CN104967848A - 一种应用于网络视频监控***中的场景分析算法 - Google Patents
一种应用于网络视频监控***中的场景分析算法 Download PDFInfo
- Publication number
- CN104967848A CN104967848A CN201510330267.1A CN201510330267A CN104967848A CN 104967848 A CN104967848 A CN 104967848A CN 201510330267 A CN201510330267 A CN 201510330267A CN 104967848 A CN104967848 A CN 104967848A
- Authority
- CN
- China
- Prior art keywords
- static
- frame
- frames
- dynamic
- scene
- 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.)
- Pending
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N5/00—Details of television systems
- H04N5/14—Picture signal circuitry for video frequency region
- H04N5/144—Movement detection
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Compression Or Coding Systems Of Tv Signals (AREA)
Abstract
本发明公开了一种应用于网络视频监控***中的场景分析算法,原始视频通过动静态场景分析之后分成动态帧和静态帧,动态帧进行标记,并通过HITAV算法编码进行处理,所有的动态帧都得以压缩;连续出现静态帧表明***进入静态场景状态,并对第一帧做静态帧标记并处理,其余静态帧抛弃;在处理动态帧时,动态帧中记录了在它之前的静态帧量,以便存储;解码时,根据动态帧的标记,如果为动态场景则进行HITAV算法解码,并把解码后的数据覆盖显示缓冲区;如果为静态场景则标志***进入静态场景状态,并持续到下一个动态场景帧的出现。本发明的有益效果是本算法应用于视频监控中的静态场景不会造成冗余,同时最大程度减少视频传输的数据量。
Description
技术领域
本发明属于视频监控技术领域,涉及一种应用于网络视频监控***中的场景分析算法。
背景技术
监控视频非常不同于其它用于广告、宣传、娱乐等的多媒体视频,它存在的目的是确保被监控区域的安全、检测被监控区域发生的变动,在相当长的时间里,监控区域是没有变动的静态场景,这些静态场景对用户是没有意义和冗余的。因此,按照固定帧率工作的通用视频编解码算法在视频监控***中并不合适。
发明内容
本发明的目的在于提供一种应用于网络视频监控***中的场景分析算法,解决了按照固定帧率工作的通用视频编解码算法不适于应用在视频监控***中的问题。
本发明所采用的技术方案是按照以下步骤进行:
步骤1:原始视频通过动静态场景分析之后分成动态帧和静态帧,区分方法如下:
1)对视频进行前处理,把彩色图像转化为灰度图像;
2)对得到的灰度图像进行采样处理,提高算法的运行效率;
A:对得到的灰度图像进行隔i行采样和隔j列采样处理,提高算法的运行效率;
3)第二帧开始与背景帧逐个像素值相减,相减后大于阈值T1,则f(k)等于1,否则等于0,G(k,n)表示第n帧第k个像素点的像素值,其中1≤k≤M×N,图像有M行N列,BG(k)表示背景帧第k个点的像素值,则有:
4)f(k)的累加值一旦超过阈值T2则判定G(n)为动态帧,否则为静态帧:
5)更新背景帧,首先设第一帧为背景帧,G(n)表示第n帧图像,BG表示背景帧,如果第n帧图像为动态帧即更新背景帧,如果第n帧图像为静态帧则不更新背景帧,背景帧的更新公式如下:
步骤2:动态帧进行标记,并通过HITAV算法编码进行处理,所有的动态帧都得以压缩;连续出现静态帧表明***进入静态场景状态,并对第一帧做静态帧标记并处理,其余静态帧抛弃;在处理动态帧时,动态帧中记录了在它之前的静态帧量,以便存储;
步骤3:解码时,根据动态帧的标记,如果为动态场景则进行HITAV算法解码,并把解码后的数据覆盖显示缓冲区;如果为静态场景则标志***进入静态场景状态,并持续到下一个动态场景帧的出现。
本发明的有益效果是本算法应用于视频监控中的静态场景不会造成冗余,提高监控的效率,同时最大程度减少视频传输的数据量。
附图说明
图1为像素点检索方法示意图;
图2为编码流程图;
图3为解码流程图;
图4为编码后帧长度变化和***场景状态。
具体实施方式
下面结合具体实施方式对本发明进行详细说明。
为了既能灵活有效地检测出被监控区域发生的变动又不影响监控视频的分辨率,提高监控的效率,同时最大程度减少视频传输的数据量,本发明提出了一种动静态场景分析算法,把监控视频分类为静态场景视频和动态场景视频。通过动静态场景分析算法与HITAV编解码算法的结合,实现了视频监控***对不同场景视频的分类处理。通过实验证明,运行了动静态场景分析的视频监控***能有效区分监控视频的场景状态,并根据不同的场景特征做不同的处理,如一旦检测到静态场景,则视频数据无需编码和传输。动态场景视频即所在区域的视频画面有运动物体出现,与背景帧在某些区域有很大的差别;静态场景视频即视频画面在一定范围内没有变化,与背景图像差别不大。目前,运动检测中最常用的方法有:帧间差分法、背景减除法、光流计算法和基于统计学的方法等。帧间差分法相对于其他运动检测算法,具有算法实现简单,灵敏度高,实时性好,对场景光线和动态环境适应性较强等特点,又由于本文只检测视频场景状态即视频中运动物体的有和无,很好的避免了帧间差分法在目标检测中目标区域产生“空洞”的问题。
算法实现步骤如下:
步骤1:原始视频通过动静态场景分析之后分成动态帧和静态帧,区分方法如下:
1:对视频进行前处理,把彩色图像转化为灰度图像,对于YUV420格式的视频数据提取Y分量即可。
2:对得到的灰度图像进行采样处理,提高算法的运行效率;
A:对得到的灰度图像进行隔i行采样和隔j列采样处理,主要目的是提高算法的运行效率,比如一个3*3的矩阵 隔1行1列采样后得到的是中间为1的点,处理后的图像就如同一张“网”,凡大于“网眼”i*j的运动物体都逃脱不了。
3:第二帧开始与背景帧逐个像素值相减,相减后大于阈值T1,阈值优选为36,则f(k)等于1,否则等于0。G(k,n)表示第n帧第k个像素点的像素值,其中1≤k≤M×N(图像有M行N列),BG(k)表示背景帧第k个点的像素值,公式如下。
4:f(k)的累加值一旦超过阈值T2(阈值T2根据分辨率和采用间隔,优选采用5000)则判定G(n)为动态帧,否则为静态帧,公式如下。
5:更新背景帧,首先设第一帧为背景帧,G(n)表示第n帧图像,BG表示背景帧,如果第n帧图像为动态帧即更新背景帧,如果第n帧图像为静态帧则不更新背景帧,背景帧的更新公式如下。
动静态场景分析算法与运动目标检测算法的区别:
第一,通过动静态场景分析后只有两种状态:动态场景和静态场景;
第二,场景分析算法不必检测出两帧图像的所有差别,检测的是一帧视频的整体状态,只要对少数像素点进行运算是动静态场景分析算法区别于其他所有运动目标检测算法的最大优势;
第三,场景越复杂,算法运行时间越短;
第四,场景分析算法不求差分图像,满足条件立即退出。
对算法的进一步优化:
第一,虽然第2步采样会有一定的抑制噪声的能力,但因为是采样后的逐像素相减,还是不可避免的会有噪声的干扰,为了抑制噪声的影响,在小区域内利用统计量的方法,如在4个点的小区域内有3个点的差值大于T1才判断f(k)=1。
第二,考虑到从中间开始会缩短检索时间且处理算法的DSP有多个运算器,故采用从中间向两端检索的方式,上半部分从左到右满了后从下到上,下半部分从左到右满了后从上到下。如图1。
步骤2:动态帧进行标记,并通过HITAV算法编码进行处理,所有的动态帧都得以压缩;
连续出现静态帧表明***进入静态场景状态,并对第一帧做静态帧标记并处理,其余静态帧抛弃;
在处理动态帧时,动态帧中记录了在它之前的静态帧量,以便存储,如图2。
步骤3:解码时,根据动态帧的标记,如果为动态场景则进行HITAV算法解码,并把解码后的数据覆盖显示缓冲区;如果为静态场景则标志***进入静态场景状态,并持续到下一个动态场景帧的出现。如图3所示。
通过在视频监控***中同时运行基于动静态场景分析的HITAV算法和原始的HITAV算法,实验生成了两组数据,第一组为视频通过动静态场景分析编码后的视频数据,第二组为通过原始的HITAV编码后的视频数据。编码后视频帧的长度变化和场景状态变化如图4所示,场景为办公室真实实时场景,视频分辨率为480*800,选取其中1000帧,T1取36,T2取5000。
视频格式为YUV420,一帧原始视频的大小为480*800*1.5字节。通过基于场景分析的HITAV算法编码后长度为零即表示监控视频在静态场景状态,这部分的视频帧在经过该算法后得以滤去。由上图可知:编码后的视频帧长度在6000以内,故原始视频大小与编码后视频大小的比值即编码压缩比在100以上;基于场景分析的编解码算法拦截了无意义的静态场景视频数据。
有场景分析和无场景分析的静态视频百分比与平均压缩比如下表1所示:
表1压缩比对比
由表1可知,基于场景分析的HITAV编码算法的平均压缩比明显高于原始HITAV编码算法的平均压缩比,且静态视频百分比越大,平均压缩比的差值越大。
使用该算法有效而灵活地检测监控视频中动静态场景的变化,与网络视频监控***紧密结合,用户可以无需查看监控视频就可得知监控场景状态,从而节省了大量的时间。通过实验证明,本发明降低了***在有静态场景时的平均传输码流,提高了视频的平均压缩比。
以上所述仅是对本发明的较佳实施方式而已,并非对本发明作任何形式上的限制,凡是依据本发明的技术实质对以上实施方式所做的任何简单修改,等同变化与修饰,均属于本发明技术方案的范围内。
Claims (1)
1.一种应用于网络视频监控***中的场景分析算法,其特征在于按照以下步骤进行:
步骤1:原始视频通过动静态场景分析之后分成动态帧和静态帧,区分方法如下:
1)对视频进行前处理,把彩色图像转化为灰度图像;
2)对得到的灰度图像进行采样处理,提高算法的运行效率;
A:对得到的灰度图像进行隔i行采样和隔j列采样处理,提高算法的运行效率;
3)第二帧开始与背景帧逐个像素值相减,相减后大于阈值T1,则f(k)等于1,否则等于0,G(k,n)表示第n帧第k个像素点的像素值,其中1≤k≤M×N,图像有M行N列,BG(k)表示背景帧第k个点的像素值,则有:
4)f(k)的累加值一旦超过阈值T2则判定G(n)为动态帧,否则为静态帧:
5)更新背景帧,首先设第一帧为背景帧,G(n)表示第n帧图像,BG表示背景帧,如果第n帧图像为动态帧即更新背景帧,如果第n帧图像为静态帧则不更新背景帧,背景帧的更新公式如下:
步骤2:动态帧进行标记,并通过HITAV算法编码进行处理,所有的动态帧都得以压缩;连续出现静态帧表明***进入静态场景状态,并对第一帧做静态帧标记并处理,其余静态帧抛弃;在处理动态帧时,动态帧中记录了在它之前的静态帧量,以便存储;
步骤3:解码时,根据动态帧的标记,如果为动态场景则进行HITAV算法解码,并把解码后的数据覆盖显示缓冲区;如果为静态场景则标志***进入静态场景状态,并持续到下一个动态场景帧的出现。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510330267.1A CN104967848A (zh) | 2015-06-16 | 2015-06-16 | 一种应用于网络视频监控***中的场景分析算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510330267.1A CN104967848A (zh) | 2015-06-16 | 2015-06-16 | 一种应用于网络视频监控***中的场景分析算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104967848A true CN104967848A (zh) | 2015-10-07 |
Family
ID=54221779
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510330267.1A Pending CN104967848A (zh) | 2015-06-16 | 2015-06-16 | 一种应用于网络视频监控***中的场景分析算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104967848A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107333026A (zh) * | 2017-06-26 | 2017-11-07 | 电子科技大学 | 一种针对固定场景下的监控视频图像传输及存储方法 |
CN110392182A (zh) * | 2018-04-19 | 2019-10-29 | 奇景光电股份有限公司 | 影像的动作检测方法与电子装置 |
CN111182307A (zh) * | 2019-12-27 | 2020-05-19 | 广东德融汇科技有限公司 | 一种用于k12教育阶段基于视频影像超低码流无损压缩方法 |
CN112672164A (zh) * | 2020-12-10 | 2021-04-16 | 博流智能科技(南京)有限公司 | 视频压缩***及方法、视频解压缩***及方法 |
CN112866646A (zh) * | 2021-01-13 | 2021-05-28 | 杭州雅观科技有限公司 | 一种基于蓝牙Mesh的智慧社区数据采集方法及*** |
CN112887717A (zh) * | 2021-01-22 | 2021-06-01 | 北京锐马视讯科技有限公司 | 智慧终端视频编码优化方法和装置、设备及存储介质 |
CN113099270A (zh) * | 2021-04-07 | 2021-07-09 | 浙江大华技术股份有限公司 | 文件存储方法及解码方法、装置、存储介质、电子装置 |
CN113657218A (zh) * | 2021-08-02 | 2021-11-16 | 上海影谱科技有限公司 | 一种能够减少冗余数据的视频对象检测方法及装置 |
CN114339431A (zh) * | 2021-12-16 | 2022-04-12 | 杭州当虹科技股份有限公司 | 缩时编码压缩方法 |
CN114374845A (zh) * | 2021-12-21 | 2022-04-19 | 北京中科智易科技有限公司 | 自动压缩加密的存储***和设备 |
CN115396673A (zh) * | 2022-08-29 | 2022-11-25 | 东南大学 | 一种安防监控视频的压缩和播放方法 |
-
2015
- 2015-06-16 CN CN201510330267.1A patent/CN104967848A/zh active Pending
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107333026A (zh) * | 2017-06-26 | 2017-11-07 | 电子科技大学 | 一种针对固定场景下的监控视频图像传输及存储方法 |
CN110392182B (zh) * | 2018-04-19 | 2022-04-26 | 奇景光电股份有限公司 | 影像的动作检测方法与电子装置 |
CN110392182A (zh) * | 2018-04-19 | 2019-10-29 | 奇景光电股份有限公司 | 影像的动作检测方法与电子装置 |
CN111182307A (zh) * | 2019-12-27 | 2020-05-19 | 广东德融汇科技有限公司 | 一种用于k12教育阶段基于视频影像超低码流无损压缩方法 |
CN112672164A (zh) * | 2020-12-10 | 2021-04-16 | 博流智能科技(南京)有限公司 | 视频压缩***及方法、视频解压缩***及方法 |
CN112866646A (zh) * | 2021-01-13 | 2021-05-28 | 杭州雅观科技有限公司 | 一种基于蓝牙Mesh的智慧社区数据采集方法及*** |
CN112887717A (zh) * | 2021-01-22 | 2021-06-01 | 北京锐马视讯科技有限公司 | 智慧终端视频编码优化方法和装置、设备及存储介质 |
CN113099270A (zh) * | 2021-04-07 | 2021-07-09 | 浙江大华技术股份有限公司 | 文件存储方法及解码方法、装置、存储介质、电子装置 |
CN113657218A (zh) * | 2021-08-02 | 2021-11-16 | 上海影谱科技有限公司 | 一种能够减少冗余数据的视频对象检测方法及装置 |
CN114339431A (zh) * | 2021-12-16 | 2022-04-12 | 杭州当虹科技股份有限公司 | 缩时编码压缩方法 |
CN114339431B (zh) * | 2021-12-16 | 2023-09-01 | 杭州当虹科技股份有限公司 | 缩时编码压缩方法 |
CN114374845A (zh) * | 2021-12-21 | 2022-04-19 | 北京中科智易科技有限公司 | 自动压缩加密的存储***和设备 |
CN114374845B (zh) * | 2021-12-21 | 2022-08-02 | 北京中科智易科技有限公司 | 自动压缩加密的存储***和设备 |
CN115396673A (zh) * | 2022-08-29 | 2022-11-25 | 东南大学 | 一种安防监控视频的压缩和播放方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104967848A (zh) | 一种应用于网络视频监控***中的场景分析算法 | |
CN103618900B (zh) | 基于编码信息的视频感兴趣区域提取方法 | |
CN107426631B (zh) | 从源视频序列生成摘要视频序列的方法和视频处理装置 | |
CN108875482B (zh) | 物体检测方法和装置、神经网络训练方法和装置 | |
CN101360184A (zh) | 提取视频关键帧的***及方法 | |
US11062210B2 (en) | Method and apparatus for training a neural network used for denoising | |
US20130101014A1 (en) | Layered Screen Video Encoding | |
CN116453067B (zh) | 基于动态视觉识别的短跑计时方法 | |
CN105931270A (zh) | 基于运动轨迹分析的视频关键帧提取方法 | |
CN110532959B (zh) | 基于双通道三维卷积神经网络的实时暴力行为检测*** | |
CN109660762A (zh) | 智能抓拍装置中大小图关联方法及装置 | |
US20230086804A1 (en) | Selectively identifying data based on motion data from a digital video to provide as input to an image processing model | |
CN116233445B (zh) | 视频的编解码处理方法、装置、计算机设备和存储介质 | |
CN106375771A (zh) | 图像特征匹配方法和装置 | |
CN110602504A (zh) | 一种基于YOLOv2目标检测算法的视频解压缩方法及*** | |
CN112887510A (zh) | 基于视频检测的视频播放方法及*** | |
CN103096117A (zh) | 视频噪声检测方法及装置 | |
US10924637B2 (en) | Playback method, playback device and computer-readable storage medium | |
CN114049483A (zh) | 基于事件相机的目标检测网络自监督训练方法及装置 | |
TW201238359A (en) | Block matching method | |
CN110493599A (zh) | 图像识别方法及装置 | |
Patel et al. | Human action recognition in dark videos | |
Tu et al. | Box-based codebook model for real-time objects detection | |
CN107895355B (zh) | 一种移动侦测和图像对比度自适应增强***及其方法 | |
Fu et al. | A method of shot-boundary detection based on HSV space |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20151007 |