CN118172711A - 一种ai大数据智能管理方法及系统 - Google Patents

一种ai大数据智能管理方法及系统 Download PDF

Info

Publication number
CN118172711A
CN118172711A CN202410442348.XA CN202410442348A CN118172711A CN 118172711 A CN118172711 A CN 118172711A CN 202410442348 A CN202410442348 A CN 202410442348A CN 118172711 A CN118172711 A CN 118172711A
Authority
CN
China
Prior art keywords
video
dynamic
video segment
image
frame
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
CN202410442348.XA
Other languages
English (en)
Other versions
CN118172711B (zh
Inventor
朱国库
楼勤峰
宋小韦
余晓辉
张均利
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.)
Yiwu China Small Commodity City Big Data Co ltd
Original Assignee
Yiwu China Small Commodity City Big Data 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 Yiwu China Small Commodity City Big Data Co ltd filed Critical Yiwu China Small Commodity City Big Data Co ltd
Priority to CN202410442348.XA priority Critical patent/CN118172711B/zh
Publication of CN118172711A publication Critical patent/CN118172711A/zh
Application granted granted Critical
Publication of CN118172711B publication Critical patent/CN118172711B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • 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
    • G06F16/78—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/783—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G06F16/7837—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using objects detected or recognised in the video content
    • 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
    • G06F16/78—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/783—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G06F16/7837—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using objects detected or recognised in the video content
    • G06F16/784—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using objects detected or recognised in the video content the detected or recognised objects being people
    • 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
    • G06F16/78—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/783—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G06F16/7847—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using low-level visual features of the video content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/469—Contour-based spatial representations, e.g. vector-coding
    • 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
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • 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
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • G06V20/44—Event detection
    • 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
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/20—Movements or behaviour, e.g. gesture recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/08—Detecting or categorising vehicles

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Library & Information Science (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Psychiatry (AREA)
  • Social Psychology (AREA)
  • Human Computer Interaction (AREA)
  • Computational Linguistics (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及AI视频管理技术领域，尤其涉及一种AI大数据智能管理方法及系统，方法包括：步骤S1，使用AI技术进行关键点识别，组成识别图像组，步骤S2，分析关键点对比结果，计算视频动态表征参量；步骤S3，确定包含所述识别图像组的视频段的动态存储类别；步骤S4，根据动态存储类别确定各视频段存储前的处理方式，步骤S5，将各视频段存储至对应的视频库中；系统包括：数据接收端、视频识别模块、视频分析模块、异常识别模块以及存储模块，本发明通过AI技术结合大数据确定各视频段的种类，选定相应的处理方式，有效减少不必要的数据分析，减少数据分析的工作量，提高对视频数据的管理效率。

Description

一种AI大数据智能管理方法及系统
技术领域
本发明涉及AI视频管理技术领域，尤其涉及一种AI大数据智能管理方法及系统。
背景技术
AI大数据智能管理在图像信息方面的应用主要体现在图像内容理解、识别服务、视频场景分析和安防等领域。通过深度学习和计算机视觉技术，AI能够精准识别图像中的人物、物体、行为等，并提供描述和分类。此外，AI技术在图像存储与检索、视频内容自动化处理、个性化推荐等方面也发挥着重要作用。结合大数据分析，AI图像识别技术识别的准确性和效率得到进一步提高。
中国专利公开号：CN117649736A公开了一种基于AI视频管理平台的视频管理方法及其系统，视频管理方法包括：数据采集模块、物体识别模块、区域入侵告警模块、AI预警上报模块、数据分析模块以及消息通知模块；视频管理方法，包括以下步骤：S1数据采集；S2物体识别；S3区域入侵告警模块；S4AI预警上报；S5数据分析，用于AI视频管理平台，通过采集视频数据，利用深度学习模型识别出目标物体，实现对目标物体的实时检测、入侵事件的快速响应以及预警信息的及时推送功能，提供告警与预警；由此可见，所述基于AI视频管理平台的视频管理方法及其系统存在以下问题：在对视频数据进行管理时，没有对视频进行分类处理，造成了识别过程中设备的计算量过大，导致识别不准确。
发明内容
为此，本发明提供一种AI大数据智能管理方法及系统，用以克服现有技术中在对视频数据进行管理时，没有对视频进行分类处理，造成了识别过程中设备的计算量过大，导致识别不准确的问题。
为实现上述目的，一方面，本发明提供一种AI大数据智能管理方法，包括：
步骤S1，对数据输入端持续输入的视频帧进行关键点识别，根据预设时间间隔选出预定数量的视频帧组成识别图像组，将识别图像组中的全部视频帧进行关键点对比，关键点对比包括进行关键点匹配并确定关键点相对位置变化量；
步骤S2，分析识别图像组的关键点对比结果，根据识别图像组的全部关键点匹配结果和关键点相对位置变化量计算视频动态表征参量；
步骤S3，根据所述视频动态表征参量，确定包含所述识别图像组的视频段的动态存储类别；
步骤S4，根据各视频段的动态存储类别，确定针对各视频段存储前的处理方式，处理方式包括，
对视频段中各视频帧进行逐帧分析，识别各视频帧中是否有自主移动目标，根据各自主移动目标在图片中占比计算移动目标权重参量，根据移动目标权重参量确定是否存在判定主体，若存在判定主体，根据判定主体确定对应视频段是否存在异常；
或，抽取任意一帧图像作为视频段表征图像，识别视频段表征图像中是否存在异常目标，并将识别视频段表征图像的异常判断结果记录为对应视频段的异常判断结果；
步骤S5，根据异常判断结果将存在异常的视频段和不存在异常的视频段存储至对应的视频库中。
进一步地，在所述步骤S1中，所述识别图像组中各帧图像被识别出的关键点的数量相同且关键点在相邻时间间隔获取的单帧图片中一一对应。
进一步地，在所述步骤S2中，所述视频动态表征参量按照公式(1)确定，
公式(1)中，K为视频动态表征参量，p为移动存在系数，kI为第i个关键点动态表征参数，为所述关键点的移动方向向量，li为所述关键点的第i个相对位置变化量，l0为标准变化量，N为视频帧中关键点总数，I＝1,2，···，N，n为视频帧的预定数量，i＝1,2，···，n。
进一步地，在所述步骤S3中，根据所述视频动态表征参量，确定包含所述识别图像组的所述视频段的动态存储类别，
若所述视频动态表征参量大于等于预设动态参量，则判定当前视频段的动态存储类别为显性动态类别；
若所述视频动态表征参量小于预设动态参量，则判定当前视频段的动态存储类别为隐性动态类别。
进一步地，在所述步骤S4中，各视频段存储前的处理方式根据所述动态存储类别确定，
若所述动态存储类别为显性动态类别，则所述处理方式为对视频段中各视频帧进行逐帧分析，使用AI技术结合大数据识别各视频帧中是否有自主移动目标，根据各自主移动目标在图片中占比计算移动目标权重参量，根据移动目标权重参量确定是否存在判定主体；
若所述动态存储类别为隐性动态类别，则所述处理方式为抽取任意一帧图像作为视频段表征图像，识别视频段表征图像中是否存在异常目标，并将识别视频段表征图像的异常判断结果记录为对应视频段的异常判断结果。
进一步地，在所述步骤S4中，识别各视频帧中是否有自主移动目标包括，
通过预定图像模型识别自主移动目标。
进一步地，所述移动目标权重参量按照公式(2)确定，
公式(2)中，G为移动目标权重参量，m为视频段中自主移动目标总数，Sj为第j个自主移动目标的轮廓面积，j＝1,2，···，m。
进一步地，所述根据判定主体确定对应视频段是否存在异常，
若判定主体存在异常，则判定当前视频段存在异常；
若判定主体不存在异常或不存在判定主体，则判定当前视频段不存在异常。
进一步地，所述步骤S4中若移动目标权重参量大于预定权重参量阈值，则判定当前视频段中存在判定主体。
另一方面，本发明还提供一种应用于AI大数据智能管理方法的AI大数据智能管理系统，包括：
数据接收端，其用以接收数据输入端输入的视频，并将选出的预定数量的视频帧组成识别图像组；
视频识别模块，其与所述数据接收端相连，用以通过AI技术识别视频帧的关键点，并对所述图像识别组的全部视频帧进行关键点对比；
视频分析模块，其与所述视频识别模块相连，用以根据识别图像组的关键点对比结果计算视频动态表征参量；
异常识别模块，其分别与所述视频识别模块和所述视频分析模块相连，用以确定各视频段的动态存储类别，并根据动态存储类别选择各视频段的对应处理方式；
存储模块，其与所述异常识别模块相连，用以根据异常判断结果将视频段存储至不同的视频库中。
与现有技术相比，本发明的有益效果在于，本发明通过持续输入视频帧并按照预设时间间隔选取帧，能够实时捕捉视频内容的变化，确保及时识别和分析视频动态，关键点识别和对比能够高效地从大量视频帧中提取有用信息，减少了数据处理的时间和资源消耗，通过关键点匹配和位置变化分析，能够精确计算视频动态表征参量，提高了对视频内容变化的识别和分类准确性，根据视频段的动态存储类别，能够灵活确定不同的处理方式，包括逐帧分析或抽取表征图像，以适应不同的应用场景和需求，本发明有效减少不必要的数据分析，减少数据分析的工作量，提高对视频数据的管理效率。
进一步地，在本发明中，关键点数量相同且保持对应关系，可以确保在不同视频帧之间进行精确匹配，从而提高识别和分析的准确性，并且简化了数据匹配和比较的过程，减少了计算复杂度，使得算法更加高效。
进一步地，在本发明中，根据视频动态表征参量的取值将动态存储类别划分为显性动态类别和隐性动态类别，能够更好地区分不同类型的视频段，便于系统进行针对性的处理和分析；通过将动态存储类别分为显性动态类别和隐性动态类别，可以更有效地分配资源，对于显性动态类别的视频段，后续处理时投入更多的算力和资源进行详细分析，而对于隐性动态类别的视频段，则可以进行简略分析以节约系统的算力。
进一步地，在本发明中，当确定存在异常时，AI系统可以立即更新数据库，确保数据的实时性和最新状态，同步更新机制保证了数据库中存储的信息与实际发生的事件高度一致当异常发生时，相关的数据和分析结果能够准确地反映情况，为后续的审查和决策提供可靠的依据，通过确保数据库更新与异常事件的检测同步进行，可以避免数据不一致的问题，同步更新可以减少不必要的数据处理和存储开销，在当真正发生异常时，系统才会进行更新，这样可以避免存储大量无效或冗余的数据，从而优化存储资源的使用。
附图说明
图1为本发明实施例AI大数据智能管理方法的流程图；
图2为本发明实施例确定动态存储类别的逻辑图；
图3为本发明实施例确定视频段是否异常的逻辑图；
图4为本发明实施例AI大数据智能管理系统的结构示意图；
具体实施方式
为了使本发明的目的和优点更加清楚明白，下面结合实施例对本发明作进一步描述；应当理解，此处所描述的具体实施例仅仅用于解释本发明，并不用于限定本发明。
下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是，这些实施方式仅仅用于解释本发明的技术原理，并非在限制本发明的保护范围。
需要说明的是，在本发明的描述中，术语“上”、“下”、“左”、“右”、“内”、“外”等指示的方向或位置关系的术语是基于附图所示的方向或位置关系，这仅仅是为了便于描述，而不是指示或暗示所述装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
此外，还需要说明的是，在本发明的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域技术人员而言，可根据具体情况理解上述术语在本发明中的具体含义。
请参阅图1所示，其为本发明实施例AI大数据智能管理方法的流程图，本发明提供一种AI大数据智能管理方法，包括：
步骤S1，对数据输入端持续输入的视频帧进行关键点识别，根据预设时间间隔选出预定数量的视频帧组成识别图像组，将识别图像组中的全部视频帧进行关键点对比，关键点对比包括进行关键点匹配并确定关键点相对位置变化量；
步骤S2，分析识别图像组的关键点对比结果，根据识别图像组的全部关键点匹配结果和关键点相对位置变化量计算视频动态表征参量；
步骤S3，根据所述视频动态表征参量，确定包含所述识别图像组的视频段的动态存储类别；
步骤S4，根据各视频段的动态存储类别，确定针对各视频段存储前的处理方式，处理方式包括，
对视频段中各视频帧进行逐帧分析，识别各视频帧中是否有自主移动目标，根据各自主移动目标在图片中占比计算移动目标权重参量，根据移动目标权重参量确定是否存在判定主体，若存在判定主体，根据判定主体确定对应视频段是否存在异常；
或，抽取任意一帧图像作为视频段表征图像，识别视频段表征图像中是否存在异常目标，并将识别视频段表征图像的异常判断结果记录为对应视频段的异常判断结果；
步骤S5，根据异常判断结果将存在异常的视频段和不存在异常的视频段存储至对应的视频库中。
在实施中，关键点为处于目标轮廓中的局部特征点，当然，优选的，为便于对比，关键点应尽量选择便于区分的局部特征点，以人体作为目标，选择人体的头部、手部、脚部等易于识别对比的点作为关键点，以车辆为例，选择车辆轮胎、车灯等易于识别对比的点作为关键点，此不再赘述；
对关键点的识别方式，不做具体限定，可预先训练能够识别关键点的图像处理算法或模型导入逻辑部件实现对应的功能，此为现有技术，不再赘述。
关键点的数量不低于视频帧中能被识别出的目标数量的3倍，且关键点在图中呈相对离散分布，能被识别出的目标为固定建筑物以外的全部目标，可以理解的是，关键点的相对离散分布能够避免关键点被识别成为其他目标的关键点的情况，使得对图像的分析结果更加准确。
关键点匹配为同一个被识别的目标的关键点在不同的视频帧中均有对应的关键点，关键点的相对位置变化根据按照时间次序相邻的视频帧中关键点的位置确定。
预设时间间隔根据数据输入端输入的视频帧率确定，在[0.02s,0.1s]内选定，一般的帧率越高，时间间隔越小，视频帧的预定数量大于等于10且小于等于20。
本发明通过持续输入视频帧并按照预设时间间隔选取帧，能够实时捕捉视频内容的变化，确保及时识别和分析视频动态，关键点识别和对比能够高效地从大量视频帧中提取有用信息，减少了数据处理的时间和资源消耗，通过关键点匹配和位置变化分析，能够精确计算视频动态表征参量，提高了对视频内容变化的识别和分类准确性，根据视频段的动态存储类别，能够灵活确定不同的处理方式，包括逐帧分析或抽取表征图像，以适应不同的应用场景和需求，本发明有效减少不必要的数据分析，减少数据分析的工作量，提高对视频数据的管理效率。
具体而言，在所述步骤S1中，所述识别图像组中各帧图像被识别出的关键点的数量相同且关键点在相邻时间间隔获取的单帧图片中一一对应。
在本发明中，关键点数量相同且保持对应关系，可以确保在不同视频帧之间进行精确匹配，从而提高识别和分析的准确性，并且简化了数据匹配和比较的过程，减少了计算复杂度，使得算法更加高效。
请参阅图2所示，其为本发明实施例确定动态存储类别的逻辑图，在所述步骤S2中，所述视频动态表征参量按照公式(1)确定，
公式(1)中，K为视频动态表征参量，p为移动存在系数，kI为第i个关键点动态表征参数，为所述关键点的移动方向向量，li为所述关键点的第i个相对位置变化量，l0为标准变化量，n为视频帧的预定数量，N为视频帧中关键点总数，I＝1,2，···，N，i＝1,2，···，n。
在实施中，p取值为0或1，ki＞1时，p≠0，ki≤1时，p＝0；
关键点移动方向向量根据识别图像组中关键点的初始位置和最终位置确定；相对位置变化量根据关键点在相邻视频帧中的位置变化距离确定。
标准变化量为预先设定所得，采集目标以2cm/s的移动速度移动时的识别图像组，确定各帧图像间的关键点相对位置变化量的平均值，将所述平均值确定为标准变化量。
可以理解的是，若关键点在某一范围内移动时，关键点的移动方向向量的模长小，此时ki的取值同样小，而关键点为按照一定方向趋向性移动时，此时的移动方向向量的模长远大于关键点在某一范围内移动的移动方向向量的模长，导致ki的取值增大。
具体而言，在所述步骤S3中，根据所述视频动态表征参量，确定包含所述识别图像组的所述视频段的动态存储类别，
若所述视频动态表征参量大于等于预设动态参量，则判定当前视频段的动态存储类别为显性动态类别；
若所述视频动态表征参量小于预设动态参量，则判定当前视频段的动态存储类别为隐性动态类别。
在实施中，预设动态参量K0为预先测定所得，采集若干仅包含自主移动目标进行移动的识别图像组，求解各识别图像组的视频动态表征参量平均值ΔK，设定K0＝ΔK×g，g表示精度系数，1.1＜g＜1.2。
具体而言，在所述步骤S4中，各视频段存储前的处理方式根据所述动态存储类别确定，
若所述动态存储类别为显性动态类别，则所述处理方式为对视频段中各视频帧进行逐帧分析，识别各视频帧中是否有自主移动目标，根据各自主移动目标在图片中占比计算移动目标权重参量，根据移动目标权重参量确定是否存在判定主体；
若所述动态存储类别为隐性动态类别，则所述处理方式为抽取任意一帧图像作为视频段表征图像，识别视频段表征图像中是否存在异常目标，并将识别视频段表征图像的异常判断结果记录为对应视频段的异常判断结果。
在本发明中，根据视频动态表征参量的取值将动态存储类别划分为显性动态类别和隐性动态类别，能够更好地区分不同类型的视频段，便于系统进行针对性的处理和分析；通过将动态存储类别分为显性动态类别和隐性动态类别，可以更有效地分配资源，对于显性动态类别的视频段，后续处理时投入更多的算力和资源进行详细分析，而对于隐性动态类别的视频段，则可以进行简略分析以节约系统的算力。
请参阅图3所示，其为本发明实施例确定视频段是否异常的逻辑图，在所述步骤S4中，识别各视频帧中是否有自主移动目标包括，
通过预定图像模型识别自主移动目标。
在实施中，对图像模型的具体方式不做限定，例如，可采用神经网络模型，只需能识别图像中的特征类型即可。
在本实施例中，获取若干标注自主移动目标的图像帧作为训练组，用以训练神经网络模型，此为现有技术，不再赘述。
可以理解的是，自主移动目标包括非环境因素影响下可自主移动的目标，例如，车辆，人，动物，当然，非自主移动目标为环境因素影响下的目标，例如树叶、塑料袋等，此不再赘述。
具体而言，所述移动目标权重参量按照公式(2)确定，
公式(2)中，G为移动目标权重参量，m为视频段中自主移动目标总数，Sj为第j个自主移动目标的轮廓面积，j＝1,2，···，m。
在实施中，可以理解的是，识别目标轮廓为常规技术，在此不做具体限定。
若移动目标权重参量大于预定权重参量阈值，则判定当前视频段中存在判定主体。
预定权重参量阈值设定为0.3。
具体而言，所述根据判定主体确定对应视频段是否存在异常，
若判定主体存在异常，则判定当前视频段存在异常；
若判定主体不存在异常或不存在判定主体，则判定当前视频段不存在异常。
具体而言，对于主体是否存在异常的判定方式，本领域技术人员可根据具体的应用领域进行确定，在本实施例中，以某一施工场地的安全监测为例，主体为车辆以及人体，需要监测场地内的人员是否存在动作异常，车辆是否行驶异常，
对于动作异常，可训练能够否识别人体出现异常动作的视频处理模型进行处理，对于视频处理模型的形式，不做具体限定，例如，可通过关节点对比的形式，将实际人体关节与异常样本关节进行对比，确实是否出现异常动作，此为现有技术，不再赘述；
对于车辆是否行驶异常，可训练能够识别车辆运行轨迹是否符合正常运行轨迹的视频处理模型进行实现，此为现有技术，不再赘述。
具体而言，所述步骤S4中，若存在视频段存在异常，则向预定用户端发送预警提示。
当确定存在异常时，AI系统更新数据库，确保数据的实时性和最新状态，同步更新机制保证了数据库中存储的信息与实际发生的事件高度一致当异常发生时，相关的数据和分析结果能够准确地反映情况，为后续的审查和决策提供可靠的依据，通过确保数据库更新与异常事件的检测同步进行，可以避免数据不一致的问题，同步更新可以减少不必要的数据处理和存储开销，在当真正发生异常时，系统才会进行更新，这样可以避免存储大量无效或冗余的数据，从而优化存储资源的使用。
同步更新的数据库记录了所有的异常事件，为事后分析、审计和责任追溯提供了完整的数据链，AI系统可以利用同步更新的数据库进行更深入的分析，发现潜在的模式和趋势，从而为决策者提供更有价值的洞察和建议。
请参阅图4所示，其为本发明实施例，AI大数据智能管理系统的结构示意图，本发明还提供一种应用于AI大数据智能管理方法的AI大数据智能管理系统，包括：
数据接收端，其用以接收数据输入端输入的视频，并将选出的预定数量的视频帧组成识别图像组；
视频识别模块，其与所述数据接收端相连，用以通过AI技术识别视频帧的关键点，并对所述图像识别组的全部视频帧进行关键点对比；
视频分析模块，其与所述视频识别模块相连，用以根据识别图像组的关键点对比结果计算视频动态表征参量；
异常识别模块，其分别与所述视频识别模块和所述视频分析模块相连，用以确定各视频段的动态存储类别，并根据动态存储类别选择各视频段的对应处理方式；
存储模块，其与所述异常识别模块相连，用以根据异常判断结果将视频段存储至不同的视频库中。
在实施中，AI技术可以为现有的关于图像识别分析的AI系统中任意一种，在此不做具体限定，本发明对视频识别模块、视频分析模块以及异常识别模块的具体结构不做具体限定，其可以由逻辑部件构成，逻辑部件包括现场可编程处理器、计算机以及计算机中的微处理器。
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征做出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
以上所述仅为本发明的优选实施例，并不用于限制本发明；对于本领域的技术人员来说，本发明可以有各种更改和变化。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 (10)

1.一种AI大数据智能管理方法，其特征在于，包括：
步骤S1，对数据输入端持续输入的视频帧进行关键点识别，根据预设时间间隔选出预定数量的视频帧组成识别图像组，将识别图像组中的全部视频帧进行关键点对比，关键点对比包括进行关键点匹配并确定关键点相对位置变化量；
步骤S2，分析识别图像组的关键点对比结果，根据识别图像组的全部关键点匹配结果和关键点相对位置变化量计算视频动态表征参量；
步骤S3，根据所述视频动态表征参量，确定包含所述识别图像组的视频段的动态存储类别；
步骤S4，根据各视频段的动态存储类别，确定针对各视频段存储前的处理方式，处理方式包括，
对视频段中各视频帧进行逐帧分析，识别各视频帧中是否有自主移动目标，根据各自主移动目标在图片中占比计算移动目标权重参量，根据移动目标权重参量确定是否存在判定主体，若存在判定主体，根据判定主体确定对应视频段是否存在异常；
或，抽取任意一帧图像作为视频段表征图像，识别视频段表征图像中是否存在异常目标，并将识别视频段表征图像的异常判断结果记录为对应视频段的异常判断结果；
步骤S5，根据异常判断结果将存在异常的视频段和不存在异常的视频段存储至对应的视频库中。
2.根据权利要求1所述的AI大数据智能管理方法，其特征在于，在所述步骤S1中，所述识别图像组中各帧图像被识别出的关键点的数量相同且关键点在相邻时间间隔获取的单帧图片中一一对应。
3.根据权利要求2所述的AI大数据智能管理方法，其特征在于，在所述步骤S2中，所述视频动态表征参量按照公式(1)确定，
公式(1)中，K为视频动态表征参量，p为移动存在系数，kI为第i个关键点动态表征参数，为所述关键点的移动方向向量，li为所述关键点的第i个相对位置变化量，l0为标准变化量，N为视频帧中关键点总数，I＝1,2，···，N，n为视频帧的预定数量，i＝1,2，···，n。
4.根据权利要求3所述的AI大数据智能管理方法，其特征在于，在所述步骤S3中，根据所述视频动态表征参量，确定包含所述识别图像组的所述视频段的动态存储类别，
若所述视频动态表征参量大于等于预设动态参量，则判定当前视频段的动态存储类别为显性动态类别；
若所述视频动态表征参量小于预设动态参量，则判定当前视频段的动态存储类别为隐性动态类别。
5.根据权利要求4所述的AI大数据智能管理方法，其特征在于，在所述步骤S4中，各视频段存储前的处理方式根据所述动态存储类别确定，
若所述动态存储类别为显性动态类别，则所述处理方式为对视频段中各视频帧进行逐帧分析，识别各视频帧中是否有自主移动目标，根据各自主移动目标在图片中占比计算移动目标权重参量，根据移动目标权重参量确定是否存在判定主体；
若所述动态存储类别为隐性动态类别，则所述处理方式为抽取任意一帧图像作为视频段表征图像，识别视频段表征图像中是否存在异常目标，并将识别视频段表征图像的异常判断结果记录为对应视频段的异常判断结果。
6.根据权利要求5所述的AI大数据智能管理方法，其特征在于，在所述步骤S4中，识别各视频帧中是否有自主移动目标包括，
通过预定图像模型识别自主移动目标。
7.根据权利要求6所述的AI大数据智能管理方法，其特征在于，所述移动目标权重参量按照公式(2)确定，
公式(2)中，G为移动目标权重参量，m为视频段中自主移动目标总数，Sj为第j个自主移动目标的轮廓面积，j＝1,2，···，m。
8.根据权利要求7所述的AI大数据智能管理方法，其特征在于，所述根据判定主体确定对应视频段是否存在异常，
若判定主体存在异常，则判定当前视频段存在异常；
若判定主体不存在异常或不存在判定主体，则判定当前视频段不存在异常。
9.根据权利要求8所述的AI大数据智能管理方法，其特征在于，所述步骤S4中，若移动目标权重参量大于预定权重参量阈值，则判定当前视频段中存在判定主体。
10.一种应用于权利要求1-9任一项所述的AI大数据智能管理方法的AI大数据智能管理系统，其特征在于，包括：
数据接收端，其用以接收数据输入端输入的视频，并将选出的预定数量的视频帧组成识别图像组；
视频识别模块，其与所述数据接收端相连，用以通过AI技术识别视频帧的关键点，并对所述图像识别组的全部视频帧进行关键点对比；
视频分析模块，其与所述视频识别模块相连，用以根据识别图像组的关键点对比结果计算视频动态表征参量；
异常识别模块，其分别与所述视频识别模块和所述视频分析模块相连，用以确定各视频段的动态存储类别，并根据动态存储类别选择各视频段的对应处理方式；
存储模块，其与所述异常识别模块相连，用以根据异常判断结果将视频段存储至不同的视频库中。
CN202410442348.XA 2024-04-12 2024-04-12 一种ai大数据智能管理方法及系统 Active CN118172711B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410442348.XA CN118172711B (zh) 2024-04-12 2024-04-12 一种ai大数据智能管理方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410442348.XA CN118172711B (zh) 2024-04-12 2024-04-12 一种ai大数据智能管理方法及系统

Publications (2)

Publication Number Publication Date
CN118172711A true CN118172711A (zh) 2024-06-11
CN118172711B CN118172711B (zh) 2024-09-24

Family

ID=91352945

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410442348.XA Active CN118172711B (zh) 2024-04-12 2024-04-12 一种ai大数据智能管理方法及系统

Country Status (1)

Country Link
CN (1) CN118172711B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105404469A (zh) * 2015-10-22 2016-03-16 浙江宇视科技有限公司 一种视频数据的存储方法和系统
CN109977775A (zh) * 2019-02-25 2019-07-05 腾讯科技（深圳）有限公司 关键点检测方法、装置、设备及可读存储介质
CN110796088A (zh) * 2019-10-30 2020-02-14 行吟信息科技（上海）有限公司 视频相似性判定方法及装置
US11386663B1 (en) * 2020-08-28 2022-07-12 Headspin, Inc. Reference-free system for determining quality of video data

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105404469A (zh) * 2015-10-22 2016-03-16 浙江宇视科技有限公司 一种视频数据的存储方法和系统
CN109977775A (zh) * 2019-02-25 2019-07-05 腾讯科技（深圳）有限公司 关键点检测方法、装置、设备及可读存储介质
CN110796088A (zh) * 2019-10-30 2020-02-14 行吟信息科技（上海）有限公司 视频相似性判定方法及装置
US11386663B1 (en) * 2020-08-28 2022-07-12 Headspin, Inc. Reference-free system for determining quality of video data

Also Published As

Publication number Publication date
CN118172711B (zh) 2024-09-24

Similar Documents

Publication Publication Date Title
CN110751022B (zh) 基于图像识别的城市宠物活动轨迹监测方法及相关设备
CN108216252B (zh) 一种地铁司机车载驾驶行为分析方法、车载终端及系统
CN111126153B (zh) 基于深度学习的安全监测方法、系统、服务器及存储介质
CN110751675B (zh) 基于图像识别的城市宠物活动轨迹监测方法及相关设备
CN103106394A (zh) 一种视频监控中的人体行为识别方法
CN112434566B (zh) 客流统计方法、装置、电子设备及存储介质
CN113361825A (zh) 一种踩踏事故早期预警方法及系统
CN112132048A (zh) 一种基于计算机视觉的社区巡更分析方法及系统
CN117746338B (zh) 基于人工智能的物业园区安全管理方法及系统
CN114613101A (zh) 一种基于大数据的智慧酒店智能安防系统
CN114218992A (zh) 异常对象的检测方法及相关装置
CN118194186A (zh) 一种基于物联网的螺蛳肉饲料制作管理方法及系统
CN115311735A (zh) 一种异常行为智能识别预警方法
CN117828309A (zh) 一种多源数据融合测距的变电站安全预警方法
CN113159984B (zh) 一种变电站工作人员工作路径追踪方法
US11823452B2 (en) Video analytics evaluation
CN118196993A (zh) 一种基于深度学习的光伏厂区的人员与烟火识别系统及装置
CN116959099B (zh) 一种基于时空图卷积神经网络的异常行为识别方法
CN117953009A (zh) 一种基于时空特征的群体性人员轨迹预测方法
CN118172711B (zh) 一种ai大数据智能管理方法及系统
CN116959117A (zh) 针对垃圾投放行为分析和违规行为多角度抓拍的监测系统
CN116401604B (zh) 进行冷头状态分类检测和寿命预测的方法
CN118430216B (zh) 一种用于充电桩的多种通信协议烟雾预警系统
CN118609796A (zh) 一种基于计算机视觉的抑郁症预警系统
CN117746500A (zh) 基于卷积神经网络的违章行为识别方法和装置

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