CN115618051B - 一种基于互联网的智慧校园监控视频存储方法 - Google Patents

一种基于互联网的智慧校园监控视频存储方法 Download PDF

Info

Publication number
CN115618051B
CN115618051B CN202211635883.4A CN202211635883A CN115618051B CN 115618051 B CN115618051 B CN 115618051B CN 202211635883 A CN202211635883 A CN 202211635883A CN 115618051 B CN115618051 B CN 115618051B
Authority
CN
China
Prior art keywords
video frame
image
category
vector
base map
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
Application number
CN202211635883.4A
Other languages
English (en)
Other versions
CN115618051A (zh
Inventor
赵永梅
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.)
Nannan Juzhi Information Technology Co ltd
Original Assignee
Nannan Juzhi 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 Nannan Juzhi Information Technology Co ltd filed Critical Nannan Juzhi Information Technology Co ltd
Priority to CN202211635883.4A priority Critical patent/CN115618051B/zh
Publication of CN115618051A publication Critical patent/CN115618051A/zh
Application granted granted Critical
Publication of CN115618051B publication Critical patent/CN115618051B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/71—Indexing; Data structures therefor; Storage structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/10—File systems; File servers
    • G06F16/17—Details of further file system functions
    • G06F16/174—Redundancy elimination performed by the file system
    • G06F16/1744—Redundancy elimination performed by the file system using compression, e.g. sparse files
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/75—Clustering; Classification
    • 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
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
    • 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
    • H04N19/42—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals characterised by implementation details or hardware specially adapted for video compression or decompression, e.g. dedicated software implementation
    • H04N19/423—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals characterised by implementation details or hardware specially adapted for video compression or decompression, e.g. dedicated software implementation characterised by memory arrangements
    • 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
    • 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
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及视频压缩技术领域，提出了一种基于互联网的智慧校园监控视频存储方法，包括：获取校园监控视频数据；根据拍摄角度对视频数据划分类别，利用因子分析获取每个类别的公共因子向量和载荷矩阵得到第一底图；根据视频帧图像与第一底图的第一差分图像及特殊因子向量对第一底图加权更新得到第二底图；根据视频帧图像与第二底图的第二差分图像中非0像素点的分布性和方差性获取第二权重值，并与预设阈值比较选择不同的存储方法，根据第二底图及每个视频帧图像对应的存储方法对视频数据进行压缩存储。本发明的目的是解决现有的视频数据压缩存储未考虑相邻视频帧之间联系的问题。

Description

一种基于互联网的智慧校园监控视频存储方法
技术领域
本发明涉及视频压缩领域，具体涉及一种基于互联网的智慧校园监控视频存储方法。
背景技术
智慧校园通常由以传感器网络及智能硬件为核心的校园基础设施和部署在数据中心内云端服务器上的智慧化软件系统构成，而数字视频监控模块在传感器网络中极为重要，对校园内部场景信息获取起到了重要作用，智慧校园的数字视频监控模块伴随着大量视频数据的产生，在存储方面占据了极大的存储空间而需要采用压缩处理再进行存储。现有的智慧校园监控视频最常用的存储方法是通过游程编码对视频数据进行压缩存储，但该方法对单张视频帧数据的压缩存储效果较好，没有考虑到相邻视频帧之间的联系进行压缩存储，压缩效率较低。为了实现更大效率的压缩存储，需要一种可以使得大部分图像表示为与底图的线性关系及底图来提高数字视频压缩存储效果。
发明内容
本发明提供一种基于互联网的智慧校园监控视频存储方法，以解决现有的视频数据压缩存储未考虑相邻视频帧之间联系的问题，所采用的技术方案具体如下：
第一方面，本发明一个实施例提供了一种基于互联网的智慧校园监控视频存储方法，该方法包括以下步骤：
获取校园监控视频数据；
根据监控拍摄角度对视频帧图像进行分类得到若干类别，将每个类别的视频帧图像作为输入向量进行因子分析分别获取每个类别的公共因子向量及载荷矩阵，并以每个类别的公共因子向量与载荷矩阵的乘积来获取每个类别的第一底图；
获取每个视频帧图像与相应所属类别的第一底图之间的第一差分图像，根据第一差分图像中像素点的数量和灰度值方差获取每个特殊因子向量的第一权重值，根据每个类别中各特殊因子向量与对应第一权重值的加权求和，根据加权求和所得结果以及公共因子向量与载荷矩阵的乘积来获取每个类别的第二底图；
获取每个视频帧图像与相应所属类别的第二底图之间的第二差分图像，根据第二差分图像中像素点的数量和灰度值方差获取每个视频帧图像的第二权重值，并与第一预设阈值进行比较，当大于第一预设阈值时对视频帧图像利用第一存储方法进行压缩存储，当小于第一预设阈值时对视频帧图像利用第二存储方法进行压缩存储。
可选的，所述根据监控拍摄角度对视频帧图像进行分类得到若干类别，包括的具体方法如下：
根据姿态传感器获取监控摄像头姿态参数的改变时间，将监控摄像头姿态参数的改变时间作为监控拍摄角度变化的时间节点，根据该时间节点对获取到的视频数据进行划分，划分得到的每一段时间内的视频帧图像属于一个类别。
可选的，所述获取每个类别的第一底图，包括的具体方法如下为：
Figure DEST_PATH_IMAGE001
其中，
Figure 543637DEST_PATH_IMAGE002
为第
Figure 518546DEST_PATH_IMAGE004
个类别的第一向量，所述第一向量为第一底图列首尾相连形成的列向量形式，将第一向量转化为矩阵形式得到第一底图，
Figure DEST_PATH_IMAGE005
为第
Figure DEST_PATH_IMAGE007
个类别中视频帧输入向量经因子分析的载荷矩阵，
Figure 797081DEST_PATH_IMAGE008
为第
Figure 129186DEST_PATH_IMAGE007
个类别经因子分析得到的公共因子向量；
将第一向量转换为矩阵形式获得第一底图。
可选的，所述获取每个特殊因子向量的第一权重值，包括的具体方法如下：
Figure DEST_PATH_IMAGE009
其中，
Figure 871883DEST_PATH_IMAGE010
为第
Figure 752114DEST_PATH_IMAGE007
个类别中第
Figure 642579DEST_PATH_IMAGE012
个视频帧图像对应的特殊因子向量的第一权重值，
Figure DEST_PATH_IMAGE013
为第
Figure 204141DEST_PATH_IMAGE007
个类别第一底图上像素点的数量，
Figure 129241DEST_PATH_IMAGE014
表示该视频帧图像与第一底图间的第一差分图像上非0像素点的数量，
Figure DEST_PATH_IMAGE015
表示所述非0像素点灰度值的方差；
Figure 635833DEST_PATH_IMAGE010
与第
Figure 498747DEST_PATH_IMAGE007
个类别中所有特殊因子向量的权重值之和的比值记为第
Figure 175585DEST_PATH_IMAGE007
个类别中第
Figure 909186DEST_PATH_IMAGE012
个特殊因子向量的第一权重值。
可选的，所述获取每个类别的第二底图，包括的具体方法如下：
Figure 646066DEST_PATH_IMAGE016
其中，
Figure DEST_PATH_IMAGE017
表示第
Figure 183227DEST_PATH_IMAGE018
个类别的第二向量，所述第二向量为第二底图列首尾相连形成的列向量形式，将第二向量转化为矩阵形式得到第二底图，
Figure DEST_PATH_IMAGE019
为第
Figure 356367DEST_PATH_IMAGE018
个类别中视频帧输入向量经因子分析的载荷矩阵，
Figure 741212DEST_PATH_IMAGE020
为第
Figure 134148DEST_PATH_IMAGE018
个类别经因子分析得到的公共因子向量，
Figure DEST_PATH_IMAGE021
为第
Figure 689763DEST_PATH_IMAGE018
个类别中视频帧的数量，
Figure 459136DEST_PATH_IMAGE022
为第
Figure 947755DEST_PATH_IMAGE018
个类别中第
Figure 511591DEST_PATH_IMAGE012
个特殊因子向量的第一权重值，
Figure 85661DEST_PATH_IMAGE023
为第
Figure 924304DEST_PATH_IMAGE018
个类别第
Figure 4780DEST_PATH_IMAGE012
个视频帧图像对应的特殊因子向量；
将第二向量转换为矩阵形式获得第二底图。
可选的，所述第一存储方法、第二存储方法，包括的具体方法如下：
所述第一存储方法是对于第二权重值大于第一预设阈值的视频帧图像，将视频帧图像用第二差分图像中非0像素点的灰度均值来存储；所述第二存储方法是对于第二权重值小于等于第一预设阈值的视频帧图像，将视频帧图像用第二差分图像中非0像素点的稀疏矩阵方法来存储。
本发明的有益效果是：通过因子分析，对视频帧图像的共性特征进行提取，得到第一底图，第一底图与所有视频帧图像的联系较强，在此基础上，通过将不同视频帧图像的特殊特征赋予到初始底图上，更新得到第二底图，第二底图与第一底图相比，更可以使得每个视频帧图像与第二底图的线性关系变强，进而将视频帧图像用第二底图和第二底图对应字母与不同数值的加法来表示，大大提高了压缩存储的效率。
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为本发明的一个实施例所提供一种基于互联网的智慧校园监控视频存储方法的流程示意图。
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。
请参阅图1，其示出了本发明一个实施例所提供的一种基于互联网的智慧校园监控视频存储方法流程图，该方法包括以下步骤：
步骤S001、获取校园监控视频数据。
通过智慧校园中的监控摄像头获取监控视频数据。
步骤S002、通过拍摄角度对视频帧图像进行分类，并对每个类别的视频帧图像进行因子分析得到各类别的第一底图。
由于监控摄像头一般情况下总是一个朝向，因此相邻视频帧之间的相似度很大，可以通过计算获得一个底图，而其它视频帧在底图基础上进行局部区域的修改，即可进行存储，大大减小存储量。
现在的摄像头往往是可以进行目标跟踪的，因此当有人进入摄像头拍摄区域时，摄像头角度会发生变化，而同一角度下的不同视频帧图像的相似度较大，有助于得到更高的压缩效率，因此将同一角度下的视频帧图像作为一个类别进行压缩。
具体的，根据姿态传感器获取监控摄像头姿态参数的改变时间，将监控摄像头姿态参数的改变时间作为监控拍摄角度变化的时间节点，根据该时间节点对获取到的视频数据进行划分，划分得到的每一段时间内的视频帧图像属于一个类别。
需要说明的是，所述的底图不是指具体的某一帧图像，是指通过计算得到的和大部分视频帧最相似的图像，而其它视频帧只需在底图上较小的值的改变即可得到，从而达到提高压缩效率，减小存储量的目的。
选取底图的常规方法是在正常光照情况下，将没有行人或其它东西干扰情况下的与其它所有图像的相似度最大的视频帧图像作为底图，但该底图不一定能达到最高的压缩效率，因此考虑通过因子分析的方法获得每个类别中所有视频帧图像的共性特征对应的图像作为底图，以求达到最大的压缩效率。
因子分析是一种对多个输入向量的相同特征和每个输入向量的特殊特征进行分析的方法，输出为所有输入向量对应的一个公共因子向量和每个输入向量对应的特殊因子向量，公共因子向量可以表示所有输入向量的相同特征，每个输入向量对应的特殊因子向量表示的是每个输入向量的独有特征，对于单个输入向量的情况，其因子分析模型为：
Figure 5097DEST_PATH_IMAGE025
其中，
Figure 551616DEST_PATH_IMAGE027
表示输入向量，其大小假设记为
Figure 177638DEST_PATH_IMAGE029
；
Figure 391582DEST_PATH_IMAGE031
表示载荷矩阵，那么其大小为
Figure 812068DEST_PATH_IMAGE033
；
Figure 845883DEST_PATH_IMAGE035
为输出的公共因子向量，那么其大小为
Figure 760749DEST_PATH_IMAGE037
；
Figure 78467DEST_PATH_IMAGE039
为输出的与输入向量对应的特殊因子向量，大小则为
Figure 420586DEST_PATH_IMAGE029
；此时这些输入向量都视为矩阵形式，
Figure DEST_PATH_IMAGE041
表示载荷矩阵的行数，
Figure DEST_PATH_IMAGE043
表示载荷矩阵的列数，
Figure 578249DEST_PATH_IMAGE041
的实质是输入向量中包含的元素数量，
Figure 765647DEST_PATH_IMAGE043
为因子数量，本实施例中
Figure DEST_PATH_IMAGE045
。
进一步的需要说明的是，由于公共因子向量可以表示所有输入向量的共同特征，因此一个类别得到的公共因子向量对应的图像特征即为该类别所有的视频帧图像的共有特征，即对应的特征图像与每个视频帧图像的相似度均较大。
进一步的，将每个类别中的每个视频帧图像通过列首尾相连的方式，将每帧图像转化为列向量形式，称之为视频帧向量，需要说明的是，视频帧向量的维度和图像大小相同，本实施例以图像大小为1024×1024为例进行叙述。将每个类别中所有的视频帧向量作为输入向量，通过因子分析得到每个类别的公共因子向量及每个输入向量对应的特殊因子向量；再将每个类别的载荷矩阵及公共因子向量相乘得到一个列向量，即为每个类别的第一向量，转换为矩阵形式即为每个类别的第一底图。具体的，以第
Figure DEST_PATH_IMAGE047
个类别为例，获取该类别的第一向量
Figure DEST_PATH_IMAGE049
的计算方法为：
Figure 189DEST_PATH_IMAGE001
其中，
Figure 499828DEST_PATH_IMAGE005
为该类别中视频帧输入向量经因子分析的载荷矩阵，
Figure 508235DEST_PATH_IMAGE008
为该类别经因子分析得到的公共因子向量；此时，将得到的第一向量转化为对应类别视频帧图像的矩阵形式，得到的即为该类别的第一底图
Figure 764904DEST_PATH_IMAGE050
，即是将列向量按照输入向量的列首尾相连转换形式反向转换得到相应的矩阵，即为第一底图。按照该种计算方法获取所有类别的第一底图，此时这些第一底图可以反映同一类别中所有视频帧图像的共性特征，但不能结合每个视频帧图像的特殊特征，仍无法达到最大的压缩效率，需要进一步分析。
步骤S003、根据每个视频帧图像与所属类别的第一底图之间的第一差分图像，分配权重获取每个类别更新后的第二底图。
由于所述的第一底图只是与同一个类别中所有视频帧图像相似度最大的图像，不一定能够达到最大压缩效率，因此考虑通过对第一底图进行修正，使得每个视频帧图像与更新后底图的差分图像中，差分图像的所有像素点的值相近，则可以用更新后的底图和一个数字的加和表示该视频帧图像，达到最大压缩的目的。
需要说明的是，要达到这个目标，可以通过将不同视频帧图像的特殊因子向量表示的特殊特征赋予到底图上实现，一个良好的底图可以使得每个视频帧图像与底图的差分图像中的像素点的灰度值的一致性较大。进一步的，需要确定不同视频帧图像对应的特殊因子向量表示的特殊特征分配到对应的第一底图上的权重，主要从第一差分图像上非0像素点的面积比重以及这些像素点的灰度值方差两个方面进行考虑。
具体的，首先对视频帧图像与所属类别的第一底图进行差分，视频帧图像作为被减数，第一底图为减数，差分方法为像素点的灰度差值小于
Figure 57214DEST_PATH_IMAGE052
的结果都置为0，仅保留大于
Figure 741136DEST_PATH_IMAGE052
的像素点灰度值差。以第
Figure 220528DEST_PATH_IMAGE047
个类别中第
Figure 280888DEST_PATH_IMAGE054
个视频帧图像对应的特殊因子向量为例，其权重值
Figure 162125DEST_PATH_IMAGE056
的计算方法为：
Figure 751369DEST_PATH_IMAGE009
其中，
Figure 980707DEST_PATH_IMAGE010
为第
Figure 579178DEST_PATH_IMAGE007
个类别中第
Figure 331233DEST_PATH_IMAGE012
个视频帧图像对应的特殊因子向量的第一权重值，
Figure 606226DEST_PATH_IMAGE013
为第
Figure 76521DEST_PATH_IMAGE007
个类别第一底图上像素点的数量，
Figure 727952DEST_PATH_IMAGE014
表示该视频帧图像与第一底图间的第一差分图像上非0像素点的数量，
Figure 68934DEST_PATH_IMAGE015
表示所述非0像素点灰度值的方差；将得到的权重值
Figure 249249DEST_PATH_IMAGE010
与该类别中所有特殊因子向量的权重值之和求比值作为权重值的归一化方法，得到的即为归一化后的第一权重值
Figure DEST_PATH_IMAGE057
。
此时，
Figure 396721DEST_PATH_IMAGE014
与
Figure 336995DEST_PATH_IMAGE013
之间的比值越大，表明第一差分图像上的非0像素点越多，越接近1则越接近全局分布；
Figure 63642DEST_PATH_IMAGE015
为非0像素点之间的灰度值方差，方差越小，表示这些像素点的灰度值越相近，用一个数字来表示整个第一差分图像的误差越小，即越接近整体均值变化；
Figure 946017DEST_PATH_IMAGE056
越大，表明差分图像越接近全局分布且越接近整体均值变化，其特殊特征在底图上分配到的权重越大，越能提高底图与每一视频帧图像间的灰度一致性。
进一步的，以第
Figure 859746DEST_PATH_IMAGE047
个类别为例，获取给类别的第二向量
Figure 852979DEST_PATH_IMAGE059
的计算方法为：
Figure 699712DEST_PATH_IMAGE016
其中，
Figure 238141DEST_PATH_IMAGE017
表示第
Figure 154013DEST_PATH_IMAGE018
个类别的第二向量，所述第二向量为第二底图列首尾相连形成的列向量形式，将第二向量转化为矩阵形式得到第二底图，
Figure 170511DEST_PATH_IMAGE019
为第
Figure 118088DEST_PATH_IMAGE018
个类别中视频帧输入向量经因子分析的载荷矩阵，
Figure 92997DEST_PATH_IMAGE020
为第
Figure 230587DEST_PATH_IMAGE018
个类别经因子分析得到的公共因子向量，
Figure 50775DEST_PATH_IMAGE021
为第
Figure 590210DEST_PATH_IMAGE018
个类别中视频帧的数量，
Figure 470441DEST_PATH_IMAGE022
为第
Figure 95326DEST_PATH_IMAGE018
个类别中第
Figure 453626DEST_PATH_IMAGE012
个特殊因子向量的第一权重值，
Figure 129458DEST_PATH_IMAGE023
为第
Figure 167209DEST_PATH_IMAGE018
个类别第
Figure 295702DEST_PATH_IMAGE012
个视频帧图像对应的特殊因子向量；此时，将得到的第二向量转化为对应类别视频帧图像的矩阵形式，得到的即为该类别更新后的第二底图
Figure 706961DEST_PATH_IMAGE060
，即是将列向量按照输入向量的列首尾相连转换形式反向转换得到相应的矩阵，即为第二底图。按照该种计算方法获取所有类别更新后的第二底图，此时这些第二底图与各视频帧图像的灰度一致性较大，能够达到最大的压缩效率。
至此，通过将一些与底图之间灰度一致性较大的特殊因子向量加入到第一底图中更新得到第二底图，提高视频帧图像与底图之间的灰度一致性，从而提高根据底图对视频帧图像进行存储的压缩效率。
步骤S004、获取每个视频帧图像与所属类别的第二底图之间的第二差分图像，根据第二差分图像中像素点的分布信息对视频帧图像选择不同存储方法。
通过第二差分图像中的非0像素点的分布表现，得到对于每个视频帧图像的第二权重值用以判断视频帧图像相对第二底图是全局变化还是局部变化，并根据不同的变化形式对视频帧图像进行不同的存储方法来进行压缩存储。
具体的，得到每个视频帧图像与所属类别的第二底图之间的第二差分图像，按照第一权重值获取方法得到该视频帧图像的第二权重值，以第
Figure 706141DEST_PATH_IMAGE047
个类别中第
Figure 443021DEST_PATH_IMAGE054
个视频帧图像为例，其第二权重值
Figure 58811DEST_PATH_IMAGE062
的计算方法为：
Figure DEST_PATH_IMAGE063
其中，
Figure DEST_PATH_IMAGE065
为第二差分图像中非0像素点的数量，
Figure DEST_PATH_IMAGE067
为第二底图中像素点的数量，需要说明的是，同一类别第二底图与第一底图像素点数量相同，
Figure DEST_PATH_IMAGE069
为第二差分图像中非0像素点的灰度值方差；此时得到的第二权重值即可反映视频帧图像与第二底图之间的灰度一致性，给出第一预设阈值
Figure DEST_PATH_IMAGE071
，对于第二权重值大于第一预设阈值的视频帧图像采用第一存储方法进行存储，小于等于第一预设阈值的视频帧图像采用第二存储方法进行存储。
步骤S005、对获取到的视频数据中所有类别的视频帧图像进行压缩存储。
需要说明的是，对于第一存储方法，其是第二权重值大于第一预设阈值的视频帧图像，其第二差分图像中非0像素点的灰度值方差极小且非0像素点数量接近所有像素点数量，此时该视频帧图像相对于第二底图，表现接近整体均值变化，可以用这些非0像素点的灰度均值来表示这一视频帧图像的第二差分图像，存储时即用该灰度均值表示该视频帧图像存储；对于第二存储方法，其是第二权重值小于等于第一预设阈值的视频帧图像，其第二差分图像中非0像素点数量占比较小且灰度值方差较大，该视频帧图像相对于第二底图表现为局部变化，对第二差分图像中非0像素点采用稀疏矩阵方法进行存储。
此时已经得到了每个类别的第二底图以及每个视频帧图像对应的存储方法，根据每个视频帧图像对应的存储方法对同一类别内的所有视频帧图像进行存储，并存储每个类别对应的第二底图，再对所有类别进行存储即得到了视频数据的压缩结果。
解压缩过程即先得到所有的第二底图，每个第二底图即对应一个类别，在第二底图基础上根据不同存储方法对相应视频帧图像进行还原，再将视频帧图像按照时序排列在类别内，各类别时序排列即得到了原有的视频数据。
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 (3)

1.一种基于互联网的智慧校园监控视频存储方法，其特征在于，该方法包括以下步骤：
获取校园监控视频数据；
根据监控拍摄角度对视频帧图像进行分类得到若干类别，将每个类别的视频帧图像作为输入向量进行因子分析分别获取每个类别的公共因子向量及载荷矩阵，并以每个类别的公共因子向量与载荷矩阵的乘积来获取每个类别的第一底图；
获取每个视频帧图像与相应所属类别的第一底图之间的第一差分图像，根据第一差分图像中像素点的数量和灰度值方差获取每个特殊因子向量的第一权重值，根据每个类别中各特殊因子向量与对应第一权重值的加权求和，根据加权求和所得结果以及公共因子向量与载荷矩阵的乘积来获取每个类别的第二底图；
获取每个视频帧图像与相应所属类别的第二底图之间的第二差分图像，根据第二差分图像中像素点的数量和灰度值方差获取每个视频帧图像的第二权重值，并与第一预设阈值进行比较，当大于第一预设阈值时对视频帧图像利用第一存储方法进行压缩存储，当小于第一预设阈值时对视频帧图像利用第二存储方法进行压缩存储；
所述获取每个特殊因子向量的第一权重值，包括的具体方法如下：
Figure QLYQS_1
其中，
Figure QLYQS_2
为第i个类别中第j个视频帧图像对应的特殊因子向量的第一权重值，
Figure QLYQS_3
为第i个类别第一底图上像素点的数量，
Figure QLYQS_4
表示该视频帧图像与第一底图间的第一差分图像上非0像素点的数量，
Figure QLYQS_5
表示所述非0像素点灰度值的方差；
所述获取每个类别的第二底图，包括的具体方法如下：
Figure QLYQS_6
其中，
Figure QLYQS_7
表示第i个类别的第二向量，所述第二向量为第二底图列首尾相连形成的列向量形式，将第二向量转化为矩阵形式得到第二底图，
Figure QLYQS_8
为第i个类别中视频帧输入向量经因子分析的载荷矩阵，
Figure QLYQS_9
为第i个类别经因子分析得到的公共因子向量，
Figure QLYQS_10
为第i个类别中视频帧的数量，
Figure QLYQS_11
为第i个类别中第j个特殊因子向量的归一化后的第一权重值，
Figure QLYQS_12
为第i个类别第j个视频帧图像对应的特殊因子向量；
所述第一存储方法、第二存储方法，包括的具体方法如下：
所述第一存储方法是对于第二权重值大于第一预设阈值的视频帧图像，将视频帧图像用第二差分图像中非0像素点的灰度均值来存储；所述第二存储方法是对于第二权重值小于等于第一预设阈值的视频帧图像，将视频帧图像用第二差分图像中非0像素点的稀疏矩阵方法来存储；
所述第二权重值为：
Figure QLYQS_13
其中，
Figure QLYQS_14
为第i个类别中第j个视频帧图像的第二权重值，
Figure QLYQS_15
为第二差分图像中非0像素点的数量，
Figure QLYQS_16
为第二底图中像素点的数量，需要说明的是，同一类别第二底图与第一底图像素点数量相同，
Figure QLYQS_17
为第二差分图像中非0像素点的灰度值方差；
将每个类别中所有的视频帧向量作为输入向量，通过因子分析得到每个输入向量对应的特殊因子向量。
2.根据权利要求1所述的一种基于互联网的智慧校园监控视频存储方法，其特征在于，所述根据监控拍摄角度对视频帧图像进行分类得到若干类别，包括的具体方法如下：
根据姿态传感器获取监控摄像头姿态参数的改变时间，将监控摄像头姿态参数的改变时间作为监控拍摄角度变化的时间节点，根据该时间节点对获取到的视频数据进行划分，划分得到的每一段时间内的视频帧图像属于一个类别。
3.根据权利要求1所述的一种基于互联网的智慧校园监控视频存储方法，其特征在于，所述获取每个类别的第一底图，包括的具体方法如下为：
Figure QLYQS_18
其中，
Figure QLYQS_19
为第i个类别的第一向量，所述第一向量为第一底图列首尾相连形成的列向量形式，将第一向量转化为矩阵形式得到第一底图，
Figure QLYQS_20
为第i个类别中视频帧输入向量经因子分析的载荷矩阵，
Figure QLYQS_21
为第i个类别经因子分析得到的公共因子向量；
将第一向量转换为矩阵形式获得第一底图。
CN202211635883.4A 2022-12-20 2022-12-20 一种基于互联网的智慧校园监控视频存储方法 Active CN115618051B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211635883.4A CN115618051B (zh) 2022-12-20 2022-12-20 一种基于互联网的智慧校园监控视频存储方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211635883.4A CN115618051B (zh) 2022-12-20 2022-12-20 一种基于互联网的智慧校园监控视频存储方法

Publications (2)

Publication Number Publication Date
CN115618051A CN115618051A (zh) 2023-01-17
CN115618051B true CN115618051B (zh) 2023-03-21

Family

ID=84880150

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211635883.4A Active CN115618051B (zh) 2022-12-20 2022-12-20 一种基于互联网的智慧校园监控视频存储方法

Country Status (1)

Country Link
CN (1) CN115618051B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115862259B (zh) * 2023-02-24 2023-05-09 深圳市特安电子有限公司 一种基于温度监测的火警预警系统
CN116528036B (zh) * 2023-07-04 2023-09-08 李丽 一种基于智慧文旅的景区安全实时监控系统及方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103905815A (zh) * 2014-03-19 2014-07-02 西安电子科技大学 基于高阶奇异值分解的视频融合性能评价方法
CN104408748A (zh) * 2014-12-05 2015-03-11 北京航空航天大学 一种基于视频帧间低秩关联信息一致性的实时物体追踪方法
CN105430376A (zh) * 2015-11-12 2016-03-23 深圳进化动力数码科技有限公司 一种全景相机一致性的检测方法及装置
JP2016066892A (ja) * 2014-09-24 2016-04-28 キヤノン株式会社 画像処理装置およびその制御方法ならびにプログラム
CN108810511A (zh) * 2018-06-21 2018-11-13 华中科技大学 一种基于视点一致性的多视点压缩深度视频增强方法
WO2021208275A1 (zh) * 2020-04-12 2021-10-21 南京理工大学 一种交通视频背景建模方法及系统
CN114926436A (zh) * 2022-05-20 2022-08-19 南通沐沐兴晨纺织品有限公司 一种用于周期性花纹织物的缺陷检测方法

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103345492A (zh) * 2013-06-25 2013-10-09 无锡赛思汇智科技有限公司 一种视频浓缩的方法和系统
CN104835179B (zh) * 2015-03-30 2018-01-12 复旦大学 基于动态背景自适应的改进ViBe背景建模方法
CN105931267B (zh) * 2016-04-15 2019-05-14 华南理工大学 一种基于改进ViBe算法的运动物体检测跟踪方法
IT201600122898A1 (it) * 2016-12-02 2018-06-02 Ecole Polytechnique Fed Lausanne Epfl Metodi e apparati per codificare e decodificare immagini o flussi video digitali
CN109146003B (zh) * 2018-09-30 2022-06-07 合刃科技（深圳）有限公司 一种基于高光谱成像的分类识别方法、装置及系统
CN110198475B (zh) * 2018-11-09 2022-02-25 腾讯科技（深圳）有限公司 视频处理方法、装置、设备、服务器与可读存储介质
KR102642927B1 (ko) * 2018-11-16 2024-03-04 삼성전자주식회사 영상 처리 장치 및 그 동작방법
CN110662047B (zh) * 2019-10-10 2022-06-21 上海依图网络科技有限公司 图像存储方法及装置、电子设备以及计算机存储介质
CN112729275A (zh) * 2021-01-08 2021-04-30 中国船舶重工集团公司第七0七研究所 一种利用因子分析的卫星反演图重力适配区选取方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103905815A (zh) * 2014-03-19 2014-07-02 西安电子科技大学 基于高阶奇异值分解的视频融合性能评价方法
JP2016066892A (ja) * 2014-09-24 2016-04-28 キヤノン株式会社 画像処理装置およびその制御方法ならびにプログラム
CN104408748A (zh) * 2014-12-05 2015-03-11 北京航空航天大学 一种基于视频帧间低秩关联信息一致性的实时物体追踪方法
CN105430376A (zh) * 2015-11-12 2016-03-23 深圳进化动力数码科技有限公司 一种全景相机一致性的检测方法及装置
CN108810511A (zh) * 2018-06-21 2018-11-13 华中科技大学 一种基于视点一致性的多视点压缩深度视频增强方法
WO2021208275A1 (zh) * 2020-04-12 2021-10-21 南京理工大学 一种交通视频背景建模方法及系统
CN114926436A (zh) * 2022-05-20 2022-08-19 南通沐沐兴晨纺织品有限公司 一种用于周期性花纹织物的缺陷检测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
卢涛 ; 万永静 ; 杨威 ; .基于稀疏主成分分析和自适应阈值选择的图像分割算法.2016,(第07期),全文. *
张政 ; .书籍扫描图像几何畸变校正.2009,(第11期),全文. *
李富贵 ; 黄添强 ; 苏立超 ; 苏伟峰 ; .融合多特征的异源视频复制-粘贴篡改检测.2013,(第04期),全文. *

Also Published As

Publication number Publication date
CN115618051A (zh) 2023-01-17

Similar Documents

Publication Publication Date Title
CN115618051B (zh) 一种基于互联网的智慧校园监控视频存储方法
CN111798400B (zh) 基于生成对抗网络的无参考低光照图像增强方法及系统
US10834415B2 (en) Devices for compression/decompression, system, chip, and electronic device
US10728553B2 (en) Visual quality preserving quantization parameter prediction with deep neural network
CN111683269B (zh) 视频处理方法、装置、计算机设备和存储介质
CN110517329B (zh) 一种基于语义分析的深度学习图像压缩方法
CN110830807B (zh) 图像压缩方法、装置及存储介质
CN106897295B (zh) 一种基于Hadoop的输电线路监控视频分布式检索方法
WO2023151529A1 (zh) 人脸图像的处理方法及相关设备
JP2024511103A (ja) 近似値に基づいて画像又はビデオの品質を評価する方法及び装置、第１のモデルの訓練方法及び装置、電子機器、記憶媒体、並びにコンピュータプログラム
JPH07177502A (ja) 画像情報圧縮方法、圧縮画像情報記録媒体、圧縮画像情報再生装置
CN112132207A (zh) 基于多分支特征映射目标检测神经网络构建方法
CN114640669A (zh) 边缘计算方法及装置
WO2023098688A1 (zh) 图像编解码方法和装置
CN111861877A (zh) 视频超分变率的方法和装置
CN110956669A (zh) 一种图像压缩编码方法及系统
CN113033616B (zh) 高质量视频重建方法、装置、设备及存储介质
CN108712655A (zh) 一种用于相似图像集合并的群体图像编码方法
CN114332470A (zh) 图像处理方法、装置、电子设备和计算机可读存储介质
CN113326847A (zh) 一种基于全卷积神经网络的遥感图像语义分割方法及装置
Rui et al. On the initialization and training methods for Kohonen self-organizing feature maps in color image quantization
CN107563391B (zh) 一种基于专家模型的数字图像特征提取方法
CN113240589A (zh) 一种多尺度特征融合的图像去雾方法及系统
CN114638748A (zh) 图像处理方法、图像修复方法、计算机设备、存储介质
CN111062886A (zh) 酒店图片的超分辨方法、系统、电子产品和介质

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
CP02 Change in the address of a patent holder
CP02 Change in the address of a patent holder

Address after: Room 606, Floor 6, Dongmingjia East Second Ring Store, No. 39, East Second Ring South Road, Yuhua District, Shijiazhuang City, Hebei Province, 050000

Patentee after: Nannan Juzhi Information Technology Co.,Ltd.

Address before: Room 319, 3rd floor, Block C, No. 100 Yuhua East Road, Yuhua District, Shijiazhuang, Hebei Province 050000

Patentee before: Nannan Juzhi Information Technology Co.,Ltd.