CN115294409A - 一种用于安防监控的视频压缩方法、系统及介质 - Google Patents

一种用于安防监控的视频压缩方法、系统及介质 Download PDF

Info

Publication number
CN115294409A
CN115294409A CN202211219820.0A CN202211219820A CN115294409A CN 115294409 A CN115294409 A CN 115294409A CN 202211219820 A CN202211219820 A CN 202211219820A CN 115294409 A CN115294409 A CN 115294409A
Authority
CN
China
Prior art keywords
image
image block
gray
contribution degree
monitoring
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
Application number
CN202211219820.0A
Other languages
English (en)
Other versions
CN115294409B (zh
Inventor
黄国杰
葛仕艳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fuzhou Shenglan Intelligent Technology Co ltd
Original Assignee
Nantong Commercial Wing Information Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nantong Commercial Wing Information Technology Co ltd filed Critical Nantong Commercial Wing Information Technology Co ltd
Priority to CN202211219820.0A priority Critical patent/CN115294409B/zh
Publication of CN115294409A publication Critical patent/CN115294409A/zh
Application granted granted Critical
Publication of CN115294409B publication Critical patent/CN115294409B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • 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
    • H04N19/169—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the coding unit, i.e. the structural portion or semantic portion of the video signal being the object or the subject of the adaptive coding
    • H04N19/17—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the coding unit, i.e. the structural portion or semantic portion of the video signal being the object or the subject of the adaptive coding the unit being an image region, e.g. an object
    • H04N19/176—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the coding unit, i.e. the structural portion or semantic portion of the video signal being the object or the subject of the adaptive coding the unit being an image region, e.g. an object the region being a block, e.g. a macroblock
    • 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
    • H04N19/169—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the coding unit, i.e. the structural portion or semantic portion of the video signal being the object or the subject of the adaptive coding
    • H04N19/182—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the coding unit, i.e. the structural portion or semantic portion of the video signal being the object or the subject of the adaptive coding the unit being a pixel
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及视频压缩传输技术领域，具体涉及一种用于安防监控的视频压缩方法、系统及介质，该方法包括：获取安防监控的多帧监控图像及其灰度图像，对灰度图像进行分块，并对图像块进行分类，计算每个像素点的初始贡献度，计算相邻帧监控图像中两个对应的图像块的差异值，根据差异值计算该图像块的重要程度，并确定像素点的重要程度，根据像素点的重要程度对该像素点的初始贡献度进行修正，并根据修正后的贡献度及贡献度阈值确定最终贡献度，根据最终贡献度对应的像素点的灰度值构建初始字典矩阵，基于初始字典矩阵进行KSVD字典训练，对训练好的最终字典矩阵及稀疏矩阵进行存储，本发明方法提高了压缩过程的压缩传输效率。

Description

一种用于安防监控的视频压缩方法、系统及介质
技术领域
本发明涉及视频压缩传输技术领域，具体涉及一种用于安防监控的视频压缩方法、系统及介质。
背景技术
随着社会的发展，视频监控系统作为公共安防的重要措施其得到了广泛应用，但是随着安防监控视频数据的增多，安防视频的存储和传输成本也造成了很大的问题。
在信号处理领域中，可以使用稀疏的信号代替整个信号，由于安防监控视频本身也是一种信号，这意味着可以将安防监控视频利用稀疏的信号表示，这样就可以用少量的数据表示整个视频。
现有技术中，利用KSVD算法对图像进行稀疏分解，并将得到的最后的字典矩阵和稀疏矩阵存储至服务器中来完成数据压缩，在传统的初始化字典矩阵的过程中，不同的图像特征对字典矩阵的贡献是均等的，且传统技术中均是通过随机选取图像特征对字典矩阵进行初始化，由于初始字典矩阵的确定直接影响着图像的稀疏表示，也同样影响了图像的重构误差，故这种初始化操作会影响图像的重构后的质量与图像的压缩传输效率。
因此，需要提供一种用于安防监控的视频压缩方法、系统及介质，予以解决上述问题。
发明内容
本发明提供一种用于安防监控的视频压缩方法、系统及介质，以解决现有的问题。
本发明的一种用于安防监控的视频压缩方法采用如下技术方案：该方法包括：
获取安防监控的多帧监控图像，将监控图像转化为灰度图像；
将灰度图像分割为多个图像块，根据图像块内所有像素点的灰度均值对所有图像块进行分类得到多个图像块类别；
根据每个图像块类别中每个像素点的灰度值与其内所有像素点的灰度均值的相似度计算该像素点的初始贡献度；
分别获取相邻帧监控图像中每两个对应的图像块的角点，将相邻帧监控图像中两个对应的图像块的所有角点进行匹配得到多个角点对，获取每个角点对中的角点坐标，根据角点对的数量及每个角点对内的角点坐标获取该相邻帧监控图像中两个对应的图像块的差异值；
根据所有相邻帧监控图像中两个对应的图像块的差异值计算该图像块的重要程度并作为该图像块内所有像素点的重要程度；
根据每帧监控图像的每个像素点的重要程度对该像素点的初始贡献度进行修正得到对应的修正贡献度，根据修正贡献度及贡献度阈值确定最终贡献度；
根据最终贡献度对应的像素点的灰度值构建初始字典矩阵，基于初始字典矩阵进行KSVD字典训练得到训练好的最终字典矩阵及稀疏矩阵，并对最终字典矩阵及稀疏矩阵存储。
优选的，根据图像块内所有像素点的灰度均值对所有图像块进行分类得到多个图像块类别的步骤包括：
将图像块内所有像素点的灰度均值作为该图像块的灰度值；
并图像块内所有像素点的灰度均值计算图像块的灰度方差；
根据图像块的灰度值、灰度方差计算同一帧监控图像中图像块与其相邻图像块的灰度相似度；
根据每个图像块与其相邻图像块的灰度相似度对所有图像块进行分类得到多个图像块类别。
优选的，根据每个图像块与其相邻图像块的灰度相似度对所有图像块进行分类得到多个图像块类别的步骤包括：
根据灰度相似度及预设的灰度相似度阈值确定与图像块相似且相邻的目标图像块；
获取与目标图像块的相似且相邻的目标图像块，得到该图像块对应的所有目标图像块；
该图像块与对应的所有目标图像块构成一个图像块类别；
获取该帧监控图像中未分类的其他图像块对应的图像块类别。
优选的，根据每个图像块类别中每个像素点的灰度值与其内所有像素点的灰度均值的相似度计算该像素点的初始贡献度的步骤包括：
计算每个图像块类别中像素点的灰度值与所有像素点的灰度均值之间的相似度并记为该像素点的均值相似度；
根据该图像块类别的所有像素点中的最大均值相似度、最小均值相似度对应及每个像素点对应的均值相似度计算该像素点的初始贡献度。
优选的，将相邻帧监控图像中两个对应的图像块的所有角点进行匹配得到多个角点对的步骤包括：
分别获取相邻帧监控图像中两个对应的图像块的角点集合；
将角点集合内的角点依次连接得到角点线；
利用动态规整算法对两条角点线进行匹配得到多个角点对。
优选的，根据角点对的数量及每个角点对内的角点坐标获取该相邻帧监控图像中两个对应的图像块的差异值的步骤包括：
根据每个角点对内两个角点的角点坐标计算两角点之间的距离；
计算所有角点对的两点之间的距离均值，并将距离均值作为两个对应的图像块的差异值。
优选的，将所有相邻帧监控图像中每相邻两帧监控图像中对应的图像块的差异值的均值作为该图像块的重要程度。
优选的，根据每帧监控图像的每个像素点的重要程度及该像素点的初始贡献度进行修正得到对应的修正贡献度的步骤包括：
计算每个像素点的重要程度及初始贡献度的乘积；
根据像素点的重要程度、初始贡献度、所有像素点的重要程度及初始贡献度的乘积中的最大乘积及最小乘积计算修正贡献度。
一种用于安防监控的视频压缩系统，该系统包括：
图像采集模块，用于获取安防监控视频的多帧监控图像，将监控图像转化为灰度图像；
图像处理模块，用于将灰度图像分割为多个图像块，根据图像块内所有像素点的灰度均值对所有图像块进行分类得到多个图像块类别；
第一参数计算模块，用于根据每个图像块类别中每个像素点的灰度值与其内所有像素点的灰度均值的相似度计算该像素点的初始贡献度；
第二参数计算模块，用于分别获取相邻帧监控图像中每两个对应的图像块的角点，将相邻帧监控图像中两个对应的图像块的所有角点进行匹配得到多个角点对，获取每个角点对中的角点坐标，根据角点对的数量及每个角点对内的角点坐标获取该相邻帧监控图像中两个对应的图像块的差异值；
第三参数计算模块，用于根据所有相邻帧监控图像中两个对应的图像块的差异值计算该图像块的重要程度并作为该图像块内所有像素点的重要程度；
参数修正模块，用于根据每帧监控图像的每个像素点的重要程度及该像素点的初始贡献度进行修正得到对应的修正贡献度，根据修正贡献度及贡献度阈值确定最终贡献度；
压缩存储模块，用于根据最终贡献度对应的像素点的灰度值构建初始字典矩阵，基于初始字典矩阵进行KSVD字典训练得到训练好的最终字典矩阵及稀疏矩阵，并对最终字典矩阵及稀疏矩阵存储。
一种存储介质，其上存储有图像压缩程序，所述图像压缩程序被处理器执行时实现用于安防监控的视频压缩方法的步骤。
本发明的有益效果是：本发明的一种用于安防监控的视频压缩方法、系统及介质，通过计算单帧监控图像中每个图像块的像素点对初始字典矩阵的初始贡献度值，然后在计算相邻帧监控图像中对应图像块的像素点对初始字典矩阵的重要程度，根据重要程度对初始贡献度值进行修正，利用修正后的最终贡献度对应的像素点的灰度值构建的初始字典矩阵即为最优的初始字典矩阵，从而利用最优的初始字典矩阵进行KSVD字典训练，提高了KSVD算法的收敛速度，即提高了监控图像压缩过程中的压缩效率，降低后续图像重构时的误差。
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为本发明的一种用于安防监控的视频压缩方法、系统及介质的实施例总体步骤的流程图；
图2为本发明的实施例中步骤S2的流程图；
图3为本发明的实施例中存储介质的运行环境的流程图。
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。
本发明的一种用于安防监控的视频压缩方法、系统及介质的实施例，如图1至图3所示，该方法包括：
S1、获取安防监控视频的多帧监控图像，将监控图像转化为灰度图像。
本实施例利用CCD摄像机每秒内采集
Figure 795895DEST_PATH_IMAGE001
帧监控图像，
Figure 48057DEST_PATH_IMAGE001
可根据实施者具体实施情况进行设置，本案中给出经验值
Figure DEST_PATH_IMAGE002
，为了方便计算，使用每帧监控图像的灰度图进行分析计算，故将监控图像转化为灰度图像。
S2、将灰度图像分割为多个图像块，根据图像块内所有像素点的灰度均值对所有图像块进行分类得到多个图像块类别。
具体的，如图2所示，S21、将图像块内所有像素点的灰度均值作为该图像块的灰度值；S22、并图像块内所有像素点的灰度均值计算图像块的灰度方差；S23、根据图像块的灰度值、灰度方差计算同一帧监控图像中图像块与其相邻图像块的灰度相似度，计算同一帧监控图像中图像块与其相邻图像块的灰度相似度的公式：
Figure 703161DEST_PATH_IMAGE003
其中，
Figure DEST_PATH_IMAGE004
表示图像块
Figure 472271DEST_PATH_IMAGE005
与其相邻的图像块
Figure DEST_PATH_IMAGE006
的灰度相似度；
Figure 162010DEST_PATH_IMAGE007
是图像块
Figure 46789DEST_PATH_IMAGE005
内所有像素点的灰度均值，即图像块
Figure 625407DEST_PATH_IMAGE005
的灰度值；
Figure DEST_PATH_IMAGE008
是图像块
Figure 699673DEST_PATH_IMAGE005
的相邻图像块
Figure 430869DEST_PATH_IMAGE006
内所有像素点的灰度均值，即图像块
Figure 470238DEST_PATH_IMAGE006
的灰度值；
Figure 286884DEST_PATH_IMAGE009
是图像块
Figure 836945DEST_PATH_IMAGE005
的灰度方差；
Figure DEST_PATH_IMAGE010
是图像块
Figure 530970DEST_PATH_IMAGE005
的相邻图像块
Figure 757552DEST_PATH_IMAGE006
的灰度方差；
Figure 812226DEST_PATH_IMAGE011
是图像块
Figure 149667DEST_PATH_IMAGE005
与相邻图像块
Figure 104722DEST_PATH_IMAGE006
的协方差；
Figure DEST_PATH_IMAGE012
和
Figure 236626DEST_PATH_IMAGE013
表示常数，其中，
Figure DEST_PATH_IMAGE014
，
Figure 840914DEST_PATH_IMAGE015
，式中，
Figure DEST_PATH_IMAGE016
是图像灰度值的范围的最大值；
Figure 372258DEST_PATH_IMAGE017
，
Figure DEST_PATH_IMAGE018
，需要说明的是，该公式为现有公式，本实施例不再赘述。
S24、根据每个图像块与其相邻图像块的灰度相似度对所有图像块进行分类得到多个图像块类别，具体的，该步骤包括：根据灰度相似度及预设的灰度相似度阈值确定与图像块相似且相邻的目标图像块，其中，本实施例中，灰度相似度阈值设定为0.7，当灰度相似度大于0.7则将该图像块相邻的图像块记为相似且相邻的目标图像块；获取与目标图像块的相似且相邻的目标图像块，依此类推，得到该目标图像块相似且相邻的目标图像块，从而得到与图像块为一类的所有目标图像块；该图像块与对应的所有目标图像块构成一个图像块类别；同理，获取该帧监控图像中未分类的其他图像块对应的图像块类别。
S3、根据每个图像块类别中每个像素点的灰度值与其内所有像素点的灰度均值的相似度计算该像素点的初始贡献度。
具体的，在图像中，由于相同特征的图像块之间有着灰度相似以及位置相近的特性，因此为了计算每个图像块对初始字典矩阵的初始贡献度值，需要同时考虑位置灰度相似度和位置相邻性，故计算每个图像块类别中像素点的灰度值与所有像素点的灰度均值之间的相似度并记为该像素点的均值相似度；根据该图像块类别的所有像素点中的最大均值相似度、最小均值相似度对应及每个像素点对应的均值相似度计算该像素点的初始贡献度。
其中，计算每个图像块类别中像素点的灰度值与所有像素点的灰度均值之间的相似度的公式为：
Figure 509716DEST_PATH_IMAGE019
式中，
Figure DEST_PATH_IMAGE020
表示第
Figure 156730DEST_PATH_IMAGE021
个图像块类别的第
Figure DEST_PATH_IMAGE022
个像素点的灰度值与所有像素点的灰度均值之间的相似度，即第
Figure 684532DEST_PATH_IMAGE022
个像素点的均值相似度；
Figure 426092DEST_PATH_IMAGE023
表示第
Figure DEST_PATH_IMAGE024
个图像块类别中的第
Figure 122783DEST_PATH_IMAGE025
个像素点的灰度值；
Figure DEST_PATH_IMAGE026
表示第
Figure 517861DEST_PATH_IMAGE024
个图像块类别中的第
Figure 18113DEST_PATH_IMAGE027
个像素点的灰度值；
Figure DEST_PATH_IMAGE028
表示第
Figure 812631DEST_PATH_IMAGE024
个图像块类别中像素点的个数；
需要说明的是，本实施例通过计算灰度的相似度来表征每个图像块类别中像素点与整个图像块类别之间的均值相似度，该像素点的灰度值与整个图像块类别的所有像素点灰度均值之间差异越小，则对应的该像素点的灰度值与整个图像块类别的所有像素点的灰度均值之间的相似度越大，则该像素点的灰度值更能代表整个图像块类别的特征，其中分母项
Figure 98250DEST_PATH_IMAGE029
是为了防止分母为0。
其中，计算该像素点的初始贡献度的公式为：
Figure DEST_PATH_IMAGE030
式中，
Figure 851180DEST_PATH_IMAGE020
表示第
Figure 573149DEST_PATH_IMAGE021
个图像块类别的第
Figure 610506DEST_PATH_IMAGE022
个像素点的灰度值与所有像素点的灰度均值之间的相似度，即第
Figure 734320DEST_PATH_IMAGE022
个像素点的均值相似度，需要说明的是，均值相似度越大，表明该像素点更能代表该类特征，因此该像素点在此类别中的权重值更大；
Figure 753091DEST_PATH_IMAGE031
表示第
Figure 477203DEST_PATH_IMAGE021
个图像块类别中最小均值相似度；
Figure DEST_PATH_IMAGE032
表示第
Figure 114989DEST_PATH_IMAGE021
个图像块类别中最大均值相似度；
M表示图像块类别的数量；
需要说明的是，对于每个图像块类别中的像素点来说，该像素点的灰度值与整个图像块类别中的所有像素点的灰度均值之间的相似度越大，则该像素点占整个图像块类别中的贡献度权值就越大，将整个图像的贡献度总和设置为1，则该图像对应的
Figure 358888DEST_PATH_IMAGE033
个图像块类别中每个图像块类别的贡献度为
Figure DEST_PATH_IMAGE034
，则对应的对像素点的相似度进行归一化，相似度越大，该像素点在图像块类别中的初始贡献度就越大，故该归一化公式，是为了描述每个像素点的初始贡献度，以
Figure 719200DEST_PATH_IMAGE034
作为第
Figure 166493DEST_PATH_IMAGE021
个图像块类别的初始权重，其中均值相似度越大，表明该像素点更能代表该图像块类别的特征，因此，该像素点在此图像块类别中的权重值更大。
S4、利用角点检测分别获取相邻帧监控图像中每两个对应的图像块的角点，将相邻帧监控图像中两个对应的图像块的所有角点进行匹配得到多个角点对，获取每个角点对中的角点坐标，根据角点对的数量及每个角点对内的角点坐标获取该相邻帧监控图像中两个对应的图像块的差异值。
具体的，分别获取相邻帧监控图像中两个对应的图像块的角点集合；将角点集合内的角点依次连接得到角点线；由于角点算法的影响，可能导致计算得到的对应的图像块内的角点数量不同，因此，利用动态规整算法对两条角点线进行匹配得到多个角点对，具体的，以第
Figure 794920DEST_PATH_IMAGE035
帧监控图像及与其相邻的第
Figure DEST_PATH_IMAGE036
帧的监控图像中的第
Figure 142594DEST_PATH_IMAGE037
个图像块为例，设第
Figure 565485DEST_PATH_IMAGE035
帧监控图像的第
Figure 765653DEST_PATH_IMAGE037
个图像块的角点集为
Figure DEST_PATH_IMAGE038
，第
Figure 243777DEST_PATH_IMAGE036
帧监控图像的第
Figure 196690DEST_PATH_IMAGE037
个图像块的角点集为
Figure 603531DEST_PATH_IMAGE039
，第
Figure 274684DEST_PATH_IMAGE035
帧的第
Figure 783198DEST_PATH_IMAGE037
个图像块的角点集
Figure 590617DEST_PATH_IMAGE038
=
Figure DEST_PATH_IMAGE040
，第
Figure 106043DEST_PATH_IMAGE036
帧监控图像的第
Figure 264492DEST_PATH_IMAGE037
个图像块的角点集
Figure 22102DEST_PATH_IMAGE039
=
Figure 949606DEST_PATH_IMAGE041
，根据角点集
Figure 698251DEST_PATH_IMAGE038
和角点集
Figure 343996DEST_PATH_IMAGE039
利用动态规整算法进行匹配得到多个角点对，其中，根据角点对得到角点对序列
Figure DEST_PATH_IMAGE042
。
获取该相邻帧监控图像中两个对应的图像块的差异值的步骤包括：计算角点对序列中每个角点对内两个角点的角点坐标计算两角点之间的距离；计算所有角点对的两点之间的距离均值，并将距离均值作为两个对应的图像块的差异值，其中，计算两个对应的图像块的差异值的公式为：
Figure 702034DEST_PATH_IMAGE043
式中，
Figure DEST_PATH_IMAGE044
表示第
Figure 562673DEST_PATH_IMAGE035
帧监控图像和其相邻的第
Figure 184016DEST_PATH_IMAGE036
帧监控图像的第j个图像块之间的差异值；
Figure 317057DEST_PATH_IMAGE045
表示第
Figure 183513DEST_PATH_IMAGE035
帧监控图像内的第
Figure 757714DEST_PATH_IMAGE037
个图像块的角点
Figure DEST_PATH_IMAGE046
的坐标；
Figure 612275DEST_PATH_IMAGE047
表示第
Figure 45662DEST_PATH_IMAGE036
帧监控图像内的第
Figure 965076DEST_PATH_IMAGE037
个图像块内与角点
Figure 393784DEST_PATH_IMAGE046
组成同一角点对的角点
Figure DEST_PATH_IMAGE048
的坐标；
Figure 419246DEST_PATH_IMAGE049
表示第
Figure 277612DEST_PATH_IMAGE035
帧监控图像和其相邻的第
Figure 735138DEST_PATH_IMAGE036
帧监控图像的第j个图像块的角点对的数量；
需要说明的是，通过动态规整算法对所有角点对序列匹配后，以所有角点对之间欧式距离的平均值来表征两个相邻帧监控图像内的对应图像块的差异值，所以角点对之间欧式距离的平均值越大，则两个相邻帧监控图像内的对应图像块之间的差异值越大。
S5、根据所有相邻帧监控图像中两个对应的图像块的差异值计算该图像块的重要程度并作为该图像块内所有像素点的重要程度。
具体的，在计算图像块的重要程度时，为减少计算量，本实施例从A帧监控图像中选取前
Figure DEST_PATH_IMAGE050
帧监控图像计算图像块的重要程度，计算图像块的重要程度的公式为：
Figure 657833DEST_PATH_IMAGE051
式中，
Figure DEST_PATH_IMAGE052
表示第
Figure 198404DEST_PATH_IMAGE035
帧监控图像中的第
Figure 527754DEST_PATH_IMAGE037
个图像块的重要程度；
Figure 539704DEST_PATH_IMAGE053
表示第
Figure 5320DEST_PATH_IMAGE035
帧监控图像和其前第
Figure 841427DEST_PATH_IMAGE035
d帧监控图像的第
Figure 658073DEST_PATH_IMAGE037
个图像块的差异值；
Figure 208134DEST_PATH_IMAGE001
表示监控图像的总帧数；
需要说明的是，对于安防监控视频来说，若监控图像中未出现移动目标，则多帧监控图像对应的同一个图像块中的内容是相对静止的，由于监控图像中一些不变的背景图像块对于数据的压缩过程的重要程度较低，监控图像中的一些运动目标所在的图像块对于数据的压缩过程的重要程度较高，因此，通过比较相邻帧监控图像之间同一对应的图像块类别的差异值，差异值越大，表明图像块类别中位移量越大，则对应的图像块的重要程度越大，故通过确定多帧监控图像中的同一图像块的角点位移量来确定图像块的重要程度越大，角位移量越大，则表明当前图像块的重要程度越大。
S6、在考虑单帧监控图像的图像特征之后，安防监控视频中存在多帧监控图像，因此还需要考虑相邻帧之间的关系，对于安防监控视频中，一些不变的背景所在图像块对于数据的压缩过程的重要程度较低，一些图像中的运动目标所在的图像块对于数据的压缩过程的重要程度较高，因此，需要考虑相邻帧监控图像之间同一图像块的差异，从而确定该图像块在初始字典矩阵的重要程度，进而用于修正初始贡献度得到最终贡献度，具体的，根据每帧监控图像的每个像素点的重要程度对该像素点的初始贡献度进行修正得到对应的修正贡献度，根据修正贡献度及贡献度阈值确定最终贡献度，具体的，在初始化字典时，根据每个像素点的修正贡献度，按照像素点的修正贡献度从大到小进行选取对应的像素点，根据对应修正贡献度选取大于贡献度阈值的像素点对应的修正贡献度，将于贡献度阈值的像素点对应的修正贡献度记为最终贡献度，这里这个贡献度阈值也可以是先对修正贡献度按照从大到小排序，按照修正贡献度的排序顺序，选取修正贡献度排序前K个修正贡献度作为对应的最终贡献度。
具体的，本实施例在对每个像素点设置贡献度时，需要同时考虑单帧监控图像中像素点的特征以及相邻帧监控图像中像素点的特征，故根据像素点的初始贡献度、重要程度利用归一化公式对该像素点的初始贡献度进行修正得到对应的修正贡献度：
Figure DEST_PATH_IMAGE054
式中，
Figure 308683DEST_PATH_IMAGE055
表示当前帧监控图像中第
Figure DEST_PATH_IMAGE056
个像素点的修正贡献度；
Figure 879473DEST_PATH_IMAGE057
表示当前帧监控图像中第
Figure 917836DEST_PATH_IMAGE056
个像素点的初始贡献度；
Figure DEST_PATH_IMAGE058
表示当前帧监控图像中第
Figure 832440DEST_PATH_IMAGE056
个像素点的重要程度；
Figure 23381DEST_PATH_IMAGE059
表示当前帧监控图像中像素点的初始贡献度和重要度的乘积的最小值；
Figure DEST_PATH_IMAGE060
表示当前帧监控图像中像素点的初始贡献度和重要度的乘积的最大值；
具体的，需要说明的是，监控图像中每个像素点的修正后的修正贡献度与像素点的初始贡献度和重要程度有关，通过考虑相邻帧监控图像的像素点的重要程度，对计算的初始贡献度进行修正，当该像素点在相邻帧监控图像之间的重要度较大，即对应计算的初始贡献度调整的权重也较大，则修正后的贡献度也较大；当该像素点在相邻帧图像之间的重要度较小，即对应计算的初始贡献度调整的权重也较小，则修正后的贡献度也较小。
S7、在KSVD算法中，初始字典矩阵的确定直接影响着图像的稀疏表示，也同样影响了图像的重构误差，通过随机选取图像特征对字典矩阵进行初始化，这种初始化操作会极大地影响接下来的训练时间以及重构结果，因此，根据最终贡献度对应的像素点的灰度值构建初始字典矩阵，基于初始字典矩阵进行KSVD字典训练得到训练好的最终字典矩阵及稀疏矩阵，并对最终字典矩阵及稀疏矩阵存储。
具体的，利用大于贡献度阈值的像素点对应的修正贡献度作为最终贡献度，然后根据最终贡献度对应的像素点的灰度值构建初始字典矩阵即为最优的初始字典矩阵，这样利用最优的初始字典矩阵进行KSVD字典训练，能加快KSVD算法的收敛速度，从而提高压缩速率，当需要调取安防监控视频时，仅需要通过存储的字典和稀疏矩阵进行图像重构即可，从而保证图像重构时的质量，其中，KSVD字典训练方法为公知技术，本发明不再阐述。
本发明还提供了一种用于安防监控的视频压缩系统，该系统包括：图像采集模块、图像处理模块、第一参数计算模块、第二参数计算模块、第三参数计算模块、参数修正模块及压缩存储模块，图像采集模块用于获取安防监控视频的多帧监控图像，将监控图像转化为灰度图像；图像处理模块用于将灰度图像分割为多个图像块，根据图像块内所有像素点的灰度均值对所有图像块进行分类得到多个图像块类别；第一参数计算模块用于根据每个图像块类别中每个像素点的灰度值与其内所有像素点的灰度均值的相似度计算该像素点的初始贡献度；第二参数计算模块用于分别获取相邻帧监控图像中每两个对应的图像块的角点，将相邻帧监控图像中两个对应的图像块的所有角点进行匹配得到多个角点对，获取每个角点对中的角点坐标，根据角点对的数量及每个角点对内的角点坐标获取该相邻帧监控图像中两个对应的图像块的差异值；第三参数计算模块用于根据所有相邻帧监控图像中两个对应的图像块的差异值计算该图像块的重要程度并作为该图像块内所有像素点的重要程度；参数修正模块用于根据每帧监控图像的每个像素点的重要程度及该像素点的初始贡献度进行修正得到对应的修正贡献度，根据修正贡献度及贡献度阈值确定最终贡献度；压缩存储模块用于根据最终贡献度对应的像素点的灰度值构建初始字典矩阵，基于初始字典矩阵进行KSVD字典训练得到训练好的最终字典矩阵及稀疏矩阵，并对最终字典矩阵及稀疏矩阵存储传输。
一种存储介质，存储介质上存储有图像压缩程序，图像压缩程序被处理器执行时实现用于安防监控的视频压缩方法的步骤，本实施例的存储介质为存储器，其中，存储器中可以包括操作系统、网络通信模块、用户接口模块以及计算机程序，计算机程序即包括本发明中的图像压缩程序，其中，操作系统是管理和控制计算机设备硬件和软件资源的程序，计算机程序以及其它软件或程序的运行。
如图3所示，存储器5与处理器1、用户接口3、网络接口4电连接，其中，用户接口3主要用于连接终端与终端进行数据通信；网络接口4主要用于后台服务器，与后台服务器进行数据通信；处理器1用于调用存储器5中存储的图像压缩程序。
具体的，处理器1调用存储器5中存储的图像压缩程序时，执行以下操作：
获取安防监控的多帧监控图像，将监控图像转化为灰度图像；将灰度图像分割为多个图像块，根据图像块内所有像素点的灰度均值对所有图像块进行分类得到多个图像块类别；根据每个图像块类别中每个像素点的灰度值与其内所有像素点的灰度均值的相似度计算该像素点的初始贡献度；分别获取相邻帧监控图像中每两个对应的图像块的角点，将相邻帧监控图像中两个对应的图像块的所有角点进行匹配得到多个角点对，获取每个角点对中的角点坐标，根据角点对的数量及每个角点对内的角点坐标获取该相邻帧监控图像中两个对应的图像块的差异值；根据所有相邻帧监控图像中两个对应的图像块的差异值计算该图像块的重要程度并作为该图像块内所有像素点的重要程度；根据每帧监控图像的每个像素点的重要程度对该像素点的初始贡献度进行修正得到对应的修正贡献度，根据修正贡献度及贡献度阈值确定最终贡献度；根据最终贡献度对应的像素点的灰度值构建初始字典矩阵，基于初始字典矩阵进行KSVD字典训练得到训练好的最终字典矩阵及稀疏矩阵，并对最终字典矩阵及稀疏矩阵存储。
具体的，处理器1调用存储器5中存储的图像压缩程序时，还执行以下操作：
将图像块内所有像素点的灰度均值作为该图像块的灰度值；并图像块内所有像素点的灰度均值计算图像块的灰度方差；根据图像块的灰度值、灰度方差计算同一帧监控图像中图像块与其相邻图像块的灰度相似度；根据每个图像块与其相邻图像块的灰度相似度对所有图像块进行分类得到多个图像块类别，具体的，根据灰度相似度及预设的灰度相似度阈值确定与图像块相似且相邻的目标图像块；获取与目标图像块的相似且相邻的目标图像块，得到该图像块对应的所有目标图像块；该图像块与对应的所有目标图像块构成一个图像块类别；获取该帧监控图像中未分类的其他图像块对应的图像块类别。
具体的，处理器1调用存储器5中存储的图像压缩程序时，还执行以下操作：
计算每个图像块类别中像素点的灰度值与所有像素点的灰度均值之间的相似度并记为该像素点的均值相似度；根据该图像块类别的所有像素点中的最大均值相似度、最小均值相似度对应及每个像素点对应的均值相似度计算该像素点的初始贡献度。
具体的，处理器1调用存储器5中存储的图像压缩程序时，还执行以下操作：
分别获取相邻帧监控图像中两个对应的图像块的角点集合；将角点集合内的角点依次连接得到角点线；利用动态规整算法对两条角点线进行匹配得到多个角点对。
具体的，处理器1调用存储器5中存储的图像压缩程序时，还执行以下操作：
根据每个角点对内两个角点的角点坐标计算两角点之间的距离；计算所有角点对的两点之间的距离均值，并将距离均值作为两个对应的图像块的差异值。
具体的，处理器1调用存储器5中存储的图像压缩程序时，还执行以下操作：
将所有相邻帧监控图像中每相邻两帧监控图像中对应的图像块的差异值的均值作为该图像块的重要程度。
具体的，处理器1调用存储器5中存储的图像压缩程序时，还执行以下操作：
计算每个像素点的重要程度及初始贡献度的乘积；根据像素点的重要程度、初始贡献度、所有像素点的重要程度及初始贡献度的乘积中的最大乘积及最小乘积计算修正贡献度。
综上所述，本发明提供一种用于安防监控的视频压缩方法、系统及介质，通过计算单帧监控图像中每个图像块的像素点对初始字典矩阵的初始贡献度值，然后在计算相邻帧监控图像中对应图像块的像素点对初始字典矩阵的重要程度，根据重要程度对初始贡献度值进行修正，利用修正后的最终贡献度对应的像素点的灰度值构建的初始字典矩阵即为最优的初始字典矩阵，从而利用最优的初始字典矩阵进行KSVD字典训练，提高了KSVD算法的收敛速度，即提高了监控图像压缩过程中的压缩传输效率，降低后续图像重构时的误差。
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 (10)

1.一种用于安防监控的视频压缩方法，其特征在于，该方法包括：
获取安防监控的多帧监控图像，将监控图像转化为灰度图像；
将灰度图像分割为多个图像块，根据图像块内所有像素点的灰度均值对所有图像块进行分类得到多个图像块类别；
根据每个图像块类别中每个像素点的灰度值与其内所有像素点的灰度均值的相似度计算该像素点的初始贡献度；
分别获取相邻帧监控图像中每两个对应的图像块的角点，将相邻帧监控图像中两个对应的图像块的所有角点进行匹配得到多个角点对，获取每个角点对中的角点坐标，根据角点对的数量及每个角点对内的角点坐标获取该相邻帧监控图像中两个对应的图像块的差异值；
根据所有相邻帧监控图像中两个对应的图像块的差异值计算该图像块的重要程度并作为该图像块内所有像素点的重要程度；
根据每帧监控图像的每个像素点的重要程度对该像素点的初始贡献度进行修正得到对应的修正贡献度，根据修正贡献度及贡献度阈值确定最终贡献度；
根据最终贡献度对应的像素点的灰度值构建初始字典矩阵，基于初始字典矩阵进行KSVD字典训练得到训练好的最终字典矩阵及稀疏矩阵，并对最终字典矩阵及稀疏矩阵存储。
2.根据权利要求1所述的一种用于安防监控的视频压缩方法，其特征在于，根据图像块内所有像素点的灰度均值对所有图像块进行分类得到多个图像块类别的步骤包括：
将图像块内所有像素点的灰度均值作为该图像块的灰度值；
并图像块内所有像素点的灰度均值计算图像块的灰度方差；
根据图像块的灰度值、灰度方差计算同一帧监控图像中图像块与其相邻图像块的灰度相似度；
根据每个图像块与其相邻图像块的灰度相似度对所有图像块进行分类得到多个图像块类别。
3.根据权利要求2所述的一种用于安防监控的视频压缩方法，其特征在于，根据每个图像块与其相邻图像块的灰度相似度对所有图像块进行分类得到多个图像块类别的步骤包括：
根据灰度相似度及预设的灰度相似度阈值确定与图像块相似且相邻的目标图像块；
获取与目标图像块的相似且相邻的目标图像块，得到该图像块对应的所有目标图像块；
该图像块与对应的所有目标图像块构成一个图像块类别；
获取该帧监控图像中未分类的其他图像块对应的图像块类别。
4.根据权利要求1所述的一种用于安防监控的视频压缩方法，其特征在于，根据每个图像块类别中每个像素点的灰度值与其内所有像素点的灰度均值的相似度计算该像素点的初始贡献度的步骤包括：
计算每个图像块类别中像素点的灰度值与所有像素点的灰度均值之间的相似度并记为该像素点的均值相似度；
根据该图像块类别的所有像素点中的最大均值相似度、最小均值相似度对应及每个像素点对应的均值相似度计算该像素点的初始贡献度。
5.根据权利要求1所述的一种用于安防监控的视频压缩方法，其特征在于，将相邻帧监控图像中两个对应的图像块的所有角点进行匹配得到多个角点对的步骤包括：
分别获取相邻帧监控图像中两个对应的图像块的角点集合；
将角点集合内的角点依次连接得到角点线；
利用动态规整算法对两条角点线进行匹配得到多个角点对。
6.根据权利要求1所述的一种用于安防监控的视频压缩方法，其特征在于，根据角点对的数量及每个角点对内的角点坐标获取该相邻帧监控图像中两个对应的图像块的差异值的步骤包括：
根据每个角点对内两个角点的角点坐标计算两角点之间的距离；
计算所有角点对的两点之间的距离均值，并将距离均值作为两个对应的图像块的差异值。
7.根据权利要求1所述的一种用于安防监控的视频压缩方法，其特征在于，将所有相邻帧监控图像中每相邻两帧监控图像中对应的图像块的差异值的均值作为该图像块的重要程度。
8.根据权利要求1所述的一种用于安防监控的视频压缩方法，其特征在于，根据每帧监控图像的每个像素点的重要程度及该像素点的初始贡献度进行修正得到对应的修正贡献度的步骤包括：
计算每个像素点的重要程度及初始贡献度的乘积；
根据像素点的重要程度、初始贡献度、所有像素点的重要程度及初始贡献度的乘积中的最大乘积及最小乘积计算修正贡献度。
9.一种用于安防监控的视频压缩系统，其特征在于，该系统包括：
图像采集模块，用于获取安防监控视频的多帧监控图像，将监控图像转化为灰度图像；
图像处理模块，用于将灰度图像分割为多个图像块，根据图像块内所有像素点的灰度均值对所有图像块进行分类得到多个图像块类别；
第一参数计算模块，用于根据每个图像块类别中每个像素点的灰度值与其内所有像素点的灰度均值的相似度计算该像素点的初始贡献度；
第二参数计算模块，用于分别获取相邻帧监控图像中每两个对应的图像块的角点，将相邻帧监控图像中两个对应的图像块的所有角点进行匹配得到多个角点对，获取每个角点对中的角点坐标，根据角点对的数量及每个角点对内的角点坐标获取该相邻帧监控图像中两个对应的图像块的差异值；
第三参数计算模块，用于根据所有相邻帧监控图像中两个对应的图像块的差异值计算该图像块的重要程度并作为该图像块内所有像素点的重要程度；
参数修正模块，用于根据每帧监控图像的每个像素点的重要程度及该像素点的初始贡献度进行修正得到对应的修正贡献度，根据修正贡献度及贡献度阈值确定最终贡献度；
压缩存储模块，用于根据最终贡献度对应的像素点的灰度值构建初始字典矩阵，基于初始字典矩阵进行KSVD字典训练得到训练好的最终字典矩阵及稀疏矩阵，并对最终字典矩阵及稀疏矩阵存储。
10.一种存储介质，其特征在于，其上存储有图像压缩程序，所述图像压缩程序被处理器执行时实现权利要求1-8任一项所述的用于安防监控的视频压缩方法的步骤。
CN202211219820.0A 2022-10-08 2022-10-08 一种用于安防监控的视频处理方法、系统及介质 Active CN115294409B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211219820.0A CN115294409B (zh) 2022-10-08 2022-10-08 一种用于安防监控的视频处理方法、系统及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211219820.0A CN115294409B (zh) 2022-10-08 2022-10-08 一种用于安防监控的视频处理方法、系统及介质

Publications (2)

Publication Number Publication Date
CN115294409A true CN115294409A (zh) 2022-11-04
CN115294409B CN115294409B (zh) 2023-08-04

Family

ID=83834076

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211219820.0A Active CN115294409B (zh) 2022-10-08 2022-10-08 一种用于安防监控的视频处理方法、系统及介质

Country Status (1)

Country Link
CN (1) CN115294409B (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115802005A (zh) * 2022-11-08 2023-03-14 苏州迈创信息技术有限公司 用于居民住宅的安防监控视频存储方法
CN115914649A (zh) * 2023-03-01 2023-04-04 广州高通影像技术有限公司 一种用于医疗视频的数据传输方法及系统
CN115941807A (zh) * 2022-12-22 2023-04-07 陕西通信规划设计研究院有限公司 一种园区安防系统数据高效压缩方法
CN116092018A (zh) * 2023-04-10 2023-05-09 同方德诚(山东)科技股份公司 一种基于智慧建筑的消防隐患监测方法及系统
CN116132714A (zh) * 2023-04-17 2023-05-16 深圳市路通网络技术有限公司 一种用于网络电视系统的视频数据传输方法
CN116437127A (zh) * 2023-06-13 2023-07-14 典基网络科技(上海)有限公司 一种基于用户数据共享的视频卡顿优化方法
CN116600145A (zh) * 2023-07-19 2023-08-15 南通二进制软件科技有限公司 一种基于数据交换的生产管理方法
CN116883411A (zh) * 2023-09-08 2023-10-13 浙江诺电电力科技有限公司 一种开关柜智能远程监测系统
CN117115152A (zh) * 2023-10-23 2023-11-24 汉中禹龙科技新材料有限公司 基于图像处理的钢绞线生产监测方法
CN117714691A (zh) * 2024-02-05 2024-03-15 佳木斯大学 一种ar增强现实钢琴教学用自适应传输系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104883567A (zh) * 2015-06-09 2015-09-02 武汉大学 一种基于过完备字典的视频监控图像压缩方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104883567A (zh) * 2015-06-09 2015-09-02 武汉大学 一种基于过完备字典的视频监控图像压缩方法

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115802005B (zh) * 2022-11-08 2023-09-19 苏州迈创信息技术有限公司 用于居民住宅的安防监控视频存储方法
CN115802005A (zh) * 2022-11-08 2023-03-14 苏州迈创信息技术有限公司 用于居民住宅的安防监控视频存储方法
CN115941807A (zh) * 2022-12-22 2023-04-07 陕西通信规划设计研究院有限公司 一种园区安防系统数据高效压缩方法
CN115941807B (zh) * 2022-12-22 2024-02-23 陕西通信规划设计研究院有限公司 一种园区安防系统数据高效压缩方法
CN115914649A (zh) * 2023-03-01 2023-04-04 广州高通影像技术有限公司 一种用于医疗视频的数据传输方法及系统
CN115914649B (zh) * 2023-03-01 2023-05-05 广州高通影像技术有限公司 一种用于医疗视频的数据传输方法及系统
CN116092018A (zh) * 2023-04-10 2023-05-09 同方德诚(山东)科技股份公司 一种基于智慧建筑的消防隐患监测方法及系统
CN116092018B (zh) * 2023-04-10 2023-08-25 同方德诚(山东)科技股份公司 一种基于智慧建筑的消防隐患监测方法及系统
CN116132714A (zh) * 2023-04-17 2023-05-16 深圳市路通网络技术有限公司 一种用于网络电视系统的视频数据传输方法
CN116437127A (zh) * 2023-06-13 2023-07-14 典基网络科技(上海)有限公司 一种基于用户数据共享的视频卡顿优化方法
CN116437127B (zh) * 2023-06-13 2023-08-11 典基网络科技(上海)有限公司 一种基于用户数据共享的视频卡顿优化方法
CN116600145A (zh) * 2023-07-19 2023-08-15 南通二进制软件科技有限公司 一种基于数据交换的生产管理方法
CN116600145B (zh) * 2023-07-19 2023-09-15 南通二进制软件科技有限公司 一种基于数据交换的生产管理方法
CN116883411A (zh) * 2023-09-08 2023-10-13 浙江诺电电力科技有限公司 一种开关柜智能远程监测系统
CN116883411B (zh) * 2023-09-08 2023-12-19 浙江诺电电力科技有限公司 一种开关柜智能远程监测系统
CN117115152A (zh) * 2023-10-23 2023-11-24 汉中禹龙科技新材料有限公司 基于图像处理的钢绞线生产监测方法
CN117115152B (zh) * 2023-10-23 2024-02-06 汉中禹龙科技新材料有限公司 基于图像处理的钢绞线生产监测方法
CN117714691A (zh) * 2024-02-05 2024-03-15 佳木斯大学 一种ar增强现实钢琴教学用自适应传输系统
CN117714691B (zh) * 2024-02-05 2024-04-12 佳木斯大学 一种ar增强现实钢琴教学用自适应传输系统

Also Published As

Publication number Publication date
CN115294409B (zh) 2023-08-04

Similar Documents

Publication Publication Date Title
CN115294409A (zh) 一种用于安防监控的视频压缩方法、系统及介质
US10728553B2 (en) Visual quality preserving quantization parameter prediction with deep neural network
US10628961B2 (en) Object tracking for neural network systems
CN111899163B (zh) 生成对抗网络中单图像超分辨率的有效结构保持
WO2019024808A1 (zh) 语义分割模型的训练方法和装置、电子设备、存储介质
US20190304102A1 (en) Memory efficient blob based object classification in video analytics
EP3579147A1 (en) Image processing method and electronic device
US9600744B2 (en) Adaptive interest rate control for visual search
CN110765860B (zh) 摔倒判定方法、装置、计算机设备及存储介质
US8908989B2 (en) Recursive conditional means image denoising
US20200151502A1 (en) Object recognition method and apparatus
CN110958467B (zh) 视频质量预测方法和装置及电子设备
EP2591460A1 (en) Method, apparatus and computer program product for providing object tracking using template switching and feature adaptation
US11310475B2 (en) Video quality determination system and method
US11974050B2 (en) Data simulation method and device for event camera
CN112104869B (zh) 一种视频大数据存储及转码优化系统
CN111784624A (zh) 目标检测方法、装置、设备及计算机可读存储介质
CN111383250A (zh) 基于改进混合高斯模型的运动目标检测方法及装置
CN111046893A (zh) 图像相似性确定方法和装置、图像处理方法和装置
CN108921872B (zh) 一种适用于长程跟踪的鲁棒性视觉目标跟踪方法
CN111814884A (zh) 一种基于可变形卷积的目标检测网络模型的升级方法
CN117036737A (zh) 基于信息熵、gms与lc显著检测的特征提取与匹配方法
JP2018055287A (ja) 統合装置及びプログラム
CN115035988A (zh) 基于云计算的医学影像处理方法、系统、设备及介质
CN113554685A (zh) 遥感卫星运动目标检测方法、装置、电子设备及存储介质

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20230704

Address after: Room 222, the third floor conjoined house, Building 58, Shipai Village, Shoushan Township, Jin'an District, Fuzhou City, Fujian Province, 350022

Applicant after: Fuzhou Shenglan Intelligent Technology Co.,Ltd.

Address before: Room 458, No. 42, Guangzhou Road, Development Zone, Nantong City, Jiangsu Province, 226000

Applicant before: Nantong Commercial Wing Information Technology Co.,Ltd.

GR01 Patent grant
GR01 Patent grant