CN117221609A - 一种高速公路收费业务集中监控值机系统 - Google Patents
一种高速公路收费业务集中监控值机系统 Download PDFInfo
- Publication number
- CN117221609A CN117221609A CN202311464403.7A CN202311464403A CN117221609A CN 117221609 A CN117221609 A CN 117221609A CN 202311464403 A CN202311464403 A CN 202311464403A CN 117221609 A CN117221609 A CN 117221609A
- Authority
- CN
- China
- Prior art keywords
- monitoring
- frame
- image
- value
- monitoring image
- 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
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 499
- 238000004590 computer program Methods 0.000 claims abstract description 3
- 238000000034 method Methods 0.000 claims description 21
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000001514 detection method Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 230000006835 compression Effects 0.000 description 9
- 238000007906 compression Methods 0.000 description 9
- 230000005540 biological transmission Effects 0.000 description 5
- 238000007726 management method Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 239000006185 dispersion Substances 0.000 description 3
- 238000003708 edge detection Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000004806 packaging method and process Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000012550 audit Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及图像编码技术领域,具体涉及一种高速公路收费业务集中监控值机系统。该系统包括存储器和处理器,所述处理器执行所述存储器存储的计算机程序,以实现如下步骤:获取高速公路收费站点工作人员所在的工作室的监控视频,根据每帧监控图像中每个闭合轮廓内像素点的位置分布以及灰度分布得到特征值;根据预设历史时间段内每帧监控图像中边缘像素点的数量占比和边缘像素点的位置差异,确定兼容性值;基于监控图像的特征值的差异以及兼容性值的差异,获得对应两帧监控图像的关联程度,进而对预设历史时间段内所有监控图像进行分组;根据当前帧监控图像的特征值对每组监控图像进行更新;基于更新结果对监控视频进行编码传输。
Description
技术领域
本发明涉及图像编码技术领域,具体涉及一种高速公路收费业务集中监控值机系统。
背景技术
随着移动技术和云计算的快速发展,现代的高速公路收费业务集中监控值机系统已经成为许多地区高速公路收费管理的重要组成部分,并且越来越广泛地采用相关移动应用的云平台,实现了远程监控、移动管理和云端数据存储,大大提高了系统的灵活性和可用性。视频监控技术作为系统中的重要组成部分更是得到了广泛应用,硬件软件相结合,通过高清摄像头、图像识别和分析算法等技术,可以实时监控和管理收费站点的情况,提高管理效率和安全性。高速收费站点的运营状况可以通过监控值机系统进行相应观测,以便后续进行相关检查,例如进行服务质量的监督,但是现有的监控视频进行存储时由于数据量过大导致存储成本过高,使得对高速公路收费业务进行监督时的可持续性管理以及经济可行性造成不利影响,所以需要对监控视频数据进行压缩处理,使得可以保留更多的业务集中监控用于相关高速公路收费业务的监督。
传统的预测编码算法对高速公路收费站点的监控视频进行压缩传输时,通常需要对连续帧监控图像进行判断,但由于大部分场景中的物体变化在有时间间隔的监控图像之间也存在相关性,如果按照传统算法进行编码处理,那么每次都需要重新以新的参考帧监控图像进行预测编码,进而导致高速公路收费点的监控视频的压缩效率较低。
发明内容
为了解决现有方法在对高速公路收费站点的监控视频进行压缩处理时存在的压缩效率较低的问题,本发明的目的在于提供一种高速公路收费业务集中监控值机系统,所采用的技术方案具体如下:
本发明提供了一种高速公路收费业务集中监控值机系统,包括存储器和处理器,所述处理器执行所述存储器存储的计算机程序,以实现如下步骤:
获取高速公路收费站点工作人员所在的工作室在预设时间段内的监控视频,所述监控视频是由预设历史时间段内连续多帧的监控图像和当前帧监控图像构成的;提取每帧监控图像中的闭合轮廓;
根据每帧监控图像中每个闭合轮廓内像素点的位置分布以及灰度分布,得到用于表征每帧监控图像中工作人员位置分布的特征值;根据预设历史时间段内每帧监控图像中边缘像素点的数量占比和边缘像素点的位置差异,确定每帧监控图像中关键特征的兼容性值;
基于预设历史时间段内用于表征监控图像中工作人员位置分布的特征值之间的差异以及兼容性值之间的差异,获得对应两帧监控图像的关联程度;基于所述关联程度对预设历史时间段内所有监控图像进行分组获得不少于两组监控图像;根据当前帧监控图像的特征值以及每组监控图像对应的特征值取值范围,对每组监控图像进行更新;
基于更新结果对监控视频进行编码传输。
优选的,所述根据每帧监控图像中每个闭合轮廓内像素点的位置分布以及灰度分布,得到用于表征每帧监控图像中工作人员位置分布的特征值,包括:
对于第n帧监控图像:
对于第n帧监控图像中第p个闭合轮廓:将第p个闭合轮廓内所有像素点的横坐标的平均值作为第p个闭合轮廓的中心点的横坐标,将第p个闭合轮廓内所有像素点的纵坐标的平均值作为第p个闭合轮廓的中心点的纵坐标;将第p个闭合轮廓内每种灰度值对应的像素点的数量与第p个闭合轮廓内像素点的数量的比值,作为第p个闭合轮廓内每种灰度值对应的数量占比;计算第p个闭合轮廓内每种灰度值对应的每个像素点的所有邻域像素点的灰度值的信息熵;
计算第n帧监控图像中所有像素点的灰度值的信息熵;
根据第n帧监控图像中每个闭合轮廓的中心点的位置信息、第n帧监控图像中每个闭合轮廓内每种灰度值对应的数量占比、第n帧监控图像中每个闭合轮廓内每种灰度值对应的每个像素点的所有邻域像素点的灰度值的信息熵以及第n帧监控图像中所有像素点的灰度值的信息熵,计算用于表征第n帧监控图像中工作人员位置分布的特征值;所述位置信息包括横坐标和纵坐标。
优选的,采用如下公式计算用于表征第n帧监控图像中工作人员位置分布的特征值:
;
其中,表示用于表征第n帧监控图像中工作人员位置分布的特征值,/>表示第n帧监控图像中闭合轮廓的个数,/>表示第n帧监控图像中第p个闭合轮廓内像素点的数量,表示第n帧监控图像中第p个闭合轮廓内第a个像素点的横坐标,/>表示第n帧监控图像中第p个闭合轮廓内第a个像素点的纵坐标,/>表示第n帧监控图像中第p个闭合轮廓内灰度值的种类数,/>表示第n帧监控图像中第p个闭合轮廓内第g种灰度值对应的像素点的数量,/>表示第n帧监控图像中第p个闭合轮廓内第g种灰度值对应的第q个像素点的所有邻域像素点的灰度值的信息熵,/>表示第n帧监控图像中所有像素点的灰度值的信息熵。
优选的,所述根据预设历史时间段内每帧监控图像中边缘像素点的数量占比和边缘像素点的位置差异,确定每帧监控图像中关键特征的兼容性值,包括:
对于第n帧监控图像:
将第n帧监控图像中所有边缘像素点的横坐标的标准差记为第一特征值,将第n帧监控图像中所有边缘像素点的纵坐标的标准差记为第二特征值;
根据第n帧监控图像中边缘像素点的数量占比、所述第一特征值和所述第二特征值,得到第n帧监控图像中关键特征的兼容性值,所述边缘像素点的数量占比与所述兼容性值呈正相关关系,所述第一特征值、所述第二特征值均与所述兼容性值呈负相关关系。
优选的,采用如下公式计算第n帧监控图像中关键特征的兼容性值:
;
其中,表示第n帧监控图像中关键特征的兼容性值,/>为第n帧监控图像中边缘像素点的数量,/>为第n帧监控图像中像素点的总数量,/>为第n帧监控图像中所有边缘像素点的横坐标的标准差,/>为第n帧监控图像中所有边缘像素点的纵坐标的标准差,exp( )为以自然常数为底数的指数函数。
优选的,所述基于所述关联程度对预设历史时间段内所有监控图像进行分组获得不少于两组监控图像,包括:
将第一帧监控图像作为第一组监控图像中的初始帧图像,按照时间先后顺序,判断第二帧监控图像与第一组监控图像中的初始帧图像的关联程度是否小于预设关联程度阈值,若小于,则将第二帧监控图像加入到第一组监控图像中,判断第三帧监控图像与第一组监控图像中的初始帧图像的关联程度是否小于预设关联程度阈值,若小于,则将第三帧监控图像加入到第一组监控图像中,以此类推,直至关联程度大于或等于预设关联程度阈值;若第二帧监控图像与第一组监控图像中的初始帧图像的关联程度大于或等于预设关联程度阈值,则将第二帧监控图像作为第二组监控图像中的初始帧图像,按照时间先后顺序,判断第三帧监控图像与第二组监控图像中的初始帧图像的关联程度是否小于预设关联程度阈值,若小于,则将第三帧监控图像加入到第二组监控图像中,以此类推,获得不少于两组监控图像。
优选的,第二帧监控图像与第一组监控图像中的初始帧图像的关联程度的获取,包括:
将第一组监控图像中的初始帧图像的特征值与第二帧监控图像的特征值的比值记为第一比值;将所述第一比值与常数1的差值绝对值,确定为第一特征值;
将第一组监控图像中的初始帧图像中关键特征的兼容性值与第二帧监控图像中关键特征的兼容性值的比值记为第二比值;将所述第二比值与常数1的差值绝对值,确定为第二特征值;
将所述第一特征值与所述第二特征值的和值作为第二帧监控图像与第一组监控图像中的初始帧图像的关联程度。
优选的,所述根据当前帧监控图像的特征值以及每组监控图像对应的特征值取值范围,对每组监控图像进行更新,包括:
对于第r组监控图像:判断当前帧监控图像的特征值是否处于第r组监控图像对应的特征值取值范围内,若是,则将当前帧监控图像加入到第r组监控图像中。
优选的,所述每组监控图像对应的特征值取值范围的获取方法为:
对于第r组监控图像:分别获取第r组监控图像中所有帧灰度图像的最大特征值和最小特征值;将所述最小特征值作为下限值,将所述最大特征值作为上限值,获得第r组监控图像对应的特征值取值范围。
优选的,所述提取每帧监控图像中的闭合轮廓,包括:
采用轮廓检测算法分别对每帧监控图像进行处理获得不少于两个轮廓,从每帧监控图像中的所有轮廓中提取闭合轮廓。
本发明至少具有如下有益效果:
本发明考虑到传统的预测编码算法对高速公路收费站点的监控视频进行压缩传输时,通常需要对连续帧监控图像进行判断,但由于大部分场景中,有时间间隔的监控图像之间也存在相关性,若每次对图像数据进行编码都以新的参考帧监控图像进行编码,会导致监控视频的压缩效率较低,因此本发明首先对单帧监控图像进行分析,根据每帧监控图像中每个闭合轮廓内像素点的位置分布以及灰度分布,得到了用于表征每帧监控图像中工作人员位置分布的特征值,根据预设历史时间段内每帧监控图像中边缘像素点的数量占比和边缘像素点的位置差异,确定了每帧监控图像中关键特征的兼容性值;若两帧监控图像中呈现的特征较为相似,则其对应的特征值较为相似,且其对应的兼容性值也较为相似;基于此,本发明基于预设历史时间段内用于表征监控图像中工作人员位置分布的特征值之间的差异以及兼容性值之间的差异,获得了对应两帧监控图像的关联程度,进而对预设历史时间段内所有监控图像进行了分组,同一组内的监控图像呈现的特征的相似度较高,进一步地基于当前帧监控图像的特征值对分组结果进行了更新,将虽然在时间上存在间隔但是却有相关关系的监控图像划分为同一组,也即放在一起进行编码,减少了编码的误差,由于本发明提供的方法将同一组的监控图像在一起进行编码,不需要每次都以新的参考帧监控图像进行编码,提高了监控视频的压缩效率。
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为本发明实施例所提供的一种高速公路收费业务集中监控值机系统所执行的方法的流程图。
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高速公路收费业务集中监控值机系统进行详细说明如下。
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高速公路收费业务集中监控值机系统的具体方案。
一种高速公路收费业务集中监控值机系统实施例:
本实施例所针对的具体场景为:本实施例需要实时采集高速公路收费站点工作人员所在的工作室的监控视频,监控视频是由连续多帧监控图像构成的,本实施例分别对历史时间段内每帧监控图像进行分析,确定用于表征每帧监控图像中工作人员位置分布的特征值和关键特征的兼容性值,进而基于两帧监控图像的特征值之间的差异以及关键特征的兼容性值之间的差异,确定对应两帧监控图像的关联程度,基于关联程度对预设历史时间段内的监控图像进行分组,基于分组结果以及当前帧监控图像的特征值更新分组结果,并基于更新结果对监控视频进行编码传输,提高了监控视频编码及传输效率。
本实施例提出了一种高速公路收费业务集中监控值机系统,该系统以实现如图1所示的步骤,具体步骤如下:
步骤S1,获取高速公路收费站点工作人员所在的工作室在预设时间段内的监控视频,所述监控视频是由预设历史时间段内连续多帧的监控图像和当前帧监控图像构成的;提取每帧监控图像中的闭合轮廓。
本实施例首先利用监控摄像头拍摄高速公路收费站点工作人员所在的工作室在预设时间段内的监控视频,该监控视频是由预设历史时间段内连续多帧的监控图像和当前帧监控图像构成的;预设时间段为与当前时刻的时间间隔小于等于预设时长的所有历史时刻以及当前时刻构成的集合,预设历史时间段为与当前时刻的时间间隔小于等于预设时长的所有历史时刻构成的集合,本实施例中的预设时长为10分钟,在具体应用中,实施者可根据具体情况进行设置,因此本实施例采集的预设时间段内的监控视频为最近10分钟的监控视频,采集到的预设时间段内的监控视频中的最后一帧监控图像为当前帧监控图像。本实施例中每秒采集30帧监控图像,在具体应用中,实施者可根据具体情况进行设置监控图像的采集频率。
在获取预设时间段内的监控视频后,本实施例将分别对监控视频中的每帧监控图像进行分析,首先分别对每帧监控图像进行灰度化处理,获得对应的灰度图像;需要说明的是,本实施例后续提到的监控图像均为灰度处理后的监控图像。采用基于OpenCV的轮廓检测算法分别对每帧监控图像进行轮廓检测,获取每帧监控图像中的所有轮廓,然后从每帧监控图像中的所有轮廓中提取闭合轮廓,后续本实施例将对监控图像中的闭合轮廓进行分析。基于OpenCV的轮廓检测算法为现有技术,此处不再过多赘述。
至此,本实施例获取了高速公路收费站点工作人员所在的工作室在预设时间段内的监控图像以及每帧监控图像中的闭合轮廓。
步骤S2,根据每帧监控图像中每个闭合轮廓内像素点的位置分布以及灰度分布,得到用于表征每帧监控图像中工作人员位置分布的特征值;根据预设历史时间段内每帧监控图像中边缘像素点的数量占比和边缘像素点的位置差异,确定每帧监控图像中关键特征的兼容性值。
本实施例已经获取了预设时间段内每帧监控图像中的闭合轮廓线,接下来本实施例将对每帧监控图像中的闭合轮廓线内像素点的位置分布以及灰度分布进行分析。灰度值的信息熵能够反映灰度值的复杂程度,若灰度值的信息熵越大,则说明对应像素点的灰度分布情况越复杂。因此本实施例接下来将基于灰度值的信息熵以及每个闭合轮廓内中心点的位置信息,确定每帧监控图像的特征值。
对于第n帧监控图像:
对于第n帧监控图像中第p个闭合轮廓:将第p个闭合轮廓内所有像素点的横坐标的平均值作为第p个闭合轮廓的中心点的横坐标,将第p个闭合轮廓内所有像素点的纵坐标的平均值作为第p个闭合轮廓的中心点的纵坐标;将第p个闭合轮廓内每种灰度值对应的像素点的数量与第p个闭合轮廓内像素点的数量的比值,作为第p个闭合轮廓内每种灰度值对应的数量占比;计算第p个闭合轮廓内每种灰度值对应的每个像素点的所有邻域像素点的灰度值的信息熵;本实施例中邻域大小为八邻域,因此每个像素点的邻域像素点为该像素点的八邻域内的像素点。计算第n帧监控图像中所有像素点的灰度值的信息熵;信息熵的计算方法为现有技术,此处不再过多赘述。根据第n帧监控图像中每个闭合轮廓的中心点的位置信息、第n帧监控图像中每个闭合轮廓内每种灰度值对应的数量占比、第n帧监控图像中每个闭合轮廓内每种灰度值对应的每个像素点的所有邻域像素点的灰度值的信息熵以及第n帧监控图像中所有像素点的灰度值的信息熵,计算用于表征第n帧监控图像中工作人员位置分布的特征值;所述位置信息包括横坐标和纵坐标。用于表征第n帧监控图像中工作人员位置分布的特征值的具体计算公式为:
;
其中,表示用于表征第n帧监控图像中工作人员位置分布的特征值,/>表示第n帧监控图像中闭合轮廓的个数,/>表示第n帧监控图像中第p个闭合轮廓内像素点的数量,表示第n帧监控图像中第p个闭合轮廓内第a个像素点的横坐标,/>表示第n帧监控图像中第p个闭合轮廓内第a个像素点的纵坐标,/>表示第n帧监控图像中第p个闭合轮廓内灰度值的种类数,/>表示第n帧监控图像中第p个闭合轮廓内第g种灰度值对应的像素点的数量,/>表示第n帧监控图像中第p个闭合轮廓内第g种灰度值对应的第q个像素点的所有邻域像素点的灰度值的信息熵,/>表示第n帧监控图像中所有像素点的灰度值的信息熵。
表示第n帧监控图像中第p个闭合轮廓的中心点的横坐标,/>表示第n帧监控图像中第p个闭合轮廓的中心点的纵坐标,/>表示第n帧监控图像中第p个闭合轮廓的中心点的位置信息。闭合轮廓线内某种灰度值的像素点的数量占比越多时,在计算闭合轮廓线内的灰度复杂性时的权重就越大;因此当闭合轮廓线内某种灰度值的像素点的数量占比越多且该灰度值对应的像素点的邻域像素点的灰度值的信息熵越大时,闭合轮廓线内像素点的灰度复杂性越大,即用于表征第n帧监控图像中工作人员位置分布的特征值越大。本实施例结合闭合轮廓线内像素点的灰度复杂性以及闭合轮廓线内中心点的位置信息,确定了用于表征第n帧监控图像中工作人员位置分布的特征值。
采用上述方法,能够获得用于表征每帧监控图像中工作人员位置分布的特征值。
监控图像所包含的信息越复杂,则其对应的兼容性越低,在进行预测编码时,效果并没有复杂程度相对较低的监控图像效果好,原因是一张监控图像的构成越复杂,监控图像中包含的信息也就越多,因此变化性也越大,由此监控图像进行预测编码时也倾向于产生更多的残差。基于此,本实施例将根据预设历史时间段内每帧监控图像中边缘像素点的数量占比和边缘像素点的位置差异,确定每帧监控图像中关键特征的兼容性值。
对于第n帧监控图像:
采用Canny边缘检测算法对第n帧监控图像进行边缘检测,获得该帧监控图像中的边缘像素点。Canny边缘检测算法为现有技术,此处不再过多赘述。将第n帧监控图像中所有边缘像素点的横坐标的标准差记为第一特征值,将第n帧监控图像中所有边缘像素点的纵坐标的标准差记为第二特征值;根据第n帧监控图像中边缘像素点的数量占比、所述第一特征值和所述第二特征值,得到第n帧监控图像中关键特征的兼容性值,所述边缘像素点的数量占比与所述兼容性值呈正相关关系,所述第一特征值、所述第二特征值均与所述兼容性值呈负相关关系。第n帧监控图像中关键特征的兼容性值的具体计算公式为:
;
其中,表示第n帧监控图像中关键特征的兼容性值,/>为第n帧监控图像中边缘像素点的数量,/>为第n帧监控图像中像素点的总数量,/>为第n帧监控图像中所有边缘像素点的横坐标的标准差,/>为第n帧监控图像中所有边缘像素点的纵坐标的标准差,exp( )为以自然常数为底数的指数函数。
表示第n帧监控图像中边缘像素点的数量占比;/>表示第一特征值,用于衡量第n帧监控图像中所有边缘像素点的横坐标的离散程度,该值越大,说明第n帧监控图像中所有边缘像素点的横坐标越离散;/>表示第二特征值,用于衡量第n帧监控图像中所有边缘像素点的纵坐标的离散程度,该值越大,说明第n帧监控图像中所有边缘像素点的纵坐标越离散。当第n帧监控图像中边缘像素点的数量占比越小、第n帧监控图像中所有边缘像素点的横坐标的标准差越大、第n帧监控图像中所有边缘像素点的纵坐标的标准差越大时,说明第n帧监控图像所包含的信息越复杂,该帧监控图像的兼容性越低。
采用上述方法,能够获得每帧监控图像中关键特征的兼容性值。至此,本实施例确定了预设时间段内用于表征每帧监控图像中工作人员位置分布的特征值和每帧监控图像中关键特征的兼容性值。
步骤S3,基于预设历史时间段内用于表征监控图像中工作人员位置分布的特征值之间的差异以及兼容性值之间的差异,获得对应两帧监控图像的关联程度;基于所述关联程度对预设历史时间段内所有监控图像进行分组获得不少于两组监控图像;根据当前帧监控图像的特征值以及每组监控图像对应的特征值取值范围,对每组监控图像进行更新。
本实施例通过对预设历史时间段内每帧监控图像的轮廓拟合结果进行分析量化出用于表征每帧监控图像中工作人员位置分布的特征值和兼容性值,若某两帧监控图像中呈现的特征较为相似,那么用于表征这两帧监控图像中工作人员位置分布的特征值和兼容性值均较接近。由于在对收费站点工作人员所在的工作室进行摄像时,场景下画面呈现趋向于低动态或者持续稳定的特点,并且相邻两帧监控图像的变化不大,在低动态或者稳定的场景下变化不大的特点会被放大,而当前的场景恰好契合低动态与稳定的特点,因此当两帧具有时间间隔的监控图像具有相关性时,在进行分组处理时,可以看作是同一组的监控图像。
接下来本实施例将基于预设历史时间段内用于表征每帧监控图像中工作人员位置分布的特征值之间的差异以及兼容性值之间的差异,获得对应两帧监控图像的关联程度,进而基于关联程度对预设历史时间段内所有监控图像进行分组,获得多组监控图像。
具体地,将第一帧监控图像作为第一组监控图像中的初始帧图像,按照时间先后顺序,判断第二帧监控图像与第一组监控图像中的初始帧图像的关联程度是否小于预设关联程度阈值,若小于,则将第二帧监控图像加入到第一组监控图像中,判断第三帧监控图像与第一组监控图像中的初始帧图像的关联程度是否小于预设关联程度阈值,若小于,则将第三帧监控图像加入到第一组监控图像中,以此类推,直至关联程度大于或等于预设关联程度阈值;若第二帧监控图像与第一组监控图像中的初始帧图像的关联程度大于或等于预设关联程度阈值,则将第二帧监控图像作为第二组监控图像中的初始帧图像,按照时间先后顺序,判断第三帧监控图像与第二组监控图像中的初始帧图像的关联程度是否小于预设关联程度阈值,若小于,则将第三帧监控图像加入到第二组监控图像中,以此类推,获得不少于两组监控图像。例如:假设第一帧监控图像与第二帧监控图像的关联程度小于预设关联程度阈值,第二帧监控图像与第三帧监控图像的关联程度小于预设关联程度阈值,第三帧监控图像与第四帧监控图像的关联程度大于预设关联程度阈值,第四帧监控图像与第五帧监控图像的关联程度小于预设关联程度阈值,则第一帧监控图像、第二帧监控图像、第三帧监控图像属于第一组监控图像,第四帧监控图像和第五帧监控图像属于第二组监控图像。本实施例中的预设关联程度阈值为0.4,在具体应用中,实施者可根据具体情况进行设置。
第二帧监控图像与第一组监控图像中的初始帧图像的关联程度的具体获取过程为:将第一组监控图像中的用于表征初始帧监控图像中工作人员位置分布的特征值与用于表征第二帧监控图像中工作人员位置分布的特征值的比值记为第一比值;将所述第一比值与常数1的差值绝对值,确定为第一特征值;将第一组监控图像中的初始帧图像中关键特征的兼容性值与第二帧监控图像中关键特征的兼容性值的比值记为第二比值;将所述第二比值与常数1的差值绝对值,确定为第二特征值;将所述第一特征值与所述第二特征值的和值作为第二帧监控图像与第一组监控图像中的初始帧图像的关联程度。第二帧监控图像与第一组监控图像中的初始帧图像的关联程度的具体计算公式为:
;
其中,为第二帧监控图像与第一组监控图像中的初始帧图像的关联程度,/>为用于表征第一帧监控图像中工作人员位置分布的特征值,/>为用于表征第二帧监控图像中工作人员位置分布的特征值,/>为第一帧监控图像中关键特征的兼容性值,/>为第二帧监控图像中关键特征的兼容性值。
用于反映第二帧监控图像与第一组监控图像中的初始帧图像的特征值的差异情况,若第二帧监控图像与第一组监控图像中的初始帧图像的特征值的差异越小,则这两帧监控图像的特征值之间的比值越接近于1,此时/>的值越小;/>用于反映第二帧监控图像与第一组监控图像中的初始帧图像中关键特征的兼容性值的差异情况,若第二帧监控图像与第一组监控图像中的初始帧图像中关键特征的兼容性值的差异越小,则这两帧监控图像中关键特征的兼容性值之间的比值越接近于1,此时/>的值越小。当第二帧监控图像与第一组监控图像中的初始帧图像的特征值差异越小,且兼容性值差异也越小时,说明这两帧监控图像越相似,也即第二帧监控图像与第一组监控图像中的初始帧图像的关联程度越大。
其他任意两帧监控图像的关联程度均可类比上述方法进行获取,本实施例不再进行过多赘述。至此,本实施例对预设历史时间段内的所有监控图像进行了分组,获得了多组监控图像。
对于第r组监控图像:分别获取第r组监控图像中所有帧灰度图像的最大特征值和最小特征值;将所述最小特征值作为下限值,将所述最大特征值作为上限值,获得第r组监控图像对应的特征值取值范围,若第r组监控图像中所有帧灰度图像的最小特征值为,第r组监控图像中所有帧灰度图像的最大特征值为/>,则第r组监控图像对应的特征值取值范围为/>。采用该方法,能够获得每组监控图像对应的特征值取值范围。
判断用于表征当前帧监控图像中工作人员位置分布的特征值处于哪一组监控图像对应的特征值取值范围内,若用于表征当前帧监控图像中工作人员位置分布的特征值处于第r组监控图像对应的特征值取值范围内,则将当前帧监控图像加入到第r组监控图像中,也即对第r组监控图像进行了更新。需要说明的是,若当前帧监控图像的特征值不属于任何组监控图像对应的特征值取值范围内的数据值,则将当前帧监控图像单独作为一组。
随着时间的变化,采集到的监控图像的数量逐渐增加,不断迭代更新不同组中的监控图像,也即基于监控图像之间的特征,对监控视频中的监控图像进行了分类,同一类中的所有监控图像具有一定的相关关系,相似程度较大。
步骤S4,基于更新结果对监控视频进行编码传输。
同一类的监控图像在时间上可能是不连续的,但由于其特征值接近,因此监控图像中的场景以及物体分布也都是接近的,在对监控图像进行预测编码时,可以将预测编码的误差尽可能缩小,并且同一类监控图像是一起进行预测编码的,不需要每次都重新以新的参考帧监控图像进行预测编码,同一类的监控图像进行预测编码压缩时只需要使用相同的参考帧监控图像进行预测编码即可。因此,本实施例采用预测编码对监控视频进行编码。预测编码为现有技术,本实施例不再过多赘述。
将需要传输的监控视频进行封装,将其组织成可以在网络中传输的数据包,封装通常包括将视频数据划分为适当的数据单元,添加相关的头部信息或元数据,以及进行错误校验等操作,视频数据通过网络进行传输时,选择合适的传输协议,例如TCP传输协议等向指定接收端进行传输即可,将传输完成的监控视频数据进行保存在存储终端,在后续对监控值机系统中的监控视频数据进行定期审计,对站点的高速公路收费业务进行监督检查。
至此,采用本实施例提供的方法完成了对高速公路收费站点工作人员所在的工作室的监控视频的编码及传输。
本实施例考虑到传统的预测编码算法对高速公路收费站点的监控视频进行压缩传输时,通常需要对连续帧监控图像进行判断,但由于大部分场景中,在有时间间隔的监控图像之间也存在相关性,若每次对图像数据进行编码都以新的参考帧监控图像进行编码,会导致监控视频的压缩效率较低,因此本实施例首先对单帧图像进行分析,根据每帧监控图像中每个闭合轮廓内像素点的位置分布以及灰度分布,得到了用于表征每帧监控图像中工作人员位置分布的特征值,根据预设历史时间段内每帧监控图像中边缘像素点的数量占比和边缘像素点的位置差异,确定了每帧监控图像中关键特征的兼容性值;若两帧监控图像中呈现的特征较为相似,则其对应的特征值较为相似,且其对应的兼容性值也较为相似;基于此,本实施例基于预设历史时间段内监控图像的特征值之间的差异以及兼容性值之间的差异,获得了对应两帧监控图像的关联程度,进而对预设历史时间段内所有监控图像进行了分组,同一组内的监控图像呈现的特征的相似度较高,进一步地基于当前帧监控图像的特征值对分组结果进行了更新,将虽然在时间点上存在间隔但是却有相关关系的监控图像划分为同一组,也即放在一起进行编码,减少了编码的误差,本实施例提供的方法将同一组的监控图像在一起进行编码,不需要每次都以新的参考帧监控图像进行编码,提高了监控视频的压缩效率。
需要说明的是: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 (10)
1.一种高速公路收费业务集中监控值机系统,包括存储器和处理器,其特征在于,所述处理器执行所述存储器存储的计算机程序,以实现如下步骤:
获取高速公路收费站点工作人员所在的工作室在预设时间段内的监控视频,所述监控视频是由预设历史时间段内连续多帧的监控图像和当前帧监控图像构成的;提取每帧监控图像中的闭合轮廓;
根据每帧监控图像中每个闭合轮廓内像素点的位置分布以及灰度分布,得到用于表征每帧监控图像中工作人员位置分布的特征值;根据预设历史时间段内每帧监控图像中边缘像素点的数量占比和边缘像素点的位置差异,确定每帧监控图像中关键特征的兼容性值;
基于预设历史时间段内用于表征监控图像中工作人员位置分布的特征值之间的差异以及兼容性值之间的差异,获得对应两帧监控图像的关联程度;基于所述关联程度对预设历史时间段内所有监控图像进行分组获得不少于两组监控图像;根据当前帧监控图像的特征值以及每组监控图像对应的特征值取值范围,对每组监控图像进行更新;
基于更新结果对监控视频进行编码传输。
2.根据权利要求1所述的一种高速公路收费业务集中监控值机系统,其特征在于,所述根据每帧监控图像中每个闭合轮廓内像素点的位置分布以及灰度分布,得到用于表征每帧监控图像中工作人员位置分布的特征值,包括:
对于第n帧监控图像:
对于第n帧监控图像中第p个闭合轮廓:将第p个闭合轮廓内所有像素点的横坐标的平均值作为第p个闭合轮廓的中心点的横坐标,将第p个闭合轮廓内所有像素点的纵坐标的平均值作为第p个闭合轮廓的中心点的纵坐标;将第p个闭合轮廓内每种灰度值对应的像素点的数量与第p个闭合轮廓内像素点的数量的比值,作为第p个闭合轮廓内每种灰度值对应的数量占比;计算第p个闭合轮廓内每种灰度值对应的每个像素点的所有邻域像素点的灰度值的信息熵;
计算第n帧监控图像中所有像素点的灰度值的信息熵;
根据第n帧监控图像中每个闭合轮廓的中心点的位置信息、第n帧监控图像中每个闭合轮廓内每种灰度值对应的数量占比、第n帧监控图像中每个闭合轮廓内每种灰度值对应的每个像素点的所有邻域像素点的灰度值的信息熵以及第n帧监控图像中所有像素点的灰度值的信息熵,计算用于表征第n帧监控图像中工作人员位置分布的特征值;所述位置信息包括横坐标和纵坐标。
3.根据权利要求2所述的一种高速公路收费业务集中监控值机系统,其特征在于,采用如下公式计算用于表征第n帧监控图像中工作人员位置分布的特征值:
;
其中,表示用于表征第n帧监控图像中工作人员位置分布的特征值,/>表示第n帧监控图像中闭合轮廓的个数,/>表示第n帧监控图像中第p个闭合轮廓内像素点的数量,/>表示第n帧监控图像中第p个闭合轮廓内第a个像素点的横坐标,/>表示第n帧监控图像中第p个闭合轮廓内第a个像素点的纵坐标,/>表示第n帧监控图像中第p个闭合轮廓内灰度值的种类数,/>表示第n帧监控图像中第p个闭合轮廓内第g种灰度值对应的像素点的数量,表示第n帧监控图像中第p个闭合轮廓内第g种灰度值对应的第q个像素点的所有邻域像素点的灰度值的信息熵,/>表示第n帧监控图像中所有像素点的灰度值的信息熵。
4.根据权利要求1所述的一种高速公路收费业务集中监控值机系统,其特征在于,所述根据预设历史时间段内每帧监控图像中边缘像素点的数量占比和边缘像素点的位置差异,确定每帧监控图像中关键特征的兼容性值,包括:
对于第n帧监控图像:
将第n帧监控图像中所有边缘像素点的横坐标的标准差记为第一特征值,将第n帧监控图像中所有边缘像素点的纵坐标的标准差记为第二特征值;
根据第n帧监控图像中边缘像素点的数量占比、所述第一特征值和所述第二特征值,得到第n帧监控图像中关键特征的兼容性值,所述边缘像素点的数量占比与所述兼容性值呈正相关关系,所述第一特征值、所述第二特征值均与所述兼容性值呈负相关关系。
5.根据权利要求4所述的一种高速公路收费业务集中监控值机系统,其特征在于,采用如下公式计算第n帧监控图像中关键特征的兼容性值:
;
其中,表示第n帧监控图像中关键特征的兼容性值,/>为第n帧监控图像中边缘像素点的数量,/>为第n帧监控图像中像素点的总数量,/>为第n帧监控图像中所有边缘像素点的横坐标的标准差,/>为第n帧监控图像中所有边缘像素点的纵坐标的标准差,exp( )为以自然常数为底数的指数函数。
6.根据权利要求1所述的一种高速公路收费业务集中监控值机系统,其特征在于,所述基于所述关联程度对预设历史时间段内所有监控图像进行分组获得不少于两组监控图像,包括:
将第一帧监控图像作为第一组监控图像中的初始帧图像,按照时间先后顺序,判断第二帧监控图像与第一组监控图像中的初始帧图像的关联程度是否小于预设关联程度阈值,若小于,则将第二帧监控图像加入到第一组监控图像中,判断第三帧监控图像与第一组监控图像中的初始帧图像的关联程度是否小于预设关联程度阈值,若小于,则将第三帧监控图像加入到第一组监控图像中,以此类推,直至关联程度大于或等于预设关联程度阈值;若第二帧监控图像与第一组监控图像中的初始帧图像的关联程度大于或等于预设关联程度阈值,则将第二帧监控图像作为第二组监控图像中的初始帧图像,按照时间先后顺序,判断第三帧监控图像与第二组监控图像中的初始帧图像的关联程度是否小于预设关联程度阈值,若小于,则将第三帧监控图像加入到第二组监控图像中,以此类推,获得不少于两组监控图像。
7.根据权利要求6所述的一种高速公路收费业务集中监控值机系统,其特征在于,第二帧监控图像与第一组监控图像中的初始帧图像的关联程度的获取,包括:
将第一组监控图像中的初始帧图像的特征值与第二帧监控图像的特征值的比值记为第一比值;将所述第一比值与常数1的差值绝对值,确定为第一特征值;
将第一组监控图像中的初始帧图像中关键特征的兼容性值与第二帧监控图像中关键特征的兼容性值的比值记为第二比值;将所述第二比值与常数1的差值绝对值,确定为第二特征值;
将所述第一特征值与所述第二特征值的和值作为第二帧监控图像与第一组监控图像中的初始帧图像的关联程度。
8.根据权利要求1所述的一种高速公路收费业务集中监控值机系统,其特征在于,所述根据当前帧监控图像的特征值以及每组监控图像对应的特征值取值范围,对每组监控图像进行更新,包括:
对于第r组监控图像:判断当前帧监控图像的特征值是否处于第r组监控图像对应的特征值取值范围内,若是,则将当前帧监控图像加入到第r组监控图像中。
9.根据权利要求1所述的一种高速公路收费业务集中监控值机系统,其特征在于,所述每组监控图像对应的特征值取值范围的获取方法为:
对于第r组监控图像:分别获取第r组监控图像中所有帧灰度图像的最大特征值和最小特征值;将所述最小特征值作为下限值,将所述最大特征值作为上限值,获得第r组监控图像对应的特征值取值范围。
10.根据权利要求1所述的一种高速公路收费业务集中监控值机系统,其特征在于,所述提取每帧监控图像中的闭合轮廓,包括:
采用轮廓检测算法分别对每帧监控图像进行处理获得不少于两个轮廓,从每帧监控图像中的所有轮廓中提取闭合轮廓。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311464403.7A CN117221609B (zh) | 2023-11-07 | 2023-11-07 | 一种高速公路收费业务集中监控值机系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311464403.7A CN117221609B (zh) | 2023-11-07 | 2023-11-07 | 一种高速公路收费业务集中监控值机系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117221609A true CN117221609A (zh) | 2023-12-12 |
CN117221609B CN117221609B (zh) | 2024-03-12 |
Family
ID=89048512
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311464403.7A Active CN117221609B (zh) | 2023-11-07 | 2023-11-07 | 一种高速公路收费业务集中监控值机系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117221609B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117475356A (zh) * | 2023-12-25 | 2024-01-30 | 华南理工大学 | 一种瓦楞纸箱制备隐形双重防伪标签的控制方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107613410A (zh) * | 2017-09-14 | 2018-01-19 | 国家电网公司 | 一种应用于变电监控视频中的视频摘要生成方法 |
CN107766819A (zh) * | 2017-10-18 | 2018-03-06 | 陕西国际商贸学院 | 一种视频监控系统及其实时步态识别方法 |
WO2018130016A1 (zh) * | 2017-01-10 | 2018-07-19 | 哈尔滨工业大学深圳研究生院 | 一种基于监控视频的停车检测方法及装置 |
CN110012289A (zh) * | 2018-12-21 | 2019-07-12 | 合肥工业大学 | 一种基于h.264的人群异常检测方法 |
CN115297289A (zh) * | 2022-10-08 | 2022-11-04 | 南通第二世界网络科技有限公司 | 一种监控视频高效存储方法 |
CN116033097A (zh) * | 2023-01-04 | 2023-04-28 | 甘肃紫光智能交通与控制技术有限公司 | 高速公路收费车道自动化协议对接的字符叠加方法、系统 |
CN116092018A (zh) * | 2023-04-10 | 2023-05-09 | 同方德诚(山东)科技股份公司 | 一种基于智慧建筑的消防隐患监测方法及系统 |
WO2023134791A2 (zh) * | 2022-12-16 | 2023-07-20 | 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 |
-
2023
- 2023-11-07 CN CN202311464403.7A patent/CN117221609B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018130016A1 (zh) * | 2017-01-10 | 2018-07-19 | 哈尔滨工业大学深圳研究生院 | 一种基于监控视频的停车检测方法及装置 |
CN107613410A (zh) * | 2017-09-14 | 2018-01-19 | 国家电网公司 | 一种应用于变电监控视频中的视频摘要生成方法 |
CN107766819A (zh) * | 2017-10-18 | 2018-03-06 | 陕西国际商贸学院 | 一种视频监控系统及其实时步态识别方法 |
CN110012289A (zh) * | 2018-12-21 | 2019-07-12 | 合肥工业大学 | 一种基于h.264的人群异常检测方法 |
CN115297289A (zh) * | 2022-10-08 | 2022-11-04 | 南通第二世界网络科技有限公司 | 一种监控视频高效存储方法 |
WO2023134791A2 (zh) * | 2022-12-16 | 2023-07-20 | 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 |
CN116033097A (zh) * | 2023-01-04 | 2023-04-28 | 甘肃紫光智能交通与控制技术有限公司 | 高速公路收费车道自动化协议对接的字符叠加方法、系统 |
CN116092018A (zh) * | 2023-04-10 | 2023-05-09 | 同方德诚(山东)科技股份公司 | 一种基于智慧建筑的消防隐患监测方法及系统 |
Non-Patent Citations (1)
Title |
---|
曹姝清;刘宗明;牟金震;张翰墨;张宇;: "空间目标快速轮廓特征提取与跟踪技术", 飞控与探测, no. 02 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117475356A (zh) * | 2023-12-25 | 2024-01-30 | 华南理工大学 | 一种瓦楞纸箱制备隐形双重防伪标签的控制方法及系统 |
CN117475356B (zh) * | 2023-12-25 | 2024-03-29 | 华南理工大学 | 一种瓦楞纸箱制备隐形双重防伪标签的控制方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117221609B (zh) | 2024-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117221609B (zh) | 一种高速公路收费业务集中监控值机系统 | |
US10055669B2 (en) | Methods and systems of determining a minimum blob size in video analytics | |
CN110650320B (zh) | 动态帧率存储方法及装置、监控设备 | |
CN116600132B (zh) | 一种煤矿视频数据自适应压缩方法 | |
CN108600744B (zh) | 图像质量控制的方法、摄像机拍摄图像的方法和装置 | |
CN111462155A (zh) | 移动侦测方法、装置、计算机设备和存储介质 | |
CN104320622A (zh) | 一种开源服务器软件的嵌入式视频增强系统 | |
WO2021082548A1 (zh) | 活体检测方法、装置、服务器和人脸识别设备 | |
CN116095347A (zh) | 基于视频分析的建筑工程安全施工方法及系统 | |
CN117395424B (zh) | 一种用于视频无线传输监控系统的视频优化方法 | |
CN111209119A (zh) | 一种人脸抓拍枪机负载均衡方法 | |
CN115665359B (zh) | 一种环境监测数据智能压缩方法 | |
CN116630365A (zh) | 抛物检测方法、装置、电子设备及存储介质 | |
CN112613396B (zh) | 一种任务紧急程度处理方法及系统 | |
CN113052878B (zh) | 一种安防系统中边缘设备的多路高空抛物检测方法及系统 | |
CN111601108B (zh) | 监控视频处理方法、装置及视频监控终端 | |
CN111145219B (zh) | 一种基于Codebook原理的高效视频移动目标检测方法 | |
CN113743235A (zh) | 基于边缘计算的电力巡检图像处理方法、装置和设备 | |
CN116090796B (zh) | 一种酒店智能管理系统 | |
CN118018035B (zh) | 一种装修进度智能监管系统的信息传输方法 | |
CN110855930B (zh) | 一种网络设备智能识别方法和系统 | |
KR102438501B1 (ko) | 프레임 최적화를 이용한 고화질 실시간 관제 서비스 제공 시스템 | |
CN117880759B (zh) | 一种智能化视频短信链路高效检测方法 | |
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 | |
WO2023017873A1 (ko) | 영상 인코딩 품질학습 및 예측 시스템 |
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 |