CN111553328A - 基于区块链技术和深度学习的视频监控方法、***和可读存储介质 - Google Patents

Abstract

本发明公开了一种基于区块链技术和深度学习的视频监控方法、***和可读存储介质，所述方法包括以下步骤：采集视频数据，实时上传至区块链网络并分组进行存储；每次截取过去X个小时的原始视频数据流，分割成X个时长为1小时的视频段，X∈N；每个时长1小时的视频段再分割成20个时长为3分钟的视频段；每个视频段随机再提取Y个关键图像帧，50≤Y≤180，Y∈N；对关键图像帧进行图像分析处理；将图像分析处理结果输入训练好的深度卷积网络进行深度学习，根据识别结果判断是否存在异常现象。本发明通过利用区块链技术和深度学习，实现了智能化视频监控，提高了视频监控数据的处理效率和安全性，进一步提升了视频监控的可靠性。

Description

基于区块链技术和深度学习的视频监控方法、***和可读存 储介质

技术领域

本发明涉及视频监控技术领域，更具体的，涉及一种基于区块链技术和深度学习的视频监控方法、***和可读存储介质。

背景技术

现如今，物联网应用深入到社会生活中的方方面面，从衣食住行到工业发展，随处可见物联网留下的足迹。但随着科学技术的持续发展，以及人类对于智能化应用的普遍需求日益增长，当前市场上的物联网产品仍有巨大的提升空间。例如视频监控设备，它普遍应用于住宅、街道、公共娱乐场所、企事业单位等等场景，为提高社会安全性、提升群众幸福感和安全感起到了重大作用。我们可以实时的查看视频监控画面，了解监控范围的及时情况，做好突发事件的应急措施；也可以通过回看存储的历史监控视频，查找历史事件的细节。但是，在这个过程中毫无疑问会产生巨大的视频数据量，对于数据处理效率的要求将越来越高，提高用户智能化体验也是大势所趋；另一方面，视频监控数据直接关系到人民群众和企事业单位的隐私，若防护不当将可能被不法分子所窃取利用；因此，提高视频监控的安全性和可靠性亦是发展物联网过程中亟需解决的问题。

发明内容

为了解决上述至少一个技术问题，本发明提出了一种基于区块链技术和深度学习的视频监控方法、***和可读存储介质。

为了解决上述的技术问题，本发明第一方面公开了一种基于区块链技术和深度学习的视频监控方法，所述方法包括：

通过视频监控单元采集在监控范围之内的视频数据，实时上传至区块链网络并分组进行存储；

每次截取过去X个小时的原始视频数据流，分割成X个时长为1小时的视频段，生成第一视频数据包，X∈N；

每个时长1小时的视频段再分割成20个时长为3分钟的视频段，生成第二视频数据包；

所述第二视频数据包的每个视频段随机再提取Y个关键图像帧，生成第一图像数据包，50≤Y≤180，Y∈N；

对所述第一图像数据包进行图像分析处理，生成第二图像数据包；

将所述第二图像数据包输入训练好的深度卷积网络进行深度学习，根据识别结果判断是否存在异常现象。

本方案中，所述实时上传至区块链网络的具体步骤为：根据视频监控单元在各个监控区域的具体部署，创建相应的视频区块链节点，在视频监控单元正常工作时，实时地将视频监控数据同步到对应区域的特定视频区块链节点。

本方案中，所述对上传至区块链网络的视频数据进行分组的具体方法为：在同一视频区块链节点中，首先对同一视频监控区域按照不同监控摄像头采集的视频数据进行分组；对同一监控摄像头采集的视频数据按照监控摄像头采集视频数据时所处的工作状态进行分组，分为动态视频数据和静态视频数据；对同一动态视频数据和静态视频数据按照具体日期进行分组。

本方案中，所述截取原始视频数据流的具体步骤为：在接收到对视频数据流的检测指令后，视频监控控制中心创建视频数据流需求方节点，并向区块链网络广播一个视频数据流请求，在接收到其他视频区块链节点的应答之后，开始同步各个视频区块链节点上过去X个小时的原始视频数据流。

本方案中，所述对第一图像数据包进行图像分析处理，其具体步骤为：对第一图像数据包进行有效数据检测，删除无效图像帧；提取有效图像帧的灰度图、LBP特征图、HOG特征图和梯度幅值特征图，生成第二图像数据包。

本方案中，所述深度卷积网络的建立过程为：

获取大量日常视频监控图像帧作为训练图像集；

提取所述大量日常视频监控图像帧的灰度图、LBP特征图、HOG特征图和梯度幅值特征图；

将所述灰度图、LBP特征图、HOG特征图和梯度幅值特征图分类打包，输入到初始化的深度卷积网络，进一步得到深度卷积特征；

将所述的深度卷积特征输入到分类器，进一步得到预测结果；

根据预测结果进行分析对比，调整深度卷积网络及分类器的初始参数，重复以上步骤。

本方案中，若识别结果显示异常，视频监控控制中心将发出短信通知指令，所述短信将发送到用户绑定的移动端设备，具体内容包括异常图像帧所在的监控位置及监控时间点；同时将异常图像帧所在的第二视频数据包传输到终端设备和云计算单元进行备份并发出异常告警指令。若识别结果显示正常，则删除第一图像数据包和第二图像数据包。

本发明第二方面公开了一种基于区块链技术和深度学习的视频监控***，包括存储器和处理器，所述存储器中包括基于区块链技术和深度学习的视频监控方法程序，所述基于区块链技术和深度学习的视频监控方法程序被所述处理器执行时实现如下步骤：

通过视频监控单元采集在监控范围之内的视频数据，实时上传至区块链网络并分组进行存储；

每次截取过去X个小时的原始视频数据流，分割成X个时长为1小时的视频段，生成第一视频数据包，X∈N；

每个时长1小时的视频段再分割成20个时长为3分钟的视频段，生成第二视频数据包；

所述第二视频数据包的每个视频段随机再提取Y个关键图像帧，生成第一图像数据包，50≤Y≤180，Y∈N；

对所述第一图像数据包进行图像分析处理，生成第二图像数据包；

将所述第二图像数据包输入训练好的深度卷积网络进行深度学习，根据识别结果判断是否存在异常现象。

本方案中，所述实时上传至区块链网络的具体步骤为：根据视频监控单元在各个监控区域的具体部署，创建相应的视频区块链节点，在视频监控单元正常工作时，实时地将视频监控数据同步到对应区域的特定视频区块链节点。

本方案中，所述对上传至区块链网络的视频数据进行分组的具体方法为：在同一视频区块链节点中，首先对同一视频监控区域按照不同监控摄像头采集的视频数据进行分组；对同一监控摄像头采集的视频数据按照监控摄像头采集视频数据时所处的工作状态进行分组，分为动态视频数据和静态视频数据；对同一动态视频数据和静态视频数据按照具体日期进行分组。

本方案中，所述截取原始视频数据流的具体步骤为：在接收到对视频数据流的检测指令后，视频监控控制中心创建视频数据流需求方节点，并向区块链网络广播一个视频数据流请求，在接收到其他视频区块链节点的应答之后，开始同步各个视频区块链节点上过去X个小时的原始视频数据流。

本方案中，所述对第一图像数据包进行图像分析处理，其具体步骤为：对第一图像数据包进行有效数据检测，删除无效图像帧；提取有效图像帧的灰度图、LBP特征图、HOG特征图和梯度幅值特征图，生成第二图像数据包。

本方案中，所述深度卷积网络的建立过程为：

获取大量日常视频监控图像帧作为训练图像集；

提取所述大量日常视频监控图像帧的灰度图、LBP特征图、HOG特征图和梯度幅值特征图；

将所述灰度图、LBP特征图、HOG特征图和梯度幅值特征图分类打包，输入到初始化的深度卷积网络，进一步得到深度卷积特征；

将所述的深度卷积特征输入到分类器，进一步得到预测结果；

根据预测结果进行分析对比，调整深度卷积网络及分类器的初始参数，重复以上步骤。

本方案中，若识别结果显示异常，视频监控控制中心将发出短信通知指令，所述短信将发送到用户绑定的移动端设备，具体内容包括异常图像帧所在的监控位置及监控时间点；同时将异常图像帧所在的第二视频数据包传输到终端设备和云计算单元进行备份并发出异常告警指令。若识别结果显示正常，则删除第一图像数据包和第二图像数据包。

本方案中，所述的基于区块链技术和深度学习的视频监控***包括视频数据采集模块、视频数据分析处理模块和监控检测结果输出模块。

本发明第三方面公开了一种计算机可读存储介质，所述计算机可读存储介质中包括机器的一种基于区块链技术和深度学习的视频监控方法程序，所述一种基于区块链技术和深度学习的视频监控方法程序被处理器执行时，实现上述的一种基于区块链技术和深度学习的视频监控方法的步骤。

本发明公开的一种基于区块链技术和深度学习的视频监控方法、***和可读存储介质，通过利用区块链技术和深度学习，实现了智能化视频监控，提高了视频监控数据的处理效率和安全性，进一步提升了视频监控的可靠性。

附图说明

图1示出了本发明一种基于区块链技术和深度学习的视频监控方法流程图；

图2示出了本发明一种基于区块链技术和深度学习的视频监控***的框图。

具体实施方法

为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。

图1示出了本发明一种基于区块链技术和深度学习的视频监控方法流程图。

如图1所示，本发明第一方面公开了一种基于区块链技术和深度学习的视频监控方法，包括：

通过视频监控单元采集在监控范围之内的视频数据，实时上传至区块链网络并分组进行存储；

每次截取过去X个小时的原始视频数据流，分割成X个时长为1小时的视频段，生成第一视频数据包，X∈N；

每个时长1小时的视频段再分割成20个时长为3分钟的视频段，生成第二视频数据包；

所述第二视频数据包的每个视频段随机再提取Y个关键图像帧，生成第一图像数据包，50≤Y≤180，Y∈N；

对所述第一图像数据包进行图像分析处理，生成第二图像数据包；

将所述第二图像数据包输入训练好的深度卷积网络进行深度学习，根据识别结果判断是否存在异常现象。

需要说明的是，本发明中的视频监控单元包括多个智能监控摄像头，所述智能监控摄像头可以是不可转动的，也可以是可转动的。所述智能监控摄像头可以根据监控环境的空间布局和监控目标需要，针对性地选择相应的安装方式、安装位置和智能监控摄像头数量，从而做到监控视角无盲区，全方位保障视频监控区域的安全性。

进一步需要说明的是，所述随机再提取Y个关键图像帧的具体提取方法是对每个视频段随机提取Y个关键图像帧，每一秒视频至多提取一帧，根据Y的取值范围，确保提取到至少50秒视频的图像帧。

本方案中，所述实时上传至区块链网络的具体步骤为：根据视频监控单元在各个监控区域的具体部署，创建相应的视频区块链节点，在视频监控单元正常工作时，实时地将视频监控数据同步到对应区域的特定视频区块链节点。

需要说明的是，本发明中所述的视频区块链节点可以接收存储至少一个监控摄像头的视频监控数据，也可以同时接收多个监控摄像头的视频监控数据，其数量主要取决于区域内监控任务的具体需求。

本方案中，所述对上传至区块链网络的视频数据进行分组的具体方法为：在同一视频区块链节点中，首先对同一视频监控区域按照不同监控摄像头采集的视频数据进行分组；对同一监控摄像头采集的视频数据按照监控摄像头采集视频数据时所处的工作状态进行分组，分为动态视频数据和静态视频数据；对同一动态视频数据和静态视频数据按照具体日期进行分组。

需要说明的是，本发明中用户可以通过终端设备进行如下操作：查看实时的监控视频；调取、回看历史监控视频数据；观看历史监控视频时进行倍速播放、快进、回调等操作；设置定时删除、手动删除历史监控视频数据。

本方案中，所述截取原始视频数据流的具体步骤为：在接收到对视频数据流的检测指令后，视频监控控制中心创建视频数据流需求方节点，并向区块链网络广播一个视频数据流请求，在接收到其他视频区块链节点的应答之后，开始同步各个视频区块链节点上过去X个小时的原始视频数据流。

需要说明的是，本发明可以根据视频监控任务需求和用户个人意愿，选择性地设置同步指定视频区块链节点上过去X个小时的原始视频数据流。

本方案中，所述对第一图像数据包进行图像分析处理，其具体步骤为：对第一图像数据包进行有效数据检测，删除无效图像帧；提取有效图像帧的灰度图、LBP特征图、HOG特征图和梯度幅值特征图，生成第二图像数据包。

需要说明的是，本发明中所述对第一图像数据包进行有效数据检测即根据有效数据判定标准，通过对大量图像帧数据进行分类、统计、筛选等操作方式进行多次过滤，提高数据有效性。

本方案中，所述深度卷积网络的建立过程为：

获取大量日常视频监控图像帧作为训练图像集；

提取所述大量日常视频监控图像帧的灰度图、LBP特征图、HOG特征图和梯度幅值特征图；

将所述灰度图、LBP特征图、HOG特征图和梯度幅值特征图分类打包，输入到初始化的深度卷积网络，进一步得到深度卷积特征；

将所述的深度卷积特征输入到分类器，进一步得到预测结果；

根据预测结果进行分析对比，调整深度卷积网络及分类器的初始参数，重复以上步骤。

本方案中，若识别结果显示异常，视频监控控制中心将发出短信通知指令，所述短信将发送到用户绑定的移动端设备，具体内容包括异常图像帧所在的监控位置及监控时间点；同时将异常图像帧所在的第二视频数据包传输到终端设备和云计算单元进行备份并发出异常告警指令。若识别结果显示正常，则删除第一图像数据包和第二图像数据包。

需要说明的是，本发明中所述异常告警指令可根据视频监控环境的实际情况和用户实际需求进行等级设置，并提供相应的应急措施。

图2示出了本发明一种基于区块链技术和深度学习的视频监控***的框图。

如图2所示，本发明第二方面公开了一种基于区块链技术和深度学习的视频监控***，包括存储器和处理器，所述存储器中包括基于区块链技术和深度学习的视频监控方法程序，所述基于区块链技术和深度学习的视频监控方法程序被所述处理器执行时实现如下步骤：

通过视频监控单元采集在监控范围之内的视频数据，实时上传至区块链网络并分组进行存储；

每次截取过去X个小时的原始视频数据流，分割成X个时长为1小时的视频段，生成第一视频数据包，X∈N；

每个时长1小时的视频段再分割成20个时长为3分钟的视频段，生成第二视频数据包；

所述第二视频数据包的每个视频段随机再提取Y个关键图像帧，生成第一图像数据包，50≤Y≤180，Y∈N；

对所述第一图像数据包进行图像分析处理，生成第二图像数据包；

将所述第二图像数据包输入训练好的深度卷积网络进行深度学习，根据识别结果判断是否存在异常现象。

需要说明的是，本发明的***可以在服务器、PC、手机、PAD等终端设备中进行操作。

需要说明的是，所述处理器可以是中央处理单元(CentralProcessingUnit，CPU)，还可以是其他通用处理器、数字信号处理(DigitalSignalProcessor，DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、现成可编程门阵列(Field-ProgrammableGateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

需要说明的是，本发明中的视频监控单元包括多个智能监控摄像头，所述智能监控摄像头可以是不可转动的，也可以是可转动的。所述智能监控摄像头可以根据监控环境的空间布局和监控目标需要，针对性地选择相应的安装方式、安装位置和智能监控摄像头数量，从而做到监控视角无盲区，全方位保障视频监控区域的安全性。

进一步需要说明的是，所述随机再提取Y个关键图像帧的具体提取方法是对每个视频段随机提取Y个关键图像帧，每一秒视频至多提取一帧，根据Y的取值范围，确保提取到至少50秒视频的图像帧。

本方案中，所述的基于区块链技术和深度学习的视频监控***包括视频数据采集模块、视频数据分析处理模块和监控检测结果输出模块。

本方案中，所述实时上传至区块链网络的具体步骤为：根据视频监控单元在各个监控区域的具体部署，创建相应的视频区块链节点，在视频监控单元正常工作时，实时地将视频监控数据同步到对应区域的特定视频区块链节点。

需要说明的是，本发明中所述的视频区块链节点可以接收存储至少一个监控摄像头的视频监控数据，也可以同时接收多个监控摄像头的视频监控数据，其数量主要取决于区域内监控任务的具体需求。

本方案中，所述对上传至区块链网络的视频数据进行分组的具体方法为：在同一视频区块链节点中，首先对同一视频监控区域按照不同监控摄像头采集的视频数据进行分组；对同一监控摄像头采集的视频数据按照监控摄像头采集视频数据时所处的工作状态进行分组，分为动态视频数据和静态视频数据；对同一动态视频数据和静态视频数据按照具体日期进行分组。

需要说明的是，本发明中用户可以通过终端设备进行如下操作：查看实时的监控视频；调取、回看历史监控视频数据；观看历史监控视频时进行倍速播放、快进、回调等操作；设置定时删除、手动删除历史监控视频数据。

本方案中，所述截取原始视频数据流的具体步骤为：在接收到对视频数据流的检测指令后，视频监控控制中心创建视频数据流需求方节点，并向区块链网络广播一个视频数据流请求，在接收到其他视频区块链节点的应答之后，开始同步各个视频区块链节点上过去X个小时的原始视频数据流。

需要说明的是，本发明可以根据视频监控任务需求和用户个人意愿，选择性地设置同步指定视频区块链节点上过去X个小时的原始视频数据流。

本方案中，所述对第一图像数据包进行图像分析处理，其具体步骤为：对第一图像数据包进行有效数据检测，删除无效图像帧；提取有效图像帧的灰度图、LBP特征图、HOG特征图和梯度幅值特征图，生成第二图像数据包。

需要说明的是，本发明中所述对第一图像数据包进行有效数据检测即根据有效数据判定标准，通过对大量图像帧数据进行分类、统计、筛选等操作方式进行多次过滤，提高数据有效性。

本方案中，所述深度卷积网络的建立过程为：

获取大量日常视频监控图像帧作为训练图像集；

提取所述大量日常视频监控图像帧的灰度图、LBP特征图、HOG特征图和梯度幅值特征图；

将所述灰度图、LBP特征图、HOG特征图和梯度幅值特征图分类打包，输入到初始化的深度卷积网络，进一步得到深度卷积特征；

将所述的深度卷积特征输入到分类器，进一步得到预测结果；

根据预测结果进行分析对比，调整深度卷积网络及分类器的初始参数，重复以上步骤。

本方案中，若识别结果显示异常，视频监控控制中心将发出短信通知指令，所述短信将发送到用户绑定的移动端设备，具体内容包括异常图像帧所在的监控位置及监控时间点；同时将异常图像帧所在的第二视频数据包传输到终端设备和云计算单元进行备份并发出异常告警指令。若识别结果显示正常，则删除第一图像数据包和第二图像数据包。

需要说明的是，本发明中所述异常告警指令可根据视频监控环境的实际情况和用户实际需求进行等级设置，并提供相应的应急措施。

本发明第三方面公开了一种计算机可读存储介质，所述计算机可读存储介质中包括机器的一种基于区块链技术和深度学习的视频监控方法程序，所述一种基于区块链技术和深度学习的视频监控方法程序被处理器执行时，实现如述任一项的一种基于区块链技术和深度学习的视频监控方法的步骤。

本发明公开的一种基于区块链技术和深度学习的视频监控方法、***和可读存储介质，通过利用区块链技术和深度学习，实现了智能化视频监控，提高了视频监控数据的处理效率和安全性，进一步提升了视频监控的可靠性。

在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个***，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。

上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。

另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

Claims (10)

1.一种基于区块链技术和深度学习的视频监控方法，其特征在于，所述方法包括：

通过视频监控单元采集在监控范围之内的视频数据，实时上传至区块链网络并分组进行存储；

每次截取过去X个小时的原始视频数据流，分割成X个时长为1小时的视频段，生成第一视频数据包，X∈N；

每个时长1小时的视频段再分割成20个时长为3分钟的视频段，生成第二视频数据包；

所述第二视频数据包的每个视频段随机再提取Y个关键图像帧，生成第一图像数据包，50≤Y≤180，Y∈N；

对所述第一图像数据包进行图像分析处理，生成第二图像数据包；

将所述第二图像数据包输入训练好的深度卷积网络进行深度学习，根据识别结果判断是否存在异常现象。

2.根据权利要求1所述的一种基于区块链技术和深度学习的视频监控方法，其特征在于，所述实时上传至区块链网络的具体步骤为：根据视频监控单元在各个监控区域的具体部署，创建相应的视频区块链节点，在视频监控单元正常工作时，实时地将视频监控数据同步到对应区域的特定视频区块链节点。

3.根据权利要求1所述的一种基于区块链技术和深度学习的视频监控方法，其特征在于，所述对上传至区块链网络的视频数据进行分组的具体方法为：

在同一视频区块链节点中，首先对同一视频监控区域按照不同监控摄像头采集的视频数据进行分组；对同一监控摄像头采集的视频数据按照监控摄像头采集视频数据时所处的工作状态进行分组，分为动态视频数据和静态视频数据；对同一动态视频数据和静态视频数据按照具体日期进行分组。

4.根据权利要求1所述的一种基于区块链技术和深度学习的视频监控方法，其特征在于，所述截取原始视频数据流的具体步骤为：

在接收到对视频数据流的检测指令后，视频监控控制中心创建视频数据流需求方节点，并向区块链网络广播一个视频数据流请求，在接收到其他视频区块链节点的应答之后，开始同步各个视频区块链节点上过去X个小时的原始视频数据流。

5.根据权利要求1所述的一种基于区块链技术和深度学习的视频监控方法，其特征在于，所述对第一图像数据包进行图像分析处理，其具体步骤为：对第一图像数据包进行有效数据检测，删除无效图像帧；提取有效图像帧的灰度图、LBP特征图、HOG特征图和梯度幅值特征图，生成第二图像数据包。

6.根据权利要求1所述的一种基于区块链技术和深度学习的视频监控方法，其特征在于，所述深度卷积网络的建立过程为：

获取大量日常视频监控图像帧作为训练图像集；

提取所述大量日常视频监控图像帧的灰度图、LBP特征图、HOG特征图和梯度幅值特征图；

将所述灰度图、LBP特征图、HOG特征图和梯度幅值特征图分类打包，输入到初始化的深度卷积网络，进一步得到深度卷积特征；

将所述的深度卷积特征输入到分类器，进一步得到预测结果；

根据预测结果进行分析对比，调整深度卷积网络及分类器的初始参数，重复以上步骤。

7.根据权利要求1所述的一种基于区块链技术和深度学习的视频监控方法，其特征在于：

若识别结果显示异常，视频监控控制中心将发出短信通知指令，所述短信将发送到用户绑定的移动端设备，具体内容包括异常图像帧所在的监控位置及监控时间点；同时将异常图像帧所在的第二视频数据包传输到终端设备和云计算单元进行备份并发出异常告警指令。

若识别结果显示正常，则删除第一图像数据包和第二图像数据包。

8.一种基于区块链技术和深度学习的视频监控***，其特征在于，包括存储器和处理器，所述存储器中包括基于区块链技术和深度学习的视频监控方法程序，所述基于区块链技术和深度学习的视频监控方法程序被所述处理器执行时实现如下步骤：

通过视频监控单元采集在监控范围之内的视频数据，实时上传至区块链网络并分组进行存储；

每次截取过去X个小时的原始视频数据流，分割成X个时长为1小时的视频段，生成第一视频数据包，X∈N；

每个时长1小时的视频段再分割成20个时长为3分钟的视频段，生成第二视频数据包；

所述第二视频数据包的每个视频段随机再提取Y个关键图像帧，生成第一图像数据包，50≤Y≤180，Y∈N；

对所述第一图像数据包进行图像分析处理，生成第二图像数据包；

将所述第二图像数据包输入训练好的深度卷积网络进行深度学习，根据识别结果判断是否存在异常现象。

9.根据权利要求8所述的一种基于区块链技术和深度学习的视频监控***，其特征在于，所述的基于区块链技术和深度学习的视频监控***包括视频数据采集模块、视频数据分析处理模块和监控检测结果输出模块。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中包括机器的一种基于区块链技术和深度学习的视频监控方法程序，所述一种基于区块链技术和深度学习的视频监控方法程序被处理器执行时，实现如权利要求1至7中任一项所述的一种基于区块链技术和深度学习的视频监控方法的步骤。

Images