CN112183406A - 一种视频卡顿检测方法及检测*** - Google Patents
一种视频卡顿检测方法及检测*** Download PDFInfo
- Publication number
- CN112183406A CN112183406A CN202011065447.9A CN202011065447A CN112183406A CN 112183406 A CN112183406 A CN 112183406A CN 202011065447 A CN202011065447 A CN 202011065447A CN 112183406 A CN112183406 A CN 112183406A
- Authority
- CN
- China
- Prior art keywords
- video
- frame
- key information
- video image
- information
- 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
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N17/00—Diagnosis, testing or measuring for television systems or their details
- H04N17/002—Diagnosis, testing or measuring for television systems or their details for television cameras
-
- 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
- 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
- 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
- G06V20/42—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items of sport video content
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种视频卡顿检测方法及检测***,属于视频检测技术领域,能够解决现有技术中人工判断视频卡顿问题时,判断效率较低,且成本较高的问题。所述方法包括:对检测视频按照预设时间间隔截取预设帧数的视频段;对视频段中的每帧视频图像进行结构化处理,获得每帧视频图像的第一关键信息;将每帧视频图像的第一关键信息与前一帧视频图像和/或后一帧视频图像的第一关键信息进行比对;若第一关键信息相同点大于或等于第一预设阈值,则判定检测视频出现卡顿。本发明用于视频卡顿检测。
Description
技术领域
本发明涉及一种视频卡顿检测方法及检测***,属于视频检测技术领域。
背景技术
国家在雪亮工程建设方面投入巨大,全国各省市县均基于雪亮工程要求进行了视频监控平台建设,目前市场上主要的产品是由海康、大华、宇视三家公司提供,在视频采集、传输、存储过程中,由于物理链路、网络环境、服务器状况等原因导致视频卡顿,影响视频资源质量,对实况查看、事件追溯有着严重的影响。雪亮工程是平安城市的重要组成部分,事关社会稳定和百姓安全,视频质量尤为重要,视频卡顿问题会导致视频录像信息缺失,对事件的研判会带来严重的干扰,无法准确判断当时的实际情况,失去了视频监控的应用意义。现有技术中通常是通过人工来判断视频是否出现卡顿,而人工判断效率较低,且成本较高。
发明内容
本发明提供了一种视频卡顿检测方法及检测***,能够解决现有技术中人工判断视频卡顿问题时,判断效率较低,且成本较高的问题。
一方面,本发明提供了一种视频卡顿检测方法,所述方法包括:对检测视频按照预设时间间隔截取预设帧数的视频段;对所述视频段中的每帧视频图像进行结构化处理,获得每帧视频图像的第一关键信息;将每帧视频图像的第一关键信息与前一帧视频图像和/或后一帧视频图像的第一关键信息进行比对;若所述第一关键信息相同点大于或等于第一预设阈值,则判定所述检测视频出现卡顿。
可选的,所述对所述视频段中的每帧视频图像进行结构化处理,获得每帧视频图像的第一关键信息包括:对所述视频段中的每帧视频图像进行结构化处理,获得每帧视频图像的结构化信息;对所述结构化信息进行分析,将所述结构化信息中的M个特征作为每帧视频图像的第一关键信息。
可选的,所述若所述第一关键信息相同点大于或等于第一预设阈值,则判定所述检测视频出现卡顿具体包括:若所述第一关键信息相同点大于或等于第一预设阈值,则对所述结构化信息进行分析,将所述结构化信息中的N个特征作为每帧视频图像的第二关键信息;其中,N>M;将每帧视频图像的第二关键信息与前一帧视频图像和/或后一帧视频图像的第二关键信息进行比对;若第二关键信息相同点大于或等于第二预设阈值,则判定所述检测视频出现卡顿。
可选的,所述若所述第一关键信息相同点大于或等于第一预设阈值,则判定所述检测视频出现卡顿具体包括:若所述第一关键信息相同点大于或等于第一预设阈值,则获取所述结构化信息中的特殊信息点;将每帧视频图像的特殊信息点与前一帧视频图像和/或后一帧视频图像的特殊信息点进行比对;若所述特殊信息点相同,则判定所述检测视频出现卡顿。
可选的,所述方法还包括:将多个视频图像的结构化信息样本输入第一机器学习模型进行训练,获得关键信息标记模型;将多个视频图像的第一关键信息样本输入第二机器学习模型进行训练,获得视频卡顿检测模型;所述对所述结构化信息进行分析,将所述结构化信息中的M个特征作为每帧视频图像的第一关键信息具体为:利用所述关键信息标记模型接收每帧视频图像的结构化信息,所述关键信息标记模型输出每帧视频图像的第一关键信息;所述将每帧视频图像的第一关键信息与前一帧视频图像和/或后一帧视频图像的第一关键信息进行比对;若所述第一关键信息相同点大于或等于第一预设阈值,则判定所述检测视频出现卡顿具体为:利用所述视频卡顿检测模型接收每帧视频图像的第一关键信息,所述视频卡顿检测模型输出所述检测视频是否出现卡顿的判定结果。
可选的,所述方法还包括:在判定所述检测视频出现卡顿时,发送视频卡顿警告信息。
可选的,所述第二预设阈值大于或等于所述第一预设阈值;所述第一预设阈值为95%~99%。
另一方面,本发明提供一种应用上述任一种所述的视频卡顿检测方法的检测***,所述***包括:截取单元,用于对检测视频按照预设时间间隔截取预设帧数的视频段;信息处理单元,用于对所述视频段中的每帧视频图像进行结构化处理,获得每帧视频图像的第一关键信息;检测单元,用于将每帧视频图像的第一关键信息与前一帧视频图像和/或后一帧视频图像的第一关键信息进行比对;若所述第一关键信息相同点大于或等于第一预设阈值,则判定所述检测视频出现卡顿。
可选的,所述信息处理单元具体用于:对所述视频段中的每帧视频图像进行结构化处理,获得每帧视频图像的结构化信息;对所述结构化信息进行分析,将所述结构化信息中的M个特征作为每帧视频图像的第一关键信息。
可选的,所述检测***还包括构建单元;所述构建单元用于将多个视频图像的结构化信息样本输入第一机器学习模型进行训练,获得关键信息标记模型;所述构建单元还用于将多个视频图像的第一关键信息样本输入第二机器学习模型进行训练,获得视频卡顿检测模型;所述信息处理单元包括所述关键信息标记模型;所述关键信息标记模型接收每帧视频图像的结构化信息,并输出每帧视频图像的第一关键信息;所述检测单元为所述视频卡顿检测模型;所述视频卡顿检测模型接收每帧视频图像的第一关键信息,并输出所述检测视频是否出现卡顿的判定结果。
本发明能产生的有益效果包括:
(1)本发明提供的视频卡顿检测方法,通过对检测视频按照一定时间间隔截取视频段,并对视频段中每帧视频图像进行结构化处理,得到每帧视频图像的结构化信息并标记出第一关键信息,然后通过对比每帧视频图像的第一关键信息的内容来判断是否出现视频卡顿。该方法可以自动有效检测出视频是否出现卡顿,且由于不需要人工参与,因而节省了人员成本,提高了视频卡顿的检测效率。
(2)本发明提供的视频卡顿检测方法,通过构建基于人工智能算法的关键信息标记模型和视频卡顿检测模型,利用关键信息标记模型标记出每帧视频图像的第一关键信息,利用视频卡顿检测模型根据每帧视频图像的第一关键信息检测该检测视频是否出现卡顿。该算法模型在经过大量数据训练后,可以得到有效、可靠的输出,且会通过训练样本的不断增大,判定结果的准确性也会越高。
附图说明
图1为本发明实施例提供的视频卡顿检测方法流程图;
图2为本发明另一实施例提供的视频卡顿检测方法流程图。
具体实施方式
下面结合实施例详述本发明,但本发明并不局限于这些实施例。
本发明实施例提供了一种视频卡顿检测方法,如图1所示,所述方法包括:
步骤101、对检测视频按照预设时间间隔截取预设帧数的视频段。
其中,所述预设时间间隔和所述预设帧数均为预先设置的值,本领域技术人员可以根据实际情况进行设定,本发明实施例对此不做限定。
步骤102、对视频段中的每帧视频图像进行结构化处理,获得每帧视频图像的第一关键信息。
具体的,先对视频段中的每帧视频图像进行结构化处理,获得每帧视频图像的结构化信息;然后对结构化信息进行分析,将结构化信息中的M个特征作为每帧视频图像的第一关键信息。本发明实施例对于M的具体数值不做限定。
对截取的每帧视频图像进行数据结构化,做到视频内容详实的被记录,根据视频图像的内容不同,单个帧图像的结构化信息条目从几千到几万不等。
通过人工智能算法的训练,从每帧的结构化信息中找到关键特征,将这些关键特征标记出来,得到每帧视频图像的关键信息,这些关键信息是用来判断是否是视频卡顿的核心要素。具体的,所述关键特征可以是人像或物体在视图中的位置、画面面积的占比、出现的次数、大小、行动轨迹、出现的时间点、出现的时长等。
在本发明实施例中,可以利用关键信息标记模型接收每帧视频图像的结构化信息,所述关键信息标记模型输出每帧视频图像的第一关键信息;其中,所述关键信息标记模型可以通过将多个视频图像的结构化信息样本输入第一机器学习模型进行训练来获得。
步骤103、将每帧视频图像的第一关键信息与前一帧视频图像和/或后一帧视频图像的第一关键信息进行比对;若第一关键信息相同点大于或等于第一预设阈值,则判定检测视频出现卡顿。
其中,所述第一预设阈值为预先设置的值,本领域技术人员可以根据实际情况进行设定,本发明实施例对此不做限定。示例的,所述第一预设阈值可以设置为95%~99%。
在本发明实施例中,可以利用视频卡顿检测模型接收每帧视频图像的第一关键信息,所述视频卡顿检测模型输出所述检测视频是否出现卡顿的判定结果。其中,所述视频卡顿检测模型可以通过将多个视频图像的第一关键信息样本输入第二机器学习模型进行训练来获得。
本发明提供的视频卡顿检测方法,通过对检测视频按照一定时间间隔截取视频段,并对视频段中每帧视频图像进行结构化处理,得到每帧视频图像的结构化信息并标记出第一关键信息,然后通过对比每帧视频图像的第一关键信息的内容来判断是否出现视频卡顿。该方法可以自动有效检测出视频是否出现卡顿,且由于不需要人工参与,因而节省了人员成本,提高了视频卡顿的检测效率。
如果通过对比第一关键信息发现相同点大于第一预设阈值(如99%),则初步确定这是有问题的一段视频,为了进一步提高判断的准确性,可以通过以下两种方法在深入分析后进行视频卡顿判定。
第一种:若所述第一关键信息相同点大于或等于第一预设阈值,则对所述结构化信息进行分析,将结构化信息中的N个特征作为每帧视频图像的第二关键信息;其中,N>M;将每帧视频图像的第二关键信息与前一帧视频图像和/或后一帧视频图像的第二关键信息进行比对;若第二关键信息相同点大于或等于第二预设阈值,则判定所述检测视频出现卡顿。其中,所述第二预设阈值大于或等于所述第一预设阈值。
通过重新在结构化信息中进行更多关键特征选取,从而获取数量多于第一关键信息的第二关键信息,利用更多数量特征的第二关键信息重新进行比对,若第二关键信息相同点大于或等于第二预设阈值(如99%或100%),则判定所述检测视频出现卡顿;若否,则可以判定所述检测视频出现了静止画面。
第二种:若第一关键信息相同点大于或等于第一预设阈值,则获取结构化信息中的特殊信息点;将每帧视频图像的特殊信息点与前一帧视频图像和/或后一帧视频图像的特殊信息点进行比对;若特殊信息点相同,则判定检测视频出现卡顿。
通过结构化信息与关键信息判断视频内的场景,场景定义为2种,动态场景(有物体移动)和静态场景(无物体移动),通过物体移动距离、幅度、位置变化是否连续来判断是否有物体移动。如画面中有车经过,视为动态场景,画面是小区出入口,在无人通过的时候,虽然有树叶在摆动,但可视为静态场景,一旦有人/车通过,会立刻定义为动态场景。动态场景和静态场景对于同一来源的视频是动态判断的。场景确认后,可以根据不同场景确认检测视频中的特殊信息点,例如检测视频是小区出入口的画面,当小区出入口无人通过时,小区出入口的监控视频中相邻帧的画面绝大部分信息是相同的,此种情况下,可以将视频中树木的树叶作为特殊信息点,若相邻帧的画面中特殊信息点发生变化,如树叶发生摆动时,则可判断视频未卡顿;若相邻帧的画面中特殊信息点未发生变化,如树叶完全不摆动时,则可判断视频出现卡顿。
在本发明实施例中,所述方法还可以包括:在判定检测视频出现卡顿时,发送视频卡顿警告信息。本发明实施例对于视频卡顿警告信息的具体类型不做限定,示例的,可以是语音信息,也可以是警示灯亮起或闪烁等。
本发明提供的视频卡顿检测方法,通过构建基于人工智能算法的关键信息标记模型和视频卡顿检测模型,利用关键信息标记模型标记出每帧视频图像的第一关键信息,利用视频卡顿检测模型根据每帧视频图像的第一关键信息检测该检测视频是否出现卡顿。该算法模型在经过大量数据训练后,可以得到有效、可靠的输出,且会通过训练样本的不断增大,判定结果的准确性也会越高
本发明另一实施例提供一种视频卡顿检测方法,如图2所示,所述方法包括:
步骤201、对检测视频按照预设时间间隔截取预设帧数的视频段。
步骤202、对视频段中的每帧视频图像进行结构化处理,获得每帧视频图像的结构化信息。
步骤203、对结构化信息进行分析,将结构化信息中的M个特征作为每帧视频图像的第一关键信息。
步骤204、将每帧视频图像的第一关键信息与前一帧视频图像和/或后一帧视频图像的第一关键信息进行比对。
步骤205、判断第一关键信息相同点是否大于或等于第一预设阈值;若是,则执行步骤206或执行步骤209;若否,则执行步骤213。
步骤206、对结构化信息进行分析,将结构化信息中的N个特征作为每帧视频图像的第二关键信息;其中,N>M。
步骤207、将每帧视频图像的第二关键信息与前一帧视频图像和/或后一帧视频图像的第二关键信息进行比对。
步骤208、判断第二关键信息相同点是否大于或等于第二预设阈值;若是,则执行步骤212;若否,则执行步骤213。
步骤209、获取结构化信息中的特殊信息点。
步骤210、将每帧视频图像的特殊信息点与前一帧视频图像和/或后一帧视频图像的特殊信息点进行比对。
步骤211、判断特殊信息点是否相同;若是,则执行步骤212;若否,则执行步骤213。
步骤212、判定检测视频出现卡顿,并发送视频卡顿警告信息。
步骤213、判定检测视频未出现卡顿。
本发明又一实施例提供一种应用上述任一种所述的视频卡顿检测方法的检测***,所述***包括:截取单元,用于对检测视频按照预设时间间隔截取预设帧数的视频段;信息处理单元,用于对所述视频段中的每帧视频图像进行结构化处理,获得每帧视频图像的第一关键信息;检测单元,用于将每帧视频图像的第一关键信息与前一帧视频图像和/或后一帧视频图像的第一关键信息进行比对;若所述第一关键信息相同点大于或等于第一预设阈值,则判定所述检测视频出现卡顿。
进一步的,所述信息处理单元具体用于:对所述视频段中的每帧视频图像进行结构化处理,获得每帧视频图像的结构化信息;对所述结构化信息进行分析,将所述结构化信息中的M个特征作为每帧视频图像的第一关键信息。
进一步的,所述检测***还包括构建单元;所述构建单元用于将多个视频图像的结构化信息样本输入第一机器学习模型进行训练,获得关键信息标记模型;所述构建单元还用于将多个视频图像的第一关键信息样本输入第二机器学习模型进行训练,获得视频卡顿检测模型;所述信息处理单元包括所述关键信息标记模型;所述关键信息标记模型接收每帧视频图像的结构化信息,并输出每帧视频图像的第一关键信息;所述检测单元为所述视频卡顿检测模型;所述视频卡顿检测模型接收每帧视频图像的第一关键信息,并输出所述检测视频是否出现卡顿的判定结果。
上述检测***中各个单元的具体描述可以参考检测方法中对每个步骤的描述,在此不再赘述,上述检测***可以实现与检测方法侧同样的功能。
以上所述,仅是本申请的几个实施例,并非对本申请做任何形式的限制,虽然本申请以较佳实施例揭示如上,然而并非用以限制本申请,任何熟悉本专业的技术人员,在不脱离本申请技术方案的范围内,利用上述揭示的技术内容做出些许的变动或修饰均等同于等效实施案例,均属于技术方案范围内。
Claims (10)
1.一种视频卡顿检测方法,其特征在于,所述方法包括:
对检测视频按照预设时间间隔截取预设帧数的视频段;
对所述视频段中的每帧视频图像进行结构化处理,获得每帧视频图像的第一关键信息;
将每帧视频图像的第一关键信息与前一帧视频图像和/或后一帧视频图像的第一关键信息进行比对;
若所述第一关键信息相同点大于或等于第一预设阈值,则判定所述检测视频出现卡顿。
2.根据权利要求1所述的检测方法,其特征在于,所述对所述视频段中的每帧视频图像进行结构化处理,获得每帧视频图像的第一关键信息包括:
对所述视频段中的每帧视频图像进行结构化处理,获得每帧视频图像的结构化信息;
对所述结构化信息进行分析,将所述结构化信息中的M个特征作为每帧视频图像的第一关键信息。
3.根据权利要求2所述的检测方法,其特征在于,所述若所述第一关键信息相同点大于或等于第一预设阈值,则判定所述检测视频出现卡顿具体包括:
若所述第一关键信息相同点大于或等于第一预设阈值,则对所述结构化信息进行分析,将所述结构化信息中的N个特征作为每帧视频图像的第二关键信息;其中,N>M;
将每帧视频图像的第二关键信息与前一帧视频图像和/或后一帧视频图像的第二关键信息进行比对;
若第二关键信息相同点大于或等于第二预设阈值,则判定所述检测视频出现卡顿。
4.根据权利要求2所述的检测方法,其特征在于,所述若所述第一关键信息相同点大于或等于第一预设阈值,则判定所述检测视频出现卡顿具体包括:
若所述第一关键信息相同点大于或等于第一预设阈值,则获取所述结构化信息中的特殊信息点;
将每帧视频图像的特殊信息点与前一帧视频图像和/或后一帧视频图像的特殊信息点进行比对;
若所述特殊信息点相同,则判定所述检测视频出现卡顿。
5.根据权利要求2所述的检测方法,其特征在于,所述方法还包括:
将多个视频图像的结构化信息样本输入第一机器学习模型进行训练,获得关键信息标记模型;
将多个视频图像的第一关键信息样本输入第二机器学习模型进行训练,获得视频卡顿检测模型;
所述对所述结构化信息进行分析,将所述结构化信息中的M个特征作为每帧视频图像的第一关键信息具体为:利用所述关键信息标记模型接收每帧视频图像的结构化信息,所述关键信息标记模型输出每帧视频图像的第一关键信息;
所述将每帧视频图像的第一关键信息与前一帧视频图像和/或后一帧视频图像的第一关键信息进行比对;若所述第一关键信息相同点大于或等于第一预设阈值,则判定所述检测视频出现卡顿具体为:利用所述视频卡顿检测模型接收每帧视频图像的第一关键信息,所述视频卡顿检测模型输出所述检测视频是否出现卡顿的判定结果。
6.根据权利要求1至4中任一项所述的检测方法,其特征在于,所述方法还包括:
在判定所述检测视频出现卡顿时,发送视频卡顿警告信息。
7.根据权利要求3所述的检测方法,其特征在于,所述第二预设阈值大于或等于所述第一预设阈值;所述第一预设阈值为95%~99%。
8.一种应用权利要求1至7中任一项所述的视频卡顿检测方法的检测***,其特征在于,所述***包括:
截取单元,用于对检测视频按照预设时间间隔截取预设帧数的视频段;
信息处理单元,用于对所述视频段中的每帧视频图像进行结构化处理,获得每帧视频图像的第一关键信息;
检测单元,用于将每帧视频图像的第一关键信息与前一帧视频图像和/或后一帧视频图像的第一关键信息进行比对;
若所述第一关键信息相同点大于或等于第一预设阈值,则判定所述检测视频出现卡顿。
9.根据权利要求8所述的检测***,其特征在于,所述信息处理单元具体用于:
对所述视频段中的每帧视频图像进行结构化处理,获得每帧视频图像的结构化信息;
对所述结构化信息进行分析,将所述结构化信息中的M个特征作为每帧视频图像的第一关键信息。
10.根据权利要求9所述的检测***,其特征在于,所述检测***还包括构建单元;
所述构建单元用于将多个视频图像的结构化信息样本输入第一机器学习模型进行训练,获得关键信息标记模型;
所述构建单元还用于将多个视频图像的第一关键信息样本输入第二机器学习模型进行训练,获得视频卡顿检测模型;
所述信息处理单元包括所述关键信息标记模型;所述关键信息标记模型接收每帧视频图像的结构化信息,并输出每帧视频图像的第一关键信息;
所述检测单元为所述视频卡顿检测模型;所述视频卡顿检测模型接收每帧视频图像的第一关键信息,并输出所述检测视频是否出现卡顿的判定结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011065447.9A CN112183406A (zh) | 2020-09-30 | 2020-09-30 | 一种视频卡顿检测方法及检测*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011065447.9A CN112183406A (zh) | 2020-09-30 | 2020-09-30 | 一种视频卡顿检测方法及检测*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112183406A true CN112183406A (zh) | 2021-01-05 |
Family
ID=73948226
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011065447.9A Pending CN112183406A (zh) | 2020-09-30 | 2020-09-30 | 一种视频卡顿检测方法及检测*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112183406A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112511821A (zh) * | 2021-02-03 | 2021-03-16 | 腾讯科技(深圳)有限公司 | 视频卡顿检测方法、装置和存储介质 |
CN114827593A (zh) * | 2022-06-28 | 2022-07-29 | 武汉海微科技有限公司 | 基于车载显示屏的视频检测方法、装置、设备及存储介质 |
-
2020
- 2020-09-30 CN CN202011065447.9A patent/CN112183406A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112511821A (zh) * | 2021-02-03 | 2021-03-16 | 腾讯科技(深圳)有限公司 | 视频卡顿检测方法、装置和存储介质 |
CN114827593A (zh) * | 2022-06-28 | 2022-07-29 | 武汉海微科技有限公司 | 基于车载显示屏的视频检测方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111967393B (zh) | 一种基于改进YOLOv4的安全帽佩戴检测方法 | |
CN111091098B (zh) | 检测模型的训练方法、检测方法及相关装置 | |
CN110689054B (zh) | 一种工人违规行为监测方法 | |
CN107437318B (zh) | 一种可见光智能识别算法 | |
CN111507235B (zh) | 基于视频的铁路周界异物入侵检测方法 | |
CN103903008B (zh) | 一种基于图像识别输电线路的雾等级的方法以及*** | |
CN107194396A (zh) | 国土资源视频监控***中基于特定违章建筑识别预警方法 | |
CN112183406A (zh) | 一种视频卡顿检测方法及检测*** | |
CN110096945B (zh) | 基于机器学习的室内监控视频关键帧实时提取方法 | |
CN116320292B (zh) | 基于大数据的水利监控控制*** | |
CN108009479A (zh) | 分布式机器学习***及其方法 | |
CN105208325A (zh) | 基于图像定点抓拍及比对分析的国土资源监控预警方法 | |
KR20200052418A (ko) | 딥러닝 기반의 자동 폭력 감지 시스템 | |
CN111476964A (zh) | 一种远程森林防火监控***与方法 | |
CN109274945B (zh) | 一种自适应进行图像真彩色还原的方法及*** | |
CN112287823A (zh) | 一种基于视频监控的面部口罩识别方法 | |
CN110674887A (zh) | 一种基于视频分类的端到端道路拥堵检测算法 | |
CN113298077A (zh) | 一种基于深度学习的变电站异物识别定位方法及装置 | |
CN111767881A (zh) | 一种基于ai技术的自适应人群密度估计装置 | |
CN116246416A (zh) | 一种用于安防的智能分析预警平台及方法 | |
CN111860457A (zh) | 一种斗殴行为识别预警方法及其识别预警*** | |
CN110659627A (zh) | 一种基于视频分割的智能视频监控方法 | |
CN113947744A (zh) | 基于视频的火灾图像检测方法、***、设备及存储介质 | |
CN114500950A (zh) | 基于智慧城市的箱体异常状态检测***及方法 | |
CN116597394A (zh) | 一种基于深度学习的铁路异物侵限检测***及方法 |
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 |