CN112883783A - 一种视频浓缩方法、装置、终端设备及存储介质 - Google Patents
一种视频浓缩方法、装置、终端设备及存储介质 Download PDFInfo
- Publication number
- CN112883783A CN112883783A CN202110038883.5A CN202110038883A CN112883783A CN 112883783 A CN112883783 A CN 112883783A CN 202110038883 A CN202110038883 A CN 202110038883A CN 112883783 A CN112883783 A CN 112883783A
- Authority
- CN
- China
- Prior art keywords
- image
- time sequence
- scene
- preset
- processed
- 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 32
- 230000006835 compression Effects 0.000 claims abstract description 33
- 238000007906 compression Methods 0.000 claims abstract description 33
- 238000001514 detection method Methods 0.000 claims abstract description 19
- 238000000605 extraction Methods 0.000 claims abstract description 16
- 238000003709 image segmentation Methods 0.000 claims abstract description 14
- 230000033001 locomotion Effects 0.000 claims abstract description 10
- 238000001914 filtration Methods 0.000 claims abstract description 9
- 238000004590 computer program Methods 0.000 claims description 17
- 230000008859 change Effects 0.000 claims description 11
- 230000011218 segmentation Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000000877 morphologic effect Effects 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 7
- 238000012544 monitoring process Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 239000000872 buffer Substances 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000009833 condensation Methods 0.000 description 1
- 230000005494 condensation Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 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
- G06V20/40—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06V20/42—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items of sport video content
-
- 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
-
- 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
- H04N19/87—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using pre-processing or post-processing specially adapted for video compression involving scene cut or scene change detection in combination with video compression
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Signal Processing (AREA)
- Compression Or Coding Systems Of Tv Signals (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种视频浓缩方法、装置、终端设备及存储介质,所述方法包括:获取视频的时序图像,并根据预设的压缩率对时序图像进行跳帧提取,得到待处理的时序图像;从待处理的时序图像中取符合预定的场景参考条件的图像作为场景参考图像,并对场景参考图像进行场景识别;根据场景识别结果对待处理的时序图像中的其余图像进行图像分割;对分割图像进行移动侦测,得到掩码图;对掩码图进行运动目标提取,并对提取的运动目标进行分类,得到分类结果;若分类结果属于预定的运动目标分类类型,则对对应的待处理的时序图像进行图像编码,生成视频文件。本发明能够动态调整视频浓缩的压缩率,通过场景识别有效过滤树叶晃动等问题,具有较好的过滤效果。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种视频浓缩方法、装置、终端设备及存储介质。
背景技术
随着国民经济和基础科学的迅猛发展,视频监控对于促进公共安全的作用越来越突出。近年来,伴随着公共安全的需要以及监控成本的下降,越来越多的监控摄像头被安放于城市乃至家庭的各个角落,为治安提供保障。然而,大量监控摄像头的普及也生成了海量的监控视频数据,监控视频往往十分冗长,并且其中大部分片段只是一个静止的背景,不包含人们希望检测的事物,这也导致安保人员需要花费大量的时间来从监控视频里过滤出有效的信息。现有的视频浓缩方法,通常缓冲4秒的视频帧,利用快排算法取出其中的中位值来作为视频首背景,之后每次从缓冲中提取4秒的视频帧,依次与背景在灰度图上的差值进行目标提取和跟踪,对视频片段进行编号,并对背景区域进行更新,根据更新次数对背景图片进行编号,然后根据片段是否在统一背景下进行分类,并通过将分类得到的视频片段按时间顺序排列成浓缩后的视频。
但是,这种方法的灵活性较差,每次仅能提取4秒的视频进行处理,造成视频浓缩的压缩率也不够灵活;其次,由于背景最快是4秒更新一次,对于视频中树叶晃动这种问题无法很好的过滤,没能考虑到监控视频当中的场景信息。
发明内容
本发明实施例所要解决的技术问题在于,提供一种视频浓缩方法、装置、终端设备及存储介质,能够动态调整视频浓缩的压缩率,通过场景识别有效过滤树叶晃动等问题,具有较好的过滤效果。
为了实现上述目的,本发明实施例提供了一种视频浓缩方法,包括:
获取视频的时序图像,并根据预设的压缩率对所述时序图像进行跳帧提取,得到待处理的时序图像;
从待处理的时序图像中取符合预定的场景参考条件的图像作为场景参考图像,并对所述场景参考图像进行场景识别;
根据对所述场景参考图像的场景识别结果对所述待处理的时序图像中的其余图像进行图像分割,得到分割图像;
对所述分割图像进行移动侦测,得到二值化的掩码图;
对所述掩码图进行运动目标提取,并对提取的运动目标的区域图像进行分类,得到运动目标的分类结果;
若所述分类结果属于预定的运动目标分类类型,则对对应的所述待处理的时序图像进行图像编码,生成视频文件。
进一步的,所述从待处理的时序图像中取符合预定的场景变化检测条件的图像作为场景参考图像,具体包括:
将所述待处理的时序图像中的第一帧图像作为初始的场景参考图像;
若检测到待处理的时序图像的图像场景发生了符合预定的场景变化条件,则将所述待处理的时序图像作为当前的场景参考图像。
进一步的,所述对所述分割图像进行移动侦测,得到二值化的掩码图,具体包括:
将所述分割图像的所有像素与预设的图像样本集的对应的像素进行相似度匹配,得到相似度匹配结果;
根据相似度匹配结果得到二值化的掩码图;其中,若所述相似度匹配结果小于预设的像素相似度匹配阈值,则将所述分割图像的该像素作为前景点像素;若所述相似度匹配结果大于预设的像素相似度匹配阈值,则将所述分割图像的该像素作为背景点像素。
进一步的,不同图像区域的分割图像所对应的像素相似度匹配阈值不同。
进一步的,所述样本集包括为每个像素建立的远期样本集、中期样本集和近期样本集;其中,所述远期样本集、所述中期样本集与所述近期样本集三者的像素样本不完全相同。
进一步的,所述对所述掩码图进行运动目标提取,并对提取的运动目标的区域图像进行分类,得到运动目标的分类结果,具体包括:
对所述掩码图中的前景点像素占整个图像像素的比例进行统计,得到统计结果;
若所述统计结果超过预设的第一阈值,则判定场景发生变化,并对所述掩码图中的前景点像素进行形态学处理和连通域提取;
对提取到的连通域的大小进行过滤,若该连通域的面积大于预设的第二阈值,则将该连通域作为运动目标;
通过分类器对所述运动目标的区域图像进行分类。
进一步的,所述场景变化条件具体包括:
若所述统计结果不超过预设的第三阈值,且距离上一次场景识别的时间超过预设的第四阈值,则对待处理的时序图像与初始的场景参考图像进行NCC计算,得到NCC值;
若所述NCC值小于预设的第五阈值,则判定场景发生变化。
本发明实施例还提供了一种视频浓缩装置,包括:
图像获取模块,用于获取视频的时序图像,并根据预设的压缩率对所述时序图像进行跳帧提取,得到待处理的时序图像;
场景识别模块,用于从待处理的时序图像中取符合预定的场景参考条件的图像作为场景参考图像,并对所述场景参考图像进行场景识别;
图像分割模块,用于根据对所述场景参考图像的场景识别结果对所述待处理的时序图像中的其余图像进行图像分割,得到分割图像;
移动侦测模块,用于对所述分割图像进行移动侦测,得到二值化的掩码图;
图像分类模块,用于对所述掩码图进行运动目标提取,并对提取的运动目标的区域图像进行分类,得到运动目标的分类结果;
图像编码模块,用于若所述分类结果属于预定的运动目标分类类型,则对对应的所述待处理的时序图像进行图像编码,生成视频文件。
本发明实施例还提供了一种终端设备,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现上述任一项所述的视频浓缩方法。
本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述任一项所述的视频浓缩方法。
相对于现有技术,本发明实施例提供的一种视频浓缩方法、装置、终端设备及存储介质的有益效果在于:通过获取视频的时序图像,并根据预设的压缩率对所述时序图像进行跳帧提取,得到待处理的时序图像;从待处理的时序图像中取符合预定的场景参考条件的图像作为场景参考图像,并对所述场景参考图像进行场景识别;根据对所述场景参考图像的场景识别结果对所述待处理的时序图像中的其余图像进行图像分割,得到分割图像;对所述分割图像进行移动侦测,得到二值化的掩码图;对所述掩码图进行运动目标提取,并对提取的运动目标的区域图像进行分类,得到运动目标的分类结果;若所述分类结果属于预定的运动目标分类类型,则对对应的所述待处理的时序图像进行图像编码,生成视频文件。本发明实施例能够动态调整视频浓缩的压缩率,通过场景识别有效过滤树叶晃动等问题,具有较好的过滤效果。
附图说明
图1是本发明提供的一种视频浓缩方法的一个优选实施例的流程示意图;
图2是本发明提供的一种视频浓缩装置的一个优选实施例的结构示意图;
图3是本发明提供的一种终端设备的一个优选实施例的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1,图1是本发明提供的一种视频浓缩方法的一个优选实施例的流程示意图。所述视频浓缩方法,包括:
S1,获取视频的时序图像,并根据预设的压缩率对所述时序图像进行跳帧提取,得到待处理的时序图像;
S2,从待处理的时序图像中取符合预定的场景参考条件的图像作为场景参考图像,并对所述场景参考图像进行场景识别;
S3,根据对所述场景参考图像的场景识别结果对所述待处理的时序图像中的其余图像进行图像分割,得到分割图像;
S4,对所述分割图像进行移动侦测,得到二值化的掩码图;
S5,对所述掩码图进行运动目标提取,并对提取的运动目标的区域图像进行分类,得到运动目标的分类结果;
S6,若所述分类结果属于预定的运动目标分类类型,则对对应的所述待处理的时序图像进行图像编码,生成视频文件。
具体的,首先,获取视频的时序图像,并根据预设的压缩率对所述时序图像进行跳帧提取,得到待处理的时序图像;然后,从待处理的时序图像中取符合预定的场景参考条件的图像作为场景参考图像,并对所述场景参考图像进行场景识别;其次,根据对所述场景参考图像的场景识别结果对所述待处理的时序图像中的其余图像进行图像分割,得到分割图像;再对所述分割图像进行移动侦测,得到二值化的掩码图;对所述掩码图进行运动目标提取,并对提取的运动目标的区域图像进行分类,得到运动目标的分类结果;若所述分类结果属于预定的运动目标分类类型,则对对应的所述待处理的时序图像进行图像编码,生成视频文件。
本实施例能够动态调整视频浓缩的压缩率,通过场景识别有效过滤树叶晃动等问题,具有较好的过滤效果。
在另一个优选实施例中,所述从待处理的时序图像中取符合预定的场景变化检测条件的图像作为场景参考图像,具体包括:
将所述待处理的时序图像中的第一帧图像作为初始的场景参考图像;
若检测到待处理的时序图像的图像场景发生了符合预定的场景变化条件,则将所述待处理的时序图像作为当前的场景参考图像。
在又一个优选实施例中,所述对所述分割图像进行移动侦测,得到二值化的掩码图,具体包括:
将所述分割图像的所有像素与预设的图像样本集的对应的像素进行相似度匹配,得到相似度匹配结果;
根据相似度匹配结果得到二值化的掩码图;其中,若所述相似度匹配结果小于预设的像素相似度匹配阈值,则将所述分割图像的该像素作为前景点像素;若所述相似度匹配结果大于预设的像素相似度匹配阈值,则将所述分割图像的该像素作为背景点像素。
作为优选方案,不同图像区域的分割图像所对应的像素相似度匹配阈值不同。
需要说明的是,不同图像区域的分割图像所对应的像素相似度匹配阈值不同是指不同图像区域的分割图像所对应的图像样本集的像素相似度匹配阈值不同。
作为优选方案,所述样本集包括为每个像素建立的远期样本集、中期样本集和近期样本集;其中,所述远期样本集、所述中期样本集与所述近期样本集三者的像素样本不完全相同。
在又一个优选实施例中,所述对所述掩码图进行运动目标提取,并对提取的运动目标的区域图像进行分类,得到运动目标的分类结果,具体包括:
对所述掩码图中的前景点像素占整个图像像素的比例进行统计,得到统计结果;
若所述统计结果超过预设的第一阈值,则判定场景发生变化,并对所述掩码图中的前景点像素进行形态学处理和连通域提取;
对提取到的连通域的大小进行过滤,若该连通域的面积大于预设的第二阈值,则将该连通域作为运动目标;
通过分类器对所述运动目标的区域图像进行分类。
在又一个优选实施例中,所述场景变化条件具体包括:
若所述统计结果不超过预设的第三阈值,且距离上一次场景识别的时间超过预设的第四阈值,则对待处理的时序图像与初始的场景参考图像进行NCC计算,得到NCC值;
若所述NCC值小于预设的第五阈值,则判定场景发生变化。
相应地,本发明还提供一种视频浓缩装置,能够实现上述实施例中的视频浓缩方法的所有流程。
请参阅图2,图2是本发明提供的一种视频浓缩装置的一个优选实施例的结构示意图。所述视频浓缩装置,包括:
图像获取模块201,用于获取视频的时序图像,并根据预设的压缩率对所述时序图像进行跳帧提取,得到待处理的时序图像;
场景识别模块202,用于从待处理的时序图像中取符合预定的场景参考条件的图像作为场景参考图像,并对所述场景参考图像进行场景识别;
图像分割模块203,用于根据对所述场景参考图像的场景识别结果对所述待处理的时序图像中的其余图像进行图像分割,得到分割图像;
移动侦测模块204,用于对所述分割图像进行移动侦测,得到二值化的掩码图;
图像分类模块205,用于对所述掩码图进行运动目标提取,并对提取的运动目标的区域图像进行分类,得到运动目标的分类结果;
图像编码模块206,用于若所述分类结果属于预定的运动目标分类类型,则对对应的所述待处理的时序图像进行图像编码,生成视频文件。
优选地,所述场景识别模块202中的从待处理的时序图像中取符合预定的场景参考条件的图像作为场景参考图像,具体包括:
将所述待处理的时序图像中的第一帧图像作为初始的场景参考图像;
若检测到待处理的时序图像的图像场景发生了符合预定的场景变化条件,则将所述待处理的时序图像作为当前的场景参考图像。
优选地,所述图像分割模块203具体用于:
将所述分割图像的所有像素与预设的图像样本集的对应的像素进行相似度匹配,得到相似度匹配结果;
根据相似度匹配结果得到二值化的掩码图;其中,若所述相似度匹配结果小于预设的像素相似度匹配阈值,则将所述分割图像的该像素作为前景点像素;若所述相似度匹配结果大于预设的像素相似度匹配阈值,则将所述分割图像的该像素作为背景点像素。
优选地,不同图像区域的分割图像所对应的像素相似度匹配阈值不同。
优选地,所述样本集包括为每个像素建立的远期样本集、中期样本集和近期样本集;其中,所述远期样本集、所述中期样本集与所述近期样本集三者的像素样本不完全相同。
优选地,所述图像分类模块205具体用于:
对所述掩码图中的前景点像素占整个图像像素的比例进行统计,得到统计结果;
若所述统计结果超过预设的第一阈值,则判定场景发生变化,并对所述掩码图中的前景点像素进行形态学处理和连通域提取;
对提取到的连通域的大小进行过滤,若该连通域的面积大于预设的第二阈值,则将该连通域作为运动目标;
通过分类器对所述运动目标的区域图像进行分类。
优选地,所述场景变化条件具体包括:
若所述统计结果不超过预设的第三阈值,且距离上一次场景识别的时间超过预设的第四阈值,则对待处理的时序图像与初始的场景参考图像进行NCC计算,得到NCC值;
若所述NCC值小于预设的第五阈值,则判定场景发生变化。
在具体实施当中,本发明实施例提供的视频浓缩装置的工作原理、控制流程及实现的技术效果,与上述实施例中的视频浓缩方法对应相同,在此不再赘述。
请参阅图3,图3是本发明提供的一种终端设备的一个优选实施例的结构示意图。所述终端设备包括处理器301、存储器302以及存储在所述存储器302中且被配置为由所述处理器301执行的计算机程序,所述处理器301执行所述计算机程序时实现上述任一实施例所述的视频浓缩方法。
优选地,所述计算机程序可以被分割成一个或多个模块/单元(如计算机程序1、计算机程序2、……),所述一个或者多个模块/单元被存储在所述存储器302中,并由所述处理器301执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序在所述终端设备中的执行过程。
所述处理器301可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,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,或者所述处理器301也可以是任何常规的处理器,所述处理器301是所述终端设备的控制中心,利用各种接口和线路连接所述终端设备的各个部分。
所述存储器302主要包括程序存储区和数据存储区,其中,程序存储区可存储操作系统、至少一个功能所需的应用程序等,数据存储区可存储相关数据等。此外,所述存储器302可以是高速随机存取存储器,还可以是非易失性存储器,例如插接式硬盘,智能存储卡(Smart Media Card,SMC)、安全数字(Secure Digital,SD)卡和闪存卡(Flash Card)等,或所述存储器302也可以是其他易失性固态存储器件。
需要说明的是,上述终端设备可包括,但不仅限于,处理器、存储器,本领域技术人员可以理解,图3的结构示意图仅仅是上述终端设备的示例,并不构成对上述终端设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件。
本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述任一实施例所述的视频浓缩方法。
本发明实施例提供了一种视频浓缩方法、装置、终端设备及存储介质,通过获取视频的时序图像,并根据预设的压缩率对所述时序图像进行跳帧提取,得到待处理的时序图像;从待处理的时序图像中取符合预定的场景参考条件的图像作为场景参考图像,并对所述场景参考图像进行场景识别;根据对所述场景参考图像的场景识别结果对所述待处理的时序图像中的其余图像进行图像分割,得到分割图像;对所述分割图像进行移动侦测,得到二值化的掩码图;对所述掩码图进行运动目标提取,并对提取的运动目标的区域图像进行分类,得到运动目标的分类结果;若所述分类结果属于预定的运动目标分类类型,则对对应的所述待处理的时序图像进行图像编码,生成视频文件。本发明实施例能够动态调整视频浓缩的压缩率,通过场景识别有效过滤树叶晃动等问题,具有较好的过滤效果。
需说明的是,以上所描述的系统实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元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,本发明提供的系统实施例附图中,模块之间的连接关系表示它们之间具有通信连接,具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (10)
1.一种视频浓缩方法,其特征在于,包括:
获取视频的时序图像,并根据预设的压缩率对所述时序图像进行跳帧提取,得到待处理的时序图像;
从待处理的时序图像中取符合预定的场景参考条件的图像作为场景参考图像,并对所述场景参考图像进行场景识别;
根据对所述场景参考图像的场景识别结果对所述待处理的时序图像中的其余图像进行图像分割,得到分割图像;
对所述分割图像进行移动侦测,得到二值化的掩码图;
对所述掩码图进行运动目标提取,并对提取的运动目标的区域图像进行分类,得到运动目标的分类结果;
若所述分类结果属于预定的运动目标分类类型,则对对应的所述待处理的时序图像进行图像编码,生成视频文件。
2.如权利要求1所述的视频浓缩方法,其特征在于,所述从待处理的时序图像中取符合预定的场景变化检测条件的图像作为场景参考图像,具体包括:
将所述待处理的时序图像中的第一帧图像作为初始的场景参考图像;
若检测到待处理的时序图像的图像场景发生了符合预定的场景变化条件,则将所述待处理的时序图像作为当前的场景参考图像。
3.如权利要求2所述的一种视频浓缩方法,其特征在于,所述对所述分割图像进行移动侦测,得到二值化的掩码图,具体包括:
将所述分割图像的所有像素与预设的图像样本集的对应的像素进行相似度匹配,得到相似度匹配结果;
根据相似度匹配结果得到二值化的掩码图;其中,若所述相似度匹配结果小于预设的像素相似度匹配阈值,则将所述分割图像的该像素作为前景点像素;若所述相似度匹配结果大于预设的像素相似度匹配阈值,则将所述分割图像的该像素作为背景点像素。
4.如权利要求3所述的一种视频浓缩方法,其特征在于,不同图像区域的分割图像所对应的像素相似度匹配阈值不同。
5.如权利要求3所述的一种视频浓缩方法,其特征在于,所述样本集包括为每个像素建立的远期样本集、中期样本集和近期样本集;其中,所述远期样本集、所述中期样本集与所述近期样本集三者的像素样本不完全相同。
6.如权利要求3所述的一种视频浓缩方法,其特征在于,所述对所述掩码图进行运动目标提取,并对提取的运动目标的区域图像进行分类,得到运动目标的分类结果,具体包括:
对所述掩码图中的前景点像素占整个图像像素的比例进行统计,得到统计结果;
若所述统计结果超过预设的第一阈值,则判定场景发生变化,并对所述掩码图中的前景点像素进行形态学处理和连通域提取;
对提取到的连通域的大小进行过滤,若该连通域的面积大于预设的第二阈值,则将该连通域作为运动目标;
通过分类器对所述运动目标的区域图像进行分类。
7.如权利要求6所述的视频浓缩方法,其特征在于,所述场景变化条件具体包括:
若所述统计结果不超过预设的第三阈值,且距离上一次场景识别的时间超过预设的第四阈值,则对待处理的时序图像与初始的场景参考图像进行NCC计算,得到NCC值;
若所述NCC值小于预设的第五阈值,则判定场景发生变化。
8.一种视频浓缩装置,其特征在于,包括:
图像获取模块,用于获取视频的时序图像,并根据预设的压缩率对所述时序图像进行跳帧提取,得到待处理的时序图像;
场景识别模块,用于从待处理的时序图像中取符合预定的场景参考条件的图像作为场景参考图像,并对所述场景参考图像进行场景识别;
图像分割模块,用于根据对所述场景参考图像的场景识别结果对所述待处理的时序图像中的其余图像进行图像分割,得到分割图像;
移动侦测模块,用于对所述分割图像进行移动侦测,得到二值化的掩码图;
图像分类模块,用于对所述掩码图进行运动目标提取,并对提取的运动目标的区域图像进行分类,得到运动目标的分类结果;
图像编码模块,用于若所述分类结果属于预定的运动目标分类类型,则对对应的所述待处理的时序图像进行图像编码,生成视频文件。
9.一种终端设备,其特征在于,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至7中任意一项所述的视频浓缩方法。
10.一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包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至7中任意一项所述的视频浓缩方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110038883.5A CN112883783B (zh) | 2021-01-12 | 2021-01-12 | 一种视频浓缩方法、装置、终端设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110038883.5A CN112883783B (zh) | 2021-01-12 | 2021-01-12 | 一种视频浓缩方法、装置、终端设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112883783A true CN112883783A (zh) | 2021-06-01 |
CN112883783B CN112883783B (zh) | 2024-09-06 |
Family
ID=76044747
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110038883.5A Active CN112883783B (zh) | 2021-01-12 | 2021-01-12 | 一种视频浓缩方法、装置、终端设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112883783B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113365104A (zh) * | 2021-06-04 | 2021-09-07 | 中国建设银行股份有限公司 | 一种视频浓缩方法和装置 |
CN115546677A (zh) * | 2022-07-11 | 2022-12-30 | 北京国电通网络技术有限公司 | 基建现场信息处理方法、装置、设备和计算机可读介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0684736A2 (en) * | 1994-05-27 | 1995-11-29 | AT&T Corp. | Model-assisted coding of video sequences at low bit rates |
CN101873414A (zh) * | 2010-05-17 | 2010-10-27 | 清华大学 | 一种基于分层结构的事件视频检测系统 |
CN102592130A (zh) * | 2012-02-16 | 2012-07-18 | 浙江大学 | 一种针对水下显微视频的目标识别系统及其视频编码方法 |
CN104137146A (zh) * | 2011-12-29 | 2014-11-05 | 派尔高公司 | 用于利用前景对象分割的噪声过滤的视频编码的方法和系统 |
JP2018137639A (ja) * | 2017-02-22 | 2018-08-30 | 沖電気工業株式会社 | 動画像処理システム、並びに、符号化装置及びプログラム、並びに、復号装置及びプログラム |
CN108683826A (zh) * | 2018-05-15 | 2018-10-19 | 腾讯科技(深圳)有限公司 | 视频数据处理方法、装置、计算机设备和存储介质 |
CN108769595A (zh) * | 2018-06-06 | 2018-11-06 | 合肥信亚达智能科技有限公司 | 一种智能人身识别监控跟踪传输方法及系统 |
CN110446062A (zh) * | 2019-07-18 | 2019-11-12 | 平安科技(深圳)有限公司 | 大数据文件传输的接收处理方法、电子装置及存储介质 |
CN111402298A (zh) * | 2020-03-30 | 2020-07-10 | 南京财经大学 | 基于目标检测与轨迹分析的粮库视频数据压缩方法 |
-
2021
- 2021-01-12 CN CN202110038883.5A patent/CN112883783B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0684736A2 (en) * | 1994-05-27 | 1995-11-29 | AT&T Corp. | Model-assisted coding of video sequences at low bit rates |
CN101873414A (zh) * | 2010-05-17 | 2010-10-27 | 清华大学 | 一种基于分层结构的事件视频检测系统 |
CN104137146A (zh) * | 2011-12-29 | 2014-11-05 | 派尔高公司 | 用于利用前景对象分割的噪声过滤的视频编码的方法和系统 |
CN102592130A (zh) * | 2012-02-16 | 2012-07-18 | 浙江大学 | 一种针对水下显微视频的目标识别系统及其视频编码方法 |
JP2018137639A (ja) * | 2017-02-22 | 2018-08-30 | 沖電気工業株式会社 | 動画像処理システム、並びに、符号化装置及びプログラム、並びに、復号装置及びプログラム |
CN108683826A (zh) * | 2018-05-15 | 2018-10-19 | 腾讯科技(深圳)有限公司 | 视频数据处理方法、装置、计算机设备和存储介质 |
CN108769595A (zh) * | 2018-06-06 | 2018-11-06 | 合肥信亚达智能科技有限公司 | 一种智能人身识别监控跟踪传输方法及系统 |
CN110446062A (zh) * | 2019-07-18 | 2019-11-12 | 平安科技(深圳)有限公司 | 大数据文件传输的接收处理方法、电子装置及存储介质 |
CN111402298A (zh) * | 2020-03-30 | 2020-07-10 | 南京财经大学 | 基于目标检测与轨迹分析的粮库视频数据压缩方法 |
Non-Patent Citations (4)
Title |
---|
LEONARDO GALTERI 等: "Video Compression for Object Detection Algorithms", 《2018 24TH INTERNATIONAL CONFERENCE ON PATTERN RECOGNITION (ICPR)》, 29 November 2018 (2018-11-29), pages 1 - 7 * |
LIANG ZHAO 等: "Real-Time Moving Object Segmentation and Classification From HEVC Compressed Surveillance Video", 《IEEE TRANSACTIONS ON CIRCUITS AND SYSTEMS FOR VIDEO TECHNOLOGY》, 31 January 2017 (2017-01-31), pages 1 - 12 * |
于胜韬: "基于视觉感知的深度图超分辨和高动态范围视频压缩", 《中国博士学位论文全文数据库 信息科技辑》, no. 7, 15 July 2019 (2019-07-15), pages 138 - 52 * |
操照君: "面向VSN的分布式视频编码技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 2, 15 February 2020 (2020-02-15), pages 136 - 605 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113365104A (zh) * | 2021-06-04 | 2021-09-07 | 中国建设银行股份有限公司 | 一种视频浓缩方法和装置 |
CN113365104B (zh) * | 2021-06-04 | 2022-09-09 | 中国建设银行股份有限公司 | 一种视频浓缩方法和装置 |
CN115546677A (zh) * | 2022-07-11 | 2022-12-30 | 北京国电通网络技术有限公司 | 基建现场信息处理方法、装置、设备和计算机可读介质 |
CN115546677B (zh) * | 2022-07-11 | 2023-10-24 | 北京国电通网络技术有限公司 | 基建现场信息处理方法、装置、设备和计算机可读介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112883783B (zh) | 2024-09-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
GB2554435B (en) | Image processing | |
Al-Ghaili et al. | Vertical-edge-based car-license-plate detection method | |
EP3082065A1 (en) | Duplicate reduction for face detection | |
CN108564579B (zh) | 一种基于时空相关的混凝土裂缝检测方法及检测装置 | |
Velastin et al. | People detection and pose classification inside a moving train using computer vision | |
CN107704797B (zh) | 基于安防视频中行人和车辆的实时检测方法和系统及设备 | |
CN111079613B (zh) | 姿势识别方法和装置、电子设备及存储介质 | |
CN112883783B (zh) | 一种视频浓缩方法、装置、终端设备及存储介质 | |
EP2975552A2 (en) | Entropy-reducing low pass filter for face detection | |
CN114049499A (zh) | 用于连续轮廓的目标对象检测方法、设备及存储介质 | |
US11605224B2 (en) | Automated media editing operations in consumer devices | |
CN111914668A (zh) | 一种基于图像增强技术的行人重识别方法、装置及系统 | |
CN107770487B (zh) | 一种特征提取并优选的方法、系统及终端设备 | |
US11709914B2 (en) | Face recognition method, terminal device using the same, and computer readable storage medium | |
CN108769521B (zh) | 一种拍照方法、移动终端及计算机可读存储介质 | |
CN113688839A (zh) | 视频处理方法及装置、电子设备、计算机可读存储介质 | |
Jaiswal et al. | Survey paper on various techniques of recognition and tracking | |
Changalasetty et al. | Identification and feature extraction of moving vehicles in LabVIEW | |
CN110363192B (zh) | 物件影像辨识系统及物件影像辨识方法 | |
CN116246298A (zh) | 一种空间占用人数统计方法、终端设备及存储介质 | |
CN111091056A (zh) | 图像中的墨镜识别方法及装置、电子设备、存储介质 | |
CN112287769B (zh) | 一种人脸检测方法、装置、设备和存储介质 | |
CN106469267B (zh) | 一种验证码样本收集方法及系统 | |
CN115082326A (zh) | 视频去模糊的处理方法、边缘计算设备及中心处理器 | |
CN112967321A (zh) | 运动目标的检测方法、装置、终端设备及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |