CN114926317B - 基于大数据的消防监控视频智能防篡改方法 - Google Patents
基于大数据的消防监控视频智能防篡改方法 Download PDFInfo
- Publication number
- CN114926317B CN114926317B CN202210850511.7A CN202210850511A CN114926317B CN 114926317 B CN114926317 B CN 114926317B CN 202210850511 A CN202210850511 A CN 202210850511A CN 114926317 B CN114926317 B CN 114926317B
- Authority
- CN
- China
- Prior art keywords
- watermark
- temperature image
- fire
- protection
- area
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T1/00—General purpose image data processing
- G06T1/0021—Image watermarking
-
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/80—Generation or processing of content or additional data by content creator independently of the distribution process; Content per se
- H04N21/83—Generation or processing of protective or descriptive data associated with content; Content structuring
- H04N21/835—Generation of protective data, e.g. certificates
- H04N21/8358—Generation of protective data, e.g. certificates involving watermark
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Security & Cryptography (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Editing Of Facsimile Originals (AREA)
- Image Processing (AREA)
Abstract
本发明涉及数据处理方法领域,具体涉及一种基于大数据的消防监控视频智能防篡改方法,包括:获取温度图像中的关注连通域;获取关注连通域的保护度,根据保护度得到温度图像的保护区域和水印区域;利用保护区域及水印区域中像素灰度值得到水印区域中像素的水印灰度值,利用水印灰度值在水印区域中插入水印;获取插入水印的温度图像的哈希值;获取验证温度图像,并对该验证温度图像插入水印;得到插入水印的验证温度图像的哈希值;利用插入水印的温度图像和验证温度图像的哈希值对待验证的消防监控视频的真实性进行验证。上述方法用于防止消防监控视频被篡改,可验证视频的真实性。
Description
技术领域
本发明涉及数据处理方法领域,具体涉及一种基于大数据的消防监控视频智能防篡改方法。
背景技术
随着城市化进程的持续进行,智慧城市消防平台也在逐步建设和发展,越来越多的消防监控设备被布置在城市的重要位置,用以记录可能的火灾现场,保留可能的证据。但是保存的消防监控视频的真实性和可靠性无法得到保证,即无法保证消防监控视频的内容是否被篡改过,因此需要对消防监控视频进行保护。
目前常用的保护消防监控视频的手段为插入水印的方式,即将消防监控视频中插入水印,起到保护视频真实性的作用。
但是,插入水印的方式往往会造成视频质量的下降,大大降低了视频的真实性和可靠性。因此亟需一种方法用于实现在保证视频质量的同时,提高消防监控视频的真实性和可靠性。本发明提供了一种基于大数据的消防监控视频智能防篡改方法,通过对消防监控视频数据进行处理,有效提高了视频的真实性和可靠性。
发明内容
本发明提供一种基于大数据的消防监控视频智能防篡改方法,包括:获取温度图像中的关注连通域;获取关注连通域的保护度,根据保护度得到温度图像的保护区域和水印区域;利用保护区域及水印区域中像素灰度值得到水印区域中像素的水印灰度值,利用水印灰度值在水印区域中插入水印;获取插入水印的温度图像的哈希值;获取验证温度图像,并对该验证温度图像插入水印;得到插入水印的验证温度图像的哈希值;利用插入水印的温度图像和验证温度图像的哈希值对待验证的消防监控视频的真实性进行验证,相比于现有技术,本发明通过预测温度图像和实际温度图像的差异获取的关注度和保护度将消防监控视频分割为保护区域和水印区域,根据保护区域的特征在水印区域插入水印,只要保护区域被修改过,保护区域与水印区域之间的关联性就受到破坏,导致无法检测到水印,通过对消防监控视频数据进行处理,在保证视频质量的同时,提高了消防监控视频的真实性和可靠性。
为达到上述目的,本发明采用以下技术方案,一种基于大数据的消防监控视频智能防篡改方法,包括:
获取发生火灾险情后任意时刻的温度图像,并提取该温度图像中的关注连通域。
根据每个关注连通域及其最小外接矩形的面积计算得到每个关注连通域的保护度。
根据每个关注连通域的保护度得到温度图像的保护区域。
将保护区域外围宽度为单个像素的区域作为水印区域,得到该保护区域对应的水印区域。利用保护区域及其对应的水印区域中像素点的灰度值计算得到水印区域中像素点的水印灰度值。
利用得到的水印区域中像素点的水印灰度值在水印区域中插入水印。
对插入水印的温度图像进行加密,得到该插入水印的温度图像的哈希值。
获取待验证的消防监控视频中与该温度图像同一时刻的验证温度图像,并按照温度图像插入水印的方法对该验证温度图像插入水印。
对插入水印的验证温度图像进行加密,得到插入水印的验证温度图像的哈希值。
利用插入水印的温度图像的哈希值和插入水印的验证温度图像的哈希值对待验证的消防监控视频的真实性进行验证。
进一步的,所述一种基于大数据的消防监控视频智能防篡改方法,所述温度图像中的关注连通域是按照如下方式提取:
获取发生火灾险情后任意时刻的历史温度图像和实际温度图像。
根据历史温度图像获取预测温度图像。
根据预测温度图像和实际温度图像得到实际温度图像中每个位置的预测温度和实际温度。
利用实际温度图像中每个位置及其邻近位置的实际温度与预测温度的差异值计算得到实际温度图像中每个位置的关注度。
设置阈值,将关注度大于等于阈值的位置对应的像素点作为关注像素点,得到实际温度图像中的关注像素点。
利用关注像素点获取关注度二值图。
对关注度二值图进行连通域分析,提取发生火灾险情后任意时刻的温度图像中的关注连通域。
进一步的,所述一种基于大数据的消防监控视频智能防篡改方法,所述每个关注连通域的保护度是按照如下方式得到:
获取每个关注连通域的最小外接矩形。
根据每个关注连通域的面积及其对应的最小外接矩形的面积计算得到每个关注连通域的保护度。
进一步的,所述一种基于大数据的消防监控视频智能防篡改方法,所述保护区域对应的水印区域是按照如下方式得到:
设置阈值,将保护度大于等于阈值的关注连通域作为保护区域。
将保护区域外围宽度为单个像素的区域作为水印区域,得到该保护区域对应的水印区域。
进一步,所述一种基于大数据的消防监控视频智能防篡改方法,所述在水印区域中插入水印的过程具体如下:
获取保护区域的最小外接矩形中所有像素点的灰度值。
获取水印区域中所有像素点的灰度值。
利用保护区域的最小外接矩形中所有像素点的灰度值和该保护区域对应的水印区域中所有像素点的灰度值计算得到水印区域中像素点的水印灰度值。
根据水印区域中像素点的水印灰度值在水印区域中插入水印。
进一步的,所述一种基于大数据的消防监控视频智能防篡改方法,所述水印区域中像素点的水印灰度值的计算表达式如下:
式中,分别为保护区域行数和列数,为保护区域第行所有像素点的灰度值的均值,为保护区域第列所有像素点的灰度值的均值,为水印区域第列所有像素点的水印灰度值的均值,水印区域第行所有像素点的水印灰度值的均值,为水印区域第行第列的像素点的灰度值,为水印区域第行第列的像素点的水印灰度值。
进一步的,所述一种基于大数据的消防监控视频智能防篡改方法,所述对消防监控视频的真实性进行验证的过程具体如下:
对插入水印的温度图像的哈希值和插入水印的验证温度图像的哈希值进行判断:当插入水印的温度图像的哈希值和插入水印的验证温度图像的哈希值相同时,则待验证的消防监控视频真实可靠,当插入水印的温度图像的哈希值和插入水印的验证温度图像的哈希值不相同时,则待验证的消防监控视频被篡改。
本发明的有益效果在于:
本发明通过预测温度图像和实际温度图像的差异获取的关注度和保护度将消防监控视频分割为保护区域和水印区域,根据保护区域的特征在水印区域插入水印,只要保护区域被修改过,保护区域与水印区域之间的关联性就受到破坏,导致无法检测到水印,通过对消防监控视频数据进行处理,在保证视频质量的同时,提高了消防监控视频的真实性和可靠性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例1提供的一种消防监控视频智能防篡改方法流程示意图;
图2为本发明实施例2提供的一种消防监控视频智能防篡改方法流程示意图;
图3为本发明实施例2提供的一种水印区域示意图。
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做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。
实施例1
本实施例通过对消防监控视频数据进行处理,在保证视频质量的同时,提高了消防监控视频的真实性和可靠性。
本发明实施例提供一种基于大数据的消防监控视频智能防篡改方法,如图1所示,包括:
S101、获取发生火灾险情后任意时刻的温度图像,并提取该温度图像中的关注连通域。
其中,温度图像包括历史温度图像和实际温度图像。
S102、根据每个关注连通域及其最小外接矩形的面积计算得到每个关注连通域的保护度。
其中,对于关注像素所组成的关注连通域,面积越大、形状越规则,则所述关注连通域越需要保护。
S103、根据每个关注连通域的保护度得到温度图像的保护区域。
其中,当关注连通域的保护度大于等于阈值时,所述关注连通域为保护区域。
S104、利用保护区域得到该保护区域对应的水印区域。
其中, 水印区域为保护区域的外围宽度为单个像素的区域。
S105、利用保护区域及其对应的水印区域中像素点的灰度值计算得到水印区域中像素点的水印灰度值。
其中, 插入的水印是根据保护区域和水印区域灰度值的差值得到。
S106、利用得到的水印区域中像素点的水印灰度值在水印区域中插入水印。
其中, 当保护区域被篡改后,相应的水印区域也会发生变化。
S107、对插入水印的温度图像进行加密,得到该插入水印的温度图像的哈希值。
其中, 通过MD5加密算法获得加密后的哈希值。
S108、获取待验证的消防监控视频中与该温度图像同一时刻的验证温度图像,并按照温度图像插入水印的方法对该验证温度图像插入水印。
其中,利用得到的水印区域中像素点的水印灰度值在水印区域中插入水印。
S109、对插入水印的验证温度图像进行加密,得到插入水印的验证温度图像的哈希值。
其中,通过MD5加密算法获得加密后的哈希值。
S110、利用插入水印的温度图像的哈希值和插入水印的验证温度图像的哈希值对待验证的消防监控视频的真实性进行验证。
其中,通过判断两种哈希值是否相同对消防监控视频的真实性进行验证。
本实施例的有益效果在于:
本实施例通过预测温度图像和实际温度图像的差异获取的关注度和保护度将消防监控视频分割为保护区域和水印区域,根据保护区域的特征在水印区域插入水印,只要保护区域被修改过,保护区域与水印区域之间的关联性就受到破坏,导致无法检测到水印,通过对消防监控视频数据进行处理,在保证视频质量的同时,提高了消防监控视频的真实性和可靠性。
实施例2
本实施例的主要目的:针对传统插入水印在提高消防监控视频的真实性和可靠性的同时,会造成图像质量的下降,本实施例提出来一种基于大数据的消防监控视频智能防篡改方法,通过预测温度图像和实际温度图像的差异获取的关注度和保护度将消防监控视频分割为保护区域和水印区域,根据保护区域的特征在水印区域插入水印,只要保护区域被修改过,保护区域与水印区域之间的关联性就受到破坏,导致无法检测到水印,从而实现对消防监控视频的保护,通过对消防监控视频数据进行处理,在保证视频质量的同时,提高了消防监控视频的真实性和可靠性。
本发明实施例提供一种基于大数据的消防监控视频智能防篡改方法,如图2所示,包括:
S201、通过安装消防监控设备获得温度图像和消防监控视频。
1.本实施例所述消防监控设备包括用于获取温度图像和消防监控视频的红外线摄像头、对温度图像和消防监控视频数据进行分析和存储的大数据系统。
2.红外线摄像头具有对温度敏感、监视面积大的特点。因此,除了提供红外线摄像头获得消防监控视频外,还可以根据其对温度敏感的特点,定量标识温度数据,获得温度图像。
3.本实施例以一分钟为间隔获取并存储温度图像,每张温度图像是所述一分钟间隔内采集的60帧图像的平均温度图像。
4.通过大数据系统的数据分析模块,结合温度图像,对消防监控视频插入水印;通过大数据系统的数据存储模块对加入水印后的消防监控视频以及温度图像进行存储。
5.本实施例所述的消防监控视频是由每一帧温度图像组成。
消防监控视频用以记录可能的火灾现场,保留可能的证据,因此需要保证消防监控视频内容真实可靠,即保证消防监控视频的内容没有被篡改过。插入水印的视频的任何改变会导致水印自身的变化,以此实现对消防监控视频的保护。但是水印的插入会造成视频质量的下降,如何在插入水印的同时保证视频质量。考虑到通过消防监控视频追溯火灾成因的时候,并不是对所有区域都关注,而是关注温度发生较大改变的区域。因此,只需要根据温度变化获取关注度,根据关注度将消防监控视频分割为保护区域和水印区域,进而根据保护区域的特征在水印区域插入水印。所述的插入水印的方法增加了保护区域与水印区域之间的关联性,保护区域的任何改变都会导致水印自身的变化,以此实现保证视频质量的同时,对消防监控视频的保护。
本实施例要根据保护区域的特征在水印区域插入水印,需先根据保护度分割出保护区域和水印区域,通过预测温度图像与实际温度图像的差异计算关注度和保护度,具体过程为:
S202、根据历史温度图像获取预测温度图像。
训练预测温度图像的模型,根据历史温度图像获取预测温度图像。温度在较短的时间内的变化规律是相同的,因此可以利用过去一段时间的数据来预测未来一段时间内的温度信息。所述模型是根据时间跨度为5天的历史温度图像数据集训练的LSTM神经网络模型,所述模型的输入为前一时刻的温度图像,输出为当前时刻的预测温度图像。
S203、根据预测温度图像与实际温度图像的差异计算关注度。
根据预测温度图像与实际温度图像的差异计算关注度。某个位置的温度在一定区域的短时间内的变化规律是相同的,因此当某个位置的实际温度与预测温度存在较大差异,或某个位置的温度变化与周围其他位置的温度变化存在较大差异时,说明该位置的温度变化不正常,需要重点关注。获取某个位置的关注度的计算公式为:
式中,为某个位置的实际温度与预测温度的差异值,为所述位置的5×5邻域内第个位置的实际温度与预测温度的差异值,为归一化系数,为上述位置的关注度;当某个位置的实际温度与预测温度的差异值越大,或上述位置的差异值与周围其他位置的差异值的差值越大,则所述位置的关注度越大。
S204、根据关注度获得每个连通域的保护度。
2.对于关注像素所组成的关注连通域,面积越大、形状越规则,则所述关注连通域越需要保护。通过关注连通域的大小和形状计算保护度的计算公式为:
S205、根据保护度对消防监控视频进行阈值分割,获取保护区域和水印区域。
水印区域为保护区域的外围宽度为单个像素的区域,如图3所示白色区域。
S206、根据保护区域的特征在水印区域插入水印。
根据保护区域的特征在水印区域插入水印。本实施例为了实现对视频质量的保证,需要插入水印,所述插入水印的方式是通过增加保护区域与水印区域之间的关联性,保护区域的任何改变都会导致水印自身的变化,导致无法检测到水印,从而实现对消防监控视频的保护。所述保护区域的最小外接矩形的大小为,基于该最小外接矩形,根据保护区域的灰度值在水印区域插入水印,具体计算公式为:
式中,分别为保护区域行数和列数,为保护区域第行所有像素的灰度值的均值,为保护区域第列所有像素的灰度值的均值,为水印区域第列所有像素的水印灰度值的均值,水印区域第行所有像素的水印灰度值的均值,为水印区域第行第列的像素的灰度值,为水印区域第行第列的像素的水印灰度值。
至此,根据保护区域的特征在水印区域插入水印,实现对消防监控视频的保护。
S207、验证消防监控视频的真实性。
通过消防监控设备的大数据系统的数据存储模块,将消防监控视频以及温度图像进行存储;对水印图像通过MD5加密算法获得加密后的哈希值,将所述哈希值作为标签进行存储。
对需要验证真实性的消防监控视频(为存储的消防监控视频截取得到),根据所述插入水印的步骤,获得验证水印,当验证水印的哈希值与保存的水印的哈希值相同时,说明待验证的消防监控视频真实可靠,否则说明待验证的消防监控视频被篡改。
至此,实现对消防监控视频真实性的验证。
本实施例的有益效果在于:
本实施例通过预测温度图像和实际温度图像的差异获取的关注度和保护度将消防监控视频分割为保护区域和水印区域,根据保护区域的特征在水印区域插入水印,只要保护区域被修改过,保护区域与水印区域之间的关联性就受到破坏,导致无法检测到水印,通过对消防监控视频数据进行处理,在保证视频质量的同时,提高了消防监控视频的真实性和可靠性。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种基于大数据的消防监控视频智能防篡改方法,其特征在于,包括:
获取发生火灾险情后任意时刻的温度图像,并提取该温度图像中的关注连通域;
根据每个关注连通域及其最小外接矩形的面积计算得到每个关注连通域的保护度;
所述每个关注连通域的保护度的表达式如下:
根据每个关注连通域的保护度得到温度图像的保护区域;
将保护区域外围宽度为单个像素的区域作为水印区域,得到该保护区域对应的水印区域;
利用保护区域的最小外接矩形及该保护区域对应的水印区域中像素点的灰度值计算得到水印区域中像素点的水印灰度值;
利用得到的水印区域中像素点的水印灰度值在水印区域中插入水印;
对插入水印的温度图像进行加密,得到该插入水印的温度图像的哈希值;
获取待验证的消防监控视频中与该温度图像同一时刻的验证温度图像,并按照温度图像插入水印的方法对该验证温度图像插入水印;
对插入水印的验证温度图像进行加密,得到插入水印的验证温度图像的哈希值;
利用插入水印的温度图像的哈希值和插入水印的验证温度图像的哈希值对待验证的消防监控视频的真实性进行验证。
2.根据权利要求1所述的一种基于大数据的消防监控视频智能防篡改方法,其特征在于,所述温度图像中的关注连通域是按照如下方式提取:
获取发生火灾险情后任意时刻的历史温度图像和实际温度图像;
根据历史温度图像获取预测温度图像;
根据预测温度图像和实际温度图像得到实际温度图像中每个位置的预测温度和实际温度;
利用实际温度图像中每个位置及其邻近位置的实际温度与预测温度的差异值计算得到实际温度图像中每个位置的关注度;
设置阈值,将关注度大于等于阈值的位置对应的像素点作为关注像素点,得到实际温度图像中的关注像素点;
利用关注像素点获取关注度二值图;
对关注度二值图进行连通域分析,提取发生火灾险情后任意时刻的温度图像中的关注连通域。
3.根据权利要求1所述的一种基于大数据的消防监控视频智能防篡改方法,其特征在于,所述保护区域对应的水印区域是按照如下方式得到:
设置阈值,将保护度大于等于阈值的关注连通域作为保护区域;
将保护区域外围宽度为单个像素的区域作为水印区域,得到该保护区域对应的水印区域。
4.根据权利要求1所述的一种基于大数据的消防监控视频智能防篡改方法,其特征在于,所述利用插入水印的温度图像的哈希值和插入水印的验证温度图像的哈希值对待验证的消防监控视频的真实性进行验证的过程具体如下:
对插入水印的温度图像的哈希值和插入水印的验证温度图像的哈希值进行判断:当插入水印的温度图像的哈希值和插入水印的验证温度图像的哈希值相同时,则待验证的消防监控视频真实可靠,当插入水印的温度图像的哈希值和插入水印的验证温度图像的哈希值不相同时,则待验证的消防监控视频被篡改。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210850511.7A CN114926317B (zh) | 2022-07-20 | 2022-07-20 | 基于大数据的消防监控视频智能防篡改方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210850511.7A CN114926317B (zh) | 2022-07-20 | 2022-07-20 | 基于大数据的消防监控视频智能防篡改方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114926317A CN114926317A (zh) | 2022-08-19 |
CN114926317B true CN114926317B (zh) | 2022-11-11 |
Family
ID=82815620
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210850511.7A Active CN114926317B (zh) | 2022-07-20 | 2022-07-20 | 基于大数据的消防监控视频智能防篡改方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114926317B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115311607B (zh) * | 2022-10-10 | 2023-04-14 | 南通蓝玺新材料有限公司 | 一种环氧树脂生产监控数据管理方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109376749B (zh) * | 2018-05-22 | 2021-03-19 | 国网山东省电力公司电力科学研究院 | 基于深度学习的输变电设备红外图像温宽范围识别方法 |
CN108876697B (zh) * | 2018-06-22 | 2022-02-25 | 南开大学 | 像素级图像认证、篡改检测及恢复方法 |
CN109815653A (zh) * | 2019-01-31 | 2019-05-28 | 上海计算机软件技术开发中心 | 一种基于深度学习的pdf文本水印提取及比对方法 |
-
2022
- 2022-07-20 CN CN202210850511.7A patent/CN114926317B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114926317A (zh) | 2022-08-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8855420B2 (en) | Descriptor determination in a multimedia content | |
US7492957B1 (en) | Using run length encoding to detect target images | |
CN114926317B (zh) | 基于大数据的消防监控视频智能防篡改方法 | |
CN112383554B (zh) | 接口流量异常检测方法、装置、终端设备及存储介质 | |
CN106982372B (zh) | 图像处理方法及设备 | |
KR101746074B1 (ko) | 디지털 동영상 위변조 분석시스템 및 그 방법 | |
CN114241370A (zh) | 基于数字孪生变电站的入侵识别方法、装置和计算机设备 | |
CN112597928A (zh) | 一种事件检测方法及相关装置 | |
CN112329745A (zh) | 训练方法、人脸防伪检测方法、相关设备及存储介质 | |
EP2009639B1 (en) | Semi fragile signature for authorising content modification if the difference between the fingerprints before and after modification is under a threshold transmitted together with the content. | |
CN114926791A (zh) | 一种路口车辆异常变道检测方法、装置、存储介质及电子设备 | |
US20050105763A1 (en) | Real time video watermarking method using frame averages | |
CN112733652B (zh) | 图像目标识别方法、装置、计算机设备及可读存储介质 | |
CN116189063B (zh) | 一种用于智能视频监控的关键帧优化方法及装置 | |
CN113378118A (zh) | 处理图像数据的方法、装置、电子设备和计算机存储介质 | |
CN115546906A (zh) | 检测图像中人脸活度的系统和方法及电子设备 | |
CN113496187A (zh) | 一种基于视频指纹的视频匹配方法及装置 | |
CN114399537B (zh) | 一种目标人员的车辆跟踪方法及系统 | |
CN115376275B (zh) | 一种基于图像处理的施工安全告警方法及系统 | |
CN116546275A (zh) | 一种基于差分隐私保护的视频脱敏方法及系统 | |
CN116320713B (zh) | 一种基于图像信号处理器参数优化的隐私保护方法 | |
CN117333995A (zh) | 一种基于yolo-v3的高温气冷堆周界入侵探测报警方法及系统 | |
CN117896164A (zh) | 网络攻击识别模型训练和网络攻击识别方法及装置 | |
CN113537296A (zh) | 特征检测方法、装置及计算机存储介质 | |
JP5422948B2 (ja) | 映像データ送信サーバ、映像データ送信システム及び映像データ送信方法 |
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 |