CN116737991A - 网络视频监控数据处理方法及系统 - Google Patents

网络视频监控数据处理方法及系统 Download PDF

Info

Publication number
CN116737991A
CN116737991A CN202311010548.XA CN202311010548A CN116737991A CN 116737991 A CN116737991 A CN 116737991A CN 202311010548 A CN202311010548 A CN 202311010548A CN 116737991 A CN116737991 A CN 116737991A
Authority
CN
China
Prior art keywords
image frame
effective
image
result
judging
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
CN202311010548.XA
Other languages
English (en)
Other versions
CN116737991B (zh
Inventor
李小鹏
孙新伟
秦俊杰
杨飞
王凡
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.)
Shaanxi Longshuo Communication Technology Co ltd
Original Assignee
Shaanxi Longshuo Communication 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 Shaanxi Longshuo Communication Technology Co ltd filed Critical Shaanxi Longshuo Communication Technology Co ltd
Priority to CN202311010548.XA priority Critical patent/CN116737991B/zh
Publication of CN116737991A publication Critical patent/CN116737991A/zh
Application granted granted Critical
Publication of CN116737991B publication Critical patent/CN116737991B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F16/70—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
    • 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
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Closed-Circuit Television Systems (AREA)

Abstract

本发明公开了网络视频监控数据处理方法及系统，涉及视频处理领域，其中，所述方法包括：对第一监控视频进行有效帧提取，获取有效图像帧集合；确定有效图像帧类别；根据有效图像帧集合提取第一图像帧，并对第一图像帧进行特征标识，获取特征标识结果；当第一图像帧为混淆图像帧，根据特征标识结果对第一图像帧进行最小错误传输模型的判别，输出基于第一图像帧的第一判别结果；输出有效图像帧集合的判别结果集合，按照判别结果集合对有效图像帧集合进行定向传输。解决了现有技术中监控视频的图像帧分类存储准确度低、适配性差的技术问题。达到了提高监控视频的图像帧分类存储准确度、适配性等技术效果。

Description

网络视频监控数据处理方法及系统
技术领域
本发明涉及视频处理领域，具体地，涉及网络视频监控数据处理方法及系统。
背景技术
随着网络视频监控的广泛应用，产生了海量的网络视频监控数据，这对网络视频监控数据的存储产生了极大的压力。图像帧分类存储是网络视频监控数据的存储方式之一。现有技术中，存在监控视频的图像帧分类存储准确度低、适配性差的技术问题。
发明内容
本申请提供了网络视频监控数据处理方法及系统。解决了现有技术中监控视频的图像帧分类存储准确度低、适配性差的技术问题。达到了提高监控视频的图像帧分类存储准确度、适配性，同时，增加视频图像特征的有效利用率，提高监控视频的图像帧分类存储的效率的技术效果。
鉴于上述问题，本申请提供了网络视频监控数据处理方法及系统。
第一方面，本申请提供了一种网络视频监控数据处理方法，其中，所述方法应用于一种网络视频监控数据处理系统，所述方法包括：连接视频采集终端，获取目标区域的第一监控视频；对所述第一监控视频进行有效帧提取，获取有效图像帧集合；根据所述视频采集终端的视频监控指标，确定有效图像帧类别，其中，每个图像类别对应一个存储区块；根据所述有效图像帧集合提取第一图像帧，并对所述第一图像帧进行特征标识，获取特征标识结果；根据所述特征标识结果判断所述第一图像帧是否为混淆图像帧，其中，所述混淆图像帧为至少包括两个图像类别特征的图像帧；当所述第一图像帧为所述混淆图像帧，根据所述特征标识结果对所述第一图像帧进行最小错误传输模型的判别，输出基于所述第一图像帧的第一判别结果，其中，所述第一判别结果为所述第一图像帧定向传输的目标存储区块；输出所述有效图像帧集合的判别结果集合，按照所述判别结果集合对所述有效图像帧集合进行定向传输。
第二方面，本申请还提供了一种网络视频监控数据处理系统，其中，所述系统包括：监控视频获取模块，所述监控视频获取模块用于连接视频采集终端，获取目标区域的第一监控视频；有效帧提取模块，所述有效帧提取模块用于对所述第一监控视频进行有效帧提取，获取有效图像帧集合；有效图像帧类别确定模块，所述有效图像帧类别确定模块用于根据所述视频采集终端的视频监控指标，确定有效图像帧类别，其中，每个图像类别对应一个存储区块；特征标识模块，所述特征标识模块用于根据所述有效图像帧集合提取第一图像帧，并对所述第一图像帧进行特征标识，获取特征标识结果；混淆判断模块，所述混淆判断模块用于根据所述特征标识结果判断所述第一图像帧是否为混淆图像帧，其中，所述混淆图像帧为至少包括两个图像类别特征的图像帧；判别结果输出模块，所述判别结果输出模块用于当所述第一图像帧为所述混淆图像帧，根据所述特征标识结果对所述第一图像帧进行最小错误传输模型的判别，输出基于所述第一图像帧的第一判别结果，其中，所述第一判别结果为所述第一图像帧定向传输的目标存储区块；定向传输模块，所述定向传输模块用于输出所述有效图像帧集合的判别结果集合，按照所述判别结果集合对所述有效图像帧集合进行定向传输。
本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：
通过对第一监控视频进行有效帧提取，获取有效图像帧集合；根据视频采集终端的视频监控指标，确定有效图像帧类别；从有效图像帧集合中，提取出第一图像帧，并对第一图像帧进行特征标识，获取特征标识结果；根据特征标识结果判断第一图像帧是否为混淆图像帧，当第一图像帧为混淆图像帧，根据特征标识结果对第一图像帧进行最小错误传输模型的判别，输出第一判别结果；以此类推，获得有效图像帧集合的判别结果集合，并按照判别结果集合对有效图像帧集合进行定向传输。达到了提高监控视频的图像帧分类存储准确度、适配性，同时，增加视频图像特征的有效利用率，提高监控视频的图像帧分类存储的效率的技术效果。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例的附图作简单地介绍。明显地，下面描述中的附图仅仅涉及本发明的一些实施例,而非对本发明的限制。
图1为本申请一种网络视频监控数据处理方法的流程示意图；
图2为本申请一种网络视频监控数据处理方法中输出关键图像帧集合的流程示意图；
图3为本申请一种网络视频监控数据处理系统的结构示意图。
附图标记说明：监控视频获取模块11，有效帧提取模块12，有效图像帧类别确定模块13，特征标识模块14，混淆判断模块15，判别结果输出模块16，定向传输模块17。
具体实施方式
本申请通过提供网络视频监控数据处理方法及系统。解决了现有技术中监控视频的图像帧分类存储准确度低、适配性差的技术问题。达到了提高监控视频的图像帧分类存储准确度、适配性，同时，增加视频图像特征的有效利用率，提高监控视频的图像帧分类存储的效率的技术效果。
实施例一
请参阅附图1，本申请提供一种网络视频监控数据处理方法，其中，所述方法应用于一种网络视频监控数据处理系统，所述方法具体包括如下步骤：
步骤S100：连接视频采集终端，获取目标区域的第一监控视频；
步骤S200：对所述第一监控视频进行有效帧提取，获取有效图像帧集合；
进一步的，如附图2所示，本申请步骤S200还包括：
步骤S210：对所述第一监控视频进行有效帧提取，其中，所述有效帧提取为包括关键识别对象动态变化的图像帧；
步骤S220：对所述有效图像帧集合进行单个动态动作的识别，当所述有效图像帧集合中存在大于预设元素数量的集合，对该集合进行标识，输出标识图像帧集合；
步骤S230：对所述标识图像帧集合进行二次关键帧提取，输出与所述标识图像帧集合一一对应的关键图像帧集合。
具体而言，连接视频采集终端，通过视频采集终端对目标区域进行实时监控，获得第一监控视频，并对第一监控视频进行有效帧提取，获取有效图像帧集合。其中，所述视频采集终端与所述一种网络视频监控数据处理系统通信连接。所述视频采集终端包括现有技术中的网络视频监控设备。所述目标区域可以为使用所述一种网络视频监控数据处理系统的任意区域。例如，所述目标区域可以为居民小区、商场等。所述第一监控视频包括目标区域的实时监控视频信息。有效帧提取为从第一监控视频中提取关键识别对象动态变化的图像帧。关键识别对象包括由视频采集终端预先设置确定的多个视频监控指标。例如，当目标区域可以居民小区时，多个视频监控指标包括车辆、居民、访客等。所述有效图像帧集合包括第一监控视频对应的多个有效帧。每个有效帧为第一监控视频中关键识别对象动态变化的图像帧。
进一步，分别对有效图像帧集合中的每个有效帧进行单个动态动作的识别，获得多个有效帧-动作变化度。每个有效帧-动作变化度是用于表征每个有效帧的关键识别对象的动态动作变化程度的数据信息。有效帧-动作变化度越大，则，对应的有效帧的关键识别对象的动态动作变化程度越高。继而，对每个有效帧-动作变化度是否大于预设元素数量进行判断。当有效帧-动作变化度大于预设元素数量时，将该有效帧-动作变化度对应的有效帧添加至标识图像帧集合。进而，对标识图像帧集合进行二次关键帧提取，获得关键图像帧集合，并根据关键图像帧集合对原来的有效图像帧集合进行数据更新，从而降低有效图像帧集合的数据维度，增加视频图像特征的有效利用率，提高监控视频的图像帧分类存储的效率，提高监控视频的图像帧分类存储的存储空间利用率，减小监控视频的图像帧分类存储的存储空间浪费。
其中，所述预设元素数量包括由所述一种网络视频监控数据处理系统预先设置确定的有效帧-动作变化度阈值。所述标识图像帧集合包括有效图像帧集合中，大于预设元素数量的多个有效帧-动作变化度对应的多个有效帧。二次关键帧提取是指对标识图像帧集合中的每个有效帧进行关键识别对象动态变化的图像提取。所述关键图像帧集合包括多个关键图像帧。每个关键图像帧包括标识图像帧集合中的每个有效帧对应的关键识别对象动态变化的图像。
步骤S300：根据所述视频采集终端的视频监控指标，确定有效图像帧类别，其中，每个图像类别对应一个存储区块；
步骤S400：根据所述有效图像帧集合提取第一图像帧，并对所述第一图像帧进行特征标识，获取特征标识结果；
步骤S500：根据所述特征标识结果判断所述第一图像帧是否为混淆图像帧，其中，所述混淆图像帧为至少包括两个图像类别特征的图像帧；
进一步的，本申请步骤S500还包括：
步骤S510：获取所述特征标识结果，当所述特征标识结果包括第一类图像特征和第二类图像特征时，对所述第一类图像特征和所述第二类图像特征进行特征占比识别，输出第一比例关系；
步骤S520：当所述第一比例关系大于预设比值时，判断所述第一图像帧为混淆图像帧。
具体而言，将多个视频监控指标设置为多个有效图像帧类别，且，每个有效图像帧类别对应一个存储区块。继而，分别将有效图像帧集合内的每个有效帧设置为第一图像帧，并对第一图像帧进行特征标识，获取特征标识结果。所述特征标识结果包括第一图像帧对应的图像类别。
当特征标识结果包括第一类图像特征和第二类图像特征时，对第一图像帧进行第一类图像特征和第二类图像特征进行特征占比识别，获得第一比例关系。继而，对第一比例关系是否大于预设比值进行判断。当第一比例关系大于预设比值时，则，第一图像帧为混淆图像帧。其中，第一类图像特征、第二类图像特征为两个不相同的图像类别。特征占比识别是指对第一图像帧进行第一类图像特征、第二类图像特征的图像面积识别。所述第一比例关系包括第一图像帧中，第一类图像特征的图像面积与第二类图像特征第二类图像特征之间的比值。所述预设比值由所述一种网络视频监控数据处理系统预先设置确定。达到了通过对第一图像帧进行混淆图像帧判别，从而提高监控视频的图像帧分类存储的适配度的技术效果。
进一步的，本申请步骤S520还包括：
步骤S521：当所述第一图像帧为非混淆图像帧，根据所述特征标识结果对所述第一图像帧进行特征相似度识别，获取相似度识别结果，其中，所述相似度识别结果为基于所述第一图像帧的目标存储区块；
步骤S522：根据所述目标存储区块对所述第一图像帧进行定向传输。
具体而言，当第一比例关系小于/等于预设比值时，则，第一图像帧为非混淆图像帧，根据特征标识结果对第一图像帧进行特征相似度识别，获取相似度识别结果，相似度识别结果为第一图像帧的目标存储区块，并根据目标存储区块对第一图像帧进行定向传输。目标存储区块包括当第一图像帧为非混淆图像帧时，第一图像帧对应的存储区块。示例性地，在根据特征标识结果对第一图像帧进行特征相似度识别时，将特征标识结果中最大图像面积的图像类别对应的存储区块设置为相似度识别结果。
步骤S600：当所述第一图像帧为所述混淆图像帧，根据所述特征标识结果对所述第一图像帧进行最小错误传输模型的判别，输出基于所述第一图像帧的第一判别结果，其中，所述第一判别结果为所述第一图像帧定向传输的目标存储区块；
进一步的，本申请步骤S600还包括：
步骤S610：获取混淆样本集合，以及所述有效图像帧类别中各个类别对应的多类图像样本集合；
具体而言，连接所述一种网络视频监控数据处理系统，采集混淆样本集合和多类图像样本集合。所述混淆样本集合包括多个历史混淆图像帧。所述多类图像样本集合包括每个有效图像帧类别对应的多个历史有效图像帧。且，每个历史有效图像帧具有对应标识的历史存储区块。
步骤S620：利用最小分类错误训练法对所述混淆样本集合和所述多类图像样本集合进行训练，得到所述最小错误传输模型，其中，所述最小错误传输模型通过计算误判指数，以及最小化误判指数进行收敛；
其中，所述误判指数的函式如下：
,
其中， dk(x) 为基于预设相似性条件下的误判指数值，gi(x:Λ) 为多类图像样本集合x对于类别Ci的相似度，
gk(x:Λ) 为多类图像样本集合x对于类别CI的预设相似度，Λ标识所有图像类别，N为迭代次数； nk={igi(x;Λ)>gk(x;Λ)} ，表征对于多类图像样本集合x判别结果的相似度，比基于预设类别Ck对多类图像样本集合x判别结果的相似性大的集合。
进一步的，本申请步骤S620还包括：
步骤S621：通过对多次迭代分类结果的误判指数进行分析将本轮次迭代时误判指数最小的作为目标方向，对下一轮次迭代进行调整，以使所述最小错误传输模型定向收敛。
步骤S630：根据所述最小错误传输模型对所述有效图像帧集合进行图像判别，输出与所述有效图像帧集合一一对应的判别结果集合。
步骤S700：输出所述有效图像帧集合的判别结果集合，按照所述判别结果集合对所述有效图像帧集合进行定向传输。
具体而言，利用最小分类错误训练法对混淆样本集合和多类图像样本集合进行训练进行不断的自我训练学习至收敛状态，获得最小错误传输模型。其中，最小分类错误训练法包括通过对多次迭代分类结果的误判指数进行分析将本轮次迭代时误判指数最小的作为目标方向，对下一轮次迭代进行调整，以使最小错误传输模型定向收敛。且，最小错误传输模型通过计算误判指数，以及最小化误判指数进行收敛。计算误判指数的公式为：
，
其中，dk(x)为基于预设相似性条件下的误判指数值，预设相似性条件包括由所述一种网络视频监控数据处理系统预先设置确定的每个存储区块内的有效图像帧的预设相似性参数，
gi(x:Λ) 为多类图像样本集合x对于类别Ci的相似度，类别Ci表征多个有效图像帧类别，gk(x:Λ)为由所述一种网络视频监控数据处理系统预先设置确定的多类图像样本集合x对于类别Ci的预设相似度，Λ标识所有图像类别，N为迭代次数；
nk={igi(x;Λ)>gk(x;Λ)}，表征对于多类图像样本集合x判别结果的相似度，比基于预设类别Ck对多类图像样本集合x判别结果的相似性大的集合。
进一步，当第一图像帧为混淆图像帧时，将特征标识结果作为输入信息，输入最小错误传输模型，获得第一图像帧的第一判别结果。同理，通过最小错误传输模型对有效图像帧集合进行图像判别，获得判别结果集合，并按照判别结果集合对有效图像帧集合进行定向传输，从而提高监控视频的图像帧分类存储的精准性、适配度。其中，所述第一判别结果为第一图像帧定向传输的目标存储区块。即，所述第一判别结果包括当第一图像帧为混淆图像帧时，第一图像帧对应的存储区块。“通过最小错误传输模型对有效图像帧集合进行图像判别”与第一图像帧的第一判别结果的获得方式相同，为了说明书的简洁，在此不再赘述。所述判别结果集合包括多个判别结果。每个判别结果包括有效图像帧集合内的每个有效图像帧对应的存储区块。
综上所述，本申请所提供的一种网络视频监控数据处理方法具有如下技术效果：
1.通过对第一监控视频进行有效帧提取，获取有效图像帧集合；根据视频采集终端的视频监控指标，确定有效图像帧类别；从有效图像帧集合中，提取出第一图像帧，并对第一图像帧进行特征标识，获取特征标识结果；根据特征标识结果判断第一图像帧是否为混淆图像帧，当第一图像帧为混淆图像帧，根据特征标识结果对第一图像帧进行最小错误传输模型的判别，输出第一判别结果；以此类推，获得有效图像帧集合的判别结果集合，并按照判别结果集合对有效图像帧集合进行定向传输。达到了提高监控视频的图像帧分类存储准确度、适配性，同时，增加视频图像特征的有效利用率，提高监控视频的图像帧分类存储的效率的技术效果。
2.根据关键图像帧集合对原来的有效图像帧集合进行数据更新，从而降低有效图像帧集合的数据维度，增加视频图像特征的有效利用率，提高监控视频的图像帧分类存储的效率，提高监控视频的图像帧分类存储的存储空间利用率，减小监控视频的图像帧分类存储的存储空间浪费。
3.通过对第一图像帧进行混淆图像帧判别，从而提高监控视频的图像帧分类存储的适配度。
实施例二
基于与前述实施例中一种网络视频监控数据处理方法，同样发明构思，本发明还提供了一种网络视频监控数据处理系统，请参阅附图3，所述系统包括：
监控视频获取模块11，所述监控视频获取模块11用于连接视频采集终端，获取目标区域的第一监控视频；
有效帧提取模块12，所述有效帧提取模块12用于对所述第一监控视频进行有效帧提取，获取有效图像帧集合；
有效图像帧类别确定模块13，所述有效图像帧类别确定模块13用于根据所述视频采集终端的视频监控指标，确定有效图像帧类别，其中，每个图像类别对应一个存储区块；
特征标识模块14，所述特征标识模块14用于根据所述有效图像帧集合提取第一图像帧，并对所述第一图像帧进行特征标识，获取特征标识结果；
混淆判断模块15，所述混淆判断模块15用于根据所述特征标识结果判断所述第一图像帧是否为混淆图像帧，其中，所述混淆图像帧为至少包括两个图像类别特征的图像帧；
判别结果输出模块16，所述判别结果输出模块16用于当所述第一图像帧为所述混淆图像帧，根据所述特征标识结果对所述第一图像帧进行最小错误传输模型的判别，输出基于所述第一图像帧的第一判别结果，其中，所述第一判别结果为所述第一图像帧定向传输的目标存储区块；
定向传输模块17，所述定向传输模块17用于输出所述有效图像帧集合的判别结果集合，按照所述判别结果集合对所述有效图像帧集合进行定向传输。
进一步的，所述系统还包括：
混淆样本获取模块，所述混淆样本获取模块用于获取混淆样本集合，以及所述有效图像帧类别中各个类别对应的多类图像样本集合；
训练模块，所述训练模块用于利用最小分类错误训练法对所述混淆样本集合和所述多类图像样本集合进行训练，得到所述最小错误传输模型，其中，所述最小错误传输模型通过计算误判指数，以及最小化误判指数进行收敛；
图像判别模块，所述图像判别模块用于根据所述最小错误传输模型对所述有效图像帧集合进行图像判别，输出与所述有效图像帧集合一一对应的判别结果集合。
其中，所述误判指数的函式如下：
,
其中，dk(x)为基于预设相似性条件下的误判指数值，gi(x;Λ)为多类图像样本集合x对于类别Ci的相似度，
gk(x;Λ)为多类图像样本集合x对于类别Ci的预设相似度，Λ标识所有图像类别，N为迭代次数； nk={igi(x;Λ)>gk(x;Λ)} ，表征对于多类图像样本集合x判别结果的相似度，比基于预设类别Ck对多类图像样本集合x判别结果的相似性大的集合。
进一步的，所述系统还包括：
迭代调整模块，所述迭代调整模块用于通过对多次迭代分类结果的误判指数进行分析将本轮次迭代时误判指数最小的作为目标方向，对下一轮次迭代进行调整，以使所述最小错误传输模型定向收敛。
进一步的，所述系统还包括：
特征相似度识别模块，所述特征相似度识别模块用于当所述第一图像帧为非混淆图像帧，根据所述特征标识结果对所述第一图像帧进行特征相似度识别，获取相似度识别结果，其中，所述相似度识别结果为基于所述第一图像帧的目标存储区块；
第一执行模块，所述第一执行模块用于根据所述目标存储区块对所述第一图像帧进行定向传输。
进一步的，所述系统还包括：
第二执行模块，所述第二执行模块用于对所述第一监控视频进行有效帧提取，其中，所述有效帧提取为包括关键识别对象动态变化的图像帧；
第三执行模块，所述第三执行模块用于对所述有效图像帧集合进行单个动态动作的识别，当所述有效图像帧集合中存在大于预设元素数量的集合，对该集合进行标识，输出标识图像帧集合；
二次关键帧提取模块，所述二次关键帧提取模块用于对所述标识图像帧集合进行二次关键帧提取，输出与所述标识图像帧集合一一对应的关键图像帧集合。
进一步的，所述系统还包括：
第一比例关系输出模块，所述第一比例关系输出模块用于获取所述特征标识结果，当所述特征标识结果包括第一类图像特征和第二类图像特征时，对所述第一类图像特征和所述第二类图像特征进行特征占比识别，输出第一比例关系；
混淆图像帧确定模块，所述混淆图像帧确定模块用于当所述第一比例关系大于预设比值时，判断所述第一图像帧为混淆图像帧。
本发明实施例所提供的一种网络视频监控数据处理系统可执行本发明任意实施例所提供的一种网络视频监控数据处理方法，具备执行方法相应的功能模块和有益效果。
所包括的各个模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能模块的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
本申请提供了一种网络视频监控数据处理方法，其中，所述方法应用于一种网络视频监控数据处理系统，所述方法包括：通过对第一监控视频进行有效帧提取，获取有效图像帧集合；根据视频采集终端的视频监控指标，确定有效图像帧类别；从有效图像帧集合中，提取出第一图像帧，并对第一图像帧进行特征标识，获取特征标识结果；根据特征标识结果判断第一图像帧是否为混淆图像帧，当第一图像帧为混淆图像帧，根据特征标识结果对第一图像帧进行最小错误传输模型的判别，输出第一判别结果；以此类推，获得有效图像帧集合的判别结果集合，并按照判别结果集合对有效图像帧集合进行定向传输。解决了现有技术中监控视频的图像帧分类存储准确度低、适配性差的技术问题。达到了提高监控视频的图像帧分类存储准确度、适配性，同时，增加视频图像特征的有效利用率，提高监控视频的图像帧分类存储的效率的技术效果。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (8)

1.网络视频监控数据处理方法，其特征在于，所述方法包括：
连接视频采集终端，获取目标区域的第一监控视频；
对所述第一监控视频进行有效帧提取，获取有效图像帧集合；
根据所述视频采集终端的视频监控指标，确定有效图像帧类别，其中，每个图像类别对应一个存储区块；
根据所述有效图像帧集合提取第一图像帧，并对所述第一图像帧进行特征标识，获取特征标识结果；
根据所述特征标识结果判断所述第一图像帧是否为混淆图像帧，其中，所述混淆图像帧为至少包括两个图像类别特征的图像帧；
当所述第一图像帧为所述混淆图像帧，根据所述特征标识结果对所述第一图像帧进行最小错误传输模型的判别，输出基于所述第一图像帧的第一判别结果，其中，所述第一判别结果为所述第一图像帧定向传输的目标存储区块；
输出所述有效图像帧集合的判别结果集合，按照所述判别结果集合对所述有效图像帧集合进行定向传输。
2.如权利要求1所述的网络视频监控数据处理方法，其特征在于，所述最小错误传输模型通过训练获取，包括：
获取混淆样本集合，以及所述有效图像帧类别中各个类别对应的多类图像样本集合；
利用最小分类错误训练法对所述混淆样本集合和所述多类图像样本集合进行训练，得到所述最小错误传输模型，其中，所述最小错误传输模型通过计算误判指数，以及最小化误判指数进行收敛；
根据所述最小错误传输模型对所述有效图像帧集合进行图像判别，输出与所述有效图像帧集合一一对应的判别结果集合。
3.如权利要求2所述的网络视频监控数据处理方法，其特征在于，所述误判指数的函式如下：
,
其中，dk(x)为基于预设相似性条件下的误判指数值， gi(x;Λ) 为多类图像样本集合x对于类别Ci的相似度，
gk(x;Λ)为多类图像样本集合x对于类别Ci的预设相似度，Λ标识所有图像类别，N为迭代次数；
nk={igi(x;Λ)>gk(x;Λ)} ，表征对于多类图像样本集合x判别结果的相似度，比基于预设类别Ck对多类图像样本集合x判别结果的相似性大的集合。
4.如权利要求2所述的网络视频监控数据处理方法，其特征在于，所述最小错误传输模型的训练过程还包括：
通过对多次迭代分类结果的误判指数进行分析将本轮次迭代时误判指数最小的作为目标方向，对下一轮次迭代进行调整，以使所述最小错误传输模型定向收敛。
5.如权利要求1所述的网络视频监控数据处理方法，其特征在于，所述方法还包括：
当所述第一图像帧为非混淆图像帧，根据所述特征标识结果对所述第一图像帧进行特征相似度识别，获取相似度识别结果，其中，所述相似度识别结果为基于所述第一图像帧的目标存储区块；
根据所述目标存储区块对所述第一图像帧进行定向传输。
6.如权利要求1所述的网络视频监控数据处理方法，其特征在于，对所述第一监控视频进行有效帧提取，获取有效图像帧集合，方法包括：
对所述第一监控视频进行有效帧提取，其中，所述有效帧提取为包括关键识别对象动态变化的图像帧；
对所述有效图像帧集合进行单个动态动作的识别，当所述有效图像帧集合中存在大于预设元素数量的集合，对该集合进行标识，输出标识图像帧集合；
对所述标识图像帧集合进行二次关键帧提取，输出与所述标识图像帧集合一一对应的关键图像帧集合。
7.如权利要求1所述的网络视频监控数据处理方法，其特征在于，根据所述特征标识结果判断所述第一图像帧是否为混淆图像帧，方法还包括：
获取所述特征标识结果，当所述特征标识结果包括第一类图像特征和第二类图像特征时，对所述第一类图像特征和所述第二类图像特征进行特征占比识别，输出第一比例关系；
当所述第一比例关系大于预设比值时，判断所述第一图像帧为混淆图像帧。
8.网络视频监控数据处理系统，其特征在于，所述系统用于执行权利要求1至7中任一项所述的网络视频监控数据处理方法，所述系统包括：
监控视频获取模块，所述监控视频获取模块用于连接视频采集终端，获取目标区域的第一监控视频；
有效帧提取模块，所述有效帧提取模块用于对所述第一监控视频进行有效帧提取，获取有效图像帧集合；
有效图像帧类别确定模块，所述有效图像帧类别确定模块用于根据所述视频采集终端的视频监控指标，确定有效图像帧类别，其中，每个图像类别对应一个存储区块；
特征标识模块，所述特征标识模块用于根据所述有效图像帧集合提取第一图像帧，并对所述第一图像帧进行特征标识，获取特征标识结果；
混淆判断模块，所述混淆判断模块用于根据所述特征标识结果判断所述第一图像帧是否为混淆图像帧，其中，所述混淆图像帧为至少包括两个图像类别特征的图像帧；
判别结果输出模块，所述判别结果输出模块用于当所述第一图像帧为所述混淆图像帧，根据所述特征标识结果对所述第一图像帧进行最小错误传输模型的判别，输出基于所述第一图像帧的第一判别结果，其中，所述第一判别结果为所述第一图像帧定向传输的目标存储区块；
定向传输模块，所述定向传输模块用于输出所述有效图像帧集合的判别结果集合，按照所述判别结果集合对所述有效图像帧集合进行定向传输。
CN202311010548.XA 2023-08-11 2023-08-11 网络视频监控数据处理方法及系统 Active CN116737991B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311010548.XA CN116737991B (zh) 2023-08-11 2023-08-11 网络视频监控数据处理方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311010548.XA CN116737991B (zh) 2023-08-11 2023-08-11 网络视频监控数据处理方法及系统

Publications (2)

Publication Number Publication Date
CN116737991A true CN116737991A (zh) 2023-09-12
CN116737991B CN116737991B (zh) 2023-10-20

Family

ID=87906376

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311010548.XA Active CN116737991B (zh) 2023-08-11 2023-08-11 网络视频监控数据处理方法及系统

Country Status (1)

Country Link
CN (1) CN116737991B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104679818A (zh) * 2014-12-25 2015-06-03 安科智慧城市技术（中国）有限公司 一种视频关键帧提取方法及系统
CN110832870A (zh) * 2018-10-30 2020-02-21 深圳市大疆创新科技有限公司 一种数据处理方法、设备及穿越机眼镜
CN114817633A (zh) * 2022-04-27 2022-07-29 咪咕文化科技有限公司 视频分类方法、装置、设备及存储介质
CN114898265A (zh) * 2022-05-12 2022-08-12 北京奇艺世纪科技有限公司 帧分类模型的训练方法、应用性能的测试方法及装置
US20230030020A1 (en) * 2020-12-04 2023-02-02 Tencent Technology (Shenzhen) Company Limited Defining a search range for motion estimation for each scenario frame set
CN116245865A (zh) * 2023-03-20 2023-06-09 鸿湖万联(江苏)科技发展有限公司 一种图像质量的检测方法、装置、电子设备及存储介质
CN116452886A (zh) * 2023-04-24 2023-07-18 中国工商银行股份有限公司 图像识别方法、装置、设备及存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104679818A (zh) * 2014-12-25 2015-06-03 安科智慧城市技术（中国）有限公司 一种视频关键帧提取方法及系统
CN110832870A (zh) * 2018-10-30 2020-02-21 深圳市大疆创新科技有限公司 一种数据处理方法、设备及穿越机眼镜
US20230030020A1 (en) * 2020-12-04 2023-02-02 Tencent Technology (Shenzhen) Company Limited Defining a search range for motion estimation for each scenario frame set
CN114817633A (zh) * 2022-04-27 2022-07-29 咪咕文化科技有限公司 视频分类方法、装置、设备及存储介质
CN114898265A (zh) * 2022-05-12 2022-08-12 北京奇艺世纪科技有限公司 帧分类模型的训练方法、应用性能的测试方法及装置
CN116245865A (zh) * 2023-03-20 2023-06-09 鸿湖万联(江苏)科技发展有限公司 一种图像质量的检测方法、装置、电子设备及存储介质
CN116452886A (zh) * 2023-04-24 2023-07-18 中国工商银行股份有限公司 图像识别方法、装置、设备及存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
CHARALAMBOUS: "A data augmentation methodology for training machine/deep learning gait recognition algorithms", 《ARXIV》 *
汪欣: "基于视频图像的人脸识别系统研究与实现", 《硕士电子期刊》 *
袁晶;王炜;杨建;刘煜;张茂军;: "一种道路车辆监控视频中的关键帧提取方法", 计算机工程, no. 12 *

Also Published As

Publication number Publication date
CN116737991B (zh) 2023-10-20

Similar Documents

Publication Publication Date Title
CN110380989B (zh) 网络流量指纹特征二阶段多分类的物联网设备识别方法
CN109547133B (zh) 一种基于Cholesky分解采样协方差矩阵的SVM高效频谱感知方法
CN113435546B (zh) 基于区分置信度水平的可迁移图像识别方法及系统
CN109873779B (zh) 一种基于lstm的分级式无线信号调制类型识别方法
CN109298225B (zh) 一种电压量测数据异常状态自动识别模型系统及方法
CN109525994A (zh) 基于支持向量机的高能效频谱感知方法
CN111626614A (zh) 一种基于电费回收的用户分类方法
CN111310719B (zh) 一种未知辐射源个体识别及检测的方法
CN111191720A (zh) 一种业务场景的识别方法、装置及电子设备
CN113095162B (zh) 一种基于半监督深度学习的频谱感知方法
CN116737991B (zh) 网络视频监控数据处理方法及系统
CN112350790B (zh) 一种基于深度学习的频谱感知检测方法、装置及设备
CN117170979A (zh) 一种大规模设备的能耗数据处理方法、系统、设备及介质
CN111031042A (zh) 一种基于改进d-s证据理论的网络异常检测方法
CN116401586A (zh) 一种全场景业务智能感知与精准分类的方法
CN115659323A (zh) 一种基于信息熵理论结合卷积神经网络的入侵检测方法
CN112014821B (zh) 一种基于雷达宽带特征的未知车辆目标识别方法
CN112083707A (zh) 一种工控物理信号的处理方法及控制器、处理系统
CN116010507B (zh) 一种基于大数据的水污染监测方法及系统
CN114625786B (zh) 一种基于风控技术的动态数据挖掘方法及系统
CN114584350B (zh) 基于流形的网络数据包特征的降维及聚类的攻击识别方法
CN116346506B (zh) 一种网络安全数据智能防护方法
CN112968740B (zh) 一种基于机器学习的卫星频谱感知方法
CN113238197B (zh) 基于Bert和BiLSTM的雷达目标识别及据判方法
CN117952717A (zh) 一种基于大数据的机票订单处理方法及系统

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
GR01 Patent grant
GR01 Patent grant