CN104539895A - 一种视频分层存储***及处理方法 - Google Patents

Abstract

本发明涉及一种视频分层存储***，包括用于采集视频画面的视频采集模块、用于缓存视频画面的缓存器、用于压缩视频画面的视频处理模块、用于接收标注信息的客户端模块、用于对视频画面区域进行重要性评分的视频分析模块和用于按等级存储视频画面区域的视频存储模块；本发明还涉及一种视频分层存储处理方法；本发明可以实现对视频内容重要性评分后的不同层级使用有差别的存储介质进行视频数据的分层存储，保证了对基于内容重要性分析的视频数据后期的删除和回看搜索，不仅有利于提升存储的效率及性能，而且更大程度减少了整体的存储成本，能够更好的为以存储为基础的计算提供服务。

Description

一种视频分层存储***及处理方法

技术领域

本发明涉及视频处理技术领域，尤其涉及一种视频分层存储***及处理方法。

背景技术

随着视频监控技术向高清化、数字化、网络化、智能化的方向发展，以视频为主体的非结构化数据的增长越来越快，其速度已经超过了所有其他类型的数据。人们对存储***的容量和性能的高要求使得全面采用高速存储成为一种浪费，这就催生了分层存储技术。

分层存储指的是现有的存储设备可以设置成磁盘分层的方式，将不同类型的磁盘设置在不同的层级上，根据数据的访问需求，数据可以在不同层之间迁移。常用的分层策略是，将RAM磁盘以及固态硬盘(solid state disk，简称：SSD)作为第0层的存储介质，第1层可能有FC 15K硬盘或者SAS 15K硬盘，第2层有其他类型的硬盘和磁盘库，第3层是如磁带库和光盘库的离线介质。在分层存储的实现中，将不常访问的数据存储到访问速度较慢的磁盘层例如HDD中，而将经常访问的数据存储到访问速度较快的磁盘层例如SSD中，以使得在访问常用数据时，提高数据的读取速度以及存储设备的访问效率。

由于对视频内容的不理解，没有一个高效的内容重要性方法对视频数据分层。为了解决这一问题，需要对视频内容重要性进行描述及以此技术为核心进行视频分层存储方法的研究。

发明内容

本发明所要解决的技术问题是提供一种视频分层存储***及处理方法，可实现对视频内容重要性评分后的不同层级使用有差别的存储介质进行视频数据的分层存储，有利于提升存储的效率及性能。

本发明解决上述技术问题的技术方案如下：一种视频分层存储***，包括视频采集模块、缓存器、视频处理模块、客户端模块、视频分析模块和视频存储模块；

所述视频采集模块，用于从各个视频监控区域采集各路视频画面,并将采集到的视频画面发送至所述缓存器中；

所述缓存器，用于将采集到的所述视频画面进行缓存；

所述视频处理模块，用于读取所述缓存器中的视频画面，并将该视频画面进行压缩处理，再将压缩处理后的视频画面发送至所述客户端模块中；

所述客户端模块，用于接收所述压缩的视频画面，并将该压缩的视频画面进行显示，并接收视频编辑者对该压缩的视频画面的标注信息，再将该标注信息发送至所述视频分析模块中；

所述视频分析模块，用于读取所述缓存器中的视频画面，并将所述视频画面分割处理成多个备选视频画面区域R2，并根据所述标注信息将各个备选视频画面区域R2进行重要性评分，再将经过评分后的各个备选视频画面区域R2发送至所述视频存储模块中；

视频编辑者先用文本描述哪些是重要的人或物，然后对视频进行均匀采样并将文本描述得到的重要的人或物的边界用多边形勾画出来，来得到标注信息，发送至视频分析模块中，视频分析模块再通过标注信息来确定该视频画面中的关键视频内容区域R1；

所述视频存储模块，用于将评分后的各个备选视频画面区域R2根据其评分由高至低的标准进行等级分类，并根据等级分类后的各个备选视频画面区域R2按照由高速、正常至低速的存储介质依次进行保存。

本发明的有益效果是：可以实现对视频内容重要性评分后的不同层级使用有差别的存储介质进行视频数据的分层存储，保证了对基于内容重要性分析的视频数据后期的删除和回看搜索，不仅有利于提升存储的效率及性能，而且更大程度减少了整体的存储成本，能够更好的为以存储为基础的计算提供服务。

在上述技术方案的基础上，本发明还可以做如下改进。

进一步，将所述视频画面分割处理成多个备选视频画面区域R2的具体实现为：按照视频帧级别对所述视频画面分割处理成多个备选视频画面区域R2。

进一步，将各个备选视频画面区域R2进行重要性评分的具体实现如下：

步骤S1：获得关键区域：根据标注信息获得该视频画面中的关键视频内容区域R1；

步骤S2：学习备选视频画面区域R2的重要性特征：对各个备选视频画面区域R2进行三级候选特征的提取，分别提取第一级候选特征为注意力特征{f₁(r),f₂(r)，f₃(r)}，第二级候选特征为显著特征{f₄(r),f₅(r)}，第三级候选特征为区域特征{f₆(r),f₇(r)}；

步骤S3：训练多元线性回归模型：将各个备选视频画面区域R2与关键视频内容区域R1利用公式(R1∩R2)/(R1∪R2)进行交集，并利用多元线性回归模型和步骤S2中的三级候选特征获得学习参数β：

$I\left(r\right)={\mathrm{\β}}_0+\underset{i=1}{\overset{7}{\mathrm{\Σ}}}{\mathrm{\β}}_i{f}_i\left(r\right)+\underset{j=1}{\overset{7}{\mathrm{\Σ}}}\underset{k=j+1}{\overset{7}{\mathrm{\Σ}}}{\mathrm{\β}}_{j,k}{f}_j\left(r\right)f_k\left(r\right)$

其中，I(r)是重要性评分，β是学习参数，∑是求和号，f(r)是候选特征量；

步骤S4：对备选视频画面区域R2重要性评分：对各个备选视频画面区域R2输入提取的三级候选特征，将步骤S3中获得的学习参数β代入多元线性回归模型中，得到重要性评分I(r)。

进一步，所述等级分类按照重要级别、次重要级别和非重要级别的等级来分类。

进一步，所述高速、正常至低速的存储介质分别为SSD固态硬盘、SATA接口硬盘和磁带库。

将重要级别的备选视频画面区域存储于高速存储层(SSD固态硬盘)中，将次重要级别的存储于正常存储层(SATA接口硬盘)中，将非重要级别的备选视频画面区域存储于低速存储层(磁带库)中。

进一步，每个所述视频监控区域配备多个摄像头装置。

本发明解决上述技术问题的另一技术方案如下：一种视频分层存储处理方法，采用视频分层存储***，包括如下步骤：

步骤A：视频采集模块从各个视频监控区域采集各路视频画面,并将采集到的视频画面发送至所述缓存器中；

步骤B：缓存器将采集到的所述视频画面进行缓存；

步骤C：视频处理模块读取缓存器中的视频画面，并将该视频画面进行压缩处理，再将压缩处理后的视频画面发送至客户端模块中；

步骤D：客户端模块接收压缩的视频画面，并将该压缩的视频画面进行显示，并接收视频编辑者对该压缩的视频画面的标注信息，再将该标注信息发送至视频分析模块中；

步骤E：视频分析模块读取缓存器中的视频画面，并将所述视频画面分割处理成多个备选视频画面区域R2，并根据所述标注信息将各个备选视频画面区域R2进行重要性评分，再将经过评分后的各个备选视频画面区域R2发送至所述视频存储模块中；

步骤F：视频存储模块将评分后的各个备选视频画面区域R2根据其评分由高至低的标准进行等级分类，并根据等级分类后的各个备选视频画面区域R2按照由高速、正常至低速的存储介质依次进行保存。

在上述技术方案的基础上，本发明还可以做如下改进。

进一步，将所述视频画面分割处理成多个备选视频画面区域R2的具体实现为：按照视频帧级别对所述视频画面分割处理成多个备选视频画面区域R2。

进一步，所述步骤E中根据所述关键视频内容区域R1对分割后的各个备选视频画面区域R2进行重要性评分的具体实现如下：

步骤S1：获得关键区域：根据标注信息获得该视频画面中的关键视频内容区域R1；

步骤S2：学习备选视频画面区域R2的重要性特征：对各个备选视频画面区域R2进行三级候选特征的提取，分别提取第一级候选特征为注意力特征{f₁(r),f₂(r)，f₃(r)}，第二级候选特征为显著特征{f₄(r),f₅(r)}，第三级候选特征为区域特征{f₆(r),f₇(r)}；

步骤S3：训练多元线性回归模型：将各个备选视频画面区域R2与关键视频内容区域R1利用公式(R1∩R2)/(R1∪R2)进行交集，并利用多元线性回归模型和步骤S2中的三级候选特征获得学习参数β：

$I\left(r\right)={\mathrm{\β}}_0+\underset{i=1}{\overset{7}{\mathrm{\Σ}}}{\mathrm{\β}}_i{f}_i\left(r\right)+\underset{j=1}{\overset{7}{\mathrm{\Σ}}}\underset{k=j+1}{\overset{7}{\mathrm{\Σ}}}{\mathrm{\β}}_{j,k}{f}_j\left(r\right)f_k\left(r\right)$

其中，I(r)是重要性评分，β是学习参数，∑是求和号，f(r)是候选特征量；

步骤S4：对备选视频画面区域R2重要性评分：对各个备选视频画面区域R2输入提取的三级候选特征，将步骤S3中获得的学习参数β代入多元线性回归模型中，得到重要性评分I(r)。

进一步，所述注意力特征{f₁(r),f₂(r)，f₃(r)}中，f₁(r)为该备选视频画面区域R2与其余视频画面区域的颜色相似度的欧氏距离特征量，f₂(r)为该备选视频画面区域R2与该视频帧的质心之间颜色相似度的欧氏距离特征量，f₃(r)为在一个视频帧序列中备选视频画面区域R2出现的频率；所述显著特征{f₄(r),f₅(r)}中，f₄(r)为根据排名函数得出对该备选视频画面区域R2中物体的外观的特征量，f₅(r)为根据帧差法对该备选视频画面区域R2中物体的运动区域的特征量；所述区域特征{f₆(r),f₇(r)}中，f₆(r)为区域的大小特征，f₇(r)为区域的位置特征。

欧氏距离又名欧几里得度量(eucl idean metric)是一个通常采用的距离定义，指在m维空间中两个点之间的真实距离，或者向量的自然长度(即该点到原点的距离)，在二维和三维空间中的欧氏距离就是两点之间的实际距离。

附图说明

图1为本发明视频分层存储***的模块框图；

图2为本发明视频存储模块的结构示意图；

图3为本发明视频分层存储处理方法的方法流程图；

图4为本发明进行重要性评分的方法流程图。

附图中，各标记所代表的部件名称如下：

1、视频采集模块，2、缓存器，3、视频处理模块，4、客户端模块，5、视频分析模块，6、视频存储模块。

具体实施方式

以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。

如图1所示，一种视频分层存储***，包括视频采集模块1、缓存器2、视频处理模块3、客户端模块4、视频分析模块5和视频存储模块6；

所述视频采集模块1，用于从各个视频监控区域采集各路视频画面,并将采集到的视频画面发送至所述缓存器2中；

所述缓存器2，用于将采集到的所述视频画面进行缓存；

所述视频处理模块3，用于读取所述缓存器2中的视频画面，并将该视频画面进行压缩处理，再将压缩处理后的视频画面发送至所述客户端模块4中；

所述客户端模块4，用于接收所述压缩的视频画面，并将该压缩的视频画面进行显示，并接收视频编辑者对该压缩的视频画面的标注信息，再将该标注信息发送至所述视频分析模块5中；

所述视频分析模块5，用于读取所述缓存器2中的视频画面，并将所述视频画面分割处理成多个备选视频画面区域R2，并根据所述标注信息将各个备选视频画面区域R2进行重要性评分，再将经过评分后的各个备选视频画面区域R2发送至所述视频存储模块6中；

视频编辑者先用文本描述哪些是重要的人或物，然后对视频进行均匀采样并将文本描述得到的重要的人或物的边界用多边形勾画出来，来得到标注信息，发送至视频分析模块中，视频分析模块再通过标注信息来确定该视频画面中的关键视频内容区域R1；

所述视频存储模块6，用于将评分后的各个备选视频画面区域R2根据其评分由高至低的标准进行等级分类，并根据等级分类后的各个备选视频画面区域R2按照由高速、正常至低速的存储介质依次进行保存。

将所述视频画面分割处理成多个备选视频画面区域R2的具体实现为：按照视频帧级别对所述视频画面分割处理成多个备选视频画面区域R2。

根据所述关键视频内容区域R1对分割后的各个备选视频画面区域R2进行重要性评分的具体实现如下：

步骤S1：获得关键区域：根据标注信息获得该视频画面中的关键视频内容区域R1；

步骤S2：学习备选视频画面区域R2的重要性特征：对各个备选视频画面区域R2进行三级候选特征的提取，分别提取第一级候选特征为注意力特征{f₁(r),f₂(r)，f₃(r)}，第二级候选特征为显著特征{f₄(r),f₅(r)}，第三级候选特征为区域特征{f₆(r),f₇(r)}；

步骤S3：训练多元线性回归模型：将各个备选视频画面区域R2与关键视频内容区域R1利用公式(R1∩R2)/(R1∪R2)进行交集，对该交集进行重要性评分，并利用多元线性回归模型和步骤S2中的三级候选特征获得学习参数β：

$I\left(r\right)={\mathrm{\β}}_0+\underset{i=1}{\overset{7}{\mathrm{\Σ}}}{\mathrm{\β}}_i{f}_i\left(r\right)+\underset{j=1}{\overset{7}{\mathrm{\Σ}}}\underset{k=j+1}{\overset{7}{\mathrm{\Σ}}}{\mathrm{\β}}_{j,k}{f}_j\left(r\right)f_k\left(r\right)$

其中，I(r)是重要性评分，β是学习参数，∑是求和号，f(r)是候选特征量；

步骤S4：对备选视频画面区域R2重要性评分：对各个备选视频画面区域R2输入提取的三级候选特征，将步骤S3中获得的学习参数β代入多元线性回归模型中，得到重要性评分I(r)。

所述等级分类按照重要级别、次重要级别和非重要级别的等级来分类。

所述高速、正常至低速的存储介质分别为SSD固态硬盘、SATA接口硬盘和磁带库。

如图2所示，将重要级别的备选视频画面区域存储于高速存储层(SSD固态硬盘)中，将次重要级别的存储于正常存储层(SATA接口硬盘)中，将非重要级别的备选视频画面区域存储于低速存储层(磁带库)中。

每个所述视频监控区域配备多个摄像头装置。

如图3所示，一种视频分层存储处理方法，采用视频分层存储***，包括如下步骤：

步骤A：视频采集模块从各个视频监控区域采集各路视频画面,并将采集到的视频画面发送至所述缓存器中；

步骤B：缓存器将采集到的所述视频画面进行缓存；

步骤C：视频处理模块读取缓存器中的视频画面，并将该视频画面进行压缩处理，再将压缩处理后的视频画面发送至客户端模块中；

步骤D：客户端模块接收压缩的视频画面，并将该压缩的视频画面进行显示，并接收视频编辑者对该压缩的视频画面的标注信息，再将该标注信息发送至视频分析模块中；

步骤E：视频分析模块读取缓存器中的视频画面，并将所述视频画面分割处理成多个备选视频画面区域R2，并根据所述标注信息将各个备选视频画面区域R2进行重要性评分，再将经过评分后的各个备选视频画面区域R2发送至所述视频存储模块中；

步骤F：视频存储模块将评分后的各个备选视频画面区域R2根据其评分由高至低的标准进行等级分类，并根据等级分类后的各个备选视频画面区域R2按照由高速、正常至低速的存储介质依次进行保存。

将所述视频画面分割处理成多个备选视频画面区域R2的具体实现为：按照视频帧级别对所述视频画面分割处理成多个备选视频画面区域R2。

如图4所示，所述步骤E中根据所述关键视频内容区域R1对分割后的各个备选视频画面区域R2进行重要性评分的具体实现如下：

步骤S1：获得关键区域：根据标注信息获得该视频画面中的关键视频内容区域R1；

步骤S2：学习备选视频画面区域R2的重要性特征：对各个备选视频画面区域R2进行三级候选特征的提取，分别提取第一级候选特征为注意力特征{f₁(r),f₂(r)，f₃(r)}，第二级候选特征为显著特征{f₄(r),f₅(r)}，第三级候选特征为区域特征{f₆(r),f₇(r)}；

步骤S3：训练多元线性回归模型：将各个备选视频画面区域R2与关键视频内容区域R1利用公式(R1∩R2)/(R1∪R2)进行交集，对该交集进行重要性评分，并利用多元线性回归模型和步骤S2中的三级候选特征获得学习参数β：

$I\left(r\right)={\mathrm{\β}}_0+\underset{i=1}{\overset{7}{\mathrm{\Σ}}}{\mathrm{\β}}_i{f}_i\left(r\right)+\underset{j=1}{\overset{7}{\mathrm{\Σ}}}\underset{k=j+1}{\overset{7}{\mathrm{\Σ}}}{\mathrm{\β}}_{j,k}{f}_j\left(r\right)f_k\left(r\right)$

其中，I(r)是重要性评分，β是学习参数，∑是求和号，f(r)是候选特征量；

步骤S4：对备选视频画面区域R2重要性评分：对各个备选视频画面区域R2输入提取的三级候选特征，将步骤S3中获得的学习参数β代入多元线性回归模型中，得到重要性评分I(r)。

所述注意力特征{f₁(r),f₂(r)，f₃(r)}中，f₁(r)为该备选视频画面区域R2与其余视频画面区域的颜色相似度的欧氏距离特征量，f₂(r)为该备选视频画面区域R2与该视频帧的质心之间颜色相似度的欧氏距离特征量，f₃(r)为在一个视频帧序列中备选视频画面区域R2出现的频率。

欧氏距离又名欧几里得度量(eucl idean metric)是一个通常采用的距离定义，指在m维空间中两个点之间的真实距离，或者向量的自然长度(即该点到原点的距离)，在二维和三维空间中的欧氏距离就是两点之间的实际距离。

所述显著特征{f4(r),f5(r)}中，f4(r)为根据排名函数得出对该备选视频画面区域R2中物体的外观的特征量，f₅(r)为根据帧差法对该备选视频画面区域R2中物体的运动区域的特征量。

所述区域特征{f₆(r),f₇(r)}中，f₆(r)为区域的大小特征，f₇(r)为区域的位置特征。

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)

1.一种视频分层存储***，其特征在于，包括视频采集模块(1)、缓存器(2)、视频处理模块(3)、客户端模块(4)、视频分析模块(5)和视频存储模块(6)；

所述视频采集模块(1)，用于从各个视频监控区域采集各路视频画面,并将采集到的视频画面发送至所述缓存器(2)中；

所述缓存器(2)，用于将采集到的所述视频画面进行缓存；

所述视频处理模块(3)，用于读取所述缓存器(2)中的视频画面，并将该视频画面进行压缩处理，再将压缩处理后的视频画面发送至所述客户端模块(4)中；

所述客户端模块(4)，用于接收所述压缩的视频画面，并将该压缩的视频画面进行显示，并接收视频编辑者对该压缩的视频画面的标注信息，再将该标注信息发送至所述视频分析模块(5)中；

所述视频分析模块(5)，用于读取所述缓存器(2)中的视频画面，并将所述视频画面分割处理成多个备选视频画面区域R2，并根据所述标注信息将各个备选视频画面区域R2进行重要性评分，再将经过评分后的各个备选视频画面区域R2发送至所述视频存储模块(6)中；

所述视频存储模块(6)，用于将评分后的各个备选视频画面区域R2根据其评分由高至低的标准进行等级分类，并根据等级分类后的各个备选视频画面区域R2按照由高速、正常至低速的存储介质依次进行保存。

2.根据权利要求1所述的视频分层存储***，其特征在于，将所述视频画面分割处理成多个备选视频画面区域R2的具体实现为：按照视频帧级别对所述视频画面分割处理成多个备选视频画面区域R2。

3.根据权利要求1所述的视频分层存储***，其特征在于，将各个备选视频画面区域R2进行重要性评分的具体实现如下：

步骤S1：获得关键区域：根据标注信息获得该视频画面中的关键视频内容区域R1；

步骤S2：学习备选视频画面区域R2的重要性特征：对各个备选视频画面区域R2进行三级候选特征的提取，分别提取第一级候选特征为注意力特征{f₁(r),f₂(r)，f₃(r)}，第二级候选特征为显著特征{f₄(r),f₅(r)}，第三级候选特征为区域特征{f₆(r),f₇(r)}；

步骤S3：训练多元线性回归模型：将各个备选视频画面区域R2与关键视频内容区域R1利用公式(R1∩R2)/(R1∪R2)进行交集，并利用多元线性回归模型和步骤S2中的三级候选特征获得学习参数β：

$I\left(r\right)={\mathrm{\β}}_0+\underset{i=1}{\overset{7}{\mathrm{\Σ}}}{\mathrm{\β}}_i{f}_i\left(r\right)+\underset{j=1}{\overset{7}{\mathrm{\Σ}}}\underset{k=j+1}{\overset{7}{\mathrm{\Σ}}}{\mathrm{\β}}_{j,k}{f}_j\left(r\right)f_k\left(r\right)$

其中，I(r)是重要性评分，β是学习参数，∑是求和号，f(r)是候选特征量；

步骤S4：对备选视频画面区域R2重要性评分：对各个备选视频画面区域R2输入提取的三级候选特征，将步骤S3中获得的学习参数β代入多元线性回归模型中，得到重要性评分I(r)。

4.根据权利要求1所述的视频分层存储***，其特征在于，所述等级分类按照重要级别、次重要级别和非重要级别的等级来分类。

5.根据权利要求1所述的视频分层存储***，其特征在于，所述高速、正常至低速的存储介质分别为SSD固态硬盘、SATA接口硬盘和磁带库。

6.根据权利要求1所述的视频分层存储***，其特征在于，每个所述视频监控区域配备多个摄像头装置。

7.一种视频分层存储处理方法，其特征在于，采用权利要求1至6中任一所述的视频分层存储***，包括如下步骤：

步骤A：视频采集模块从各个视频监控区域采集各路视频画面,并将采集到的视频画面发送至所述缓存器中；

步骤B：缓存器将采集到的所述视频画面进行缓存；

步骤C：视频处理模块读取缓存器中的视频画面，并将该视频画面进行压缩处理，再将压缩处理后的视频画面发送至客户端模块中；

步骤D：客户端模块接收所述压缩的视频画面，并将该压缩的视频画面进行显示，并接收视频编辑者对该压缩的视频画面的标注信息，再将该标注信息发送至视频分析模块中；

步骤E：视频分析模块读取缓存器中的视频画面，并将所述视频画面分割处理成多个备选视频画面区域R2，并根据所述标注信息将各个备选视频画面区域R2进行重要性评分，再将经过评分后的各个备选视频画面区域R2发送至所述视频存储模块中；

步骤F：视频存储模块将评分后的各个备选视频画面区域R2根据其评分由高至低的标准进行等级分类，并根据等级分类后的各个备选视频画面区域R2按照由高速、正常至低速的存储介质依次进行保存。

8.根据权利要求7所述的视频分层存储处理方法，其特征在于，将所述视频画面分割处理成多个备选视频画面区域R2的具体实现为：按照视频帧级别对所述视频画面分割处理成多个备选视频画面区域R2。

9.根据权利要求7所述的视频分层存储处理方法，其特征在于，将各个备选视频画面区域R2进行重要性评分的具体实现如下：

步骤S1：获得关键区域：根据标注信息获得该视频画面中的关键视频内容区域R1；

步骤S2：学习备选视频画面区域R2的重要性特征：对各个备选视频画面区域R2进行三级候选特征的提取，分别提取第一级候选特征为注意力特征{f₁(r),f₂(r)，f₃(r)}，第二级候选特征为显著特征{f₄(r),f₅(r)}，第三级候选特征为区域特征{f₆(r),f₇(r)}；

步骤S3：训练多元线性回归模型：将各个备选视频画面区域R2与关键视频内容区域R1利用公式(R1∩R2)/(R1∪R2)进行交集，并利用多元线性回归模型和步骤S2中的三级候选特征获得学习参数β：

$I\left(r\right)={\mathrm{\β}}_0+\underset{i=1}{\overset{7}{\mathrm{\Σ}}}{\mathrm{\β}}_i{f}_i\left(r\right)+\underset{j=1}{\overset{7}{\mathrm{\Σ}}}\underset{k=j+1}{\overset{7}{\mathrm{\Σ}}}{\mathrm{\β}}_{j,k}{f}_j\left(r\right)f_k\left(r\right)$

其中，I(r)是重要性评分，β是学习参数，∑是求和号，f(r)是候选特征量；

步骤S4：对备选视频画面区域R2重要性评分：对各个备选视频画面区域R2输入提取的三级候选特征，将步骤S3中获得的学习参数β代入多元线性回归模型中，得到重要性评分I(r)。

10.根据权利要求7所述的视频分层存储处理方法，其特征在于，所述注意力特征{f₁(r),f₂(r)，f₃(r)}中，f₁(r)为该备选视频画面区域R2与其余视频画面区域的颜色相似度的欧氏距离特征量，f₂(r)为该备选视频画面区域R2与该视频帧的质心之间颜色相似度的欧氏距离特征量，f₃(r)为在一个视频帧序列中备选视频画面区域R2出现的频率；所述显著特征{f₄(r),f₅(r)}中，f₄(r)为根据排名函数得出对该备选视频画面区域R2中物体的外观的特征量，f₅(r)为根据帧差法对该备选视频画面区域R2中物体的运动区域的特征量；所述区域特征{f₆(r),f₇(r)}中，f₆(r)为区域的大小特征，f₇(r)为区域的位置特征。