应的具有所述本地时间戳的原始图片集合，包括如下步骤：
S21：通过所述RTSP服务器对添加有本地时间戳的视频流进行图像处理，获取具有本地时间戳的第一帧视频流图片和视频流的每一帧；
S22：通过算法模型对所述视频流的每一帧进行图像处理，获取具有时间属性值的最优图集合和与所述最优图集合所对应的具有所述本地时间戳的原始图片集合。
在本发明的实施例中，算法程序通过访问RTSP服务器将视频帧流拉取下来，将读取到的每一帧视频流逐帧推送到算法模型中，最终得出最优的图片以及图片所对应的原始图片，其中，最优的图片具有时间属性，原始图片上具有本地时间戳。根据所述最优图集合的时间属性值获取对应的最优图集合的时间集合。
在步骤S4中，所述通过OCR分别识别所述第一帧图片的时间戳、所述原始图片集合的时间戳，获取所述第一帧图片的初始时间、所述原始图片集合的初始时间，包括如下步骤：
S41：通过OCR识别所述第一帧图片的时间戳，获取所述第一帧图片的初始时间；以及，
S42：通过OCR识别所述原始图片集合的时间戳，获取所述原始图片集合的初始时间。
其中，所述通过OCR识别所述第一帧图片的时间戳，获取所述第一帧图片的初始时间，包括如下步骤：
S411：对所述第一帧图片的原始图片进行二值化预处理；
S412：对二值化预处理后的原始图片的时间戳进行特征提取；
S413：将提取的特征输入到训练完成的分类器中，在所述分类器中进行归类以及匹配处理，获取所述第一帧图片的初始时间。
所述对原始第一帧图片进行二值化预处理，包括如下步骤：
S4111：对所述原始图片的指定区域进行裁切，其中，所述指定区域为在所述ffmpeg指令估算设定的区域；
S4112：对裁切后的图片进行二值化处理；
S14113：对二值化处理的图片进行扫描获取字符。
所述对二值化预处理后的原始图片的时间戳进行特征提取，包括如下步骤：
S4121：对预处理后的原始图片进行维度分析，并根据分析结果确定与预处理后的原始图片所对应的维度模板；
S4122：根据对应的维度模板，进行特征提取。
所述将提取的特征输入到训练完成的分类器中，在所述分类器中进行归类以及匹配处理，获取所述第一帧图片的初始时间，包括如下步骤：
S4131：根据在所述分类器中学习的时间戳文字，制作出对应的字符特征模板；
S4132：对所述时间戳文字中的字符进行切分，切分成包含单个字符的子图片；
S14133：对切分后的子图片与所述字符特征模板匹配，实现字符内容的识别，获取所述第一帧图片的初始时间。
在本发明实施例中，在获取所述第一帧图片的初始时间后，对第一帧图片的初始时间进行校验，校验过程如下：
校验获取的第一帧图片的初始时间是否为13位毫秒时间戳；
如果校验的结果第一帧图片的初始时间为不是13位毫秒时间戳，则重复步骤S411和S412，即：执行裁剪区域调整以及图像二值化调整；
如果校验的结果第一帧图片的初始时间为是13位毫秒时间戳，则将第一帧图片的初始时间进行格式转换得到具体的时间。
此外，需要特别说的是，在本发明的实施例中，通过上述方法对所述原始图片集合的时间戳进行识别，获取所述原始图片集合的初始时间。
在步骤S5中，根据所述原始图片集合的初始时间、所述最优图集合的时间集合确定每一张最优图片的抠图时间，即：所述最优图集合的时间集合减去所述原始图片集合的初始时间得到每一张最优图片的抠图时间。
根据所述第一帧图片的初始时间、所述视频流的结束时间确定处理视频流的总时间，即：所述视频流的结束时间减去所述第一帧图片的初始时间获取处理视频流的总时间。
在本发明的实施例中，根据所述抠图时间和所述总时间，测试处理所述视频流的抠图性能，抠图时间是视觉抠图算法的一项性能指标，抠图时间短则效率高，抠图时间长则效率低，因此，获取抠图时间一直是需要解决的一个重要问题。
在本发明的实施例的第一场景中，对视频的逐帧抠图，可简化为读取一帧的图片，生成该帧的抠图结果，具体流程如下：
步骤1：通过ffmpeg指令在视频video_i中添加本地毫秒时间戳并推流到RTSP服务器中；
步骤2：通过RTSP服务器读取并解析视频，得出读第j帧(j>＝1)视频流图片image_o_j(j>＝1),通过算法模型生成图片image_j(其中image_j为image_o_j中的一部分)；
步骤3：通过获取image_j的时间属性值得到T1；
步骤4：通过ocr技术识别第j帧的原始图片image_o_j的时间戳得到T0；
步骤5：得到处理连续帧中最优抠图总耗时T＝T1–T0。
在本发明的实施例的第二个场景中，组成视频大的最小的单位是视频帧，而对物或人的最优抠图的最小单位则是物或人在某段时间内的连续帧数，具体流程如下：
步骤1：在由该段时间中连续帧数所组成的视频Video_s，通过ffmpeg指令在视频Video_s中添加本地毫秒时间戳并推流到RTSP服务器中；
步骤2：通过RTSP服务器读取并解析视频，得出第一帧视频流图片image_1；
步骤3：将读取的视频帧流每一帧经过算法模型，最终得出生成最优图image_res；
步骤4：通过获取最优图image_res的时间属性值得到T1；
步骤5：通过ocr技术识别第一帧图片image_1的时间戳得到T0；
步骤6：得到算法在处理连续帧中最优抠图总耗时T＝T1–T0.
在本发明的实施例第三个场景中：常规的测试视频是由无数个场景二中视频所组成的。因此在测试抠图算法时，需引入单张抠图时间Ti(生成抠图image_i的生成时间–读取image_i原始图片image_i_o的读取时间)、所有抠图的总耗时以及抠图平均耗时(所有抠图的总耗时/抠图数量)。其中的具体过程如下：
步骤1：在由该段时间中连续帧数所组成的视频video_a，通过ffmpeg指令在视频video_a中添加本地毫秒时间戳并推流到RTSP服务器中；
步骤2：通过RTSP服务器读取并解析视频，得出算法读取到的第一帧视频流图片image1；
步骤3：算将读取的视频帧流每一帧经过算法模型，最终得出生成最优图集合{image_i}；
步骤4：记录算法处理完该视频的结束时间T_end
步骤4：通过获取最优图集合{image_i}的时间属性值得到对应的时间集合{Ti}；
步骤5：通过ocr技术识别第一帧图片image1的时间戳得到T0，识别最优图集合{image_i}所对应的原始图片集合{image_i_o}得到对应的原始图读取时间集合{Ti_o}；
步骤6：得到算法在处理生成每一张最优抠图的耗时集合为{T}＝{Ti–Ti_o}；
步骤7：根据结束时间T_end–T0得出视频处理的总时间T_all，算法处理时间Talgorithm即所有抠图总耗时,所以得出以下：
1.Talgorithm＝Tall-Tvideo
公式1表示的是算法处理时间：它反映的是算法从开始处理类实施例一或实施例二的起始时间到最终算法生成抠图的时间，这中间过程包括算法的读取处理帧图片、解析图片特征、处理判断最优解及生成图片的时间。
公式2表示的是在公式1的基础上，所有生成抠图图片所耗时的平均时间。
公式3表示的是算法从确定最优解后到生成抠图保存的时间，其中，假设在T2时间段内算法共生成了n张抠图，Ti c为第i张抠图的生成时间，Ti o为第i张抠图的原始图读取时间，Ti为第i张图的总耗时，Tv为在T2时间段内生成n张抠图的平均耗时。
在本发明的实施例中，两个不同的视觉抠图算法，在处理同一个视频的时候，两种算法通过第2点的平均时间算法可得出，A算法生成每张图片的平均时间T_A；B算法生成每张图片的平均时间为T_B，若T_A<T_B，则可说明算法A在时效性方面比算法B优。本方案可应用于不同视觉抠图算法的抠图时效性分析，通过它可客观得出算法之间的时效性优劣比较。
在本发明的实施例中，在推流过程中打印rtsp服务器本地时间，实现推流、拉流的时间监控；利用ocr技术识别原图中的时间字符串，获取原始图的推流时间；实现在黑盒层面测试抠图算法的时效性及对应的平均耗时；提供便捷测试方法去计算算法性能的时间指标；并且应用于不同抠图算法的优劣分析。
本发明实施例通过在视频流打印本地时间戳的方式记录视频处理时间，以及通过OCR图片文字识别技术识别打印在视频流图片中的本地时间戳，从而实现在黑盒层面测试算法层的抠图耗时，同时在操作层面无需采用在源码上进行插入时间桩的方式，保证测试环境与生产环境源码的一致性；能够降低测试成本及测试执行成本；采用本发明提供的基于视频流抠图时间的测试方法，能够解决用户在应用层无法对算法生成抠图的时间进行合理评估的问题，并提供简单便捷的测试方法获取抠图时间。
如图2所示，是本发明基于视频流抠图时间的测试装置的功能模块图。
本发明所述基于视频流抠图时间的测试装置100可以安装于电子设备中。根据实现的功能，所述基于视频流抠图时间的测试装置可以包括：时间戳添加模块101、图片获取模块102、视频流的结束时间获取模块103、时间集合获取模块104、初始时间获取模块105、最优图片的抠图时间获取模块106和处理视频流的总时间获取模块107。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
时间戳添加模块101，用于对视频流进行添加本地时间戳处理，并将添加有本地时间戳的视频流推送到RTSP服务器中；
图片获取模块102，用于通过所述RTSP服务器、算法模型对添加有本地时间戳的视频流进行图像处理，获取具有本地时间戳的视频流的第一帧图片、具有时间属性值的最优图集合、以及与所述最优图集合所对应的具有所述本地时间戳的原始图片集合；
视频流的结束时间获取模块103，用于同时记录所述预设算法模型处理完所述视频流的结束时间；
时间集合获取模块104，用于根据所述最优图集合的时间属性值获取对应的最优图集合的时间集合；
初始时间获取模块105，用于通过OCR分别识别所述第一帧图片的时间戳、所述原始图片集合的时间戳，获取所述第一帧图片的初始时间、所述原始图片集合的初始时间；
最优图片的抠图时间获取模块106，用于根据所述原始图片集合的初始时间、所述最优图集合的时间集合确定每一张最优图片的抠图时间；
处理视频流的总时间获取模块107，用于根据所述第一帧图片的初始时间、所述视频流的结束时间确定处理视频流的总时间。
在本发明的实施例中，通过在视频流打印本地时间戳的方式记录视频处理时间，以及通过OCR图片文字识别技术识别打印在视频流图片中的本地时间戳，从而实现在黑盒层面测试算法层的抠图耗时，同时在操作层面无需采用在源码上进行插入时间桩的方式，保证测试环境与生产环境源码的一致性；能够降低测试成本及测试执行成本；采用本发明提供的基于视频流抠图时间的测试方法，能够解决用户在应用层无法对算法生成抠图的时间进行合理评估的问题，并提供简单便捷的测试方法获取抠图时间。
如图3所示，是本发明实现基于视频流抠图时间的测试方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如基于视频流抠图时间的测试程序12。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(SecureDigital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如数据稽核程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如数据稽核程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图3仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图2示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的基于视频流抠图时间的测试程序12是多个指令的组合，在所述处理器10中运行时，可以实现：
对视频流进行添加本地时间戳处理，并将添加有本地时间戳的视频流推送到RTSP服务器中；
通过所述RTSP服务器、算法模型对添加有本地时间戳的视频流进行图像处理，获取具有本地时间戳的视频流的第一帧图片、具有时间属性值的最优图集合、以及与所述最优图集合所对应的具有所述本地时间戳的原始图片集合；
同时记录所述预设算法模型处理完所述视频流的结束时间；
根据所述最优图集合的时间属性值获取对应的最优图集合的时间集合；
以及，通过OCR分别识别所述第一帧图片的时间戳、所述原始图片集合的时间戳，获取所述第一帧图片的初始时间、所述原始图片集合的初始时间；
根据所述原始图片集合的初始时间、所述最优图集合的时间集合确定每一张最优图片的抠图时间；以及，
根据所述第一帧图片的初始时间、所述视频流的结束时间确定处理视频流的总时间；
根据所述抠图时间和所述总时间，测试处理所述视频流的抠图性能。
具体地，所述处理器10对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
在本发明的实施例中，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基于视频流抠图时间的测试方法的步骤，具体方法如下：
对视频流进行添加本地时间戳处理，并将添加有本地时间戳的视频流推送到RTSP服务器中；
通过所述RTSP服务器、预设算法模型对添加有本地时间戳的视频流进行图像处理，获取具有本地时间戳的视频流的第一帧图片、具有时间属性值的最优图集合、以及与所述最优图集合所对应的具有所述本地时间戳的原始图片集合；
同时记录所述预设算法模型处理完所述视频流的结束时间；
根据所述最优图集合的时间属性值获取对应的最优图集合的时间集合；
以及，通过OCR分别识别所述第一帧图片的时间戳、所述原始图片集合的时间戳，获取所述第一帧图片的初始时间、所述原始图片集合的初始时间；
根据所述原始图片集合的初始时间、所述最优图集合的时间集合确定每一张最优图片的抠图时间；以及，
根据所述第一帧图片的初始时间、所述视频流的结束时间确定处理视频流的总时间；
根据所述抠图时间和所述总时间，测试处理所述视频流的抠图性能。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，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。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者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者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，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模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种基于视频流抠图时间的测试方法，其特征在于，所述方法包括：
对视频流进行添加本地时间戳处理，并将添加有本地时间戳的视频流推送到RTSP服务器中；
通过所述RTSP服务器、预设算法模型对添加有本地时间戳的视频流进行图像处理，获取具有本地时间戳的视频流的第一帧图片、具有时间属性值的最优图集合、以及与所述最优图集合所对应的具有所述本地时间戳的原始图片集合；同时记录所述预设算法模型处理完所述视频流的结束时间；
根据所述最优图集合的时间属性值获取对应的最优图集合的时间集合；以及，通过OCR分别识别所述第一帧图片的时间戳、所述原始图片集合的时间戳，以获取所述第一帧图片的初始时间、所述原始图片集合的初始时间；
根据所述原始图片集合的初始时间、所述最优图集合的时间集合确定每一张最优图片的抠图时间；以及，根据所述第一帧图片的初始时间、所述视频流的结束时间确定处理视频流的总时间；
根据所述抠图时间和所述总时间，测试处理所述视频流的抠图性能。
2.如权利要求1所述的基于视频流抠图时间的测试方法，其特征在于，
通过ffmpeg指令将所述本地时间戳添加到所述视频流中，并将添加有本地时间戳的视频流推送到RTSP服务器中。
3.如权利要求1所述的基于视频流抠图时间的测试方法，其特征在于，
所述通过所述RTSP服务器、预设算法模型对添加有本地时间戳的视频流进行处理，获取具有本地时间戳的视频流的第一帧图片、具有时间属性值的最优图集合、以及与所述最优图集合所对应的具有所述本地时间戳的原始图片集合，包括如下步骤：
通过所述RTSP服务器对添加有本地时间戳的视频流进行图像处理，获取具有本地时间戳的第一帧视频流图片和视频流的每一帧；
通过所述预设算法模型对所述视频流的每一帧进行图像处理，获取具有时间属性值的最优图集合、以及与所述最优图集合所对应的具有所述本地时间戳的原始图片集合。
4.如权利要求1所述的基于视频流抠图时间的测试方法，其特征在于，所述通过OCR识别所述第一帧图片的本地时间戳，获取所述第一帧图片的初始时间，包括如下步骤：
对所述第一帧图片的原始图片进行二值化预处理；
对二值化预处理后的第一帧图片的原始图片的本地时间戳进行特征提取；
将提取的特征输入到训练完成的分类器中，在所述分类器中进行归类以及匹配处理，获取所述第一帧图片的初始时间。
5.如权利要求4所述的基于视频流抠图时间的测试方法，其特征在于，
所述对所述第一帧图片的原始图片进行二值化预处理，包括如下步骤：
对所述原始图片的指定区域进行裁切，其中，所述指定区域为在所述ffmpeg指令估算设定的区域；
对裁切后的图片进行二值化处理。
6.如权利要求4所述的基于视频流抠图时间的测试方法，其特征在于，
所述对二值化预处理后的第一帧图片的原始图片的本地时间戳进行特征提取，包括如下步骤：
对预处理后的原始图片进行维度分析，并根据分析结果确定与预处理后的原始图片所对应的维度模板；
根据所述维度模板，进行特征提取。
7.如权利要求4所述的基于视频流抠图时间的测试方法，其特征在于，
所述将提取的特征输入到训练完成的分类器中，在所述分类器中进行归类以及匹配处理，获取所述第一帧图片的初始时间，包括如下步骤：
根据在所述分类器中学习的时间戳文字，制作出对应的字符特征模板；
对所述时间戳文字中的字符进行切分，切分成包含单个字符的子图片；
对所述子图片和所述字符特征模板进行匹配，实现对所述子图片中的字符内容的识别，以获取所述第一帧图片的初始时间。
8.一种基于视频流抠图时间的测试装置，其特征在于，所述装置包括：
时间戳添加模块，用于对视频流进行添加本地时间戳处理，并将添加有本地时间戳的视频流推送到RTSP服务器中；
图片获取模块，用于通过所述RTSP服务器、预设算法模型对添加有本地时间戳的视频流进行图像处理，获取具有本地时间戳的视频流的第一帧图片、具有时间属性值的最优图集合、以及与所述最优图集合所对应的具有所述本地时间戳的原始图片集合；
视频流的结束时间获取模块，用于同时记录所述预设算法模型处理完所述视频流的结束时间；
时间集合获取模块，用于根据所述最优图集合的时间属性值获取对应的最优图集合的时间集合；
初始时间获取模块，用于通过OCR分别识别所述第一帧图片的时间戳、所述原始图片集合的时间戳，获取所述第一帧图片的初始时间、所述原始图片集合的初始时间；
最优图片的抠图时间获取模块，用于根据所述原始图片集合的初始时间、所述最优图集合的时间集合确定每一张最优图片的抠图时间；
处理视频流的总时间获取模块，用于根据所述第一帧图片的初始时间、所述视频流的结束时间确定处理视频流的总时间；根据所述抠图时间和所述总时间，测试处理所述视频流的抠图性能。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至7中任一所述的基于视频流抠图时间的测试方法的步骤。
10.一种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7中任一所述的基于视频流抠图时间的测试方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011442562.3A CN112580644A (zh) | 2020-12-08 | 2020-12-08 | 基于视频流抠图时间的测试方法、装置及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011442562.3A CN112580644A (zh) | 2020-12-08 | 2020-12-08 | 基于视频流抠图时间的测试方法、装置及可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112580644A true CN112580644A (zh) | 2021-03-30 |
Family
ID=75130743
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011442562.3A Pending CN112580644A (zh) | 2020-12-08 | 2020-12-08 | 基于视频流抠图时间的测试方法、装置及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112580644A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114048147A (zh) * | 2022-01-12 | 2022-02-15 | 广东拓思软件科学园有限公司 | 测试用例生成方法、装置、存储介质和电子设备 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103164697A (zh) * | 2013-03-29 | 2013-06-19 | 苏州皓泰视频技术有限公司 | 一种处理时间与识别精度自适应的车牌识别方法 |
| CN106851385A (zh) * | 2017-02-20 | 2017-06-13 | 北京金山安全软件有限公司 | 视频录制方法、装置和电子设备 |
| CN107610041A (zh) * | 2017-08-16 | 2018-01-19 | 南京华捷艾米软件科技有限公司 | 基于3d体感摄像头的视频人像抠图方法及系统 |
| EP3349214A1 (en) * | 2017-01-13 | 2018-07-18 | Ficosa Adas, S.L.U. | Evaluating propagation of a video feed |
| CN108984395A (zh) * | 2018-06-21 | 2018-12-11 | 腾讯科技（北京）有限公司 | 一种应用程序启动耗时测试方法、装置和存储介质 |
| CN110221979A (zh) * | 2019-06-04 | 2019-09-10 | 广州虎牙信息科技有限公司 | 应用程序的性能测试方法、装置、设备及存储介质 |
| CN111949509A (zh) * | 2019-05-17 | 2020-11-17 | 百度在线网络技术（北京）有限公司 | 应用软件的响应时间测试方法、装置、设备及存储介质 |
-
2020
- 2020-12-08 CN CN202011442562.3A patent/CN112580644A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103164697A (zh) * | 2013-03-29 | 2013-06-19 | 苏州皓泰视频技术有限公司 | 一种处理时间与识别精度自适应的车牌识别方法 |
| EP3349214A1 (en) * | 2017-01-13 | 2018-07-18 | Ficosa Adas, S.L.U. | Evaluating propagation of a video feed |
| CN106851385A (zh) * | 2017-02-20 | 2017-06-13 | 北京金山安全软件有限公司 | 视频录制方法、装置和电子设备 |
| CN107610041A (zh) * | 2017-08-16 | 2018-01-19 | 南京华捷艾米软件科技有限公司 | 基于3d体感摄像头的视频人像抠图方法及系统 |
| CN108984395A (zh) * | 2018-06-21 | 2018-12-11 | 腾讯科技（北京）有限公司 | 一种应用程序启动耗时测试方法、装置和存储介质 |
| CN111949509A (zh) * | 2019-05-17 | 2020-11-17 | 百度在线网络技术（北京）有限公司 | 应用软件的响应时间测试方法、装置、设备及存储介质 |
| CN110221979A (zh) * | 2019-06-04 | 2019-09-10 | 广州虎牙信息科技有限公司 | 应用程序的性能测试方法、装置、设备及存储介质 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114048147A (zh) * | 2022-01-12 | 2022-02-15 | 广东拓思软件科学园有限公司 | 测试用例生成方法、装置、存储介质和电子设备 |
| CN114048147B (zh) * | 2022-01-12 | 2022-04-12 | 广东拓思软件科学园有限公司 | 测试用例生成方法、装置、存储介质和电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110020437B (zh) | 一种视频和弹幕相结合的情感分析及可视化方法 | |
| CN109803180B (zh) | 视频预览图生成方法、装置、计算机设备及存储介质 | |
| CN111723727A (zh) | 基于边缘计算的云监控方法、装置、电子设备及存储介质 | |
| KR102087882B1 (ko) | 시각적 이미지 매칭을 기반으로 한 미디어 스트림 식별 장치 및 방법 | |
| US8457407B2 (en) | Electronic apparatus and image display method | |
| CN112137591B (zh) | 基于视频流的目标物位置检测方法、装置、设备及介质 | |
| WO2021151313A1 (zh) | 证件鉴伪方法、装置、电子设备及存储介质 | |
| CN113283446A (zh) | 图像中目标物识别方法、装置、电子设备及存储介质 | |
| CN112084812B (zh) | 图像处理方法、装置、计算机设备及存储介质 | |
| CN113761253A (zh) | 视频标签确定方法、装置、设备及存储介质 | |
| CN113360768A (zh) | 基于用户画像的产品推荐方法、装置、设备及存储介质 | |
| CN114708461A (zh) | 基于多模态学习模型的分类方法、装置、设备及存储介质 | |
| CN115690615A (zh) | 一种面向视频流的深度学习目标识别方法及系统 | |
| Ma et al. | Lecture video segmentation and indexing | |
| CN112906671B (zh) | 面审虚假图片识别方法、装置、电子设备及存储介质 | |
| CN112580644A (zh) | 基于视频流抠图时间的测试方法、装置及可读存储介质 | |
| CN112925905B (zh) | 提取视频字幕的方法、装置、电子设备和存储介质 | |
| CN113065607A (zh) | 图像检测方法、装置、电子设备及介质 | |
| CN112528903A (zh) | 人脸图像获取方法、装置、电子设备及介质 | |
| WO2023134080A1 (zh) | 相机作弊识别方法、装置、设备及存储介质 | |
| CN115909467A (zh) | 运动状态场景下的人脸活体检测方法、装置、设备及介质 | |
| CN111914850A (zh) | 图片特征提取方法、装置、服务器和介质 | |
| CN113411517B (zh) | 视频模板的生成方法、装置、电子设备及存储介质 | |
| CN114693435A (zh) | 催收名单的智能回访的方法、装置、电子设备及存储介质 | |
| CN113095284A (zh) | 人脸选取方法、装置、设备及计算机可读存储介质 |
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 |