CN115297289B - 一种监控视频高效存储方法 - Google Patents
一种监控视频高效存储方法 Download PDFInfo
- Publication number
- CN115297289B CN115297289B CN202211219146.6A CN202211219146A CN115297289B CN 115297289 B CN115297289 B CN 115297289B CN 202211219146 A CN202211219146 A CN 202211219146A CN 115297289 B CN115297289 B CN 115297289B
- Authority
- CN
- China
- Prior art keywords
- video frame
- difference change
- pixel point
- inter
- pixel
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N5/00—Details of television systems
- H04N5/76—Television signal recording
- H04N5/91—Television signal processing therefor
- H04N5/92—Transformation of the television signal for recording, e.g. modulation, frequency changing; Inverse transformation for playback
- H04N5/926—Transformation of the television signal for recording, e.g. modulation, frequency changing; Inverse transformation for playback by pulse code modulation
- H04N5/9261—Transformation of the television signal for recording, e.g. modulation, frequency changing; Inverse transformation for playback by pulse code modulation involving data reduction
-
- 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
- G06V20/40—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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Signal Processing (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Closed-Circuit Television Systems (AREA)
Abstract
本发明涉及数据处理技术领域,具体涉及一种监控视频高效存储方法。该方法包括:利用每两帧相邻视频帧图像的相似度对连续时序的视频帧图像进行分组得到多个视频帧分组;获得同一个视频帧分组中的任意两帧相邻的视频帧图像对应的帧间差异变化图,以及帧间差异变化图中第一像素点集合的密集程度;基于帧间差异变化图中每个像素点到聚类中心点的距离、聚类窗口的初始聚类半径和初始分割阈值获得调控阈值;基于调控阈值对帧间差异变化图中像素点的灰度值进行赋值得到调控帧间差异变化图;对每个视频帧分组中的第一帧视频帧图像、每两帧相邻视频帧图像对应的调控帧间差异变化图进行压缩存储。本发明能够提高监控视频的压缩率,降低其存储空间。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种监控视频高效存储方法。
背景技术
视频监控系统主要用于对各种现场实况进行监视与录像,对现场设备的运行与人员活动提供记录手段。通过在需要监控的区域安装相机,采集待监测区域的图像,最后将其转换为电信号传输给监控系统进行数据存储。
传统监控视频存储往往需要进行压缩,以节省传输带宽或存储介质的空间。监控系统在对视频图像进行压缩时,往往采用相同的压缩比进行压缩,即对每帧图像的处理方法相同。对于实际监控环境而言,不同区域的监控画面中图像的重要程度不同,同时帧间差异会存在较多不变的区域,若采用传统的压缩方式进行压缩,会导致压缩程度低,不利于数据的传输与存储。
发明内容
为了解决上述技术问题,本发明的目的在于提供一种监控视频高效存储方法,所采用的技术方案具体如下:
本发明一个实施例提供了一种监控视频高效存储方法:
采集待监控区域的监控视频数据;获取监控视频数据中各视频帧图像的角点,对每两帧相邻视频帧图像进行角点匹配获得每两帧相邻视频帧图像的相匹配的角点数量;每两帧相邻视频帧图像的相匹配的角点数量和总的角点数量比值为每两帧相邻视频帧图像的相似度;利用每两帧相邻视频帧图像的相似度对连续时序的视频帧图像进行分组得到多个视频帧分组;
选择同一个视频帧分组中的任意两帧相邻的视频帧图像相减获得这两帧相邻的视频帧图像对应的帧间差异变化图;将帧间差异变化图中像素点的灰度值均值作为初始分割阈值;获取帧间差异变化图中灰度值大于初始分割阈值的像素点,组成第一像素点集合;基于第一像素点集合中每个像素点到帧间差异变化图中心点的距离获得第一像素点集合的密集程度;
设定聚类窗口的初始聚类半径,以第一像素点集合的密集程度与初始聚类半径的乘积作为聚类窗口的聚类半径对帧间差异变化图中第一像素点集合中的像素点进行聚类获得聚类中心点;基于帧间差异变化图中每个像素点到聚类中心点的距离、聚类窗口的初始聚类半径和初始分割阈值获得调控阈值;基于调控阈值对帧间差异变化图中像素点的灰度值进行赋值得到调控帧间差异变化图;对每个视频帧分组中的第一帧视频帧图像、每两帧相邻视频帧图像对应的调控帧间差异变化图进行压缩存储。
优选地,利用每两帧相邻视频帧图像的相似度对连续时序的视频帧图像进行分组得到多个视频帧分组,包括:
设定分组阈值,若两帧相邻视频帧图像的相似度大于分组阈值则这两帧相邻视频帧图像为一组,其中在进行分组时从第一帧视频帧图像开始依次判断相邻两帧视频帧图像是否为一组。
优选地,在所述获得这两帧相邻的视频帧图像对应的帧间差异变化图之前还包括:将视频帧图像灰度化。
优选地,第一像素点集合的密集程度为:
其中,H表示第一像素点集合的密集程度;表示超参数,取值为0.01;表示第一
像素点集合中第k个像素点到帧间差异变化图中心点的距离;表示第一像素点集合中所有
像素点到帧间差异变化图中心点的距离的均值;表示第一像素点集合中像素点数量的个
数;表示以自然常数e为底的指数函数。
优选地,调控阈值为:
优选地,基于调控阈值对帧间差异变化图中像素点的灰度值进行赋值得到调控帧间差异变化图,包括:
计算帧间差异变化图中任一像素点与聚类中心点的距离,判断该像素点与聚类中心点的距离与初始聚类半径的大小关系,基于大小关系获得对应的调控阈值的取值,若该像素点的灰度值大于等于对应的调控阈值的取值,则该像素点的灰度值不变,若该像素点的灰度值小于对应的调控阈值的取值,则该像素点的灰度值赋值为0;对帧间差异变化图中每个像素点进行赋值得到调控帧间差异变化图。
本发明实施例至少具有如下有益效果:采集待监控区域的监控视频数据,然后对连续时序的视频帧图像进行分组得到多个视频帧分组;这里的分组降低了利用帧间差距对视频帧图像进行压缩时的误差传播,保证了后续进行解压缩时数据的真实性。另外在同一视频帧分组中获得两帧相邻的视频帧图像对应的帧间差异变化图;基于帧间差异变化图中表示相邻两帧视频帧图像有差异的像素点的分布情况获得调控阈值;基于调控阈值对帧间差异变化图中像素点的灰度值进行赋值得到调控帧间差异变化图;对每个视频帧分组中的第一帧视频帧图像、每两帧相邻视频帧图像对应的调控帧间差异变化图进行压缩存储。这样不仅仅保证了监控视频数据的压缩率,节省了存储空间,同时还保留了需要压缩的视频帧图像中的一些重要数据。
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和优点,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的介绍,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的前提下,还可以根据这些附图获得其它附图。
图1为本发明实施例提供的一种监控视频高效存储方法的方法流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种监控视频高效存储方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种监控视频高效存储方法的具体方案。
实施例:
本发明的主要应用场景为:日常生活中有很多区域都需要安装监控对这些区域进行监控,而监控视频数据又是十分庞大的,十分占用存储空间,因此需要对其存储过程进行优化,使其占用较少的存储空间,节省存储资源。
请参阅图1,其示出了本发明实施例提供的一种监控视频高效存储方法的方法流程图,该方法包括以下步骤:
步骤S1,采集待监控区域的监控视频数据;获取监控视频数据中各视频帧图像的角点,对每两帧相邻视频帧图像进行角点匹配获得每两帧相邻视频帧图像的相匹配的角点数量;每两帧相邻视频帧图像的相匹配的角点数量和总的角点数量比值为每两帧相邻视频帧图像的相似度;利用每两帧相邻视频帧图像的相似度对连续时序的视频帧图像进行分组得到多个视频帧分组。
视频图像是由一帧一帧的图像组合而成,部分相邻的视频帧图像之间存在较强的关联性,即对相关联的视频帧分为一组进行处理,便于后续压缩处理。通过获取同组视频帧图像的帧间差异,获取帧差处理图像,通过图像的分布特征与各个像素点的权重自适应获取帧差阈值,通过帧差阈值对视频帧图像进行模糊化处理,使得视频帧图像的冗余程度增大,从而使压缩率增大。
首先,通过布置相机对待监控区域进行监控视频图像采集获得监控视频数据。所述待监控区域例如危险化工生产车间,路口行车安全监控等,通过相机采集待监控区域的视频图像,将其传输给数据处理系统。
进一步的,本发明采用记录帧间差异的方法达到压缩的目的,故后一帧图像记录的是与前一帧图像之间的差异,在进行解压缩时需要先获取前一帧图像,才能根据差异解压缩出后一张图像,若整个视频帧不进行分组,所有的视频帧均按照帧差法进行处理,则极易造成误差传播,同时对差异性较大的连续两帧图像进行处理获取到的帧间差异变化图像难以进行重要像素点的评估,因此需要对监控视频数据中的视频帧图像进行时序分组处理。
由于采集到的视频图像为一个动态的过程,具有尺度上的变化,所以通过角点匹配的方式获取视频帧图像的角点与特征描述。采用SIFT角点匹配算法获取视频帧图像的角点和特征描述,SIFT角点检测算法包括角点检测器与描述子,角点检测器用于判断当前视频帧中当前像素点是否为角点,描述子用于对当前角点形成特征描述,从而获取当前视频帧的特征描述数据。通过对相邻视频帧进行角点匹配,判断相邻视频帧中角点描述向量是否一致,从而实现相邻帧图像中同一角点的匹配,得到匹配角点的坐标信息。通过角点匹配的比例判断两帧图像的相似性,从而判断两帧相邻的视频帧图像是否可以归为一组,计算每两帧相邻视频帧图像的相似:
其中,a表示每两帧相邻视频帧图像的相似度;表示第i帧视频帧图像与第i+1帧
视频帧图像之间的角点匹配的对数,表示这两帧视频帧图像之间的相匹配的角点数量;和分别表示第i帧视频帧图像与第i+1帧视频帧图像中的角点数量;当匹配的角点数
量越多时,说明两帧视频帧图像的相似性越高,即相似度接近于1。设定分组阈值,优选
地,分组阈值的取值为0.75,实施者可以根据具体情况进行调整,若两帧相邻视频帧图像
的相似度大于分组阈值,则这两帧相邻视频帧图像为一组,依次判断每两帧相邻视频帧图
像进行分组,获得多个视频帧分组,在判断时由于视频帧图像是连续的且按照时序排列的,
所以在进行分组时从第一帧视频帧图像开始依次判断相邻两帧视频帧图像是否为一组。
步骤S2,选择同一个视频帧分组中的任意两帧相邻的视频帧图像相减获得这两帧相邻的视频帧图像对应的帧间差异变化图;将帧间差异变化图中像素点的灰度值均值作为初始分割阈值;获取帧间差异变化图中灰度值大于初始分割阈值的像素点,组成第一像素点集合;基于第一像素点集合中每个像素点到帧间差异变化图中心点的距离获得第一像素点集合的密集程度。
首先需要将视频帧图像灰度化,然后对于同一个视频帧分组中的视频帧图像,获取第二帧视频帧图像与第一帧视频帧图像的帧间变化差异图,即获取对应位置的像素点灰度值差值,即:
进一步的,还需要获取帧间差异变化图中特征点的分布,对于帧间差异变化图中的特征点而言,存在不同的分布特征,若采用相同的阈值对帧间差异变化图进行分割处理会导致处理效果较差。
故通过分析帧间差异变化图的特征点分布信息自适应获取初始分割阈值。对于帧间差异变化图而言,帧间差异变化图中灰度值不为0的位置即为发生变化的像素点位置,由于噪声的影响或者环境的影响,会导致两帧相邻视频帧图像之间出现细微的差异,例如道路监控视频中,采集的监控视频帧图像中存在道路、绿化带以及树木等,正常情况下,相邻帧图像的帧间差异变化图中灰度值为0的像素点会特别多,但由于环境影响,例如风吹动树叶,导致树叶出现轻微的晃动,此时帧间差异变化图中像素点为0的像素点会相对较少,但此时的波动较小;当马路上有车辆行驶时,帧间差异变化图中像素点的灰度差异特征值会较大,即当前像素点隶属于公路,但下一帧图像中的当前像素点隶属于车辆,此时同一像素点在不同帧中的灰度值不同,且该像素点为目标区域重要像素点,故这类像素点需要保留其本身与上一帧图像之间的差异。灰度差异特征值大的点也可能是噪声,因此需要获取此类数据点的分布情况,分布越密集说明此类像素点越有可能是监控视频中关注的数据点,故优先获取目标点,由于关注的数据点的灰度差异特征值大(例如车辆)而不关注的数据点的灰度差异特征值小(例如绿化带中的树叶),因此获取帧间差异变化图的像素点的均值作为初始分割阈值:
其中,表示帧间差异变化图的初始分割阈值;表示帧间差异变化图中像素
点的个数;表示帧间差异变化图中坐标值为的像素点对应的灰度值的差值,也
即是帧间差异变化图中坐标值为的像素点的灰度值。通过初始分割阈值将帧间差异
变化图中像素点分为两类,获取大于初始分割阈值的一类像素点组成第一像素点集合。
计算大于初始分割阈值的像素点的分布密集程度,也即是第一像素点集合的分布密集程度,第一像素点集合的分布越密集,说明此类像素点越为重要的像素点,为了保证第二帧图像中重要信息不丢失,故需要保证此类像素点不变;第一像素点集合分布越稀疏,说明此类像素点更有可能为噪声点或环境影响导致的波动,此时,此类像素点点没有必要保留,为了增大压缩率,可将帧间差异变化图中的此类像素点的灰度值置为0;首先得到第一像素点集合中每个像素点与帧间差异变化图中心点的距离值:
其中,表示第一像素点集合中一个像素点与帧间差异变化图中心点的距离值;表示帧间差异变化图中心点的坐标;表示第一像素点集合第j个像素点的坐
标。获取第一像素点集合中每个像素点与帧间差异变化图中心点的距离值,得到距离值集
合:,表示第一像素点集合中像素点的个数。
根据距离值集合获取帧间差异变化图中大于初始分割阈值的像素点的密集程度,也即是第一像素点集合的密集程度:
其中,H表示第一像素点集合的密集程度;表示超参数,取值为0.01;表示第一
像素点集合中第k个像素点到帧间差异变化图中心点的距离;表示第一像素点集合中所有
像素点到帧间差异变化图中心点的距离的均值;表示第一像素点集合中像素点数量的个
数;表示以自然常数e为底的指数函数。H的值越趋近于1说明帧间差异变化图中蕴含
重要信息,需要保留更多的信息。
步骤S3,设定聚类窗口的初始聚类半径,以第一像素点集合的密集程度与初始聚类半径的乘积作为聚类窗口的聚类半径对帧间差异变化图中第一像素点集合中的像素点进行聚类获得聚类中心点;基于帧间差异变化图中每个像素点到聚类中心点的距离、聚类窗口的初始聚类半径和初始分割阈值获得调控阈值;基于调控阈值对帧间差异变化图中像素点的灰度值进行赋值得到调控帧间差异变化图;对每个视频帧分组中的第一帧视频帧图像、每两帧相邻视频帧图像对应的调控帧间差异变化图进行压缩存储。
首先,对于实际监控视频中,往往有部分区域是几乎不可能出现异常的,例如对于马路上的闯红灯,异常情况发生在绿化带上的概率基本上没有,即此类区域出现的帧间差异异常更有可能是噪声或环境引起的,故针对这种情况对调整阈值进行自适应调控。本发明期望通过调整帧间差异变化图中像素点的灰度值来增大压缩率,即将小的灰度值置0以达到增大压缩率的目的,同时期望重要区域的信息保留率较大,需要说明的是,这里小的灰度值指的是相邻两帧的视频帧图像中有的相对应位置的像素点的灰度值差异较小。
故需要在初始分割阈值的基础上进行调节得到调控阈值,本发明期望重要区域的信息保留率大,在帧间差异变化图中,隶属于聚类窗口内的像素点的调控阈值需要较小,期望压缩率大,故聚类窗口之外的区域的像素点的调控阈值需要较大,即聚类窗口内的像素点的调控阈值越趋近于聚类中心点越小,聚类窗口外的像素点的调控阈值越远离聚类中心点越大,则调控阈值为:
基于调控阈值对帧间差异变化图中像素点的灰度值进行赋值,具体为:
其中,表示帧间差异变化图中坐标为的像素点的灰度值,也即是两帧相
邻视频帧图像中坐标为的两个像素点的灰度值差值;F表示帧间差异变化图中坐标值
为的像素点的调控阈值;需要说明的是由于调控阈值是一个分段函数,取值有多个,
在对帧间差异变化图中的像素点的灰度值进行赋值时具体过程为;计算帧间差异变化图中
任一像素点与聚类中心点的距离,判断该像素点与聚类中心点的距离与初始聚类半径的大
小关系,基于大小关系获得对应的调控阈值的取值,若该像素点的灰度值大于等于对应的
调控阈值的取值,则该像素点的灰度值不变,若该像素点的灰度值小于对应的调控阈值的
取值,则该像素点的灰度值赋值为0;对帧间差异变化图中每个像素点进行赋值得到调控帧
间差异变化图。
通过上述操作之后图像的冗余程度大大增加,同时保留了监控视频帧中的重要数据,利用游程编码对每个视频帧分组对应的压缩对象进行压缩,则每个视频帧分组的压缩对象为每个视频帧分组中的第一帧视频帧图像以及每两帧相邻视频帧图像对应的调控帧间差异变化图;至此,对每个视频帧分组中的第一帧视频帧图像、每两帧相邻视频帧图像对应的调控帧间差异变化图对每个视频帧分组进行压缩存储。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例,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)
1.一种监控视频高效存储方法,其特征在于,该方法包括:
采集待监控区域的监控视频数据;获取监控视频数据中各视频帧图像的角点,对每两帧相邻视频帧图像进行角点匹配获得每两帧相邻视频帧图像的相匹配的角点数量;每两帧相邻视频帧图像的相匹配的角点数量和总的角点数量比值为每两帧相邻视频帧图像的相似度;利用每两帧相邻视频帧图像的相似度对连续时序的视频帧图像进行分组得到多个视频帧分组;
选择同一个视频帧分组中的任意两帧相邻的视频帧图像相减获得这两帧相邻的视频帧图像对应的帧间差异变化图;将帧间差异变化图中像素点的灰度值均值作为初始分割阈值;获取帧间差异变化图中灰度值大于初始分割阈值的像素点,组成第一像素点集合;基于第一像素点集合中每个像素点到帧间差异变化图中心点的距离获得第一像素点集合的密集程度;
设定聚类窗口的初始聚类半径,以第一像素点集合的密集程度与初始聚类半径的乘积作为聚类窗口的聚类半径对帧间差异变化图中第一像素点集合中的像素点进行聚类获得聚类中心点;基于帧间差异变化图中每个像素点到聚类中心点的距离、聚类窗口的初始聚类半径和初始分割阈值获得调控阈值;基于调控阈值对帧间差异变化图中像素点的灰度值进行赋值得到调控帧间差异变化图;对每个视频帧分组中的第一帧视频帧图像、每两帧相邻视频帧图像对应的调控帧间差异变化图进行压缩存储;
所述第一像素点集合的密集程度为:
其中,H表示第一像素点集合的密集程度;表示超参数,取值为0.01;表示第一像素
点集合中第k个像素点到帧间差异变化图中心点的距离;表示第一像素点集合中所有像素
点到帧间差异变化图中心点的距离的均值;表示第一像素点集合中像素点数量的个数;表示以自然常数e为底的指数函数;
所述调控阈值为:
2.根据权利要求1所述的一种监控视频高效存储方法,其特征在于,所述利用每两帧相邻视频帧图像的相似度对连续时序的视频帧图像进行分组得到多个视频帧分组,包括:
设定分组阈值,若两帧相邻视频帧图像的相似度大于分组阈值则这两帧相邻视频帧图像为一组,其中在进行分组时从第一帧视频帧图像开始依次判断相邻两帧视频帧图像是否为一组。
3.根据权利要求1所述的一种监控视频高效存储方法,其特征在于,在所述获得这两帧相邻的视频帧图像对应的帧间差异变化图之前还包括:将视频帧图像灰度化。
4.根据权利要求1所述的一种监控视频高效存储方法,其特征在于,所述基于调控阈值对帧间差异变化图中像素点的灰度值进行赋值得到调控帧间差异变化图,包括:
计算帧间差异变化图中任一像素点与聚类中心点的距离,判断该像素点与聚类中心点的距离与初始聚类半径的大小关系,基于大小关系获得对应的调控阈值的取值,若该像素点的灰度值大于等于对应的调控阈值的取值,则该像素点的灰度值不变,若该像素点的灰度值小于对应的调控阈值的取值,则该像素点的灰度值赋值为0;对帧间差异变化图中每个像素点进行赋值得到调控帧间差异变化图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211219146.6A CN115297289B (zh) | 2022-10-08 | 2022-10-08 | 一种监控视频高效存储方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211219146.6A CN115297289B (zh) | 2022-10-08 | 2022-10-08 | 一种监控视频高效存储方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115297289A CN115297289A (zh) | 2022-11-04 |
CN115297289B true CN115297289B (zh) | 2022-12-23 |
Family
ID=83833834
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211219146.6A Active CN115297289B (zh) | 2022-10-08 | 2022-10-08 | 一种监控视频高效存储方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115297289B (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116055722B (zh) * | 2023-03-06 | 2023-06-16 | 山东梁山酿酒总厂有限公司 | 一种用于白酒自动化生产系统的数据存储方法 |
CN116095347B (zh) * | 2023-03-09 | 2023-07-11 | 中节能(临沂)环保能源有限公司 | 基于视频分析的建筑工程安全施工方法及系统 |
CN116233479B (zh) * | 2023-04-28 | 2023-07-21 | 中译文娱科技(青岛)有限公司 | 基于数据处理的直播信息内容审核系统及方法 |
CN116229335B (zh) * | 2023-05-10 | 2023-07-21 | 山东大佳机械有限公司 | 基于图像数据的畜禽养殖场环境识别方法 |
CN116260976B (zh) * | 2023-05-15 | 2023-07-18 | 深圳比特耐特信息技术股份有限公司 | 一种视频数据处理应用系统 |
CN116614705B (zh) * | 2023-07-18 | 2023-10-03 | 华洋通信科技股份有限公司 | 基于多模态视频特征分析的采煤工作面相机调控系统 |
CN116744006B (zh) * | 2023-08-14 | 2023-10-27 | 光谷技术有限公司 | 基于区块链的视频监控数据存储方法 |
CN116866503B (zh) * | 2023-09-04 | 2023-11-14 | 东莞市华复实业有限公司 | 一种无线4g安防网关数据高效存储方法 |
CN117111858B (zh) * | 2023-10-23 | 2024-04-02 | 深圳萨尔浒网络科技有限公司 | 计算机文件数据匹配系统 |
CN117201798B (zh) * | 2023-11-06 | 2024-03-15 | 深圳市翔洲宏科技有限公司 | 一种远程视频监控摄像头信息传输方法及系统 |
CN117221609B (zh) * | 2023-11-07 | 2024-03-12 | 深圳微云通科技有限公司 | 一种高速公路收费业务集中监控值机系统 |
CN117278692B (zh) * | 2023-11-16 | 2024-02-13 | 邦盛医疗装备(天津)股份有限公司 | 一种医疗检测车病患监测数据脱敏保护方法 |
CN117478891B (zh) * | 2023-12-28 | 2024-03-15 | 辽宁云也智能信息科技有限公司 | 一种建筑施工智慧管理系统 |
CN117812217A (zh) * | 2024-01-10 | 2024-04-02 | 北京中电中天电子工程有限公司 | 一种智能无纸化会议控制与管理平台 |
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 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106162177A (zh) * | 2016-07-08 | 2016-11-23 | 腾讯科技(深圳)有限公司 | 视频编码方法和装置 |
EP3893198A1 (en) * | 2020-04-08 | 2021-10-13 | Siemens Healthcare GmbH | Method and system for computer aided detection of abnormalities in image data |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019212850A2 (en) * | 2018-05-02 | 2019-11-07 | Corning Research & Development Corporation | Methods for detection of contaminants on optical fiber connectors |
-
2022
- 2022-10-08 CN CN202211219146.6A patent/CN115297289B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106162177A (zh) * | 2016-07-08 | 2016-11-23 | 腾讯科技(深圳)有限公司 | 视频编码方法和装置 |
EP3893198A1 (en) * | 2020-04-08 | 2021-10-13 | Siemens Healthcare GmbH | Method and system for computer aided detection of abnormalities in image data |
Also Published As
Publication number | Publication date |
---|---|
CN115297289A (zh) | 2022-11-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115297289B (zh) | 一种监控视频高效存储方法 | |
US10776659B2 (en) | Systems and methods for compressing data | |
JP3373008B2 (ja) | 画像像域分離装置 | |
CN112037365B (zh) | 面向行车记录仪基于边缘计算的车辆火灾事故检测报警系统 | |
US11700457B2 (en) | Flicker mitigation via image signal processing | |
CN112381784A (zh) | 一种基于多光谱图像的设备检测系统 | |
US20130279598A1 (en) | Method and Apparatus For Video Compression of Stationary Scenes | |
CN111539265A (zh) | 一种电梯轿厢内异常行为检测方法 | |
CN115456868B (zh) | 一种消防演练系统数据管理方法 | |
CN116996673B (zh) | 基于通行出入管理及设备运行状态的智能云端管理系统 | |
US20150279052A1 (en) | Method and apparatus for moving object detection using principal component analysis based radial basis function network | |
CN115661669A (zh) | 一种基于视频监控的耕地违法占用监测方法及系统 | |
CN114693816A (zh) | 一种智能化图像大数据存储方法 | |
CN115618051A (zh) | 一种基于互联网的智慧校园监控视频存储方法 | |
CN117221609B (zh) | 一种高速公路收费业务集中监控值机系统 | |
CN112166598B (zh) | 图像处理方法、系统、可移动平台和存储介质 | |
CN112132207A (zh) | 基于多分支特征映射目标检测神经网络构建方法 | |
CN116260976A (zh) | 一种视频数据处理应用系统 | |
CN115329112B (zh) | 一种无人机遥感图像高效存储方法 | |
WO2021136001A1 (zh) | 一种基于Codebook原理的高效视频移动目标检测方法 | |
CN115633157B (zh) | 用于锂电池隔膜加工的远程监测方法及系统 | |
CN112188212A (zh) | 一种高清监控视频智能转码的方法及装置 | |
CN116033033B (zh) | 一种联合显微图像和rna的空间组学数据压缩和传输方法 | |
CN117201798B (zh) | 一种远程视频监控摄像头信息传输方法及系统 | |
CN113225552B (zh) | 一种智能快速帧间编码方法 |
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 |