CN116823975B - 一种煤矿数据优化存储方法 - Google Patents

Abstract

本发明涉及数据处理技术领域，具体涉及一种煤矿数据优化存储方法，包括：采集煤矿的监控视频，获取监控视频中的各个类别区域，根据每个类别区域的变化程度获取非变化区域，根据非变化区域将监控视频划分为多个区间，根据每个区间的第1帧构建初始霍夫曼树，获取每个区间的每一帧中每个灰度值在初始霍夫曼树中的匹配节点，根据匹配节点对每个区间的每一帧进行压缩，得到压缩数据，对压缩数据进行存储。本发明既节省了煤矿监控视频每一帧霍夫曼树构建的时间，提高了压缩速率，同时还确保了每一帧的压缩效率，实现了煤矿监控视频的优化存储。

Description

一种煤矿数据优化存储方法

技术领域

本发明涉及数据处理技术领域，具体涉及一种煤矿数据优化存储方法。

背景技术

煤矿行业是一个重要的能源产业，由于煤矿工作环境的危险性和复杂性，对煤矿进行有效的监控和管理至关重要。煤矿监控视频的出现为提高煤矿安全、防范事故以及优化生产流程提供了巨大的帮助。煤矿监控视频可以实时捕捉到矿井内的各种情况，例如瓦斯浓度、温度、露天工作区域、设备运转状态等。通过监控这些参数，可以及时发现潜在的危险，并采取相应的措施来保障矿工的安全。

煤矿监控视频通常需要长时间的存储，以便用于日后的数据分析和事故调查。优化存储方案可以确保视频数据可靠地保存，并能够随时检索和使用。这样，当发生事故或需要进行操作回放时，相关的监控视频可以迅速被找到并使用。霍夫曼编码是通过将出现频率高的字符用较短的编码表示，采用霍夫曼编码进行煤矿监测视频编码可以在节省存储空间的同时，提高数据的检索效率。但是由于在霍夫曼编码的过程中，由于煤矿监控视频中的大部分的区域基本相同（大部分区域如煤矿输送带的机器区域、挖掘设备、背景等），因此在进行霍夫曼编码的过程中霍夫曼树的构建时，会占用大量无用的时间，即对应的会影响到编码传输的速率。因此本发明通过分析煤矿监控视频的连续帧的变化，采用使用同一个霍夫曼树的方式，在进行连续帧的煤矿监控视频的霍夫曼编码的过程中，优化存储过程。

发明内容

本发明提供一种煤矿数据优化存储方法，以解决现有的问题。

本发明的一种煤矿数据优化存储方法采用如下技术方案：

本发明一个实施例提供了一种煤矿数据优化存储方法，该方法包括以下步骤：

采集煤矿的监控视频；获取监控视频中的各个类别区域，根据每个类别区域的变化程度获取非变化区域；

根据非变化区域将监控视频划分为多个区间；根据每个区间的第1帧构建初始霍夫曼树；

获取每个区间的每一帧中每个灰度值在初始霍夫曼树中的匹配节点，根据匹配节点对每个区间的每一帧进行压缩，得到压缩数据；

对压缩数据进行存储。

优选的，所述获取监控视频中的各个类别区域，根据每个类别区域的变化程度获取非变化区域，包括的具体步骤如下：

利用神经网络获取监控视频中的每个类别区域；以监控视频的第1帧中的每个类别区域为基准，当其他帧与第1帧中同一个类别区域不相同时，将该类别区域的统计量加1，得到每个类别区域的统计量；将每个类别区域的统计量与监控视频的帧数的比值作为每个类别区域的变化程度；当类别区域的变化程度小于或等于预设的变化阈值时，将该类别区域作为非变化区域。

优选的，所述根据非变化区域将监控视频划分为多个区间，包括的具体步骤如下：

根据非变化区域依次获取监控视频中每一帧的分区间程度，根据分区间程度获取分区间帧，包括：其中，/>为第/>帧的分区间程度；/>表示监控视频中的非变化区域的个数；/>表示监控视频中第/>帧之前、第/>帧的前一个分区间帧之后的连续帧组合的数量，所述连续帧组合为监控视频中相邻两帧构成的组合；/>表示第/>个连续帧组合的第/>个非变化区域的结构相似度；当第/>帧的分区间程度小于预设的分区阈值时，将第/>帧作为分区间帧；

获取所有的分区间帧；将相邻两个分区间帧中第一个帧与此相邻两个分区间帧之间的所有帧构成一个区间。

优选的，所述根据每个区间的第1帧构建初始霍夫曼树，包括的具体步骤如下：

获取每个区间的第1帧中每个灰度值的目标程度，利用目标区间的第1帧中每个灰度值的目标程度值代替传统的霍夫曼编码算法中每个灰度值的频率构建霍夫曼树，将得到的霍夫曼树作为目标区间的初始霍夫曼树。

优选的，所述获取每个区间的第1帧中每个灰度值的目标程度，包括的具体步骤如下：

将任意一个区间作为目标区间；获取目标区间中的第帧的每个像素点的目标程度值：/>其中，/>为目标区间中的第/>帧的第/>个像素点的目标程度值；/>表示监控视频的帧数；/>表示目标区间中的第/>帧的第/>个像素点所属类别区域的统计量值；/>表示目标区间中的第/>帧的第/>个像素点所属的类别区域与该帧在监控视频中的前一帧的第/>个像素点所属类别区域的结构相似度；/>表示目标区间中的第/>帧的第/>个像素点的局部窗口内像素点与该帧的前一帧的第/>个像素点的局部窗口内像素点的结构相似度；exp( )为以自然常数为底的指数函数；

将目标区间的第1帧中每个灰度值对应的所有像素点的目标程度值的均值作为每个灰度值的目标程度值。

优选的，所述获取每个区间的每一帧中每个灰度值在初始霍夫曼树中的匹配节点，包括的具体步骤如下：

获取目标区间中的每一帧的每个灰度值的目标程度值；统计目标区间的每一帧中每个灰度值的频率；

为目标区间第帧构建一个未匹配灰度序列；从目标区间的初始霍夫曼树中目标程度最大的叶节点开始，按照目标程度从大到小的顺序，依次将每个叶节点作为目标节点；根据初始霍夫曼树中目标节点对应的灰度值以及第j帧的未匹配灰度序列中每个灰度值的目标程度和频率，获取目标节点与第/>帧的未匹配灰度序列中每个灰度值的匹配程度：

根据匹配程度获取目标节点在第j帧中的粗匹配灰度值；获取目标节点的每个粗匹配灰度值的损失量，将目标节点作为损失量最小的粗匹配灰度值的匹配节点；将损失量最小的粗匹配灰度值从第帧的未匹配灰度序列中删除；

对初始霍夫曼树中每个叶节点进行遍历，将每个叶节点都分别作为第帧中的一个灰度值的匹配节点。

优选的，所述获取目标节点与第帧的未匹配灰度序列中每个灰度值的匹配程度，包括的具体步骤如下：/>其中，/>表示目标区间的初始霍夫曼树中目标节点与第/>帧中第/>个灰度值的匹配程度；/>为目标区间的初始霍夫曼树中目标节点对应的目标程度值；/>为第/>帧中第/>个灰度值的目标程度值；/>为目标区间的初始霍夫曼树中目标节点对应的灰度值在第1帧监控视频中出现的频率；/>为第/>帧中第/>个灰度值的频率；/>为绝对值符号；exp( )为以自然常数为底的指数函数。

优选的，所述获取目标节点的每个粗匹配灰度值的损失量，包括的具体步骤如下：其中，/>为目标节点在第/>帧中的第/>个粗匹配灰度值的损失量；/>为目标区间的初始霍夫曼树中目标节点对应的灰度值在第1帧监控视频中对应的像素点的个数；/>为目标节点的第k个粗匹配灰度值在第/>帧中对应的像素点的个数；/>为目标区间的初始霍夫曼树中目标节点对应的灰度值在第1帧监控视频中对应的像素点与目标节点的第k个粗匹配灰度值在第/>帧中对应的像素点，构成的对应像素点对的个数。

优选的，所述对应像素点对的获取方法具体为：

根据煤矿传送带的速度、连续两帧的时间差以及两个像素点之间的欧式距离，获取目标区间的第1帧中像素点与每一帧中像素点的对应关系，将具有对应关系的第1帧中的像素点和每一帧中的像素点作为一个对应像素点对。

优选的，所述根据匹配节点对每个区间的每一帧进行压缩，得到压缩数据，包括的具体步骤如下：

对于目标区间的第1帧，利用目标区间的初始霍夫曼树对第1帧进行编码，得到第1帧的编码结果；对于目标区间中除第1帧外的每一帧，利用每一帧中像素点的灰度值的匹配节点在初始霍夫曼树中的码字对每一帧中的像素点进行编码，得到每一帧的编码结果；

将所有区间的所有帧的编码结果作为压缩数据。

本发明的技术方案的有益效果是：本发明采用对煤矿监控视频进行霍夫曼编码的方式来优化存储，仅需要对一部分帧监控视频保存一个霍夫曼树，从而达到优化煤矿监控视频的优化存储的目的。本发明以监控视频中的非变化区域是否发生变化，对连续帧监控视频进行分区间处理，并根据每个区间的第1帧的每个灰度值的目标程度进行初始霍夫曼树的构建；本发明结合同一区间的其他帧的像素点之间与初始帧的像素点之间的分布变化关系，进行灰度值与初始霍夫曼树的叶节点之间的精准匹配，实现了其他帧的像素点的编码。避免了传统的霍夫曼编码过程中，需要对每一帧监控视频进行构建霍夫曼树造成构建时间过长，进而影响到编码传输的效率的缺点，本发明既节省了每一帧霍夫曼树构建的时间，提高了压缩速率，同时还确保了每一帧的压缩效率，达到了煤矿监控视频优化存储的目的。

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为本发明的一种煤矿数据优化存储方法的步骤流程图。

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煤矿数据优化存储方法，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煤矿数据优化存储方法的具体方案。

请参阅图1，其示出了本发明一个实施例提供的一种煤矿数据优化存储方法的步骤流程图，该方法包括以下步骤：

S001．采集煤矿的监控视频。

本发明实施例中通过布置CCD监控摄像头来采集煤矿的监控视频，其中监控摄像头的位置固定为同一个点，本发明实施例对所有采集的煤矿的监控视频进行压缩存储。

需要说明的时，由于煤矿厂中（如煤矿井下）较为昏暗，在煤矿厂中往往会安装光源进行固定角度的照射，因此采集的煤矿的监控视频中存在光照的影响。

S002．对监控视频分区间，构建每个区间的初始霍夫曼树。

需要说明的是，监控视频不同帧中对应的煤矿厂的很多内容均是相同的，仅存在运动区域的变化（例如输送带、煤矿等），因此在进行霍夫曼编码的过程中，若对每帧进行全新的霍夫曼树的构建，会产生较大的时间消耗。因此本发明实施例根据连续帧的煤矿监控视频中的区域变化关系来分析，获取连续帧中的变化区域，根据变化区域表征为同一个物体的像素点在连续两帧图像中的变化，以及受到的光照影响程度的不同，对初始霍夫曼树中的叶节点与每一帧中的灰度值进行自适应匹配，以减少霍夫曼编码所需要的时间。其中，对初始霍夫曼树中的叶节点与每一帧中的灰度值进行自适应匹配的具体实现过程可以为后续步骤S003。

需要进一步说明的是，本发明实施例中要进行连续帧图像的变化的分析，根据连续帧获取的初始霍夫曼树。对于一些经常发生变化的区域，例如煤矿输送带上的煤矿运输，经常发生变化的区域往往具有关联性特征，而不经常发生变化的区域，例如输送带边上路过的行人通道等区域，将不经常发生变化的区域称为非变化区域，当非变化区域出现变化时，对应着该帧监控视频与之前帧监控视频中出现较大的差异，此时霍夫曼树也会发生较大的变化。因此本发明实施例根据非变化区域的变化对连续帧监控视频进行分区间处理，对每个区间进行初始霍夫曼树的构建。

在本发明实施例中，采用神经网络区域分类的模式获取监控视频中的每个类别区域，具体为：

采用的神经网络为DNN神经网络，数据集为历史的监控视频，历史监控视频中相机的位置固定不发生变化。采用的损失函数为交叉熵函数。对于数据集进行人工标注，标注过程为：将输送带区域人工标注为0，灯区域标注为1，设备区域为2等。

将采集的煤矿的监控视频输入到DNN神经网络中，得到监控视频中的各个类别区域。

以监控视频的第1帧中的每个类别区域为基准，比较其他帧与第1帧中同一个类别区域是否相同，若不相同（如第1帧中该类别区域在第2帧对应的位置包含了其他类别区域），则将该类别区域的统计量加1。需要说明的是，每个类别区域的统计量的初始值均为0。则每个类别区域最终的统计量为监控视频中与第1帧中每个类别区域不相同的帧的个数。

将每个类别区域的统计量与监控视频的帧数的比值作为每个类别区域的变化程度。

预设一个变化阈值，其中本实施例以/>=0.7为例进行叙述，本实施例不进行具体限定，其中/>可根据具体实施情况而定。若类别区域的变化程度大于变化阈值/>，则将该类别区域作为变化区域，若类别区域的变化程度小于或等于变化阈值/>，则将该类别区域作为非变化区域。

至此，获取了变化区域以及非变化区域。

依次获取每一帧的分区间程度，根据分区间程度获取分区间帧：

其中，/>为第/>帧的分区间程度；/>表示监控视频中的非变化区域的个数；/>表示监控视频中第/>帧之前、第/>帧的前一个分区间帧之后的连续帧组合的数量，在本发明实施例中将相邻两帧作为一个连续帧组合，例如第3帧为一个分区间帧，且/>时，第/>帧之前的连续帧组合为6和5、5和4、4和3，一共有3个连续帧组合；表示第/>个连续帧组合的第/>个非变化区域的结构相似度，需要说明的是，结构相似度的计算公式为公知技术，在此不再详细赘述；当连续帧组合中同一个非变化区域的结构相似度越大时，第/>帧的分区间程度越大。

预设一个分区阈值，其中本实施例以/>=0.5为例进行叙述，本实施例不进行具体限定，其中/>可根据具体实施情况而定。若第/>帧的分区间程度/>小于/>，则将第/>帧作为分区间帧。

同理，获取所有的分区间帧。将相邻两个分区间帧中第一个帧与此相邻两个分区间帧之间的所有帧构成一个区间。

需要说明的是，同一个区间内的所有帧都较为相似，因此可根据同一个区间内第一帧进行初始霍夫曼树的构建。构建初始霍夫曼树时，可根据同一个区间内每个类别区域的变化程度以及此区间内的第一帧监控视频的每个像素点的结构相似度贡献度来分析每个像素点的目标程度值。以便后续根据目标程度值构建初始霍夫曼树。

在本发明实施例中，将任意一个区间作为目标区间。获取目标区间中的第帧的每个像素点的目标程度值：/>其中，/>为目标区间中的第/>帧的第/>个像素点的目标程度值；/>表示监控视频的帧数；/>表示目标区间中的第/>帧的第/>个像素点所属类别区域的统计量值；/>表示目标区间中的第/>帧的第/>个像素点所属的类别区域与该帧在监控视频中的前一帧的第/>个像素点所属类别区域的结构相似度；表示目标区间中的第/>帧的第/>个像素点的局部窗口内像素点与该帧的前一帧的第个像素点的局部窗口内像素点的结构相似度，在本发明实施例中，局部窗口为/>窗口大小的范围；exp( )为以自然常数为底的指数函数；/>表示目标区间中的第/>帧的第/>个像素点的结构相似度贡献度，若该值越大，则该像素点的局部窗口的变化表征着该像素点的变化较为重要，此时该像素点的目标程度值较大；/>表示目标区间中的第/>帧的第/>个像素点的所属类别区域的变化程度，若该值越大则表明该类别区域的变化较多，则对应的结构相似度贡献度的目标程度更加重要。

将目标区间的第1帧中每个灰度值对应的所有像素点的目标程度值的均值作为每个灰度值的目标程度值。

根据目标区间的第1帧中每个灰度值的目标程度值进行目标区间的初始霍夫曼树的构建，具体的，将每个灰度值的目标程度值代替传统的霍夫曼编码算法中每个灰度值的频率值进行初始霍夫曼树的构建，霍夫曼树的构建为公知技术，在此不再详细赘述。

同理，构建每个区间的初始霍夫曼树。

S003．根据初始霍夫曼树获取每个灰度值的匹配节点。

需要说明的是，本发明实施例中根据同一个区间的第1帧监控视频构建了初始霍夫曼树，通过分析同一个区间的每一帧监控视频与第1帧监控视频的分布变化关系，并结合初始霍夫曼树的节点的目标程度值，进行每一帧监控视频的压缩。其中本发明实施例期望在同一个区间内除了第1帧的其他帧通过在初始霍夫曼树的基础上，通过每一帧与第1帧之间的分布关系，对同一个区间内的每一帧进行压缩，从而达到减少霍夫曼编码时间的目的。在获取分布关系的过程中，需要结合相邻两帧监控视频中的表征为同一个物体的像素点的分布变化。

在本发明实施例中，以目标区间的第帧为例进行分析，具体为：

需要说明的是，本发明实施例所期望的是在初始霍夫曼树的基础上，通过记录第帧视频与第1帧视频的变化来获取数据序列，而不是获取新的霍夫曼树。煤矿从输送带的一个地方变化到另外一个地方，会存在着光照区域的变化，即目标区间的监控视频中，同一个物体对象，如煤块，受光照影响在不同的帧中灰度值会发生变化。因此本发明实施例在获取数据序列的过程中，通过分析初始霍夫曼树中的每个叶节点表示的灰度值在第1帧监控视频中的频率，以及第/>帧监控视频中每个灰度值的目标程度值以及频率，来获取第/>帧监控视频中每个灰度值在初始霍夫曼树中对应的编码。

在本发明实施例中，按照步骤S002中的方法，获取目标区间的第帧中每个灰度值的目标程度值。目标区间的初始霍夫曼树中每个叶节点对应一个灰度值，统计目标区间的初始霍夫曼树中每个叶节点对应的灰度值在第1帧监控视频中出现的频率。获取第/>帧中每个灰度值的频率。

为第帧构建一个未匹配灰度序列，将第/>帧中的每个灰度值加入到未匹配灰度序列中。

从目标区间的初始霍夫曼树中目标程度最大的叶节点开始，按照目标程度从大到小的顺序，依次将每个叶节点作为目标节点，获取初始霍夫曼树中目标节点与第帧的未匹配灰度序列中每个灰度值的匹配程度：

其中，/>表示目标区间的初始霍夫曼树中目标节点与第/>帧中第/>个灰度值的匹配程度；/>为目标区间的初始霍夫曼树中目标节点对应的目标程度值；/>为第/>帧中第/>个灰度值的目标程度值；/>为目标区间的初始霍夫曼树中目标节点对应的灰度值在第1帧监控视频中出现的频率；/>为第/>帧中第/>个灰度值的频率；/>为绝对值符号；exp( )为以自然常数为底的指数函数；/>表示为目标程度值的相似度，也即计算匹配程度的基准值，若该值越大，则目标区间的初始霍夫曼树中目标节点与第/>帧中第/>个灰度值的目标程度越相近；/>表示灰度分布频率的差异性，分布频率变化越大，则对应的差异越大，也即对应的在匹配程度的基准值中需要调小的程度越大，使得匹配程度越低。

预设一个匹配个数，其中本实施例以/>=5为例进行叙述，本实施例不进行具体限定，其中/>可根据具体实施情况而定。将第/>帧中与目标节点的匹配程度最大的/>个灰度值作为目标节点的粗匹配灰度值，获取初始霍夫曼树中目标节点对应的灰度值在第1帧监控视频中出现的像素点的分布位置，获取目标节点的每个粗匹配灰度值在第/>帧监控视频中出现的像素点的分布位置。

需要说明的是，本发明实施例期望将第帧监控视频中的灰度值与初始霍夫曼树中每个叶节点进行匹配，将第/>帧监控视频的灰度值利用初始霍夫曼树中匹配的叶节点的码字进行编码。由于在输送过程中煤块会受到光照的影响，即对应的其灰度值会发生一定的变化，但是其表示的为同一个煤块，因此可计算输送过程中像素点的位置关系，来获取目标节点的每个粗匹配灰度值的损失量，从而选取最优的匹配结果。

由于煤块在同一个输送带上进行运输的，因此在连续帧的监控视频变化过程中，前一帧监控视频的第个像素点到后一帧监控视频的位置可以获取的。在本发明实施例中，根据煤矿传送带的速度、连续两帧的时间差以及两个像素点之间的欧式距离，获取目标区间的第1帧中像素点与第/>帧中像素点的对应关系，该过程为公知技术，在本发明实施例中不再赘述。将具有对应关系的第1帧中的像素点和第/>帧中的像素点作为一个对应像素点对。

根据目标区间的第1帧中像素点与第帧中像素点的对应关系获取目标节点的每个粗匹配灰度值的损失量：

其中，/>为目标节点在第/>帧中的第/>个粗匹配灰度值的损失量；/>为目标区间的初始霍夫曼树中目标节点对应的灰度值在第1帧监控视频中对应的像素点的个数；/>为目标节点的第k个粗匹配灰度值在第/>帧中对应的像素点的个数；/>为目标区间的初始霍夫曼树中目标节点对应的灰度值在第1帧监控视频中对应的像素点与目标节点的第k个粗匹配灰度值在第/>帧中对应的像素点，构成的对应像素点对的个数，当构成的对应像素点对的个数占比越多时，目标节点的第/>个粗匹配灰度值的损失量越小。

将目标节点作为损失量最小的粗匹配灰度值的匹配节点。将损失量最小的粗匹配灰度值作为一个匹配灰度值，匹配灰度值不参与下一个目标节点的匹配程度的计算，因此将匹配灰度值从第帧的未匹配灰度序列中删除。通过对初始霍夫曼树中每个叶节点进行遍历，使得每个叶节点都分别作为第/>帧中的一个灰度值的匹配节点。

至此，获取了目标区间的第帧中每个灰度值的匹配节点。

同理，获取目标区间的每一帧中每个灰度值的匹配节点。

S004．根据匹配节点对监控视频进行压缩存储。

需要说明的是，目标区间的每一帧中每个灰度值对应的像素点的分布特征，与该灰度值的匹配节点在目标区间中第1帧中对应的灰度值对应的像素点的分布特征相似，因此利用匹配节点的码字对目标区间的每一帧中每个灰度值进行编码，可使得每一帧的压缩效率尽可能达到最大，既可节省每一帧霍夫曼树构建的时间，提高压缩速率，同时还可确保每一帧的压缩效率。

在本发明实施例中，以目标区间的第帧为例说明具体的压缩方法：对于第/>帧中的每个像素点，利用该像素点的灰度值的匹配节点在初始霍夫曼树中的码字进行编码，得到第/>帧的编码结果。

同理，获取目标区间中除第1帧外的每一帧的每个灰度值的匹配节点，根据匹配节点在初始霍夫曼树中的码字对第1帧外的每一帧进行编码，得到每一帧的编码结果。

对于目标区间中第1帧，利用目标区间初始霍夫曼树对第1帧进行编码，得到第1帧的编码结果。

同理，获取每个区间的每一帧的编码结果，将所有区间的所有帧的编码结果作为压缩数据。

对压缩数据进行存储，同时保存每个区间的初始霍夫曼树，以及每个区间每一帧中每个灰度值的匹配节点在该区间的初始霍夫曼树中的序号。

通过以上步骤，完成了煤矿数据的压缩存储。

本发明实施例通过对煤矿监控视频进行霍夫曼编码的方式来优化存储，仅需要对一部分帧监控视频保存一个霍夫曼树，从而达到优化煤矿监控视频的优化存储的目的。本发明以监控视频中的非变化区域是否发生变化，对连续帧监控视频进行分区间处理，并根据每个区间的第1帧的每个灰度值的目标程度进行初始霍夫曼树的构建；本发明结合同一区间的其他帧的像素点之间与初始帧的像素点之间的分布变化关系，进行灰度值与初始霍夫曼树的叶节点之间的精准匹配，实现了其他帧的像素点的编码。避免了传统的霍夫曼编码过程中，需要对每一帧监控视频进行构建霍夫曼树造成构建时间过长，进而影响到编码传输的效率的缺点，本发明既节省了每一帧霍夫曼树构建的时间，提高了压缩速率，同时还确保了每一帧的压缩效率，达到了煤矿监控视频优化存储的目的。

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 (7)

1.一种煤矿数据优化存储方法，其特征在于，该方法包括以下步骤：

采集煤矿的监控视频；获取监控视频中的各个类别区域，根据每个类别区域的变化程度获取非变化区域；

根据非变化区域将监控视频划分为多个区间；根据每个区间的第1帧构建初始霍夫曼树；

获取每个区间的每一帧中每个灰度值在初始霍夫曼树中的匹配节点，根据匹配节点对每个区间的每一帧进行压缩，得到压缩数据；

对压缩数据进行存储；

获取监控视频中的各个类别区域包括：采用神经网络区域分类的模式获取监控视频中的每个类别区域；

采用神经网络区域分类的模式获取监控视频中的每个类别区域包括：采用的神经网络为DNN神经网络，数据集为历史的监控视频，历史监控视频中相机的位置固定不发生变化；采用的损失函数为交叉熵函数；对于数据集进行人工标注，标注过程为：将输送带区域人工标注为0，灯区域标注为1，设备区域为2；将采集的煤矿的监控视频输入到DNN神经网络中，得到监控视频中的各个类别区域；

所述获取监控视频中的各个类别区域，根据每个类别区域的变化程度获取非变化区域，包括的具体步骤如下：

利用神经网络获取监控视频中的每个类别区域；以监控视频的第1帧中的每个类别区域为基准，当其他帧与第1帧中同一个类别区域不相同时，将该类别区域的统计量加1，得到每个类别区域的统计量；将每个类别区域的统计量与监控视频的帧数的比值作为每个类别区域的变化程度；当类别区域的变化程度小于或等于预设的变化阈值时，将该类别区域作为非变化区域；

所述根据非变化区域将监控视频划分为多个区间，包括的具体步骤如下：

根据非变化区域依次获取监控视频中每一帧的分区间程度，根据分区间程度获取分区间帧，包括：

其中，为第/>帧的分区间程度；/>表示监控视频中的非变化区域的个数；/>表示监控视频中第/>帧之前、第/>帧的前一个分区间帧之后的连续帧组合的数量，所述连续帧组合为监控视频中相邻两帧构成的组合；/>表示第/>个连续帧组合的第/>个非变化区域的结构相似度；当第/>帧的分区间程度小于预设的分区阈值时，将第/>帧作为分区间帧；

获取所有的分区间帧；将相邻两个分区间帧中第一个帧与此相邻两个分区间帧之间的所有帧构成一个区间。

2.根据权利要求1所述的一种煤矿数据优化存储方法，其特征在于，所述根据每个区间的第1帧构建初始霍夫曼树，包括的具体步骤如下：

获取每个区间的第1帧中每个灰度值的目标程度，利用目标区间的第1帧中每个灰度值的目标程度值代替传统的霍夫曼编码算法中每个灰度值的频率构建霍夫曼树，将得到的霍夫曼树作为目标区间的初始霍夫曼树；

所述获取每个区间的第1帧中每个灰度值的目标程度，包括的具体步骤如下：

将任意一个区间作为目标区间；获取目标区间中的第帧的每个像素点的目标程度值：

其中，为目标区间中的第/>帧的第/>个像素点的目标程度值；/>表示监控视频的帧数；表示目标区间中的第/>帧的第/>个像素点所属类别区域的统计量值；/>表示目标区间中的第/>帧的第/>个像素点所属的类别区域与该帧在监控视频中的前一帧的第/>个像素点所属类别区域的结构相似度；/> 表示目标区间中的第/>帧的第/>个像素点的局部窗口内像素点与该帧的前一帧的第/>个像素点的局部窗口内像素点的结构相似度；/>为以自然常数为底的指数函数；

将目标区间的第1帧中每个灰度值对应的所有像素点的目标程度值的均值作为每个灰度值的目标程度值。

3.根据权利要求2所述的一种煤矿数据优化存储方法，其特征在于，所述获取每个区间的每一帧中每个灰度值在初始霍夫曼树中的匹配节点，包括的具体步骤如下：

获取目标区间中的每一帧的每个灰度值的目标程度值；统计目标区间的每一帧中每个灰度值的频率；

为目标区间第帧构建一个未匹配灰度序列；从目标区间的初始霍夫曼树中目标程度最大的叶节点开始，按照目标程度从大到小的顺序，依次将每个叶节点作为目标节点；根据初始霍夫曼树中目标节点对应的灰度值以及第j帧的未匹配灰度序列中每个灰度值的目标程度和频率，获取目标节点与第/>帧的未匹配灰度序列中每个灰度值的匹配程度：

根据匹配程度获取目标节点在第j帧中的粗匹配灰度值；获取目标节点的每个粗匹配灰度值的损失量，将目标节点作为损失量最小的粗匹配灰度值的匹配节点；将损失量最小的粗匹配灰度值从第帧的未匹配灰度序列中删除；

对初始霍夫曼树中每个叶节点进行遍历，将每个叶节点都分别作为第帧中的一个灰度值的匹配节点。

4.根据权利要求3所述的一种煤矿数据优化存储方法，其特征在于，所述获取目标节点与第帧的未匹配灰度序列中每个灰度值的匹配程度，包括的具体步骤如下：

其中，表示目标区间的初始霍夫曼树中目标节点与第/>帧中第/>个灰度值的匹配程度；/>为目标区间的初始霍夫曼树中目标节点对应的目标程度值；/>为第/>帧中第/>个灰度值的目标程度值；/>为目标区间的初始霍夫曼树中目标节点对应的灰度值在第1帧监控视频中出现的频率；/>为第/>帧中第/>个灰度值的频率；/>为绝对值符号；exp( )为以自然常数为底的指数函数。

5.根据权利要求3所述的一种煤矿数据优化存储方法，其特征在于，所述获取目标节点的每个粗匹配灰度值的损失量，包括的具体步骤如下：

其中，为目标节点在第/>帧中的第/>个粗匹配灰度值的损失量；/>为目标区间的初始霍夫曼树中目标节点对应的灰度值在第1帧监控视频中对应的像素点的个数；/>为目标节点的第k个粗匹配灰度值在第/>帧中对应的像素点的个数；/>为目标区间的初始霍夫曼树中目标节点对应的灰度值在第1帧监控视频中对应的像素点与目标节点的第k个粗匹配灰度值在第/>帧中对应的像素点，构成的对应像素点对的个数。

6.根据权利要求5所述的一种煤矿数据优化存储方法，其特征在于，所述对应像素点对的获取方法具体为：

根据煤矿传送带的速度、连续两帧的时间差以及两个像素点之间的欧式距离，获取目标区间的第1帧中像素点与每一帧中像素点的对应关系，将具有对应关系的第1帧中的像素点和每一帧中的像素点作为一个对应像素点对。

7.根据权利要求1所述的一种煤矿数据优化存储方法，其特征在于，所述根据匹配节点对每个区间的每一帧进行压缩，得到压缩数据，包括的具体步骤如下：

对于目标区间的第1帧，利用目标区间的初始霍夫曼树对第1帧进行编码，得到第1帧的编码结果；对于目标区间中除第1帧外的每一帧，利用每一帧中像素点的灰度值的匹配节点在初始霍夫曼树中的码字对每一帧中的像素点进行编码，得到每一帧的编码结果；

将所有区间的所有帧的编码结果作为压缩数据。