CN110674787A - 一种基于Hog特征和lgb分类器的视频解压缩方法及*** - Google Patents

一种基于Hog特征和lgb分类器的视频解压缩方法及*** Download PDF

Info

Publication number
CN110674787A
CN110674787A CN201910952402.4A CN201910952402A CN110674787A CN 110674787 A CN110674787 A CN 110674787A CN 201910952402 A CN201910952402 A CN 201910952402A CN 110674787 A CN110674787 A CN 110674787A
Authority
CN
China
Prior art keywords
frame
image
video
background
picture
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
Application number
CN201910952402.4A
Other languages
English (en)
Inventor
吴振东
李锐
于治楼
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.)
Shandong Inspur Artificial Intelligence Research Institute Co Ltd
Original Assignee
Shandong Inspur Artificial Intelligence Research Institute 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 Shandong Inspur Artificial Intelligence Research Institute Co Ltd filed Critical Shandong Inspur Artificial Intelligence Research Institute Co Ltd
Priority to CN201910952402.4A priority Critical patent/CN110674787A/zh
Publication of CN110674787A publication Critical patent/CN110674787A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/42—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals characterised by implementation details or hardware specially adapted for video compression or decompression, e.g. dedicated software implementation
    • H04N19/423—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals characterised by implementation details or hardware specially adapted for video compression or decompression, e.g. dedicated software implementation characterised by memory arrangements
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Psychiatry (AREA)
  • Social Psychology (AREA)
  • Human Computer Interaction (AREA)
  • Image Analysis (AREA)
  • Compression Or Coding Systems Of Tv Signals (AREA)

Abstract

本发明公开一种基于Hog特征和lgb分类器的视频解压缩方法及***，涉及视频解压缩技术领域，采用方案包括：将无人便利店的监控视频转化为多帧图像；选取原始监控视频的第一帧图像，利用Hog特征和lgb分类器做行人检测，去除行人位置，形成一张没有运动物体的背景图片；利用Hog特征和lgb分类器做行人检测，找出行人位置，剪裁下来作为行人图片进行保存并命名；将原始视频包含的每一帧图像与背景图像进行对比做差值，将残差数据存放在链表中，进行压缩；取出背景图片，根据链表中的残差数据对每一帧图像的背景进行解码还原；取出链表中的行人图像，来覆盖每一帧背景图片，完成所有帧图像的解码还原；将覆盖后的所有帧图像按照原始视频的比特率和码率拼接成视频，完成视频还原。

Description

一种基于Hog特征和lgb分类器的视频解压缩方法及***
技术领域
本发明涉及视频解压缩技术领域，具体的说是一种基于Hog特征和lgb分类器的视频解压缩方法及***。
背景技术
视频监控是安全防范***的重要组成部分，传统的监控***包括前端摄像机、传输线缆、视频监控平台。
无人便利店指商店内所有或部分经营流程，通过技术手段进行智能化自动化处理，且降低或不存在人工干预。无人便利店中的监控视频是24小时不间断运行，所形成的视频的存储空间非常巨大，需要耗费大量资金进行存储。而视频压缩是可以缩小视频所占空间，节省存储资源的。。人便利店的监控视频背景场景是基本固定不变的，主要变化来自于顾客进入店中的走动。
传统的视频压缩算法包括MPEG-4，H.264和H.265等算法大多遵循预测编码结构，属于是硬编码，无法适应日益增长的需求和多样化的视频用例。
基于机器学习的方法给视频压缩领域带来了变个性的发展。其中，
行人检测是利用计算机视觉技术判断图像或者视频序列中是否存在行人并给予精确定位。该技术可与行人跟踪，行人重识别等技术结合，应用于人工智能***、车辆辅助驾驶***、智能机器人、智能视频监控、人体行为分析、智能交通等领域。
方向梯度直方图(Histogram of Oriented Gradient，HOG)特征是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子，它通过计算和统计图像局部区域的梯度方向直方图来构成特征。
发明内容
本发明的目的就是为了克服传统压缩技术所存在的缺陷，提供一种基于Hog特征和lgb分类器的视频解压缩方法及***，有效地解决无人便利店中监控摄像头采集的大量视频流重复率压缩和简化问题。
首先，本发明提供一种基于Hog特征和lgb分类器的视频解压缩方法，解决上述技术问题采用的技术方案如下：
一种基于Hog特征和lgb分类器的视频解压缩方法，该方法的实现过程包括：
S10、将无人便利店的监控视频通过OpenCV技术转化为多帧图像；
S20、选取原始监控视频的第一帧图像，利用Hog特征和lgb分类器做行人检测，去除行人位置，形成一张没有运动物体的背景图片；
S30、利用Hog特征和lgb分类器做行人检测，找出行人位置，并剪裁下来作为行人图片进行保存，以帧数标号和在视频图像中的位置信息来编码；
S40、将原始视频包含的每一帧图像与背景图像进行对比做差值，将残差数据存放在链表中，进行压缩；
S50、取出背景图片，根据链表中的残差数据对每一帧图像的背景进行解码还原；
S60、取出链表中的行人图像，根据图像文件编码的位置信息来覆盖每一帧背景图片，完成所有帧图像的解码还原；
S70、利用OpenCV技术，将覆盖后的所有帧图像按照原始视频的比特率和码率拼接成视频，完成视频还原。
在步骤S30中，利用Hog特征和lgb分类器做行人检测，具体执行过程为：
首先，收集训练样本并划分为正样本和负样本，提取正负样本hog特征，将这些特征投入到lgb分类器中进行训练，形成所需要的模型；
然后，利用形成的模型来生成检测子，再运用检测子对负样本进行检测，从而得到难样本；
最后，提取难样本的hog特征并结合第一步中的特征一起投入训练，得到最终检测子。
在步骤S30中，将保存的行人图片命名为n_x_y，其中，n为第几帧，x为视频检测边界框左上角的横纵坐标，y为边界框右下角的横纵坐标，以记录所保存行人图片的位置信息。
在步骤S60中，取出链表中的行人图像，根据图片文件名的帧数标号信息n,检测边界框坐标信息x和y，将物体图片覆盖到相应的每一帧背景图中。
在步骤S40中，将原始视频包含的每一帧图像与背景图像进行对比做差值，将残差数据存放在链表中，其具体操作为：
将原始视频包含的每一帧图像与背景图像的整体色度进行对比，根据得到的色差确定每一帧图像与背景图的亮度差异值、饱和度差异值、灰度差异和直方图差异；
将确定的内容以结点的形式按照处理顺序存入链表，链表的结构从前往后依次是背景图片、视频每一帧图像的整体差值参数、裁剪下来的图片以及视频的起止帧数。
在步骤S50中，取出背景图片，根据链表中的残差数据对每一帧图像的背景进行解码还原，具体执行步骤包括：
首先从链表的第一个结点取出背景图片，
然后取出背景图片后面的每帧图像的整体差值参数信息，根据每一帧图像与背景图的亮度差异值、饱和度差异值、灰度差异和直方图差异，对背景图进行渲染，还原成接近原视频的图像。
其次，本发明提供一种基于Hog特征和lgb分类器的视频解压缩***，解决上述技术问题采用的技术方案如下：
一种基于Hog特征和lgb分类器的视频解压缩***，该***基于Hog特征和lgb分类器，包括：
视频拆分模块，用于将无人便利店的监控视频通过OpenCV技术转化为多帧图像；
背景处理模块，用于选取原始监控视频的第一帧图像，利用Hog特征和lgb分类器做行人检测，去除行人位置，形成一张没有运动物体的背景图片；
行人处理模块，用于利用Hog特征和lgb分类器做行人检测，找出行人位置，并剪裁下来作为行人图片进行保存，以帧数标号和在视频图像中的位置信息来编码；
对比存储模块，用于将原始视频包含的每一帧图像与背景图像进行对比做差值，将残差数据存放在链表中，进行压缩；
解码还原模块，用于取出背景图片，并根据链表中的残差数据对每一帧图像的背景进行解码还原；
行人图像覆盖模块，用于取出链表中的行人图像，并根据图像文件编码的位置信息来覆盖每一帧背景图片，完成所有帧图像的解码还原；
拼接还原模块，用于利用OpenCV技术将覆盖后的所有帧图像按照原始视频的比特率和码率拼接成视频，完成视频还原。
具体的，所涉及对比存储模块将原始视频包含的每一帧图像与背景图像进行对比做差值，将残差数据存放在链表时，
首先将原始视频包含的每一帧图像与背景图像的整体色度进行对比，根据得到的色差确定每一帧图像与背景图的亮度差异值、饱和度差异值、灰度差异和直方图差异；
随后将确定的内容以结点的形式按照处理顺序存入链表，链表的结构从前往后依次是背景图片、视频每一帧图像的整体差值参数、裁剪下来的图片以及视频的起止帧数。
具体的，所涉及解码还原模块根据链表中的残差数据对每一帧图像的背景进行解码还原时，
首先从链表的第一个结点取出背景图片，
然后取出背景图片后面的每帧图像的整体差值参数信息，根据每一帧图像与背景图的亮度差异值、饱和度差异值、灰度差异和直方图差异，对背景图进行渲染，还原成接近原视频的图像。
具体的，所涉及行人处理模块将保存的行人图片命名为n_x_y，其中，n为第几帧，x为视频检测边界框左上角的横纵坐标，y为边界框右下角的横纵坐标，以记录所保存行人图片的位置信息；
所涉及行人图像覆盖模块取出链表中的行人图像，根据图片文件名的帧数标号信息n,检测边界框坐标信息x和y，将物体图片覆盖到相应的每一帧背景图中。
本发明的一种基于Hog特征和lgb分类器的视频解压缩方法及***，与现有技术相比具有的有益效果是：
1)本发明首先利用Hog特征外加lgb分类器来优化行人检测技术，将监控视频中的行人与静止物体分开以链表方式存储，同时对检测到的视频中的行人进行图片截取并编码，从而只需要保存少量的图片和若干尺寸非常小的视频，如此一来大幅度节约了存储空间，提高了压缩性能，随后，对所截取的行人图片进行拼接还原，从而尽最大程度上达到恢复原视频的效果；
2)本发明适用于没有店员参与的智能化购物场所，该场所的货架和货物摆放位置相对固定，且行人和移动的物体比较容易检测到，便于后期将监控视频中的行人与背景图分开，可以有效地解决无人便利店中监控摄像头采集的大量视频流重复率压缩和简化问题。
附图说明
附图1是本发明实施例一的方法流程图；
附图2是本发明实施例二的连接框图。
附图中各标号信息表示：
1、视频拆分模块，2、背景处理模块，3、行人处理模块，4、对比存储模块，
5、解码还原模块，6、行人图像覆盖模块，7、拼接还原模块。
具体实施方式
为使本发明的技术方案、解决的技术问题和技术效果更加清楚明白，以下结合具体实施例，对本发明的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。
实施例一：
结合附图1，本实施例提出一种基于Hog特征和lgb分类器的视频解压缩方法，该方法的实现过程包括：
S10、将无人便利店的监控视频通过OpenCV技术转化为多帧图像；
S20、选取原始监控视频的第一帧图像，利用Hog特征和lgb分类器做行人检测，去除行人位置，形成一张没有运动物体的背景图片；
S30、利用Hog特征和lgb分类器做行人检测，找出行人位置，并剪裁下来作为行人图片进行保存，以帧数标号和在视频图像中的位置信息来编码；
S40、将原始视频包含的每一帧图像与背景图像进行对比做差值，将残差数据存放在链表中，进行压缩；
S50、取出背景图片，根据链表中的残差数据对每一帧图像的背景进行解码还原；
S60、取出链表中的行人图像，根据图像文件编码的位置信息来覆盖每一帧背景图片，完成所有帧图像的解码还原；
S70、利用OpenCV技术，将覆盖后的所有帧图像按照原始视频的比特率和码率拼接成视频，完成视频还原。
在本实施例的步骤S30中，利用Hog特征和lgb分类器做行人检测，具体执行过程为：
首先，收集训练样本并划分为正样本和负样本，提取正负样本hog特征，将这些特征投入到lgb分类器中进行训练，形成所需要的模型；
然后，利用形成的模型来生成检测子，再运用检测子对负样本进行检测，从而得到难样本；
最后，提取难样本的hog特征并结合第一步中的特征一起投入训练，得到最终检测子。
在本实施例的步骤S30中，将保存的行人图片命名为n_x_y，其中，n为第几帧，x为视频检测边界框左上角的横纵坐标，y为边界框右下角的横纵坐标，以记录所保存行人图片的位置信息。
在本实施例的步骤S60中，取出链表中的行人图像，根据图片文件名的帧数标号信息n,检测边界框坐标信息x和y，将物体图片覆盖到相应的每一帧背景图中。
在本实施例的步骤S40中，将原始视频包含的每一帧图像与背景图像进行对比做差值，将残差数据存放在链表中，其具体操作为：
将原始视频包含的每一帧图像与背景图像的整体色度进行对比，根据得到的色差确定每一帧图像与背景图的亮度差异值、饱和度差异值、灰度差异和直方图差异；
将确定的内容以结点的形式按照处理顺序存入链表，链表的结构从前往后依次是背景图片、视频每一帧图像的整体差值参数、裁剪下来的图片以及视频的起止帧数。
在本实施例的步骤S50中，取出背景图片，根据链表中的残差数据对每一帧图像的背景进行解码还原，具体执行步骤包括：
首先从链表的第一个结点取出背景图片，
然后取出背景图片后面的每帧图像的整体差值参数信息，根据每一帧图像与背景图的亮度差异值、饱和度差异值、灰度差异和直方图差异，对背景图进行渲染，还原成接近原视频的图像。
本实施例将监控视频中的行人与静止物体分开以链表方式存储，可以大幅度节约存储空间，提高压缩性能，而且通过对所截取的行人图片覆盖于背景图片并进行拼接还原，能够尽最大程度上达到恢复原视频的效果。
实施例二：
结合附图2，本实施例提出一种基于Hog特征和lgb分类器的视频解压缩***，该***基于Hog特征和lgb分类器，包括：
视频拆分模块1用于将无人便利店的监控视频通过OpenCV技术转化为多帧图像；
背景处理模块2用于选取原始监控视频的第一帧图像，利用Hog特征和lgb分类器做行人检测，去除行人位置，形成一张没有运动物体的背景图片；
行人处理模块3用于利用Hog特征和lgb分类器做行人检测，找出行人位置，并剪裁下来作为行人图片进行保存，以帧数标号和在视频图像中的位置信息来编码；
对比存储模块4用于将原始视频包含的每一帧图像与背景图像进行对比做差值，将残差数据存放在链表中，进行压缩；
解码还原模块5用于取出背景图片，并根据链表中的残差数据对每一帧图像的背景进行解码还原；
行人图像覆盖模块6用于取出链表中的行人图像，并根据图像文件编码的位置信息来覆盖每一帧背景图片，完成所有帧图像的解码还原；
拼接还原模块7用于利用OpenCV技术将覆盖后的所有帧图像按照原始视频的比特率和码率拼接成视频，完成视频还原。
在本实施例中，所涉及对比存储模块4原始视频包含的每一帧图像与背景图像进行对比做差值，将残差数据存放在链表时，
首先将原始视频包含的每一帧图像与背景图像的整体色度进行对比，根据得到的色差确定每一帧图像与背景图的亮度差异值、饱和度差异值、灰度差异和直方图差异；
随后将确定的内容以结点的形式按照处理顺序存入链表，链表的结构从前往后依次是背景图片、视频每一帧图像的整体差值参数、裁剪下来的图片以及视频的起止帧数。
在本实施例中，所涉及解码还原模块5据链表中的残差数据对每一帧图像的背景进行解码还原时，
首先从链表的第一个结点取出背景图片，
然后取出背景图片后面的每帧图像的整体差值参数信息，根据每一帧图像与背景图的亮度差异值、饱和度差异值、灰度差异和直方图差异，对背景图进行渲染，还原成接近原视频的图像。
在本实施例中，所涉及行人处理模块6保存的行人图片命名为n_x_y，其中，n为第几帧，x为视频检测边界框左上角的横纵坐标，y为边界框右下角的横纵坐标，以记录所保存行人图片的位置信息；
所涉及行人图像覆盖模块取出链表中的行人图像，根据图片文件名的帧数标号信息n,检测边界框坐标信息x和y，将物体图片覆盖到相应的每一帧背景图中。
本实施例适用于没有店员参与的智能化购物场所，基于Hog特征和lgb分类器将监控视频中的行人图像与背景图像分开进行存储，实现视频的高效压缩和高度还原。
综上可知，采用本发明的一种基于Hog特征和lgb分类器的视频解压缩方法及***，可以有效地解决无人便利店中监控摄像头采集的大量视频流重复率压缩和简化问题。
以上应用具体个例对本发明的原理及实施方式进行了详细阐述，这些实施例只是用于帮助理解本发明的核心技术内容。基于本发明的上述具体实施例，本技术领域的技术人员在不脱离本发明原理的前提下，对本发明所作出的任何改进和修饰，皆应落入本发明的专利保护范围。

Claims (10)

1.一种基于Hog特征和lgb分类器的视频解压缩方法，其特征在于,该方法的实现过程包括：
S10、将无人便利店的监控视频通过OpenCV技术转化为多帧图像；
S20、选取原始监控视频的第一帧图像，利用Hog特征和lgb分类器做行人检测，去除行人位置，形成一张没有运动物体的背景图片；
S30、利用Hog特征和lgb分类器做行人检测，找出行人位置，并剪裁下来作为行人图片进行保存，以帧数标号和在视频图像中的位置信息来编码；
S40、将原始视频包含的每一帧图像与背景图像进行对比做差值，将残差数据存放在链表中，进行压缩；
S50、取出背景图片，根据链表中的残差数据对每一帧图像的背景进行解码还原；
S60、取出链表中的行人图像，根据图像文件编码的位置信息来覆盖每一帧背景图片，完成所有帧图像的解码还原；
S70、利用OpenCV技术，将覆盖后的所有帧图像按照原始视频的比特率和码率拼接成视频，完成视频还原。
2.根据权利要求1所述的一种基于Hog特征和lgb分类器的视频解压缩方法，其特征在于，在步骤S30中，利用Hog特征和lgb分类器做行人检测，具体执行过程为：
首先，收集训练样本并划分为正样本和负样本，提取正负样本hog特征，将这些特征投入到lgb分类器中进行训练，形成所需要的模型；
然后，利用形成的模型来生成检测子，再运用检测子对负样本进行检测，从而得到难样本；
最后，提取难样本的hog特征并结合第一步中的特征一起投入训练，得到最终检测子。
3.根据权利要求1或2所述的一种基于Hog特征和lgb分类器的视频解压缩方法，其特征在于，在步骤S30中，将保存的行人图片命名为n_x_y，其中，n为第几帧，x为视频检测边界框左上角的横纵坐标，y为边界框右下角的横纵坐标，以记录所保存行人图片的位置信息。
4.根据权利要求3所述的一种基于Hog特征和lgb分类器的视频解压缩方法，其特征在于，在步骤S60中，取出链表中的行人图像，根据图片文件名的帧数标号信息n,检测边界框坐标信息x和y，将物体图片覆盖到相应的每一帧背景图中。
5.根据权利要求1所述的一种基于Hog特征和lgb分类器的视频解压缩方法，其特征在于，在步骤S40中，将原始视频包含的每一帧图像与背景图像进行对比做差值，将残差数据存放在链表中，其具体操作为：
将原始视频包含的每一帧图像与背景图像的整体色度进行对比，根据得到的色差确定每一帧图像与背景图的亮度差异值、饱和度差异值、灰度差异和直方图差异；
将确定的内容以结点的形式按照处理顺序存入链表，链表的结构从前往后依次是背景图片、视频每一帧图像的整体差值参数、裁剪下来的图片以及视频的起止帧数。
6.根据权利要求5所述的一种基于Hog特征和lgb分类器的视频解压缩方法，其特征在于，在步骤S50中，取出背景图片，根据链表中的残差数据对每一帧图像的背景进行解码还原，具体执行步骤包括：
首先从链表的第一个结点取出背景图片，
然后取出背景图片后面的每帧图像的整体差值参数信息，根据每一帧图像与背景图的亮度差异值、饱和度差异值、灰度差异和直方图差异，对背景图进行渲染，还原成接近原视频的图像。
7.一种基于Hog特征和lgb分类器的视频解压缩***，其特征在于，该***基于Hog特征和lgb分类器，包括：
视频拆分模块，用于将无人便利店的监控视频通过OpenCV技术转化为多帧图像；
背景处理模块，用于选取原始监控视频的第一帧图像，利用Hog特征和lgb分类器做行人检测，去除行人位置，形成一张没有运动物体的背景图片；
行人处理模块，用于利用Hog特征和lgb分类器做行人检测，找出行人位置，并剪裁下来作为行人图片进行保存，以帧数标号和在视频图像中的位置信息来编码；
对比存储模块，用于将原始视频包含的每一帧图像与背景图像进行对比做差值，将残差数据存放在链表中，进行压缩；
解码还原模块，用于取出背景图片，并根据链表中的残差数据对每一帧图像的背景进行解码还原；
行人图像覆盖模块，用于取出链表中的行人图像，并根据图像文件编码的位置信息来覆盖每一帧背景图片，完成所有帧图像的解码还原；
拼接还原模块，用于利用OpenCV技术将覆盖后的所有帧图像按照原始视频的比特率和码率拼接成视频，完成视频还原。
8.根据权利要求7所述的一种基于Hog特征和lgb分类器的视频解压缩***，其特征在于，所述对比存储模块将原始视频包含的每一帧图像与背景图像进行对比做差值，将残差数据存放在链表时，
首先将原始视频包含的每一帧图像与背景图像的整体色度进行对比，根据得到的色差确定每一帧图像与背景图的亮度差异值、饱和度差异值、灰度差异和直方图差异；
随后将确定的内容以结点的形式按照处理顺序存入链表，链表的结构从前往后依次是背景图片、视频每一帧图像的整体差值参数、裁剪下来的图片以及视频的起止帧数。
9.根据权利要求8所述的一种基于Hog特征和lgb分类器的视频解压缩***，其特征在于，所述解码还原模块根据链表中的残差数据对每一帧图像的背景进行解码还原时，
首先从链表的第一个结点取出背景图片，
然后取出背景图片后面的每帧图像的整体差值参数信息，根据每一帧图像与背景图的亮度差异值、饱和度差异值、灰度差异和直方图差异，对背景图进行渲染，还原成接近原视频的图像。
10.根据权利要求7所述的一种基于Hog特征和lgb分类器的视频解压缩***，其特征在于，所述行人处理模块将保存的行人图片命名为n_x_y，其中，n为第几帧，x为视频检测边界框左上角的横纵坐标，y为边界框右下角的横纵坐标，以记录所保存行人图片的位置信息；
所述行人图像覆盖模块取出链表中的行人图像，根据图片文件名的帧数标号信息n,检测边界框坐标信息x和y，将物体图片覆盖到相应的每一帧背景图中。
CN201910952402.4A 2019-10-09 2019-10-09 一种基于Hog特征和lgb分类器的视频解压缩方法及*** Pending CN110674787A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910952402.4A CN110674787A (zh) 2019-10-09 2019-10-09 一种基于Hog特征和lgb分类器的视频解压缩方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910952402.4A CN110674787A (zh) 2019-10-09 2019-10-09 一种基于Hog特征和lgb分类器的视频解压缩方法及***

Publications (1)

Publication Number Publication Date
CN110674787A true CN110674787A (zh) 2020-01-10

Family

ID=69080965

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910952402.4A Pending CN110674787A (zh) 2019-10-09 2019-10-09 一种基于Hog特征和lgb分类器的视频解压缩方法及***

Country Status (1)

Country Link
CN (1) CN110674787A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111953940A (zh) * 2020-08-06 2020-11-17 中标慧安信息技术股份有限公司 一种监控视频的上传处理方法及***
CN112348967A (zh) * 2020-10-29 2021-02-09 国网浙江省电力有限公司 一种电力设备三维模型与实时视频无缝融合的方法
CN115866334A (zh) * 2023-02-27 2023-03-28 成都华域天府数字科技有限公司 一种在视频流程中裁剪和关联内容的数据处理方法
CN116431857A (zh) * 2023-06-14 2023-07-14 山东海博科技信息***股份有限公司 一种用于无人场景的视频处理方法和***

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101887524A (zh) * 2010-07-06 2010-11-17 湖南创合制造有限公司 基于视频监控的行人检测方法
CN102810161A (zh) * 2012-06-07 2012-12-05 江苏物联网研究发展中心 一种用于拥挤场景下的多个行人检测方法
CN102842045A (zh) * 2012-08-03 2012-12-26 华侨大学 一种基于组合特征的行人检测方法
CN105023001A (zh) * 2015-07-17 2015-11-04 武汉大学 一种基于选择性区域的多行人检测方法及***
CN109512442A (zh) * 2018-12-21 2019-03-26 杭州电子科技大学 一种基于LightGBM的EEG疲劳状态分类方法
CN109815974A (zh) * 2018-12-10 2019-05-28 清影医疗科技（深圳）有限公司 一种细胞病理玻片分类方法、***、设备、存储介质
CN109889981A (zh) * 2019-03-08 2019-06-14 中南大学 一种基于二分类技术的定位方法及***
CN109951710A (zh) * 2019-03-26 2019-06-28 中国民航大学 基于深度学习的机坪监控视频压缩方法及***
CN109948455A (zh) * 2019-02-22 2019-06-28 中科创达软件股份有限公司 一种遗留物体检测方法及装置
CN110046601A (zh) * 2019-04-24 2019-07-23 南京邮电大学 针对十字路口场景的行人检测方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101887524A (zh) * 2010-07-06 2010-11-17 湖南创合制造有限公司 基于视频监控的行人检测方法
CN102810161A (zh) * 2012-06-07 2012-12-05 江苏物联网研究发展中心 一种用于拥挤场景下的多个行人检测方法
CN102842045A (zh) * 2012-08-03 2012-12-26 华侨大学 一种基于组合特征的行人检测方法
CN105023001A (zh) * 2015-07-17 2015-11-04 武汉大学 一种基于选择性区域的多行人检测方法及***
CN109815974A (zh) * 2018-12-10 2019-05-28 清影医疗科技（深圳）有限公司 一种细胞病理玻片分类方法、***、设备、存储介质
CN109512442A (zh) * 2018-12-21 2019-03-26 杭州电子科技大学 一种基于LightGBM的EEG疲劳状态分类方法
CN109948455A (zh) * 2019-02-22 2019-06-28 中科创达软件股份有限公司 一种遗留物体检测方法及装置
CN109889981A (zh) * 2019-03-08 2019-06-14 中南大学 一种基于二分类技术的定位方法及***
CN109951710A (zh) * 2019-03-26 2019-06-28 中国民航大学 基于深度学习的机坪监控视频压缩方法及***
CN110046601A (zh) * 2019-04-24 2019-07-23 南京邮电大学 针对十字路口场景的行人检测方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111953940A (zh) * 2020-08-06 2020-11-17 中标慧安信息技术股份有限公司 一种监控视频的上传处理方法及***
CN112348967A (zh) * 2020-10-29 2021-02-09 国网浙江省电力有限公司 一种电力设备三维模型与实时视频无缝融合的方法
CN115866334A (zh) * 2023-02-27 2023-03-28 成都华域天府数字科技有限公司 一种在视频流程中裁剪和关联内容的数据处理方法
CN116431857A (zh) * 2023-06-14 2023-07-14 山东海博科技信息***股份有限公司 一种用于无人场景的视频处理方法和***
CN116431857B (zh) * 2023-06-14 2023-09-05 山东海博科技信息***股份有限公司 一种用于无人场景的视频处理方法和***

Similar Documents

Publication Publication Date Title
CN110674787A (zh) 一种基于Hog特征和lgb分类器的视频解压缩方法及***
EP3291558B1 (en) Video coding and decoding methods and apparatus
KR101942808B1 (ko) 객체 이미지 인식 dcnn 기반 cctv 영상분석장치
Porikli et al. Traffic congestion estimation using HMM models without vehicle tracking
CN113158738B (zh) 一种基于注意力机制的港口环境下目标检测方法、***、终端及可读存储介质
CN111901604B (zh) 视频压缩、重构方法及对应装置、摄像头及视频处理设备
CN112488071B (zh) 提取行人特征的方法、装置、电子设备和存储介质
CN111147768A (zh) 一种提高回看效率的智能监控视频回看方法
CN110751630A (zh) 基于深度学习的输电线路异物检测方法、装置及介质
CN112906614A (zh) 基于注意力指导的行人重识别方法、装置及存储介质
CN112381132A (zh) 一种基于多个摄像头融合的目标物跟踪方法和***
CN112287875A (zh) 异常车牌识别方法、装置、设备及可读存储介质
CN111415338A (zh) 目标检测模型的构建方法及***
CN116129291A (zh) 一种面向无人机畜牧的图像目标识别方法及其装置
CN110717070A (zh) 一种用于室内监控场景的视频压缩方法及***
US11455785B2 (en) System and method for use in object detection from video stream
CN101321241A (zh) 一种交互式的视频运动物体消除方法
CN116052090A (zh) 图像质量评估方法、模型训练方法、装置、设备及介质
CN106339684A (zh) 一种行人检测的方法、装置及车辆
CN113486856A (zh) 一种基于语义分割和卷积神经网络的驾驶员不规范行为检测方法
CN112418127A (zh) 一种用于视频行人重识别的视频序列编码与解码方法
CN111147815A (zh) 一种视频监控***
CN115914676A (zh) 一种超高清视频信号的实时监测比对方法及***
Moura et al. A spatiotemporal motion-vector filter for object tracking on compressed video
CN114972840A (zh) 一种基于时域关系的动量视频目标检测方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200110