CN115914634A - 一种环境安防工程监测数据管理方法及系统 - Google Patents
一种环境安防工程监测数据管理方法及系统 Download PDFInfo
- Publication number
- CN115914634A CN115914634A CN202211619607.9A CN202211619607A CN115914634A CN 115914634 A CN115914634 A CN 115914634A CN 202211619607 A CN202211619607 A CN 202211619607A CN 115914634 A CN115914634 A CN 115914634A
- Authority
- CN
- China
- Prior art keywords
- pixel
- super
- point
- gray
- block
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000012544 monitoring process Methods 0.000 title claims abstract description 36
- 230000007613 environmental effect Effects 0.000 title claims abstract description 22
- 238000013523 data management Methods 0.000 title claims description 12
- 239000000126 substance Substances 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 8
- 238000007405 data analysis Methods 0.000 claims description 6
- 238000013144 data compression Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 abstract description 6
- 238000007906 compression Methods 0.000 description 14
- 230000006835 compression Effects 0.000 description 14
- 230000000694 effects Effects 0.000 description 6
- 230000011218 segmentation Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000000739 chaotic effect Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
Images
Classifications
-
- 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
- H04N19/102—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the element, parameter or selection affected or controlled by the adaptive coding
- H04N19/103—Selection of coding mode or of prediction mode
- H04N19/11—Selection of coding mode or of prediction mode among a plurality of spatial predictive coding modes
-
- 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
- H04N19/134—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the element, parameter or criterion affecting or controlling the adaptive coding
- H04N19/136—Incoming video signal characteristics or properties
- H04N19/14—Coding unit complexity, e.g. amount of activity or edge presence estimation
-
- 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
- H04N19/50—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using predictive coding
- H04N19/593—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using predictive coding involving spatial prediction techniques
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Compression Or Coding Systems Of Tv Signals (AREA)
- Compression Of Band Width Or Redundancy In Fax (AREA)
Abstract
本发明公开了一种环境安防工程监测数据管理方法及系统，涉及数据处理技术领域，该方法包括：获取监控视频数据中每帧图像中每个单通道图像的多个超像素块；获取超像素块中每个边缘点连线的灰度差值的拟合直线，以及拟合直线的拟合质量；利用超像素块在不同方向的拟合直线的拟合质量得到拟合熵值；利用每两个超像素块的相关度将超像素块分为多个类别；获取每类超像素块的预测模型系数；根据灰度图像中每个像素点的目标预测灰度值和灰度值得到预测误差；对每个像素点的预测误差进行编码存储。本发明构建的预测模型更加准确，得到的预测误差数值更小，编码后的占用空间更小。
Description
技术领域
本发明涉及数据处理技术领域，具体涉及一种环境安防工程监测数据管理方法及系统。
背景技术
随着信息时代的发展，数字监控在环境安防工程中的普及越来越广。同时随着监控视频质量要求的提升，摄像头的分辨率不断提升，使得监控采集的视频数据的数据量大幅增加，进而需要大量的存储空间对视频数据进行存储。为了减少监控视频数据的存储占用空间，需要对视频数据进行压缩存储。
现有技术一般采取有损压缩对视频数据进行压缩存储，能够大量减小存储时的占用空间，常用的有损压缩方式为预测编码压缩，预测编码压缩是将每帧图像划分为多个随机大小的矩形宏块，随后利用每个宏块中像素点的特征值进行线性预测，若同一矩形宏块中灰度分布平缓，像素点之间的灰度相关性较强，则线性预测结果较为理想，若同一矩形宏块中灰度分布随机性较大，突变点较多，则线性预测结果准确性不高，常用的随机划分矩形宏块进行预测编码压缩的方式并没有考虑到每个矩形宏块中像素点的灰度分布特点，因此会导致部分灰度分布随机度较大的宏块的预测结果不够准确，从而导致预测误差数值较大，对预测误差进行编码后数据占用空间较大，压缩效率低。
发明内容
本发明提供一种环境安防工程监测数据管理方法及系统，以解决现有的随机划分宏块中存在部分灰度分布随机度较大的宏块线性预测结果不准确，进而导致压缩效率低的问题。
本发明的一种环境安防工程监测数据管理方法及系统，采用如下技术方案：
获取安防监控视频的每帧图像的灰度图像和多个单通道图像；获取每个单通道图像的多个超像素块；
利用每个单通道图像的每个超像素块中每个边缘点与不同方向的边缘点相连得到不同方向的边缘点连线，获取不同方向的每个边缘点连线上相邻像素点的灰度差值的拟合直线以及拟合直线的拟合质量；
利用每个超像素块中不同方向的每个边缘点连线对应的拟合直线的拟合质量，得到每个超像素块在不同方向的拟合质量熵值；选取最小拟合质量熵值作为超像素块的拟合熵值，将得到最小拟合质量熵值的方向作为对应的超像素块的目标方向；
利用每个单通道图像中每两个超像素块的拟合熵值和灰度均值对所有超像素块进行分类得到多个类别的超像素块；
利用每个单通道图像的每类超像素块中每个边缘点和目标方向上对应的边缘点的灰度值和距离，得到每类超像素块的预测模型系数；
利用每个单通道图像中每类超像素块的预测模型系数和每类超像素块中像素点的灰度值得到每类超像素块的预测偏量；根据每个单通道图像中每类超像素块的预测偏量、预测模型系数和边缘点的灰度值得到每个单通道图像中每类超像素块中每个像素点的预测灰度值；
利用灰度图像中每个像素点的灰度值和每个像素点在每个单通道图像中的预测灰度值得到灰度图像中每个像素点的预测误差，对每个像素点的预测误差进行编码并存储。
进一步，得到每类超像素块的预测模型系数的方法包括：
获取每个单通道图像的每类超像素块中每个超像素块的每个边缘点和目标方向上对应的边缘点的灰度差值以及距离；
对每个边缘点和目标方向上对应的边缘点的得到的灰度差值和距离求比值，得到每个边缘点和目标方向上对应的边缘点之间的灰度变化速率；
利用每个超像素块中每个边缘点和目标方向上对应的边缘点之间的灰度变化速率的均值得到每个超像素块的预测模型系数；
将每类超像素块中所有超像素块的预测模型系数的均值作为每类超像素块的预测模型系数。
进一步，得到每类超像素块的预测偏量的方法包括：
将每个单通道图像的每个超像素块中每个边缘点和目标方向上对应的边缘点记为一对边缘点对，每对边缘点对对应一条边缘点连线；
将每个边缘点对中灰度值较小的边缘点记为目标点；
根据每个超像素块中每条边缘点连线上的目标点的灰度值和超像素块所在类别的预测模型系数得到每条边缘点连线上除边缘点以外每个像素点的预测值；
利用每个超像素块中每个像素点的预测值和灰度值之间的差值得到每个像素点的预测偏量；
将每类超像素块中所有像素点的预测偏量的众数作为每类超像素块的预测偏量。
进一步，获取每个超像素块中每个像素点的预测偏量的公式为：
其中，表示像素点的预测偏量；表示像素点所在的边缘点连线上的目标点的灰度值；表示像素点所在的超像素块所属的第类超像素块的预测模型系数；表示像素点为边缘点连线上目标点以后的第K个像素点对应的数值；表示像素点的灰度值。
进一步，得到每个像素点的预测灰度值的方法为：
获取每个像素点与所在边缘点连线上目标点之间的距离；
利用得到的距离与像素点所在超像素块所属的超像素块类别的预测模型系数相乘，得到每个像素点对应的乘积；
将每个像素点得到的乘积与所在边缘点连线上目标点的灰度值相加，再加上所属超像素块类别的预测偏量，得到每个像素点的预测灰度值。
进一步，获取拟合直线的拟合质量的方法包括：
获取边缘点连线上每对相邻像素点的灰度差值到拟合直线的距离的方差，将每个边缘点连线得到的方差作为边缘点连线对应的拟合直线的拟合质量。
进一步，得到灰度图像中每个像素点的预测误差的方法为：
利用每个像素点在多个单通道图像中的预测灰度值得到每个像素点在灰度图像中的目标预测灰度值；
将灰度图像中每个像素点的目标预测灰度值和灰度值的差值的绝对值，作为灰度图像中每个像素点的预测误差。
进一步，得到多个类别的超像素块的方法包括：
利用每个超像素块的拟合熵值和灰度均值组成对应的超像素块的特征向量；
对每两个超像素块的特征向量计算余弦相似度作为对应两个超像素块的相关度；
分类原则为：同一类别中任意两个超像素块的相关度都在预设的相关度阈值区间中；
利用所述分类原则对每个单通道图像中的超像素块进行分类得到多个类别的超像素块。
一种环境安防工程监测数据管理系统，包括，数据采集单元，数据分析单元，数据压缩单元：
数据采集单元，用于获取安防监控视频的每帧图像的灰度图像和多个单通道图像；获取每个单通道图像的多个超像素块；
数据分析单元，用于利用每个单通道图像的每个超像素块中每个边缘点与不同方向的边缘点相连得到不同方向的边缘点连线，获取不同方向的每个边缘点连线上相邻像素点的灰度差值的拟合直线以及拟合直线的拟合质量；
利用每个超像素块中不同方向的每个边缘点连线对应的拟合直线的拟合质量，得到每个超像素块在不同方向的拟合质量熵值；选取最小拟合质量熵值作为超像素块的拟合熵值，将得到最小拟合质量熵值的方向作为对应的超像素块的目标方向；
利用每个单通道图像中每两个超像素块的拟合熵值和灰度均值对所有超像素块进行分类得到多个类别的超像素块；
数据编码单元，利用每个单通道图像的每类超像素块中每个边缘点和目标方向上对应的边缘点的灰度值和距离，得到每类超像素块的预测模型系数；
利用每个单通道图像中每类超像素块的预测模型系数和每类超像素块中像素点的灰度值得到每类超像素块的预测偏量；根据每个单通道图像中每类超像素块的预测偏量、预测模型系数和边缘点的灰度值得到每个单通道图像中每类超像素块中每个像素点的预测灰度值；
利用灰度图像中每个像素点的灰度值和每个像素点在每个单通道图像中的预测灰度值得到灰度图像中每个像素点的预测误差，对每个像素点的预测误差进行编码并存储。
本发明的有益效果是：本发明的一种环境安防工程监测数据管理方法及系统，由于图像中每个单通道中像素点之间的灰度联系性更为密切，所以对图像的每个单通道进行独立分析，能够使得线性预测结果更准确；获取灰度图像中的超像素块，将灰度图像中纹理相近，灰度相似且距离相近的像素点划分到了同一个超像素块，后续根据同一个超像素块中的像素点特征分析线性预测模型，相比于随机划分宏块，该方式得到的预测模型系数更加准确；通过获取超像素块中每个方向的边缘点连线上灰度差值的拟合直线，进而得到超像素块的拟合质量熵值，从多个方向中选取最小拟合质量熵值作为超像素块的拟合熵值，即选取了灰度变化最规律的方向作为了进行线性预测的方向，更贴合像素点的灰度变化规律，能够使得后续得到的预测灰度值更加接近单通道图像中像素点本身的灰度值，再将单通道图像中的预测灰度值转换到灰度图像中的目标预测灰度值，使得到的预测误差更小，编码后的占用空间更小，压缩效果更好；并且考虑到了预测偏量对预测误差的影响，相对于直接利用预测模型系数计算预测灰度值，得到的预测灰度值更加准确，后续得到的预测误差就越小，压缩效果越好。
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为本发明的一种环境安防工程监测数据管理方法的实施例总体步骤的流程图。
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。
本发明的一种环境安防工程监测数据管理方法的实施例，针对于环境安防监控采集的图像，其中多为消防器械和固定建筑物，图像中存在大量空间冗余的像素点数据，所以建立预测模型对数据进行压缩，如图1所示，该方法包括：
S1、获取安防监控视频的每帧图像的灰度图像和多个单通道图像；获取每个单通道图像的多个超像素块。
具体的，获取安防监控视频中的每帧图像，其中，得到的每帧图像为RGB图像，由于相同通道中的像素点之间的联系性更为密切，所以在后续对相同通道内的像素点的值进行预测的预测模型会更加准确，所以对每帧图像中的R、G、B通道进行单独处理，获取每帧图像中的三个单通道图像；并获取每帧图像的灰度图像，用于后续计算像素点的预测误差。
本实施例中以安防监控视频中的其中一帧图像中的一个单通道图像进行分析处理，其他帧图像的每个单通道的处理方式相同。
本方案选择的图像数据压缩方式为预测编码压缩，即通过建立线性预测模型，得到每个像素点的预测灰度值，根据预测灰度值和像素点本身的灰度值得到预测误差，对预测误差进行编码存储。为了使得线性预测结果更加准确，需要将单通道图像中特征相近的像素点分为一类，将特征差异较大的像素点划分到不同的部分构建线性预测模型。所以对单通道图像中像素点进行初步分类的方式为，对单通道图像进行超像素分割得到多个超像素块，对于超像素块的特征进行量化，通过量化后的超像素块之间的相关度对超像素块划分类别，相邻超像素块之间可能存在相似性的联系，也有可能不存在，不相邻的超像素块之间也可能存在联系性，可以使用同一种预测模型去进行预测。所以对相关度大的同一类超像素块建立同一预测模型，对每帧图像进行预测编码存储。
具体的，对单通道图像进行超像素分割，得到多个超像素块。超像素分割是指将一系列位置相邻且颜色、亮度、纹理特征相似的像素点划分到同一个超像素块区域，超像素分割考虑到了图像中的边缘信息，会在分割时沿着图像中灰度梯度较大的像素点进行分割，在超像素块内部，像素点的灰度值差异是很小的。
S2、利用每个单通道图像的每个超像素块中每个边缘点与不同方向的边缘点相连得到不同方向的边缘点连线，获取不同方向的每个边缘点连线上相邻像素点的灰度差值的拟合直线以及拟合直线的拟合质量。
对单通道图像中每个超像素块的特征进行量化分析，包括分析超像素块的亮度值和灰度变化规律。分析超像素块中的灰度变化规律时，可以从边缘点在某一方向上的灰度变化规律进行分析，即相邻像素点之间的灰度差值呈线性规律，存储时，可将差异值进一步进行压缩存储，更加节约存储空间。
具体的，获取每个超像素块的边缘点，分析边缘点在0°，45°，90°，135°方向连线上像素点的灰度变化规律，本实施例中以0°方向为例，45°，90°，135°方向上的处理方式相同。
以第个超像素块为分析对象：获取超像素块中第个边缘点在0°方向上对应的第个边缘点（对应的边缘点是指经过第i个边缘点的0°方向的直线与超像素块的边缘线的交点，即第i个边缘点和对应的第个边缘点在同一条0°方向的直线上），将第个边缘点和对应的第个边缘点的连线记为第条边缘点连线，且第个边缘点和第个边缘点为一对边缘点对。
获取第条边缘点连线上第个边缘点和对应的第个边缘点之间的所有相邻像素点之间的灰度变化规律。具体的，计算第条边缘点连线上相邻像素点之间的灰度差值，将第i条边缘点连线上所有的灰度差值进行线性拟合得到第i条边缘点连线的灰度差值的拟合直线（线性拟合为现有技术，在此不作赘述），拟合直线的直线方程为。
根据下式计算边缘点连线上的每个相邻像素点的灰度差值到边缘点连线对应的拟合直线的距离：
其中，表示边缘点连线上的第a个灰度差值到边缘点连线对应的拟合直线的距离；、为第i条边缘点连线的灰度差值的拟合直线的直线方程的参数；为第i条边缘点连线上的第a个灰度差值的横纵坐标，即表示第i条边缘点连线上的第a个灰度差值，表示第a个灰度差值的具体数值；点到直线的距离计算公式为现有公式，在此不做赘述。
根据此方法获取每个边缘点连线上相邻像素点的灰度差值到对应的拟合直线的距离。
将每个边缘点连线上所有的灰度差值到拟合直线的距离的方差，作为拟合直线的拟合质量。具体计算第条边缘点连线对应的拟合直线的拟合质量的公式为：
其中，表示表示第条边缘点连线对应的拟合直线的拟合质量；表示第条边缘点连线上像素点的数量；表示边缘点连线上的第a个灰度差值到边缘点连线对应的拟合直线的距离。表示边缘点连线上所有灰度差值到对应的拟合直线的距离的均值，表示边缘点连线上所有的灰度差值到拟合直线的距离的方差，方差越大，认为实际的灰度差值在拟合直线周围的分布越分散，拟合直线的质量越不好；方差越小，认为实际的灰度差值与拟合直线越贴合，拟合直线的质量越好，边缘点连接线上的灰度变化关系越趋近于线性关系。
需要说明的是，对边缘点连线上相邻像素点的灰度差值进行线性拟合可以对灰度差值的线性变化进行描述，当边缘点连线上的灰度差值越趋近于线性变化时，在存储过程中，可以对相似的灰度差值再进行压缩，能更好的节省压缩空间。利用灰度差值到拟合直线的距离的方差计算拟合直线的拟合质量，可以对灰度差值的线性拟合质量进行评价，线性拟合后灰度差值到拟合直线的距离可以反映灰度差值之间的联系性，即能使用同一个线性关系对灰度差值进行整合。
S3、利用每个超像素块中不同方向的每个边缘点连线对应的拟合直线的拟合质量，得到每个超像素块在不同方向的拟合质量熵值；选取最小拟合质量熵值作为超像素块的拟合熵值，将得到最小拟合质量熵值的方向作为对应的超像素块的目标方向。
具体的，以第个超像素块为例，根据下式计算超像素块的拟合质量熵值：
其中，表示第个超像素块的拟合质量熵值；表示拟合质量为的拟合直线在第个超像素块的所有拟合直线中出现的概率；表示第个超像素块中拟合直线的数量，即边缘点连线的数量；i表示第i条边缘点连线对应的拟合直线。为信息熵的计算公式，为现有技术，在此处用于表示超像素块中所有拟合直线的拟合质量的混乱程度，拟合质量熵值越大，表示第个超像素块中拟合直线的拟合质量变化越混乱，即超像素块中灰度值变化越混乱，熵值越小，表示超像素块中所有拟合直线的拟合质量越接近，即第个超像素块内部灰度值的变化规律越稳定。
至此，得到了第个超像素块在0°方向上的拟合质量熵值。
根据得到0°方向上的拟合质量熵值的方法分别获取在方向上的拟合质量熵值，从四个方向得到的拟合质量熵值中选取最小值作为该超像素块的拟合熵值，将得到最小拟合质量熵值的方向作为目标方向，认为在目标方向上的灰度变化规律是最稳定的，可以作为最优的预测方向。
S4、利用每个单通道图像中每两个超像素块的拟合熵值和灰度均值对所有超像素块进行分类得到多个类别的超像素块。
若单通道图像中任意两个超像素块的亮度和灰度变化规律的混乱程度越接近，认为这两个超像素块的相关度越高，超像素块的亮度可以用像素点的灰度值表示，灰度变化规律的混乱程度则可以用拟合熵值表示。
具体的，获取单通道图像中每个超像素块中像素点的灰度均值，利用每个超像素块的拟合熵值和灰度均值组成对应的超像素块的特征向量；对每两个超像素块的特征向量计算余弦相似度作为对应两个超像素块的相关度。
以第个超像素块和第个超像素块为例，计算两个超像素块的相关度的公式为：
其中，表示第个超像素块和第个超像素块的相关度；表示第个超像素块中像素点的灰度均值；表示第个超像素块中像素点的灰度均值；表示第个超像素块的拟合熵值，即第个超像素块中边缘点连线上灰度变化规律的混乱程度；表示第个超像素块的拟合熵值，即第个超像素块中边缘点连线上灰度变化规律的混乱程度；若第个超像素块和第个超像素块越相似，表明亮度和灰度变化规律在数值上是越趋近于相等的，即第个超像素块的特征向量和第个超像素块的特征向量的余弦相似度越高（余弦相似度计算公式为现有公式，在此不作赘述），即的值越趋近于1。
至此，得到每两个超像素块的相关度，根据每两个超像素块的相关度对超像素块进行分类。
对单通道图像中的所有超像素块选择分类而不是合并的原因是，每个超像素块内像素点的灰度变化规律、亮度值特征是存在相似性的，像素点的分布特征相似，但是若进行超像素块合并的话，合并后的超像素块中原本像素点的分布规律发生变化，会使得原本构建的满足未合并之前的超像素块内像素点的分布规律的预测模型的误差放大，从而导致编码过长，压缩效果差。
根据超像素块之间的相关度对单通道图像中所有的超像素块进行分类，相关度阈值区间可根据实际情况自行设置，应使得根据相关度阈值区间得到的超像素块的类别数量合理，不过多或过少，这样既可以减少计算量和模型存储空间，又可以根据超像素块之内的特征变化规律对每个超像素块的像素点进行预测，预测结果更准确。
分类的原则为：同一类别中任意两个超像素块的相关度都在预设的相关度阈值区间中。根据该分类原则对每个单通道图像中的超像素块进行分类得到每个单通道图像中的多类超像素块，设置超像素块间相关度阈值区间为，在此区间内的超像素块认为联系较为紧密，此时无需关注超像素块的大小、形状、位置，只需关注安防监控视频图像不同超像素块之间的相关度。对同一类超像素块使用同一个预测模型进行预测，在每个超像素块内有属于当前超像素块内的预测方向，即目标方向。每类超像素块中有一个或多个超像素块。
将相关度大的超像素块分为同一类，即根据超像素块的灰度值和灰度变化规律，将灰度均值相近且灰度变化规律相近的超像素块分为了同一类，相比于对每个超像素块构建线性预测模型，分类的方式在保证预测模型系数准确的同时减少了计算量。
S5、利用每个单通道图像的每类超像素块中每个边缘点和目标方向上对应的边缘点的灰度值和距离，得到每类超像素块的预测模型系数。
具体的，获取单通道图像中每类超像素块中每个超像素块的每个边缘点和目标方向上对应的边缘点的灰度差值以及距离；对每个边缘点和目标方向上对应的边缘点的得到的灰度差值和距离求比值，得到每个边缘点和目标方向上对应的边缘点之间的灰度变化速率；根据下式计算每个边缘点和目标方向上对应边缘点之间的灰度变化速率：
其中，表示第个超像素块中第个边缘点和目标方向上对应的第个边缘点之间的灰度变化速率；表示第个超像素块中第个边缘点的灰度值；表示第个超像素块中第个边缘点在目标方向上对应的第个边缘点的灰度值；表示第个边缘点和目标方向上对应的第个边缘点之间的距离。即通过边缘点连线上总体的灰度变化差值的绝对值与边缘点连线长度的比值得到了边缘点连线上的灰度变化速率。（步骤S5-S6中所指的超像素块中边缘点和对应的边缘点，以及边缘点连线，全部都指的是超像素块的目标方向上的边缘点连线，以及边缘点和目标方向上对应的边缘点。）
由于超像素块内的像素点为特征值较为相似的像素点，且同一类别中超像素块的相关度较高，所以对同一类别的超像素块内的所有像素点使用相同的线性预测模型系数。
利用每个超像素块中每个边缘点和目标方向上对应的边缘点之间的灰度变化速率的均值得到每个超像素块的预测模型系数。
具体的，以第个超像素块为例，根据下式计算每个超像素块的预测模型系数：
其中，表示第个超像素块的预测模型系数，即第个超像素块内的边缘点和对应边缘点之间的线性预测模型的预测模型系数；表示第个超像素块中第个边缘点和目标方向上对应的第个边缘点之间的灰度变化速率，表示第个超像素块中边缘点连线的数量。
利用每类超像素块中所有超像素块的预测模型系数的均值得到每类超像素块的预测模型系数。
S6、利用每个单通道图像中每类超像素块的预测模型系数和每类超像素块中像素点的灰度值得到每类超像素块的预测偏量；根据每个单通道图像中每类超像素块的预测偏量、预测模型系数和边缘点的灰度值得到每个单通道图像中每类超像素块中每个像素点的预测灰度值。
将每个超像素块中每个边缘点和目标方向上对应的边缘点记为一对边缘点对，每对边缘点对对应一条边缘点连线；将每个边缘点对中灰度值较小的边缘点记为目标点；根据每个超像素块中每条边缘点连线上的目标点的灰度值和超像素块所在类别的预测模型系数得到每条边缘点连线上除边缘点以外每个像素点的预测值；利用每个超像素块中每个像素点的预测值和灰度值之间的差值得到每个像素点的预测偏量；将每类超像素块中所有像素点的预测偏量的众数作为每类超像素块的预测偏量。
具体的，对于超像素块中每个像素点进行预测时会得到不同的预测值，即也会存在不同的预测偏量，根据下式计算超像素块中每个像素点的预测偏量：
其中，表示像素点的预测偏量；表示像素点所在的边缘点连线上的目标点的灰度值；表示像素点所在的超像素块所属的第类超像素块的预测模型系数；表示像素点为边缘点连线上目标点以后的第个像素点对应的数值，例如目标点以后第5个像素点，就等于5；表示像素点的灰度值。由于是通过边缘点连线上边缘点对之间的灰度变化规律得到的，所以根据灰度变化规律获取边缘点连线上每个像素点的灰度值，利用边缘点连线上的目标点的灰度值加上线性模型系数与像素点到目标点的距离的乘积，得到像素点的预测值，由于目标点是边缘点对中灰度值较小的一个，所以用目标点加上灰度变化规律，如果目标点选择的是灰度值较大的一个边缘点，则用目标点减去灰度变化规律；根据预测值和像素点本身的灰度值的差值得到像素点的预测偏量。
获取每类超像素块中所有像素点的预测偏量的众数作为每类超像素块的预测偏量，直接存储每一类的预测偏量，相对于存储每一个预测偏量减少了存储占用空间。
获取每个像素点与所在边缘点连线上目标点之间的距离；利用得到的距离与像素点所在超像素块所属的超像素块类别的预测模型系数相乘，得到每个像素点对应的乘积；将每个像素点得到的乘积与所在边缘点连线上目标点的灰度值相加，再加上所属超像素块类别的预测偏量，得到每个像素点的预测灰度值。具体的，根据下式计算每个像素点的预测灰度值：
其中，表示像素点的预测灰度值；表示像素点所在的边缘点连线上的目标点的灰度值；表示像素点所在的超像素块所属的第类超像素块的预测模型系数；表示像素点为边缘点连线上目标点以后的第个像素点，例如目标点以后第5个像素点，就等于5，即该像素点与目标点之间的距离为5；表示像素点所属的第类超像素块的预测偏量。利用边缘点连线上的目标点的灰度值加上线性模型系数与像素点到目标点的距离的乘积，得到像素点的预测值，由于目标点是边缘点对中灰度值较小的一个，所以用目标点加上灰度变化规律，如果目标点选择的是边缘点对中灰度值较大的一个边缘点，则用目标点减去灰度变化规律；考虑到了预测偏量对预测值的影响，加上所属的超像素块类别的预测偏量，相对于直接利用预测模型系数计算预测灰度值，得到的预测灰度值更加准确，后续得到的预测误差就越小，压缩效果越好。
S7、利用灰度图像中每个像素点的灰度值和每个像素点在每个单通道图像中的预测灰度值得到灰度图像中每个像素点的预测误差，对每个像素点的预测误差进行编码并存储。
具体的，利用每个像素点在多个单通道图像中的预测灰度值得到每个像素点在灰度图像中的目标预测灰度值（将像素点在多个单通道图像的灰度值转化为像素点在灰度图像中的灰度值为现有技术，在此不作赘述）；利用灰度图像中每个像素点的目标预测灰度值减去像素点在灰度图像中的灰度值得到差值，对差值求绝对值得到作为灰度图像中每个像素点的预测误差。
对监控视频中每帧图像的灰度图像中每个像素点的预测误差进行编码并存储，预测编码的编码方式可选择游程编码。
一种环境安防工程监测数据管理系统，包括，数据采集单元，数据分析单元，数据压缩单元。具体的：数据采集单元，用于获取安防监控视频的每帧图像的灰度图像和多个单通道图像；获取每个单通道图像的多个超像素块。
数据分析单元，用于利用每个单通道图像的每个超像素块中每个边缘点与不同方向的边缘点相连得到不同方向的边缘点连线，获取不同方向的每个边缘点连线上相邻像素点的灰度差值的拟合直线以及拟合直线的拟合质量。
利用每个超像素块中不同方向的每个边缘点连线对应的拟合直线的拟合质量，得到每个超像素块在不同方向的拟合质量熵值；选取最小拟合质量熵值作为超像素块的拟合熵值，将得到最小拟合质量熵值的方向作为对应的超像素块的目标方向；
利用每个单通道图像中每两个超像素块的拟合熵值和灰度均值对所有超像素块进行分类得到多个类别的超像素块。
数据编码单元，利用每个单通道图像的每类超像素块中每个边缘点和目标方向上对应的边缘点的灰度值和距离，得到每类超像素块的预测模型系数。
利用每个单通道图像中每类超像素块的预测模型系数和每类超像素块中像素点的灰度值得到每类超像素块的预测偏量；根据每个单通道图像中每类超像素块的预测偏量、预测模型系数和边缘点的灰度值得到每个单通道图像中每类超像素块中每个像素点的预测灰度值。
利用灰度图像中每个像素点的灰度值和每个像素点在每个单通道图像中的预测灰度值得到灰度图像中每个像素点的预测误差，对每个像素点的预测误差进行编码并存储。
综上所述，本发明提供一种环境安防工程监测数据管理方法及系统，由于图像中每个单通道中像素点之间的灰度联系性更为密切，所以对图像的每个单通道进行独立分析，能够使得线性预测结果更准确；获取灰度图像中的超像素块，将灰度图像中纹理相近，灰度相似且距离相近的像素点划分到了同一个超像素块，后续根据同一个超像素块中的像素点特征分析线性预测模型，相比于随机划分宏块，该方式得到的预测模型系数更加准确；通过获取超像素块中每个方向的边缘点连线上灰度差值的拟合直线，进而得到超像素块的拟合质量熵值，从多个方向中选取最小拟合质量熵值作为超像素块的拟合熵值，即选取了灰度变化最规律的方向作为了进行线性预测的方向，更贴合像素点的灰度变化规律，能够使得后续得到的预测灰度值更加接近单通道图像中像素点本身的灰度值，再将单通道图像中的预测灰度值转换到灰度图像中的目标预测灰度值，使得到的预测误差更小，编码后的占用空间更小，压缩效果更好；并且考虑到了预测偏量对预测误差的影响，相对于直接利用预测模型系数计算预测灰度值，得到的预测灰度值更加准确，后续得到的预测误差就越小，压缩效果越好。
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 (8)
1.一种环境安防工程监测数据管理方法，其特征在于：
获取安防监控视频的每帧图像的灰度图像和多个单通道图像；获取每个单通道图像的多个超像素块；
利用每个单通道图像的每个超像素块中每个边缘点与不同方向的边缘点相连得到不同方向的边缘点连线，获取不同方向的每个边缘点连线上相邻像素点的灰度差值的拟合直线以及拟合直线的拟合质量；
利用每个超像素块中不同方向的每个边缘点连线对应的拟合直线的拟合质量，得到每个超像素块在不同方向的拟合质量熵值；选取最小拟合质量熵值作为超像素块的拟合熵值，将得到最小拟合质量熵值的方向作为对应的超像素块的目标方向；
利用每个单通道图像中每两个超像素块的拟合熵值和灰度均值对所有超像素块进行分类得到多个类别的超像素块；
获取每个单通道图像的每类超像素块中每个超像素块的每个边缘点和目标方向上对应的边缘点的灰度差值以及距离；对每个边缘点和目标方向上对应的边缘点的得到的灰度差值和距离求比值，得到每个边缘点和目标方向上对应的边缘点之间的灰度变化速率；
利用每个超像素块中每个边缘点和目标方向上对应的边缘点之间的灰度变化速率的均值得到每个超像素块的预测模型系数；将每类超像素块中所有超像素块的预测模型系数的均值作为每类超像素块的预测模型系数；
利用每个单通道图像中每类超像素块的预测模型系数和每类超像素块中像素点的灰度值得到每类超像素块的预测偏量；根据每个单通道图像中每类超像素块的预测偏量、预测模型系数和边缘点的灰度值得到每个单通道图像中每类超像素块中每个像素点的预测灰度值；
利用灰度图像中每个像素点的灰度值和每个像素点在每个单通道图像中的预测灰度值得到灰度图像中每个像素点的预测误差，对每个像素点的预测误差进行编码并存储。
2.根据权利要求1所述的一种环境安防工程监测数据管理方法，其特征在于，得到每类超像素块的预测偏量的方法包括：
将每个单通道图像的每个超像素块中每个边缘点和目标方向上对应的边缘点记为一对边缘点对，每对边缘点对对应一条边缘点连线；
将每个边缘点对中灰度值较小的边缘点记为目标点；
根据每个超像素块中每条边缘点连线上的目标点的灰度值和超像素块所在类别的预测模型系数得到每条边缘点连线上除边缘点以外每个像素点的预测值；
利用每个超像素块中每个像素点的预测值和灰度值之间的差值得到每个像素点的预测偏量；
将每类超像素块中所有像素点的预测偏量的众数作为每类超像素块的预测偏量。
3.根据权利要求2所述的一种环境安防工程监测数据管理方法，其特征在于，获取每个超像素块中每个像素点的预测偏量的公式为：
其中，表示像素点的预测偏量；表示像素点所在的边缘点连线上的目标点的灰度值；表示像素点所在的超像素块所属的第类超像素块的预测模型系数；表示像素点为边缘点连线上目标点以后的第K个像素点对应的数值；表示像素点的灰度值。
4.根据权利要求2所述的一种环境安防工程监测数据管理方法，其特征在于，得到每个像素点的预测灰度值的方法为：
获取每个像素点与所在边缘点连线上目标点之间的距离；
利用得到的距离与像素点所在超像素块所属的超像素块类别的预测模型系数相乘，得到每个像素点对应的乘积；
将每个像素点得到的乘积与所在边缘点连线上目标点的灰度值相加，再加上所属超像素块类别的预测偏量，得到每个像素点的预测灰度值。
5.根据权利要求1所述的一种环境安防工程监测数据管理方法，其特征在于，获取拟合直线的拟合质量的方法包括：
获取边缘点连线上每对相邻像素点的灰度差值到拟合直线的距离的方差，将每个边缘点连线得到的方差作为边缘点连线对应的拟合直线的拟合质量。
6.根据权利要求1所述的一种环境安防工程监测数据管理方法，其特征在于，得到灰度图像中每个像素点的预测误差的方法为：
利用每个像素点在多个单通道图像中的预测灰度值得到每个像素点在灰度图像中的目标预测灰度值；
将灰度图像中每个像素点的目标预测灰度值和灰度值的差值的绝对值，作为灰度图像中每个像素点的预测误差。
7.根据权利要求1所述的一种环境安防工程监测数据管理方法，其特征在于，得到多个类别的超像素块的方法包括：
利用每个超像素块的拟合熵值和灰度均值组成对应的超像素块的特征向量；
对每两个超像素块的特征向量计算余弦相似度作为对应两个超像素块的相关度；
分类原则为：同一类别中任意两个超像素块的相关度都在预设的相关度阈值区间中；
利用所述分类原则对每个单通道图像中的超像素块进行分类得到多个类别的超像素块。
8.一种环境安防工程监测数据管理系统，包括，数据采集单元，数据分析单元，数据压缩单元，其特征在于：
数据采集单元，用于获取安防监控视频的每帧图像的灰度图像和多个单通道图像；获取每个单通道图像的多个超像素块；
数据分析单元，用于利用每个单通道图像的每个超像素块中每个边缘点与不同方向的边缘点相连得到不同方向的边缘点连线，获取不同方向的每个边缘点连线上相邻像素点的灰度差值的拟合直线以及拟合直线的拟合质量；
利用每个超像素块中不同方向的每个边缘点连线对应的拟合直线的拟合质量，得到每个超像素块在不同方向的拟合质量熵值；选取最小拟合质量熵值作为超像素块的拟合熵值，将得到最小拟合质量熵值的方向作为对应的超像素块的目标方向；
利用每个单通道图像中每两个超像素块的拟合熵值和灰度均值对所有超像素块进行分类得到多个类别的超像素块；
数据编码单元，利用每个单通道图像的每类超像素块中每个边缘点和目标方向上对应的边缘点的灰度值和距离，得到每类超像素块的预测模型系数；
利用每个单通道图像中每类超像素块的预测模型系数和每类超像素块中像素点的灰度值得到每类超像素块的预测偏量；根据每个单通道图像中每类超像素块的预测偏量、预测模型系数和边缘点的灰度值得到每个单通道图像中每类超像素块中每个像素点的预测灰度值；
利用灰度图像中每个像素点的灰度值和每个像素点在每个单通道图像中的预测灰度值得到灰度图像中每个像素点的预测误差，对每个像素点的预测误差进行编码并存储。
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211619607.9A CN115914634A (zh) | 2022-12-16 | 2022-12-16 | 一种环境安防工程监测数据管理方法及系统 |
| PCT/CN2023/086005 WO2023134791A2 (zh) | 2022-12-16 | 2023-04-03 | 一种环境安防工程监测数据管理方法及系统 |
| LU504265A LU504265B1 (en) | 2022-12-16 | 2023-04-03 | Method and System for Managing Monitoring Data of Environmental Security Engineering |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211619607.9A CN115914634A (zh) | 2022-12-16 | 2022-12-16 | 一种环境安防工程监测数据管理方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115914634A true CN115914634A (zh) | 2023-04-04 |
Family
ID=86471077
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211619607.9A Pending CN115914634A (zh) | 2022-12-16 | 2022-12-16 | 一种环境安防工程监测数据管理方法及系统 |
Country Status (3)
| Country | Link |
|---|---|
| CN (1) | CN115914634A (zh) |
| LU (1) | LU504265B1 (zh) |
| WO (1) | WO2023134791A2 (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116233479A (zh) * | 2023-04-28 | 2023-06-06 | 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 |
| CN116320042A (zh) * | 2023-05-16 | 2023-06-23 | 陕西思极科技有限公司 | 边缘计算的物联终端监测控制系统 |
| CN116703787A (zh) * | 2023-08-09 | 2023-09-05 | 中铁建工集团第二建设有限公司 | 一种建筑施工安全风险预警方法及系统 |
| WO2023134791A3 (zh) * | 2022-12-16 | 2023-09-21 | 苏州迈创信息技术有限公司 | 一种环境安防工程监测数据管理方法及系统 |
| CN117615088A (zh) * | 2024-01-22 | 2024-02-27 | 沈阳市锦拓电子工程有限公司 | 一种安全监控的视频数据高效存储方法 |
| CN117692011A (zh) * | 2024-01-29 | 2024-03-12 | 航天亮丽电气有限责任公司 | 一种用于消防救援环境监测系统的监测数据预警方法 |
Families Citing this family (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116665137B (zh) * | 2023-08-01 | 2023-10-10 | 聊城市彩烁农业科技有限公司 | 一种基于机器视觉的畜牧养殖废水处理方法 |
| CN116778431B (zh) * | 2023-08-25 | 2023-11-10 | 青岛娄山河水务有限公司 | 基于计算机视觉的污泥处理自动监测方法 |
| CN116863253B (zh) * | 2023-09-05 | 2023-11-17 | 光谷技术有限公司 | 基于大数据分析的运维风险预警方法 |
| CN117079197B (zh) * | 2023-10-18 | 2024-03-05 | 山东诚祥建设集团股份有限公司 | 一种智慧工地管理方法及系统 |
| CN117115196B (zh) * | 2023-10-25 | 2024-02-06 | 东莞雕宝自动化设备有限公司 | 一种切割机刀具磨损视觉检测方法及系统 |
| 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 |
| CN117237339B (zh) * | 2023-11-10 | 2024-02-27 | 山东多沃基础工程有限公司 | 一种基于图像处理的地螺丝打孔点位选取方法及系统 |
| CN117351433B (zh) * | 2023-12-05 | 2024-02-23 | 山东质能新型材料有限公司 | 基于计算机视觉的胶固砂浆饱满度监控系统 |
| 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 |
| CN117831135B (zh) * | 2024-03-04 | 2024-05-10 | 陕西一览科技有限公司 | 一种基于图像处理的人迹检测方法 |
| CN117853933B (zh) * | 2024-03-07 | 2024-05-17 | 山东矿通智能装备有限公司 | 一种用于露天煤矿开采的煤层识别方法 |
| CN117853493B (zh) * | 2024-03-08 | 2024-05-24 | 山东天意机械股份有限公司 | 一种基于图像处理的墙板生产质量检测方法 |
| CN117876971B (zh) * | 2024-03-12 | 2024-05-28 | 武汉同创万智数字科技有限公司 | 基于机器视觉的建筑施工安全监测及预警方法 |
| CN117974644B (zh) * | 2024-03-29 | 2024-06-11 | 山东中泰药业有限公司 | 一种胶囊药品质量视觉检测方法 |
| CN118014993B (zh) * | 2024-04-08 | 2024-06-11 | 中机凯博表面技术江苏有限公司 | 一种超细涂层粉末筛选质量检测方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5482007B2 (ja) * | 2008-10-08 | 2014-04-23 | 株式会社ニコン | 画像処理方法 |
| US10916022B2 (en) * | 2017-03-27 | 2021-02-09 | Shenzhen Institutes Of Advanced Technology Chinese Academy Of Sciences | Texture synthesis method, and device for same |
| US20230289979A1 (en) * | 2020-11-13 | 2023-09-14 | Zhejiang University | A method for video moving object detection based on relative statistical characteristics of image pixels |
| CN115439474B (zh) * | 2022-11-07 | 2023-01-24 | 山东天意机械股份有限公司 | 一种电力设备故障快速定位方法 |
| CN115914634A (zh) * | 2022-12-16 | 2023-04-04 | 苏州迈创信息技术有限公司 | 一种环境安防工程监测数据管理方法及系统 |
-
2022
- 2022-12-16 CN CN202211619607.9A patent/CN115914634A/zh active Pending
-
2023
- 2023-04-03 WO PCT/CN2023/086005 patent/WO2023134791A2/zh unknown
- 2023-04-03 LU LU504265A patent/LU504265B1/en active IP Right Grant
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023134791A3 (zh) * | 2022-12-16 | 2023-09-21 | 苏州迈创信息技术有限公司 | 一种环境安防工程监测数据管理方法及系统 |
| CN116233479A (zh) * | 2023-04-28 | 2023-06-06 | 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 |
| CN116320042A (zh) * | 2023-05-16 | 2023-06-23 | 陕西思极科技有限公司 | 边缘计算的物联终端监测控制系统 |
| CN116320042B (zh) * | 2023-05-16 | 2023-08-04 | 陕西思极科技有限公司 | 边缘计算的物联终端监测控制系统 |
| CN116703787A (zh) * | 2023-08-09 | 2023-09-05 | 中铁建工集团第二建设有限公司 | 一种建筑施工安全风险预警方法及系统 |
| CN116703787B (zh) * | 2023-08-09 | 2023-10-31 | 中铁建工集团第二建设有限公司 | 一种建筑施工安全风险预警方法及系统 |
| CN117615088A (zh) * | 2024-01-22 | 2024-02-27 | 沈阳市锦拓电子工程有限公司 | 一种安全监控的视频数据高效存储方法 |
| CN117615088B (zh) * | 2024-01-22 | 2024-04-05 | 沈阳市锦拓电子工程有限公司 | 一种安全监控的视频数据高效存储方法 |
| CN117692011A (zh) * | 2024-01-29 | 2024-03-12 | 航天亮丽电气有限责任公司 | 一种用于消防救援环境监测系统的监测数据预警方法 |
| CN117692011B (zh) * | 2024-01-29 | 2024-04-30 | 航天亮丽电气有限责任公司 | 一种用于消防救援环境监测系统的监测数据预警方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2023134791A2 (zh) | 2023-07-20 |
| LU504265B1 (en) | 2023-07-31 |
| WO2023134791A3 (zh) | 2023-09-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115914634A (zh) | 一种环境安防工程监测数据管理方法及系统 | |
| WO2021032205A1 (en) | System, method, codec device for intra frame and inter frame joint prediction | |
| WO2018192235A1 (zh) | 编码单元深度确定方法及装置 | |
| CN107846589B (zh) | 一种基于局部动态量化的图像压缩方法 | |
| WO2019072248A1 (zh) | 运动估计方法、装置、电子设备及计算机可读存储介质 | |
| US11259029B2 (en) | Method, device, apparatus for predicting video coding complexity and storage medium | |
| CN110505472A (zh) | 一种h.265超高清视频质量评价方法 | |
| CN104899899A (zh) | 一种基于密度峰值的颜色量化方法 | |
| CN112291562B (zh) | 针对h.266/vvc的快速cu分区和帧内模式决策方法 | |
| CN105931189B (zh) | 一种基于改进超分辨率参数化模型的视频超分辨率方法及装置 | |
| CN115941943A (zh) | 一种hevc视频编码方法 | |
| CN115618051A (zh) | 一种基于互联网的智慧校园监控视频存储方法 | |
| CN111447452A (zh) | 数据编码方法及系统 | |
| CN115022635A (zh) | 基于目标检测的星图压缩方法 | |
| CN113965814B (zh) | 基于视频会议场景的多会场关键帧提取方法及系统 | |
| CN116233479B (zh) | 基于数据处理的直播信息内容审核系统及方法 | |
| CN105263026A (zh) | 基于概率统计与图像梯度信息的全局矢量获取方法 | |
| Vora et al. | Analysis of compressed image quality assessments, m | |
| CN113573058B (zh) | 一种基于时空显著性融合的帧间图像编码方法 | |
| CN115802038A (zh) | 一种量化参数确定方法、装置及一种视频编码方法、装置 | |
| CN103824308A (zh) | 一种无线多媒体传感器网络中的图像处理方法 | |
| CN110519597B (zh) | 一种基于hevc的编码方法、装置、计算设备和介质 | |
| CN109982079B (zh) | 一种结合纹理空间相关性的帧内预测模式选择方法 | |
| CN112383774B (zh) | 编码方法、编码器以及服务器 | |
| CN115278255B (zh) | 一种用于力量器械安全管理的数据存储系统 |
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 |