CN113194281A - 视频解析方法、装置、计算机设备和存储介质 - Google Patents
视频解析方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN113194281A CN113194281A CN202110108066.2A CN202110108066A CN113194281A CN 113194281 A CN113194281 A CN 113194281A CN 202110108066 A CN202110108066 A CN 202110108066A CN 113194281 A CN113194281 A CN 113194281A
- Authority
- CN
- China
- Prior art keywords
- computing resource
- real
- video stream
- time video
- alarm information
- 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
- 238000004458 analytical method Methods 0.000 title claims description 86
- 238000000034 method Methods 0.000 claims abstract description 45
- 238000001514 detection method Methods 0.000 claims description 34
- 238000004590 computer program Methods 0.000 claims description 24
- 238000004422 calculation algorithm Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000012549 training Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 239000013598 vector Substances 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000033001 locomotion Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 230000011218 segmentation Effects 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
- 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
- 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
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N5/00—Details of television systems
- H04N5/76—Television signal recording
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Signal Processing (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种视频解析方法、装置、计算机设备和存储介质。方法包括：从视频存储服务器获取实时视频流；其中，视频存储服务器存储有执法仪推送的实时视频流；检测第一计算资源与第二计算资源之间的大小关系；其中，第一计算资源为终端设备中能够提供的用于解析实时视频流的计算资源，第二计算资源为解析实时视频流需要的计算资源；若第一计算资源大于第二计算资源，则比较实时视频流与预设图像库中的图像，得到目标相似度；当目标相似度大于预设阈值时，生成第一报警信息。从而通过第一报警信息，提醒执法人员，在实时视频流中存在与预设图像库中的图像相似的图像，使执法人员能够有针对性的进行执法，以提高执法人员的执法效率。
Description
技术领域
本申请涉及视频处理技术领域，特别是涉及一种视频解析方法、装置、计算机设备和存储介质。
背景技术
随着图像识别技术和视频处理技术的发展，出现了能够实时监测现场情况的执法记录设备。传统技术中，通常是应用执法记录设备，协助执法人员完成执法现场影像资料的采集和回传。
然而，令执法人员利用执法记录设备，在执法现场进行影像资料的采集和回传，会分散执法人员的注意力，降低执法效率。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高执法效率的视频解析方法、装置、计算机设备和存储介质。
一种视频解析方法，所述方法应用于终端设备，包括：
从视频存储服务器获取实时视频流；其中，所述视频存储服务器存储有执法仪推送的实时视频流；
检测第一计算资源与第二计算资源之间的大小关系；其中，所述第一计算资源为所述终端设备中能够提供的用于解析所述实时视频流的计算资源，所述第二计算资源为解析所述实时视频流需要的计算资源；
若所述第一计算资源大于所述第二计算资源，则比较所述实时视频流与预设图像库中的图像，得到目标相似度；
当所述目标相似度大于预设阈值时，生成第一报警信息。
在其中一个实施例中，所述检测第一计算资源与第二计算资源之间的大小关系之后，还包括：
若所述第一计算资源小于或等于所述第二计算资源，则生成视频解析申请，并将所述视频解析申请发送至视频解析服务器；
接收所述视频解析服务器生成的第二报警信息；其中，所述第二报警信息为所述视频解析服务器比较所述实时视频流与预设图像库中的图像，得到目标相似度，并在所述目标相似度大于所述预设阈值时，生成的报警信息。
在其中一个实施例中，所述预设图像库包括预设人脸库或预设车辆库；
所述比较所述实时视频流与预设图像库中的图像，得到目标相似度，包括：
从所述实时视频流中截取图像，得到目标图像；
比较所述目标图像与所述预设人脸库和所述预设车辆库中的图像，得到所述目标相似度。
在其中一个实施例中，所述当所述目标相似度大于预设阈值时，生成第一报警信息之后，包括：
向管理后台推送所述第一报警信息或所述第二报警信息；
接收所述管理后台根据所述第一报警信息或所述第二报警信息生成的位置信息访问请求；
响应于所述位置信息访问请求，将目标位置发送至所述管理后台；其中，所述目标位置为所述执法仪获取所述实时视频流的位置。
一种视频解析方法，所述方法应用于视频解析服务器，包括：
接收视频解析申请；其中，所述视频解析申请为第一计算资源小于或等于第二计算资源时生成的，所述第一计算资源为终端设备中能够提供的用于解析所述实时视频流的计算资源，所述第二计算资源为解析所述实时视频流需要的计算资源；
响应于所述视频解析申请，从视频存储服务器获取实时视频流；其中，所述视频存储服务器存储有执法仪推送的实时视频流；
比较所述实时视频流与预设图像库中的图像，得到目标相似度；
当所述目标相似度大于预设阈值时，向终端设备和管理后台推送报警信息。
在其中一个实施例中，所述预设图像库包括预设人脸库或预设车辆库；
所述比较所述实时视频流与预设图像库中的图像，得到目标相似度，包括：
从所述实时视频流中截取图像，得到目标图像；
比较所述目标图像与所述预设人脸库和所述预设车辆库中的图像，得到所述目标相似度。
一种视频解析装置，所述装置应用于终端设备，包括：
视频流获取模块，用于从视频存储服务器获取实时视频流；其中，所述视频存储服务器存储有执法仪推送的实时视频流；
资源检测模块，用于检测第一计算资源与第二计算资源之间的大小关系；其中，所述第一计算资源为所述终端设备中能够提供的用于解析所述实时视频流的计算资源，所述第二计算资源为解析所述实时视频流需要的计算资源；
相似度确定模块，用于若所述第一计算资源大于所述第二计算资源，则比较所述实时视频流与预设图像库中的图像，得到目标相似度；
报警信息生成模块，用于当所述目标相似度大于预设阈值时，生成第一报警信息。
一种视频解析装置，所述装置应用于视频解析服务器，包括：
解析申请获取模块，用于接收视频解析申请；其中，所述视频解析申请为第一计算资源小于或等于第二计算资源时生成的，所述第一计算资源为终端设备中能够提供的用于解析所述实时视频流的计算资源，所述第二计算资源为解析所述实时视频流需要的计算资源；
视频流获取模块，用于响应于所述视频解析申请，从视频存储服务器获取实时视频流；其中，所述视频存储服务器存储有执法仪推送的实时视频流；
相似度确定模块，用于比较所述实时视频流与预设图像库中的图像，得到目标相似度；
报警信息生成模块，用于当所述目标相似度大于预设阈值时，向终端设备和管理后台推送报警信息。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，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方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的方法的步骤。
上述视频解析方法、装置、计算机设备和存储介质，通过从视频存储服务器获取执法仪推送的实时视频流，并检测第一计算资源与第二计算资源之间的大小关系，其中，第一计算资源为终端设备中能够提供的用于解析实时视频流的计算资源，第二计算资源为解析实时视频流需要的计算资源。若第一计算资源大于第二计算资源，则比较实时视频流与预设图像库中的图像，得到目标相似度，当目标相似度大于预设阈值时，生成第一报警信息。或在第一计算资源小于或等于第二计算资源时生成视频解析申请，并将视频解析申请发送至视频解析服务器，视频解析服务器比较实时视频流与预设图像库中的图像，得到目标相似度，并在目标相似度大于预设阈值时，生成第二报警信息。从而并通过第一报警信息和第二报警信息，提醒执法人员，在实时视频流中存在与预设图像库中的图像相似的图像，使执法人员能够有针对性的进行执法，以提高执法人员的执法效率。
附图说明
图1为一个实施例中视频解析方法的应用环境图；
图2为一个实施例中视频解析方法的流程示意图；
图3为一个实施例中步骤S200之后的一种可实施方式的流程示意图；
图4为一个实施例中步骤S400之后的一种可实施方式的流程示意图；
图5为另一个实施例中视频解析方法的流程示意图；
图6为一个实施例中视频解析装置的结构框图；
图7为一个实施例中视频解析装置的结构框图；
图8为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供视频解析方法，可以应用于如图1所示的应用环境中。其中，终端设备102、视频存储服务器104和视频解析服务器106通过网络进行通信。终端设备102通过从视频存储服务器104获取执法仪推送的实时视频流，并检测第一计算资源与第二计算资源之间的大小关系，其中，第一计算资源为终端设备中能够提供的用于解析实时视频流的计算资源，第二计算资源为解析实时视频流需要的计算资源。若第一计算资源大于第二计算资源，则比较实时视频流与预设图像库中的图像，得到目标相似度，当目标相似度大于预设阈值时，生成第一报警信息。或在第一计算资源小于或等于第二计算资源时生成视频解析申请，并将视频解析申请发送至视频解析服务器106，视频解析服务器106比较实时视频流与预设图像库中的图像，得到目标相似度，并在目标相似度大于预设阈值时，生成第二报警信息。从而并通过第一报警信息和第二报警信息，提醒执法人员，在实时视频流中存在与预设图像库中的图像相似的图像，使执法人员能够有针对性的进行执法，以提高执法人员的执法效率。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，视频存储服务器104和视频解析服务器106可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种视频解析方法，以该方法应用于图1中的终端设备为例进行说明，包括以下步骤：
步骤S100，从视频存储服务器获取实时视频流；其中，视频存储服务器存储有执法仪推送的实时视频流。
步骤S200，检测第一计算资源与第二计算资源之间的大小关系；其中，第一计算资源为终端设备中能够提供的用于解析实时视频流的计算资源，第二计算资源为解析实时视频流需要的计算资源。
步骤S300，若第一计算资源大于第二计算资源，则比较实时视频流与预设图像库中的图像，得到目标相似度。
步骤S400，当目标相似度大于预设阈值时，生成第一报警信息。
其中，计算资源是指解析实时视频流时所需的CPU资源、内存资源、硬盘资源和网络资源。第一计算资源为终端设备中能够提供的用于解析实时视频流的计算资源，第二计算资源为解析实时视频流需要的计算资源。预设图像库是存储有需要执法人员特别注意的图像的数据库，其中的图像可以是人脸黑名单库、车牌黑名单库或其他需要执法人员特别注意的图像。目标相似度是指实时视频流与预设图像库中图像的相似度。预设阈值是指判断目标相似度是否达到报警条件的临界值，可以为0.6、0.7、0.8、0.9不等。当目标相似度大于预设阈值时，认为在实时视频流中检测到与预设图像库中的图像相似的图像。
具体地，应用执法仪采集实时视频流，并将实时视频流存储至视频存储服务器。终端设备从视频存储服务器获取实时视频流，并检测第一计算资源与第二计算资源之间的大小关系。若第一计算资源大于第二计算资源，认为终端设备中有足够的计算资源用于实时视频流的解析，此时，则采用终端设别进行实时视频流的解析。并采用终端设备比较实时视频流与预设图像库中的图像，得到目标相似度，在目标相似度大于预设阈值时，认为在实时视频流中检测到与预设图像库中的图像相似的图像，则生成第一报警信息，用以提醒执法人员，使执法人员能够有针对性的进行执法，以提高执法人员的执法效率。
上述视频解析方法中，通过从视频存储服务器获取执法仪推送的实时视频流，并检测第一计算资源与第二计算资源之间的大小关系，其中，第一计算资源为终端设备中能够提供的用于解析实时视频流的计算资源，第二计算资源为解析实时视频流需要的计算资源。若第一计算资源大于第二计算资源，则比较实时视频流与预设图像库中的图像，得到目标相似度，当目标相似度大于预设阈值时，生成第一报警信息，并通过第一报警信息，提醒执法人员，在实时视频流中存在与预设图像库中的图像相似的图像，使执法人员能够有针对性的进行执法，以提高执法人员的执法效率。
在一个实施例中，如图3所示，为步骤S200之后的一种可实施方式的流程示意图，包括：
步骤S210，若第一计算资源小于或等于第二计算资源，则生成视频解析申请，并将视频解析申请发送至视频解析服务器。
步骤S220，接收视频解析服务器生成的第二报警信息；其中，第二报警信息为视频解析服务器比较实时视频流与预设图像库中的图像，得到目标相似度，并在目标相似度大于预设阈值时，生成的报警信息。
具体地，若第一计算资源小于或等于第二计算资源，认为终端设备中没有足够的计算资源用于实时视频流的解析，此时无法采用终端设备进行实时视频流的后续解析，则生成视频解析申请，并将视频解析申请发送至视频解析服务器，请求视频解析服务器进行后续的视频解析。视频解析服务器接收到视频解析申请后，从视频存储服务器中获取实时视频流，并比较实时视频流与预设图像库中的图像，得到目标相似度，在目标相似度大于预设阈值时，生成第二报警信息，并将第二报警信息发送至终端设备，终端设备接收视频解析服务器生成的第二报警信息，用以提醒执法人员，使执法人员能够有针对性的进行执法，以提高执法人员的执法效率。
可选地，还可以在终端设备设置视频流解析选择按钮，终端设备根据选择按钮的状态选择采用终端设备进行视频的解析还是采用视频解析服务器进行视频的解析。例如，在终端设备的显示界面显示选择按钮，用户根据终端设备的CPU资源、内存资源、硬盘资源和网络资源选择采用终端设备进行视频的解析还是采用视频解析服务器进行视频的解析。
上述实施例中，若第一计算资源小于或等于第二计算资源，则生成视频解析申请，并将视频解析申请发送至视频解析服务器，采用视频解析服务器对实时视频流进行后续的视频解析处理，提高视频解析的效率。同时，生成第二报警信息，并将第二报警信息发送至终端设备，终端设备接收视频解析服务器生成的第二报警信息，用以提醒执法人员，使执法人员能够有针对性的进行执法，以提高执法人员的执法效率。
在一个实施例中，为步骤S300的一种可实施方式，包括：
从实时视频流中截取图像，得到目标图像；比较目标图像与预设人脸库和预设车辆库中的图像，得到目标相似度。
其中，预设图像库包括预设人脸库或预设车辆库。
具体地，从实时视频流中截取图像，将截取到的高质量人脸图像或高质量车牌图像确定为用于检测的目标图像。将得到的目标图像与预设人脸库和预设车辆库中的图像进行对比，得到目标相似度。
可选地，关于将目标图像与预设人脸库中的图像进行对比，具体包括：
利用视频连续帧图像的人脸检测和人体上半身检测的关联性，进行人脸轨迹进行跟踪，提取轨迹中的高质量人脸进行特征提取，包括：
(1)读取视频流：从公共数据集获取人脸训练测试资源；从这些资源中获取人脸图像，对获取的人脸图像进行预处理或者数据扩充，得到人脸数据集。(2)人脸检测：利用神经网络检测算法进行人脸检测模型训练，得到人脸检测模型。人脸检测测试利用上面模型，输入人脸图片，最后得到人脸矩形框和置信度，如g＝[x,y,w,h,s],其中x，y左上角坐标，w，h为矩形框的长宽，s为检测的分数。(3)身体上部检测：从人体位置公共数据集获取训练测试资源；从这些资源中获取人体关键点，再利用关键点生成身体上部分的矩形框，作为物体检测的训练框。利用神经网络算法进行身体上部检测模型训练；得到身体上部检测模型。身体上部检测测试利用保存的训练模型，输入图片推理，得到身体上部矩形框和置信度，如a＝[x,y,w,h,s],坐标意义和人脸一样。(4)检测融合：P＝[a,g]为一个检测向量，包括人脸和身体上部，a为身体上部分检测参数，g为人脸检测参数，假设t时刻图片中检测出Dt个人脸，则
为此时刻第i个人脸。假设t时刻和t+1时刻为相邻2帧检测，则t时刻检测第i个人和t+1时刻的和第j个人的检测关联分数如公式(1)所示：
其中，IOU(·)为身体检测矩形框的交并比，s为人脸检测的置信度，δ(·)为人脸裁剪后送入特征提取后的余弦相似度。γ，β为调整系数值。
(5)轨迹跟踪：有了匹配分数，利用贪婪算法，找到2帧之间匹配分数最大的作为轨迹数据。(6)轨迹高质量人脸选择：根据人脸清晰度、人脸角度、遮挡程度和光线情况，选取轨迹中人脸质量最高的前n人脸作为特征提取备选人脸。(7)人脸特征提取：把轨迹中高质量人脸进行矫正，再输入人脸特征提取模型，提取人脸特征向量，特征向量为512维的浮点数向量。(8)特征融合：把轨迹中高质量人脸特征进行平均值融合，提高检测精度。(9)人脸比对：把融合后的人脸特征和数据库中预先提取的人脸向量进行比对，做人脸识别。
可选地，关于将目标图像与预设车牌库中的图像进行对比，包括：
(1)执法仪视频采集。(2)车辆检测：采用深度学习对车辆进行模型训练，为了能在执法仪嵌入端达到实时模型检测，对模型进行通道裁剪，最终模型大小为1.3M，在进行int8模型量化，模型大小转换为32KB，利用C++移植到ARM系统，进行车辆检测推理。(3)车辆跟踪：由于车辆静止，而执法仪运动，所以转换坐标关系，把车辆相对应于执法仪发生运动，执法仪保持速度变化较小的情况下，利用匈牙利匹配算法，运动距离最小的2个车辆为同一个轨迹线。(4)车牌检测：为了提高检测速度，以(2)中车辆检测算法检测的车辆图像切图做为输入。执法仪运动过程中的晃动，而且有些车辆停车较偏，为了达到很好的识别率，训练前标注车牌的检测框和4个关键点，神经网络采用检测框损失和4个关键点损失一起训练模型。在推理阶段，检测出车牌矩形框，再用4个关键点进行校正，这种方法能够把比较偏的车牌纠正到平均正常位置，为后期车牌识别提高准确率。(5)车牌识别：神经网络多车牌识别进行端到端的训练，从而避免字符分割引起的误差造成的错误识别。推理阶段，对检测校正过后的车牌输入网络，推理计算得到车牌号码。(6)错误车牌过滤：执法仪器运动过程中，必然引起抖动造成车牌模糊而引起错误识别，但是错误识别的车牌为随机变化，在同一个车牌上保持的概率很小，所以对于同一辆车的跟踪轨迹，采用概率最大化算法，只提取轨迹中概率最大的车牌号码作为最终车辆的车牌号码，这样大大提高了车牌识别的准确率。(7)车辆报警：根据识别结果进行报警。
上述实施例中，从实时视频流中截取图像，得到目标图像；比较目标图像与预设人脸库和预设车辆库中的图像，得到目标相似度。能够为后续根据相似度生成相应报警信息提供数据基础，避免误报警的现象。
在一个实施例中，如图4所示，为步骤S400之后的一种可实施方式的流程示意图，包括：
步骤S510，向管理后台推送第一报警信息或第二报警信息。
步骤S520，接收管理后台根据第一报警信息或第二报警信息生成的位置信息访问请求。
步骤S530，响应于位置信息访问请求，将目标位置发送至管理后台；其中，目标位置为执法仪获取实时视频流的位置。
其中，管理后台是指对报警信息进行管理的后台系统。
具体地，终端设备或视频解析服务器生成报警信息(第一报警信息和第二报警信息)后，会向管理后台推送第一报警信息或第二报警信息。管理后台对上述报警信息进行分析后，确定是否需要为现场支援，若需要，则向终端设备发送位置信息访问请求，终端设备接收管理后台根据第一报警信息或第二报警信息生成的位置信息访问请求，并响应于位置信息访问请求，将目标位置发送至管理后台；其中，目标位置为执法仪获取实时视频流的位置，执法仪与终端设备均配备在执法人员处，两者的位置相同。管理后台获取到相应的目标位置后，可以按照目标位置为执法现场提供支援，以提高执法效率。
上述实施例中，向管理后台推送第一报警信息或第二报警信息；接收管理后台根据第一报警信息或第二报警信息生成的位置信息访问请求；响应于位置信息访问请求，将目标位置发送至管理后台；其中，目标位置为执法仪获取实时视频流的位置。从而可以按照目标位置为执法现场提供支援，以提高执法效率。
在一个实施例中，如图5所示，提供了一种视频解析方法，以该方法应用于图1中的视频解析服务器为例进行说明，包括以下步骤：
步骤S100’，接收视频解析申请；其中，视频解析申请为第一计算资源小于或等于第二计算资源时生成的，第一计算资源为终端设备中能够提供的用于解析实时视频流的计算资源，第二计算资源为解析实时视频流需要的计算资源。
步骤S200’，响应于视频解析申请，从视频存储服务器获取实时视频流；其中，视频存储服务器存储有执法仪推送的实时视频流。
步骤S300’，比较实时视频流与预设图像库中的图像，得到目标相似度。
步骤S400’，当目标相似度大于预设阈值时，向终端设备和管理后台推送报警信息。
其中，计算资源是指解析实时视频流时所需的CPU资源、内存资源、硬盘资源和网络资源。第一计算资源为终端设备中能够提供的用于解析实时视频流的计算资源，第二计算资源为解析实时视频流需要的计算资源。预设图像库是存储有需要执法人员特别注意的图像的数据库，其中的图像可以是人脸黑名单库、车牌黑名单库或其他需要执法人员特别注意的图像。目标相似度是指实时视频流与预设图像库中图像的相似度。预设阈值是指判断目标相似度是否达到报警条件的临界值，可以为0.6、0.7、0.8、0.9不等。当目标相似度大于预设阈值时，认为在实时视频流中检测到与预设图像库中的图像相似的图像。
具体地，应用执法仪采集实时视频流，并将实时视频流存储至视频存储服务器。终端设备从视频存储服务器获取实时视频流，并检测第一计算资源与第二计算资源之间的大小关系。若第一计算资源小于或等于第二计算资源，认为终端设备中没有足够的计算资源用于实时视频流的解析，此时无法采用终端设备进行实时视频流的后续解析，则生成视频解析申请，并将视频解析申请发送至视频解析服务器，请求视频解析服务器进行后续的视频解析。视频解析服务器接收到视频解析申请后，从视频存储服务器中获取实时视频流，并比较实时视频流与预设图像库中的图像，得到目标相似度，在目标相似度大于预设阈值时，生成报警信息，并将报警信息发送至终端设备，终端设备接收视频解析服务器生成的报警信息，用以提醒执法人员，使执法人员能够有针对性的进行执法，以提高执法人员的执法效率。
上述视频解析方法中，接收视频解析申请；其中，视频解析申请为第一计算资源小于或等于第二计算资源时生成的，第一计算资源为终端设备中能够提供的用于解析实时视频流的计算资源，第二计算资源为解析实时视频流需要的计算资源；响应于视频解析申请，从视频存储服务器获取实时视频流；其中，视频存储服务器存储有执法仪推送的实时视频流；比较实时视频流与预设图像库中的图像，得到目标相似度；当目标相似度大于预设阈值时，向终端设备和管理后台推送报警信息，并通过报警信息，提醒执法人员，在实时视频流中存在与预设图像库中的图像相似的图像，使执法人员能够有针对性的进行执法，以提高执法人员的执法效率。
在一个实施例中，提供了一种视频解析系统，该系统能够对执法过程中的现场情况进行数据化记录，事后可以提供有效的现场影像资料，供案件指挥、侦破和检察机关取证；同时也支持实时音视频通信，配合指挥调度平台的交互可以实现呼叫控制，接续和调度功能。其架构组件包括：(1)App：基于平台提供的API开发基于视频、音频的实时通信应用。(2)API：标准API，统一管理、统一输出。(3)Transport/Session：RTP Stack协议栈：RealTime Protocol；STUN/ICE：可以通过STUN和ICE组件来建立不同类型网络间的呼叫连接；Session Management：一个抽象的会话层，提供会话建立和管理功能。(4)VoiceEngine：音频引擎是包含一系列音频多媒体处理的框架，包括从视频采集卡到网络传输端等整个解决方案。iSAC，Internet Speech Audio Codec：针对VoIP和音频流的宽带和超宽带音频编解码器，是WebRTC音频引擎的默认的编解码器。采样频率：16khz，24khz，32khz；(默认为16khz)；自适应速率为10kbit/s～52kbit/，自适应包大小：30～60ms；算法延时：frame+3ms。iLBC，Internet Low Bitrate Codec：VoIP音频流的窄带语音编解码器。标准由IETFRFC3951和RFC3952定义。采样频率：8khz；20ms帧比特率为15.2kbps；30ms帧比特率为13.33kbps。NetEQ for Voice，针对音频软件实现的语音信号处理元件。NetEQ算法：自适应抖动控制算法以及语音包丢失隐藏算法。使其能够快速且高解析度地适应不断变化的网络环境，确保音质优美且缓冲延迟最小。Acoustic Echo Canceler(AEC)，回声消除器是一个基于软件的信号处理元件，能实时的去除mic采集到的回声。Noise Reduction(NR)，噪声抑制也是一个基于软件的信号处理元件，用于消除与相关VoIP的某些类型的背景噪声(嘶嘶声，风扇噪音等等)。(5)VideoEngine，VideoEngine是包含一系列视频处理的整体框架，从摄像头采集视频到视频信息网络传输再到视频显示整个完整过程的解决方案。VP8，视频图像编解码器适合实时通信应用场景，因为它主要是针对低延时而设计的编解码器。VideoJitter Buffer，视频抖动缓冲器，可以降低由于视频抖动和视频信息包丢失带来的不良影响。Image enhancements，图像质量增强模块：对网络摄像头采集到的图像进行处理，包括明暗度检测、颜色增强、降噪处理等功能，用来提升视频质量。该系统的具体技术参数为：
上述视频解析系统中的执法仪和手机均为可移动设备，具有较强机动性，能一定程度解决当前安防、城管、交通等视频摄像头需要设定在固定的位置的弊端，做到更大范围的监控，提高执法效率，节约成本。
应该理解的是，虽然图1-5的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1-5中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图6所示，提供了一种视频解析装置，包括：视频流获取模块601、资源检测模块602、相似度确定模块603和报警信息生成模块604，其中：
视频流获取模块601，用于从视频存储服务器获取实时视频流；其中，视频存储服务器存储有执法仪推送的实时视频流；
资源检测模块602，用于检测第一计算资源与第二计算资源之间的大小关系；其中，第一计算资源为终端设备中能够提供的用于解析实时视频流的计算资源，第二计算资源为解析实时视频流需要的计算资源；
相似度确定模块603，用于若第一计算资源大于第二计算资源，则比较实时视频流与预设图像库中的图像，得到目标相似度；
报警信息生成模块604，用于当目标相似度大于预设阈值时，生成第一报警信息。
在其中一个实施例中，资源检测模块602还用于：若第一计算资源小于或等于第二计算资源，则生成视频解析申请，并将视频解析申请发送至视频解析服务器；接收视频解析服务器生成的第二报警信息；其中，第二报警信息为视频解析服务器比较实时视频流与预设图像库中的图像，得到目标相似度，并在目标相似度大于预设阈值时，生成的报警信息。
在其中一个实施例中，相似度确定模块603还用于：从实时视频流中截取图像，得到目标图像；比较目标图像与预设人脸库和预设车辆库中的图像，得到目标相似度。
在其中一个实施例中，视频解析装置还包括位置获取模块，用于：向管理后台推送第一报警信息或第二报警信息；接收管理后台根据第一报警信息或第二报警信息生成的位置信息访问请求；响应于位置信息访问请求，将目标位置发送至管理后台；其中，目标位置为执法仪获取实时视频流的位置。
在一个实施例中，如图7所示，提供了一种视频解析装置，包括：视频流获取模块601、资源检测模块602、相似度确定模块603和报警信息生成模块604，其中：
解析申请获取模块701，用于接收视频解析申请；其中，视频解析申请为第一计算资源小于或等于第二计算资源时生成的，第一计算资源为终端设备中能够提供的用于解析实时视频流的计算资源，第二计算资源为解析实时视频流需要的计算资源；
视频流获取模块702，用于响应于视频解析申请，从视频存储服务器获取实时视频流；其中，视频存储服务器存储有执法仪推送的实时视频流；
相似度确定模块703，用于比较实时视频流与预设图像库中的图像，得到目标相似度；
报警信息生成模块704，用于当目标相似度大于预设阈值时，向终端设备和管理后台推送报警信息。
在其中一个实施例中，相似度确定模块703还用于：从实时视频流中截取图像，得到目标图像；比较目标图像与预设人脸库和预设车辆库中的图像，得到目标相似度。
关于视频解析装置的具体限定可以参见上文中对于视频解析方法的限定，在此不再赘述。上述视频解析装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种视频解析方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图8中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
从视频存储服务器获取实时视频流；其中，视频存储服务器存储有执法仪推送的实时视频流；
检测第一计算资源与第二计算资源之间的大小关系；其中，第一计算资源为终端设备中能够提供的用于解析实时视频流的计算资源，第二计算资源为解析实时视频流需要的计算资源；
若第一计算资源大于第二计算资源，则比较实时视频流与预设图像库中的图像，得到目标相似度；
当目标相似度大于预设阈值时，生成第一报警信息。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：若第一计算资源小于或等于第二计算资源，则生成视频解析申请，并将视频解析申请发送至视频解析服务器；接收视频解析服务器生成的第二报警信息；其中，第二报警信息为视频解析服务器比较实时视频流与预设图像库中的图像，得到目标相似度，并在目标相似度大于预设阈值时，生成的报警信息。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：从实时视频流中截取图像，得到目标图像；比较目标图像与预设人脸库和预设车辆库中的图像，得到目标相似度。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：向管理后台推送第一报警信息或第二报警信息；接收管理后台根据第一报警信息或第二报警信息生成的位置信息访问请求；响应于位置信息访问请求，将目标位置发送至管理后台；其中，目标位置为执法仪获取实时视频流的位置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
接收视频解析申请；其中，视频解析申请为第一计算资源小于或等于第二计算资源时生成的，第一计算资源为终端设备中能够提供的用于解析实时视频流的计算资源，第二计算资源为解析实时视频流需要的计算资源；
响应于视频解析申请，从视频存储服务器获取实时视频流；其中，视频存储服务器存储有执法仪推送的实时视频流；
比较实时视频流与预设图像库中的图像，得到目标相似度；
当目标相似度大于预设阈值时，向终端设备和管理后台推送报警信息。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：从实时视频流中截取图像，得到目标图像；比较目标图像与预设人脸库和预设车辆库中的图像，得到目标相似度。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
从视频存储服务器获取实时视频流；其中，视频存储服务器存储有执法仪推送的实时视频流；
检测第一计算资源与第二计算资源之间的大小关系；其中，第一计算资源为终端设备中能够提供的用于解析实时视频流的计算资源，第二计算资源为解析实时视频流需要的计算资源；
若第一计算资源大于第二计算资源，则比较实时视频流与预设图像库中的图像，得到目标相似度；
当目标相似度大于预设阈值时，生成第一报警信息。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：若第一计算资源小于或等于第二计算资源，则生成视频解析申请，并将视频解析申请发送至视频解析服务器；接收视频解析服务器生成的第二报警信息；其中，第二报警信息为视频解析服务器比较实时视频流与预设图像库中的图像，得到目标相似度，并在目标相似度大于预设阈值时，生成的报警信息。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：从实时视频流中截取图像，得到目标图像；比较目标图像与预设人脸库和预设车辆库中的图像，得到目标相似度。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：向管理后台推送第一报警信息或第二报警信息；接收管理后台根据第一报警信息或第二报警信息生成的位置信息访问请求；响应于位置信息访问请求，将目标位置发送至管理后台；其中，目标位置为执法仪获取实时视频流的位置。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
接收视频解析申请；其中，视频解析申请为第一计算资源小于或等于第二计算资源时生成的，第一计算资源为终端设备中能够提供的用于解析实时视频流的计算资源，第二计算资源为解析实时视频流需要的计算资源；
响应于视频解析申请，从视频存储服务器获取实时视频流；其中，视频存储服务器存储有执法仪推送的实时视频流；
比较实时视频流与预设图像库中的图像，得到目标相似度；
当目标相似度大于预设阈值时，向终端设备和管理后台推送报警信息。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：从实时视频流中截取图像，得到目标图像；比较目标图像与预设人脸库和预设车辆库中的图像，得到目标相似度。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种视频解析方法，其特征在于，所述方法应用于终端设备，包括：
从视频存储服务器获取实时视频流；其中，所述视频存储服务器存储有执法仪推送的实时视频流；
检测第一计算资源与第二计算资源之间的大小关系；其中，所述第一计算资源为所述终端设备中能够提供的用于解析所述实时视频流的计算资源，所述第二计算资源为解析所述实时视频流需要的计算资源；
若所述第一计算资源大于所述第二计算资源，则比较所述实时视频流与预设图像库中的图像，得到目标相似度；
当所述目标相似度大于预设阈值时，生成第一报警信息。
2.根据权利要求1所述的方法，其特征在于，所述检测第一计算资源与第二计算资源之间的大小关系之后，还包括：
若所述第一计算资源小于或等于所述第二计算资源，则生成视频解析申请，并将所述视频解析申请发送至视频解析服务器；
接收所述视频解析服务器生成的第二报警信息；其中，所述第二报警信息为所述视频解析服务器比较所述实时视频流与预设图像库中的图像，得到目标相似度，并在所述目标相似度大于所述预设阈值时，生成的报警信息。
3.根据权利要求1或2所述的方法，其特征在于，所述预设图像库包括预设人脸库或预设车辆库；
所述比较所述实时视频流与预设图像库中的图像，得到目标相似度，包括：
从所述实时视频流中截取图像，得到目标图像；
比较所述目标图像与所述预设人脸库和所述预设车辆库中的图像，得到所述目标相似度。
4.根据权利要求2所述的方法，其特征在于，所述当所述目标相似度大于预设阈值时，生成第一报警信息之后，包括：
向管理后台推送所述第一报警信息或所述第二报警信息；
接收所述管理后台根据所述第一报警信息或所述第二报警信息生成的位置信息访问请求；
响应于所述位置信息访问请求，将目标位置发送至所述管理后台；其中，所述目标位置为所述执法仪获取所述实时视频流的位置。
5.一种视频解析方法，其特征在于，所述方法应用于视频解析服务器，包括：
接收视频解析申请；其中，所述视频解析申请为第一计算资源小于或等于第二计算资源时生成的，所述第一计算资源为终端设备中能够提供的用于解析所述实时视频流的计算资源，所述第二计算资源为解析所述实时视频流需要的计算资源；
响应于所述视频解析申请，从视频存储服务器获取实时视频流；其中，所述视频存储服务器存储有执法仪推送的实时视频流；
比较所述实时视频流与预设图像库中的图像，得到目标相似度；
当所述目标相似度大于预设阈值时，向终端设备和管理后台推送报警信息。
6.根据权利要求5所述的方法，其特征在于，所述预设图像库包括预设人脸库或预设车辆库；
所述比较所述实时视频流与预设图像库中的图像，得到目标相似度，包括：
从所述实时视频流中截取图像，得到目标图像；
比较所述目标图像与所述预设人脸库和所述预设车辆库中的图像，得到所述目标相似度。
7.一种视频解析装置，其特征在于，所述装置应用于终端设备，包括：
视频流获取模块，用于从视频存储服务器获取实时视频流；其中，所述视频存储服务器存储有执法仪推送的实时视频流；
资源检测模块，用于检测第一计算资源与第二计算资源之间的大小关系；其中，所述第一计算资源为所述终端设备中能够提供的用于解析所述实时视频流的计算资源，所述第二计算资源为解析所述实时视频流需要的计算资源；
相似度确定模块，用于若所述第一计算资源大于所述第二计算资源，则比较所述实时视频流与预设图像库中的图像，得到目标相似度；
报警信息生成模块，用于当所述目标相似度大于预设阈值时，生成第一报警信息。
8.一种视频解析装置，其特征在于，所述装置应用于视频解析服务器，包括：
解析申请获取模块，用于接收视频解析申请；其中，所述视频解析申请为第一计算资源小于或等于第二计算资源时生成的，所述第一计算资源为终端设备中能够提供的用于解析所述实时视频流的计算资源，所述第二计算资源为解析所述实时视频流需要的计算资源；
视频流获取模块，用于响应于所述视频解析申请，从视频存储服务器获取实时视频流；其中，所述视频存储服务器存储有执法仪推送的实时视频流；
相似度确定模块，用于比较所述实时视频流与预设图像库中的图像，得到目标相似度；
报警信息生成模块，用于当所述目标相似度大于预设阈值时，向终端设备和管理后台推送报警信息。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110108066.2A CN113194281B (zh) | 2021-01-27 | 2021-01-27 | 视频解析方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110108066.2A CN113194281B (zh) | 2021-01-27 | 2021-01-27 | 视频解析方法、装置、计算机设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113194281A true CN113194281A (zh) | 2021-07-30 |
| CN113194281B CN113194281B (zh) | 2024-04-26 |
Family
ID=76972670
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110108066.2A Active CN113194281B (zh) | 2021-01-27 | 2021-01-27 | 视频解析方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113194281B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114007100A (zh) * | 2021-10-28 | 2022-02-01 | 深圳市商汤科技有限公司 | 视频处理方法、装置、计算机设备以及存储介质 |
| WO2023142714A1 (zh) * | 2022-01-27 | 2023-08-03 | 腾讯科技（深圳）有限公司 | 视频处理协同方法、装置、设备及存储介质 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104410821A (zh) * | 2014-11-25 | 2015-03-11 | 深圳市信义科技有限公司 | 一种大规模智能视频分析运算系统以及运算方法 |
| CN104618693A (zh) * | 2015-02-09 | 2015-05-13 | 北京邮电大学 | 一种基于云计算的监控视频在线处理任务管理方法及系统 |
| CN109583278A (zh) * | 2017-09-29 | 2019-04-05 | 杭州海康威视数字技术股份有限公司 | 人脸识别报警的方法、装置、系统及计算机设备 |
| CN209312052U (zh) * | 2019-01-31 | 2019-08-27 | 长安大学 | 一种人脸识别随身警务系统 |
| CN110245630A (zh) * | 2019-06-18 | 2019-09-17 | 广东中安金狮科创有限公司 | 监控数据处理方法、装置及可读存储介质 |
| CN111263094A (zh) * | 2020-02-04 | 2020-06-09 | 重庆特斯联智慧科技股份有限公司 | 一种公安执法视频人工智能分析方法和系统 |
| CN111698470A (zh) * | 2020-06-03 | 2020-09-22 | 河南省民盛安防服务有限公司 | 一种基于云边协同计算的安防视频监控系统及其实现方法 |
| CN111860352A (zh) * | 2020-07-23 | 2020-10-30 | 上海高重信息科技有限公司 | 一种多镜头车辆轨迹全跟踪系统及方法 |
| CN112115939A (zh) * | 2020-08-26 | 2020-12-22 | 深圳市金溢科技股份有限公司 | 车辆车牌的识别方法、装置 |
| CN112183528A (zh) * | 2020-09-23 | 2021-01-05 | 桂林电子科技大学 | 目标车辆跟踪的方法及其装置、系统和计算机存储介质 |
| CN112232351A (zh) * | 2020-11-09 | 2021-01-15 | 浙江工业职业技术学院 | 一种基于深度神经网络的车牌识别系统 |
-
2021
- 2021-01-27 CN CN202110108066.2A patent/CN113194281B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104410821A (zh) * | 2014-11-25 | 2015-03-11 | 深圳市信义科技有限公司 | 一种大规模智能视频分析运算系统以及运算方法 |
| CN104618693A (zh) * | 2015-02-09 | 2015-05-13 | 北京邮电大学 | 一种基于云计算的监控视频在线处理任务管理方法及系统 |
| CN109583278A (zh) * | 2017-09-29 | 2019-04-05 | 杭州海康威视数字技术股份有限公司 | 人脸识别报警的方法、装置、系统及计算机设备 |
| CN209312052U (zh) * | 2019-01-31 | 2019-08-27 | 长安大学 | 一种人脸识别随身警务系统 |
| CN110245630A (zh) * | 2019-06-18 | 2019-09-17 | 广东中安金狮科创有限公司 | 监控数据处理方法、装置及可读存储介质 |
| CN111263094A (zh) * | 2020-02-04 | 2020-06-09 | 重庆特斯联智慧科技股份有限公司 | 一种公安执法视频人工智能分析方法和系统 |
| CN111698470A (zh) * | 2020-06-03 | 2020-09-22 | 河南省民盛安防服务有限公司 | 一种基于云边协同计算的安防视频监控系统及其实现方法 |
| CN111860352A (zh) * | 2020-07-23 | 2020-10-30 | 上海高重信息科技有限公司 | 一种多镜头车辆轨迹全跟踪系统及方法 |
| CN112115939A (zh) * | 2020-08-26 | 2020-12-22 | 深圳市金溢科技股份有限公司 | 车辆车牌的识别方法、装置 |
| CN112183528A (zh) * | 2020-09-23 | 2021-01-05 | 桂林电子科技大学 | 目标车辆跟踪的方法及其装置、系统和计算机存储介质 |
| CN112232351A (zh) * | 2020-11-09 | 2021-01-15 | 浙江工业职业技术学院 | 一种基于深度神经网络的车牌识别系统 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114007100A (zh) * | 2021-10-28 | 2022-02-01 | 深圳市商汤科技有限公司 | 视频处理方法、装置、计算机设备以及存储介质 |
| WO2023142714A1 (zh) * | 2022-01-27 | 2023-08-03 | 腾讯科技（深圳）有限公司 | 视频处理协同方法、装置、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113194281B (zh) | 2024-04-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109993150B (zh) | 用于识别年龄的方法和装置 | |
| CN109672853B (zh) | 基于视频监控的预警方法、装置、设备及计算机存储介质 | |
| US9473780B2 (en) | Video transmission using content-based frame search | |
| US11694474B2 (en) | Interactive user authentication | |
| CN108345819B (zh) | 一种发送报警消息的方法和装置 | |
| US11017253B2 (en) | Liveness detection method and apparatus, and storage medium | |
| CN113194281B (zh) | 视频解析方法、装置、计算机设备和存储介质 | |
| CN110059623B (zh) | 用于生成信息的方法和装置 | |
| CN112084959B (zh) | 一种人群图像处理方法及装置 | |
| WO2020124994A1 (zh) | 活体检测方法、装置、电子设备及存储介质 | |
| CN115205925A (zh) | 表情系数确定方法、装置、电子设备及存储介质 | |
| WO2021179719A1 (zh) | 人脸活体检测方法、装置、介质及电子设备 | |
| CN112150457A (zh) | 视频检测方法、装置及计算机可读存储介质 | |
| CN112749655A (zh) | 视线追踪方法、装置、计算机设备和存储介质 | |
| KR101748372B1 (ko) | 얼굴 인식 서비스 시스템, 그 시스템에서의 얼굴 인식 서비스 장치 및 방법 | |
| CN110276313B (zh) | 身份认证方法、身份认证装置、介质和计算设备 | |
| CN114879846A (zh) | 触发位置的确定方法、装置、设备及介质 | |
| CN114140797A (zh) | 图像处理方法、智能终端及存储介质 | |
| CN110363132B (zh) | 活体检测方法、装置、电子设备及存储介质 | |
| CN111310595A (zh) | 用于生成信息的方法和装置 | |
| CN115526772B (zh) | 视频处理方法、装置、设备和存储介质 | |
| US11600111B2 (en) | System and method for face recognition | |
| CN114882226A (zh) | 图像处理方法、智能终端及存储介质 | |
| CN114740975A (zh) | 目标内容的获取方法及相关设备 | |
| CN112115740B (zh) | 用于处理图像的方法和装置 |
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 |