CN113255477A - 一种行人视频图像的综合管理***及方法 - Google Patents
一种行人视频图像的综合管理***及方法 Download PDFInfo
- Publication number
- CN113255477A CN113255477A CN202110500964.2A CN202110500964A CN113255477A CN 113255477 A CN113255477 A CN 113255477A CN 202110500964 A CN202110500964 A CN 202110500964A CN 113255477 A CN113255477 A CN 113255477A
- Authority
- CN
- China
- Prior art keywords
- video
- module
- image
- pedestrian
- data
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/55—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
- G06F16/75—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion
-
- 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
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L65/00—Network arrangements, protocols or services for supporting real-time applications in data packet communication
- H04L65/60—Network streaming of media packets
- H04L65/65—Network streaming protocols, e.g. real-time transport protocol [RTP] or real-time control protocol [RTCP]
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Signal Processing (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Human Computer Interaction (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Computer Networks & Wireless Communication (AREA)
- Image Analysis (AREA)
- Closed-Circuit Television Systems (AREA)
Abstract
本发明涉及智慧监控技术领域,提供一种行人视频图像的综合管理***及方法,包括:视频流采集模块、人工智能处理模块、大数据建模模块以及应用平台;视频流采集模块,用于将通过标准视频码流处理,实现视频码流向人工智能处理模块传输视频原始视频场景图片数据;人工智能处理模块,用于接收到视频原始视频场景图片数据,并将原始视频场景图片数据进行处理;大数据建模模块,用于建立实时视频图像库,其中,实时视频图像库包括图像大数据库、结构化属性库和特征库;应用平台,用于对实时视频图像库进行图像大数据搜索、轨迹研判、布控比对以及深度挖掘,以获得目标特征图像。本发明便于提高监控效率,部署安装快捷,操作简单,节省成本。
Description
技术领域
本发明涉及智慧监控技术领域,尤其涉及一种行人视频图像的综合管理***及方法。
背景技术
目前视频监控***是将前端采集的视频图像,以视频文件的形式存在监控视频专网。其实,只完成了视频数据的基础采集工作,视频的应用仍以人工调取视频录像回放的方式为主,它不是一个完整的信息化应用***,99%视频资源没有得到有效利用。视频资源无法对监控应用***提供数据支撑,形成信息孤岛。同时,人工作业模式,工作量巨大、效率极低。
在现有技术中,随着视频监控建设规模越来越大,大量的摄像头管理和维护工作成为一个难题。当智能摄像头出现故障时,需要进行智能摄像头更换,视频信息的重复利用不便,行人视频图像综合管理效率低。
发明内容
本发明实施例提供一种行人视频图像的综合管理***,能够快速获取行人的视频图像信息,省时省力、提高了图像采集的管理效率。
第一方面,本发明实施例提供一种行人视频图像的综合管理***,包括:视频流采集模块、人工智能处理模块、大数据建模模块以及应用平台;
所述视频流采集模块,用于将通过标准视频码流处理,实现视频码流向所述人工智能处理模块传输原始视频场景图片数据;
所述人工智能处理模块,用于接收到所述原始视频场景图片数据,并将所述原始视频场景图片数据进行处理;
所述大数据建模模块,用于建立实时视频图像库,其中,所述实时视频图像库包括图像大数据库、结构化属性库和特征库;
所述应用平台,用于对所述实时视频图像库进行图像大数据搜索、轨迹研判、布控比对以及深度挖掘,以获得目标特征图像。
优选的,所述视频流采集模块包括:
视频边缘计算引擎,用于获取所述视频流采集模块采集到的初始视频流,其中,一台所述边缘计算引擎对应多个所述视频流采集模块;
预处理模块,通过RTSP协议直连取流、标准协议取流及NVR取流中至少一种方式进行取流处理,用于将所述初始视频流进行实时的解码、抽帧、分析以及过滤。
优选的,所述人工智能处理模块包括:
行人比对与轨迹跟踪模块,用于识别所有经过监控点范围内的人,提取行人的人形标签属性和特征码,并记录该行人的轨迹信息;
实时监控推送模块,用于对一个或多个监控点进行实时监控,并显示经过监控点行人;
模型训练模块,用于对各个场景下的行人图像信息进行训练并优化模型,基于捕捉画面中的行人体态、肢体等数据的识别和分析训练。
优选的,所述模型训练模块包括:
标签模型训练单元,用于将各个场景下的行人图像标签信息进行训练并优化模型;
特征模型训练单元,用于将各个场景下的行人图像特征信息进行训练并优化模型。
优选的,所述大数据建模模块包括:
图片存储模块,用于对所述视频流采集模块采集到的所有图片数据进行存储;
数据存储模块,用于存储实时图像数据;
搜索引擎模块,用于提取和分析出来的行人数据进行存储和索引。
优选的,所述应用平台包括:
管控模块,用于对所述实时视频图像库进行管理控制;
查看模块,用于查看获取目标视频图像与原视频图像进行对比;
搜索模块,用于对行人的人形属性信息、时间信息、位置信息进行搜索。
优选的,所述管控模块包括:
负载均衡处理单元,用于将多路视频采集图片发送的数据进行负载处理,均衡的分发到多台卷积神经网络服务器上进行处理;
用户管理单元,用于管理用户信息及部门信息;
用户权限控制单元,用于对不同的用户进行分域分权控制;
设备管理单元,用于对每一台视频采集设备进行管理、配置及应用程序升级;
档案管理单元,用于将搜索结果的目标图片存入档案库,建立目标人物档案库,并可多图搜索、查看目标人物运动轨迹;
案件管理单元,用于管理案件信息、目标人物信息及轨迹信息。
优选的,所述查看模块包括:
视频原图查看单元,用于查看视频结构化结果图片对应的视频图像原图;
监控点位选择单元,用于提供点选、圈选、框选及多边形方式选择点位查看。
优选的,所述搜索模块包括:
条件搜索单元,用于根据行人的属性信息进行搜索,搜索结果按时间升序、倒序列表显示;
以图搜图单元,用于根据给定的图片自动提取目标人物的特征值进行搜索,搜索结果按相似度由高到低列表显示或按时间升序、倒序列表显示;
跨地搜索单元,用于根据搜索需求进行跨区域、地点的监控点位搜索。
第二方面,本发明还提供一种行人视频图像的综合管理方法,所述方法包括步骤:
通过标准视频码流处理,实现视频码流向人工智能处理模块传输原始视频场景图片数据;
根据接收到所述原始视频场景图片数据,并将所述原始视频场景图片数据进行处理;
通过建立实时视频图像库,其中,所述实时视频图像库包括图像大数据库、结构化属性库和特征库;
通过对所述实时视频图像库进行图像大数据搜索、轨迹研判、布控比对以及深度挖掘,以获得目标特征图像;
所述通过标准视频码流处理,实现视频码流向人工智能处理模块传输原始视频场景图片数据包括步骤:
通过获取视频流采集模块采集到的初始视频流,其中,一台边缘计算引擎对应多个所述视频流采集模块;
将所述初始视频流进行实时的解码、抽帧、分析以及过滤;
通过人工智能处理模块获取到原始视频场景图片及目标图片,进行解析出行人的人形属性信息标记和生成人形特征码(特征矢量),并将解析后的人形属性信息、人形特征码(特征矢量)进行输出至大数据建模模块。
在本发明实施例中,通过视频流采集模块将通过标准视频码流处理,实现视频码流向人工智能处理模块传输原始视频场景图片数据;通过人工智能处理模块接收到原始视频场景图片数据,并将原始视频场景图片数据进行处理;通过大数据建模模块建立实时视频图像库,其中,实时视频图像库包括图像大数据库、结构化属性库和特征库;通过应用平台对实时视频图像库进行图像大数据搜索、轨迹研判、布控比对以及深度挖掘,以获得目标特征图像;这样可以不需要更换智能摄像头,浪费已建设的摄像头资产,利用已建设好的视频监控点位,***部署安装快捷,操作简单,节省大量信息化建设成本;在视频监控查看上,减少人力成本,提高监控工作效率,并建立人形图像大数据库,提供开发多种应用的数据来源。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种行人视频图像的综合管理***的模块图;
图2是本发明实施例提供的另一种行人视频图像的综合管理***的模块图;
图3是本发明实施例提供的一种行人视频图像的综合管理***的模型训练模块的模块图;
图4是本发明实施例提供的一种行人视频图像的综合管理***的管控模块的模块图;
图5是本发明实施例提供的一种行人视频图像的综合管理***的查看模块的模块图;
图6是本发明实施例提供的一种行人视频图像的综合管理***的搜索模块的模块图;
图7是本发明实施例提供的一种行人视频图像的综合管理方法的流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的说明书和权利要求书及附图说明中的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。本发明的说明书和权利要求书或附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
如图1所示,图1是本发明实施例提供的一种行人视频图像的综合管理***的模块图。本发明实施例提供一种行人视频图像的综合管理***100,包括:视频流采集模块10、人工智能处理模块20、大数据建模模块30以及应用平台 40;
所述视频流采集模块10,用于将通过标准视频码流处理,实现视频码流向所述人工智能处理模块20传输原始视频场景图片数据。该视频流采集模块 10运行在边缘计算服务器上,对现存非智能摄像头的实时视频流进行解码抽帧,将采集到的图片数据输出给神网服务器临时存储并分析,同时关联给图片存储服务器存储下来,也就是传输给人工智能处理模块20,进行结构化分析作准备。
其中,神网服务器主要工作是对收集到的图片数据进行结构化分析处理,为人工智能处理模块20提供专业独立的运行环境而服务的。一台神网服务器具有支持80路视频摄像头的图片结构化分析处理能力。
所述人工智能处理模块20,用于接收到所述原始视频场景图片,并将所述原始视频场景图片进行处理。
具体的,通过该人工智能处理模块20首先选择对一个或多个监控点进行实时监控起来,可显示经过监控点行人,并做好行人目标获取图片推送准备。其次通过对推送的行人图片进行识别所有经过监控点范围内的人,提取行人的标签和特征码,并记录该行人的轨迹信息,都存入到数据库中,应用相应的数据结果进行统计、展示。然后对各种监控场景下的收集到的行人图片进行训练,优化模型,提高标签信息的准确度;对各种监控场景下的收集到的行人图片进行训练,优化模型,提高特征信息的准确度,为提高算法精度提供素材,从而达到算法模块升级迭代。
该人工智能处理模块20运行在神网服务器上,与视频流采集模块10通过网络相连接,用于推送过来的图片按照行人算法模型对每张图片进行分析、进行识别、抠取、结构化属性标记,同时记录采集点位的地点信息、时间信息,形成时间、空间两个维度数据,并生成行人目标小图,生成性别、上衣颜色、上衣款式、裤子颜色、裤子款式、鞋子颜色、是否骑车等属性数据。
所述大数据建模模块30,用于建立实时视频图像库,其中,所述实时视频图像库包括图像大数据库、结构化属性库和特征库。
具体的,通过监控点位获取到的图片对其提取和分析出来的行人数据进行存储和索引,因图片生成的标签和特征码信息量巨大,并提供负载均衡技术,为应用提供搜索业务,目的是搜索显示结果速度快,体验好。***要显示采集出来图片,并且是海量的,需要用到专业存储空间,存储所有采集的图片和其它文件信息。通过识别收集到图片出来的行人小图、标签和特征信息结果,采用MySQL数据库(关系型数据库管理***的缩写)和ES(Elasticsearch)数据库来存储上述识别结果。
其中,该大数据建模模块30采用高速高带宽的存储局域网络、分布式实时的搜索引擎技术和亿级数据集中快速搜索相似多媒体文件的算法库。通过网络与人工智能处理模块20相连接,把结构化分析处理后图片数据、属性标签数据进行存储,与常见的结构化数据不同,图像结构化数据如果仅根据属性标签内容将无法进行精确比对和快速检索,所以提供专业级的MySQL数据库、ES数据库进行存储分析海量数据,为应用平台40应用提供了搜索速度提升和缩短操作访问时间。
该MySQL数据库是一种关系型数据库管理***,关系数据库将数据保存在不同的表中,而不是将所有数据放在一个大仓库内,这样就增加了速度并提高了灵活性。
该ES数据库是一个高拓展和开源的全文搜索和分析引擎,可以准实时地存储、搜索、分析海量的数据,从而提高目标图像的搜索效率,进而方便监控的效果。
上述的大数据建模模块30运用于图片存储服务器,主要提供大量存储容量,为海量图片、视频文件、结构化数据提供存储环境。所述搜索引擎服务器,主要提供运行分布式实时的搜索引擎技术和亿级数据集中快速搜索显示查询结果的运行能力环境。所述数据库服务器,主要提供MySQL数据库、ES数据库运行环境,保障按数据分类存储,建立索引服务环境。
所述应用平台40,用于对所述实时视频图像库进行图像大数据搜索、轨迹研判、布控比对以及深度挖掘,以获得目标特征图像。
可选的,目标特征图像可以是目标小图,生成性别、上衣颜色、上衣款式、裤子颜色、裤子款式、鞋子颜色、是否骑车等属性数据。
具体的,通过所述应用平台40对图像识别进行结构化结果集中展示、分析、统计,把抽象的图片变成具体的、可描述、可定义、可查询、可统计的内容,从而在大量的图片中快速搜索找到相似的行人目标,有价值的线索,并生成运动轨迹、导出生成案件报告,进而提高监控的工作效率及效能,是监控行人视频图像的一种技术辅助工具,使用效果良好。
该应用平台40通过网络和大数据建模模块30相连接,通过自动操作和手动操作发出请求指令,调用采集到的实时图片、结构化标签、行人目标图片、特征码数据接口,发送指定的监控点位和时间段来获取对应采集识别出来的结果图片数据,完成查看、搜索、统计等应用操作。
具体实施例时,通过视频流采集模块10将通过标准视频码流处理,实现视频码流向人工智能处理模块20传输原始视频场景图片;通过人工智能处理模块20接收到原始视频场景图片,并将原始视频场景图片进行处理;通过大数据建模模块30建立实时视频图像库,其中,实时视频图像库包括图像大数据库、结构化属性库和特征库;通过应用平台40对实时视频图像库进行图像大数据搜索、轨迹研判、布控比对以及深度挖掘,以获得目标特征图像;这样可以不需要更换智能摄像头,浪费已建设的摄像头资产,利用已建设好的视频监控点位,***部署安装快捷,操作简单,节省大量信息化建设成本;在视频监控查看上,减少人力成本,提高监控工作效率,并建立人形图像大数据库,提供开发多种应用的数据来源。
通过本***的建设和使用,社会治安改善,生活稳定和谐,增加人民群众的安全感、幸福感、满意度。本发明通过收集视频图片素材,建立算法模型,进行算法训练,提供出多种标签属性和特征码属性,可以用于其它用途,本发明还可以在智慧校园、园区、小区建设中使用,加强监管区域、财产保护、人员安全,取证便捷。
在本实施例中,如图2所示,图2是本发明实施例提供的另一种行人视频图像的综合管理***的模块图。所述视频流采集模块10包括:
视频边缘计算引擎11,用于获取所述视频流采集模块采集到的初始视频流,其中,一台所述边缘计算引擎对应多个所述视频流采集模块;
预处理模块12,通过RTSP(Real Time Streaming Protocol)协议直连取流、 GB/T28181-2016标准协议取流及NVR取流中至少一种方式进行取流处理,用于将所述初始视频流进行实时的解码、抽帧、分析以及过滤。
其中,每一个视频流采集模块与边缘计算引擎之间都预先创建有独立的处理线程,边缘计算引擎对每一路初始视频流进行解码时便不会混乱。且解码时可以根据获取到每一路初始视频流的时间先后顺序进行解码及抽帧。进行解码得到的数据格式可以为YUV格式,然后对解码后的数据进行抽帧,抽帧时,可以根据预先配置参数设置每秒取多少帧数据,抽帧之后得到会得到帧数据,帧数据可以是图像数据。然后将帧数据传输给预设的人工智能处理模块处理。
需要说明的是,上述基于边缘计算引擎的数据传输方法运行于其上的电子设备可以通过有线连接方式或者无线连接方式进行网络通讯。上述无线连接方式可以包括但不限于3G/4G连接、WiFi(Wireless-Fidelity)连接、蓝牙连接、 WiMAX(WorldwideInteroperability for Microwave Access)连接、Zigbee(低功耗局域网协议,又称紫峰协议)连接、UWB(ultra wide band)连接、以及其他现在已知或将来开发的无线连接方式。
在本实施例中,如图2所示,图2是本发明实施例提供的另一种行人视频图像的综合管理***的模块图。所述人工智能处理模块20包括:
行人比对与轨迹跟踪模块21,用于识别所有经过监控点范围内的人,提取行人的人形属性标签和特征码,并记录该行人的轨迹信息。
上述的监控点可以是智能摄像头的拍摄视野范围或指定监控区域等,行人的属性标签可以是所以通过监控点范围的人的编号、标记等,标记可以是数字、字母或符号,这样便于对需要监控的目标的标签快速提取出来,提高监控的效率。该行人的特征码可以是人脸、人行等有效数据信息,或者出现空白、树木、商店或其他干扰数据为无效信息,每一种有效数据中包括了各自的特征信息,例如:人形数据中包括的特征有上衣、裤子、鞋子、配饰、帽子、头饰等的颜色以及款式。特征识别模型通过训练集进行不断的训练之后,便具有对上述多种特征进行识别的能力。因此,可以进行行人数据的对比。
上述行人的轨迹信息可以是行人在监控区域的运动轨迹、运动行为等,运动轨迹如进入监控区域行人实时移动的轨迹路线,而运动行为走路、跑步、深蹲、跳跃等行为,通过行人的运动轨迹或运动行为来进行行人信息对比以及轨迹跟踪,从而提高目标行人的监控效率。
实时监控推送模块22,用于对一个或多个监控点进行实时监控,并显示经过监控点行人。
具体的,通过实时监控推送模块22对一个或多个监控点进行实时监控处理,当监控点有行人经过时,将经过的行人信息传输到显示设备上显示,从而降低人员成本,提高监控效率。
模型训练模块23,用于对各个场景下的行人图像信息进行训练并优化模型,基于捕捉画面中的行人体态、肢体等数据的识别和分析训练。
其中,上述的场景可以是交通路边、超市、商场、校园等,通过将上述的各个场景下的行人图像信息进行训练,并优化训练模型。
在本实施例中,如图3所示,图3是本发明实施例提供的一种行人视频图像的综合管理***的模型训练模块的模块图。所述模型训练模块23包括:
标签模型训练单元231,用于将各个场景下的行人图像标签信息进行训练并优化模型;
特征模型训练单元232,用于将各个场景下签的行人图像特征信息进行训练并优化模型。
上述通过标签模型训练单元231将各个场景下的行人图像标签信息进行训练并优化模型;其中,行人图像标签信息是所以通过监控点范围的人的编号、标记等,标记可以是数字、字母或符号,这样便于对需要监控的目标的标签快速提取出来,提高监控的效率。
上述特征模型训练单元232用于将各个场景下签的行人图像特征信息进行训练并优化模型;行人图像特征信息可以是人脸、人行等有效数据信息,或者出现空白、树木、商店或其他干扰数据为无效信息,每一种有效数据中包括了各自的特征信息,例如:人形数据中包括的特征有上衣、裤子、鞋子、配饰、帽子、头饰等的颜色以及款式。特征识别模型通过训练集进行不断的训练之后,便具有对上述多种特征进行识别的能力。
在本实施例中,如图2所示,图2是本发明实施例提供的另一种行人视频图像的综合管理***的模块图。所述大数据建模模块30包括:
图片存储模块31,用于对所述视频流采集模块采集到的所有图片数据进行存储;
数据存储模块32,用于存储实时图像数据;
搜索引擎模块33,用于提取和分析出来的行人的人形数据进行存储和索引。
具体的,图片存储模块31用于对所述视频流采集模块采集到的所有图片数据和其他文件信息进行存储。数据存储模块32用于存储业务数据的数据库。通过搜索引擎模块33提取和分析出来的行人的人形数据进行存储和索引,为应用提供搜索业务。
在本实施例中,如图2所示,图2是本发明实施例提供的另一种行人视频图像的综合管理***的模块图。所述应用平台40包括:
管控模块41,用于对所述实时视频图像库进行管理控制;
查看模块42,用于查看获取目标视频图像与原视频图像进行对比;
搜索模块43,用于对行人的人形属性信息、时间信息、位置信息进行搜索。
上述管控模块41可以把多路视频采集图片发送的数据进行负载处理,均衡的分发到卷积神经网络***上,即人工智能处理模块,做到合理分配使用结构化算力。通过管控模块41对所述实时视频图像库进行管理控制;利用查看模块42查看获取目标视频图像与原视频图像进行对比;通过搜索模块43对行人属性信息、位置信息进行搜索。
在本实施例中,如图4所示,图4是本发明实施例提供的一种行人视频图像的综合管理***的管控模块的模块图。所述管控模块41包括:
负载均衡处理单元411,用于将多路视频采集图片发送的数据进行负载处理,均衡的分发到多台卷积神经网络服务器上进行处理;即人工智能处理模块,做到合理分配使用结构化算力。
用户管理单元412,用于管理用户信息及部门信息;通过应用平台设置用户人员名单及所在部门,这些设置名单可以登录平台操作使用,无建立用户名单,则无权访问应用平台,用则需要开通,不用时可停用。建立好的用户名单信息将保存在数据库服务器中。
用户权限控制单元413,用于对不同的用户进行分域分权控制;通过应用平台设置不同用户进行分域分权控制,根据角色不同,建立不同的访问功能需求种类,指定管理员权限、普通操作权限,实现对应用平台功能操作大小不同进行操作访问。用户权限控制的信息将保存在数据库服务器中。
设备管理单元414,用于对每一台视频采集设备进行管理、配置及应用程序升级;通过应用平台将管理边缘计算服务器的管理、配置、应用程序升级、运行状态,管理前端摄像头的IP(Internet Protocol)、登录帐号密码,RTSP(Real Time Streaming Protocol)开启、在线情况,包括增加、修改、删除、查看。设备管理模块通过网络和视频流模块、摄像头进行相关联,实现视频实时流抽帧抠图的摄像头点位分配工作。设备管理数据将保存在数据库服务器中。
档案管理单元415,用于将搜索结果的目标图片存入档案库,建立目标人物档案库,并可多图搜索、查看目标人物运动轨迹;通过条件搜索和以图搜图的结果图片,查找出来有用的目标图片,进行管理,新建立一个档案名称,对这些图片进行管理保存,当分析这些目标图片的运动轨迹时,可以把这档案里所有图片进行关联,将和监控摄像头点位的地址坐标、时间坐标关联,在地图上生成运动轨迹,快速找出嫌疑人的行踪和落角点。档案管理数据将保存在数据库服务器中。
案件管理单元416,用于管理案件信息、目标人物信息及轨迹信息。通过和档案管理单元相关联,建立一个案件名称,把档案管理中相关线索图片归档至案件中,生成运动轨迹图片,最后生成案件报告导出,将长期保存存档,案件管理的数据将保存在数据库服务器中。
在本实施例中,如图5所示,图5是本发明实施例提供的一种行人视频图像的综合管理***的查看模块的模块图。所述查看模块42包括:
视频原图查看单元421,用于查看视频结构化结果图片对应的视频图像原图;
监控点位选择单元422,用于提供点选、圈选、框选及多边形方式选择点位查看。
具体的,该视频原图查看单元421通过和点位选择模块、条件搜索、以图搜图进行连接,关联上搜索引擎服务器、图片存储服务器,搜索出来结果图片,可以通过小图查看到原图,并可以查看到此原图前后翻相邻的多张原图,还原监控摄像头当时发生的真实场景。该监控点位选择单元422通过应用平台在地图上提供点选、框选、圈选、多边选,可以单个点位选择或多个点位选择,并提供时间区间选择,发送至数据库服务器和搜索引擎服务器,目的是方便操作指定搜索区域范围和时间范围,快速查找出要搜索的范围。
在本实施例中,如图6所示,图6是本发明实施例提供的一种行人视频图像的综合管理***的搜索模块的模块图。所述搜索模块43包括:
条件搜索单元431,用于根据行人的属性信息进行搜索,搜索结果按时间倒序列表显示;
以图搜图单元432,用于根据给定的图片自动提取目标人物的特征值进行搜索,搜索结果按相似度由高到低列表显示或按时间升序、倒序列表显示;
跨地搜索单元433,用于根据搜索需求进行跨区域、地点的监控点位搜索。
具体的,条件搜索单元431通过应用平台在地图上选择好的摄像头点位路数和时间段,发送给数据库服务器,匹配出边缘计算服务器解码抽帧已经通过神网服务器结构化识别出来点位信息、时间信息,按性别、上衣颜色、上衣款式、裤子颜色、裤子款式、鞋子颜色、是否骑车产七种属性数据结果排序显示出来,包括关联出原图及小图。
以图搜图单元432通过应用平台在地图上选择好的摄像头点位路数和时间段,通过选择一张目标小图或多张小图发送给图像大数据建模模块,根据搜索引擎服务器识别出来的目标小图的特征码信息,再发送给数据库服务器匹配处理好的特征码信息匹配。搜索出来的结果按相似度高低排序显示。
跨地搜索单元433通过应用平台在地图上设置在不同地域的监控摄像头,由于每个区域接入点位数比较多,点位经过聚合显示,和监控点位选择相关联,可以运用多次框选、圈选、多边形选,选择出来的点位再和条件搜索模块、以图搜图模块进行关联,实现跨地跨区搜索要求。跨地搜索的记录将保存在数据库服务器中。
第二方面,如图7所示,图7是本发明实施例提供的一种行人视频图像的综合管理方法的流程图。本发明实施例还提供一种行人视频图像的综合管理方法,所述方法包括步骤:
S101、通过标准视频码流处理,实现视频码流向人工智能处理模块传输原始视频场景图片数据;
S102、根据接收到所述原始视频场景图片数据,并将所述原始视频场景图片数据进行处理;
S103、通过建立实时视频图像库,其中,所述实时视频图像库包括图像大数据库、结构化属性库和特征库;
S104、通过对所述实时视频图像库进行图像大数据搜索、轨迹研判、布控比对以及深度挖掘,以获得有价值的目标特征图像。
可选的,目标特征图像可以是目标小图,生成性别、上衣颜色、上衣款式、裤子颜色、裤子款式、鞋子颜色、是否骑车等属性数据。
具体的,通过所述应用平台对图像识别进行结构化结果集中展示、分析、统计,把抽象的图片变成具体的、可描述、可定义、可查询、可统计的内容,从而在大量的图片中快速搜索找到相似的行人目标,有价值的线索,并生成运动轨迹、导出生成案件报告,进而提高监控的工作效率及效能,是监控行人视频图像的一种技术辅助工具,使用效果良好。
该应用平台通过网络和大数据建模模块相连接,通过自动操作和手动操作发出请求指令,调用采集到的实时图片、结构化标签、行人目标图片、特征码数据接口,发送指定的监控点位和时间段来获取对应采集识别出来的结果图片数据,完成查看、搜索、统计等应用操作。
具体实施例时,通过视频流采集模块将通过标准视频码流处理,实现视频码流向人工智能处理模块传输原始视频场景图片数据;通过人工智能处理模块接收到原始视频场景图片数据,并将原始视频场景图片数据进行处理;通过大数据建模模块建立实时视频图像库,其中,实时视频图像库包括图像大数据库、结构化属性库和特征库;通过应用平台对实时视频图像库进行图像大数据搜索、轨迹研判、布控比对以及深度挖掘,以获得目标特征图像;这样可以不需要更换智能摄像头,浪费已建设的摄像头资产,利用已建设好的视频监控点位,***部署安装快捷,操作简单,节省大量信息化建设成本;在视频监控查看上,减少人力成本,提高监控工作效率,并建立人形图像大数据库,提供开发多种应用的数据来源。
在本实施例中,S101、所述通过标准视频码流处理,实现视频码流向人工智能处理模块传输原始视频场景图片包括步骤:
通过获取视频流采集模块采集到的初始视频流,其中,一台边缘计算引擎对应多个所述视频流采集模块;
将所述初始视频流进行实时的解码、抽帧、分析以及过滤;
通过人工智能处理模块获取到原始视频场景图片及目标图片,进行解析出行人的人形属性信息标记和生成人形特征码(特征矢量),并将解析后的人形属性信息、人形特征码(特征矢量)进行输出至大数据建模模块。
具体的,其中,每一个视频流采集模块与边缘计算引擎之间都预先创建有独立的处理线程,边缘计算引擎对每一路初始视频流进行解码时便不会混乱。且解码时可以根据获取到每一路初始视频流的时间先后顺序进行解码及抽帧。进行解码得到的数据格式可以为YUV格式,然后对解码后的数据进行抽帧,抽帧时,可以根据预先配置参数设置每秒取多少帧数据,抽帧之后得到会得到帧数据,帧数据可以是图像数据。然后将帧数据传输给预设的人工智能处理模块处理。
需要说明的是,上述基于边缘计算引擎的数据传输方法运行于其上的电子设备可以通过有线连接方式或者无线连接方式进行网络通讯。上述无线连接方式可以包括但不限于3G/4G连接、WiFi(Wireless-Fidelity)连接、蓝牙连接、 WiMAX(WorldwideInteroperability for Microwave Access)连接、Zigbee(低功耗局域网协议,又称紫峰协议)连接、UWB(ultra wide band)连接、以及其他现在已知或将来开发的无线连接方式。
在本实施例中,S102、根据接收到所述原始视频场景图片数据,并将所述原始视频场景图片数据进行处理具体包括步骤:
识别所有经过监控点范围内的人,提取行人的标签和特征码,并记录该行人的轨迹信息;
根据所述轨迹信息对一个或多个监控点进行实时监控,并显示经过监控点行人;
根据对各个场景下的行人图像信息进行训练并优化模型。
其中,上述的场景可以是交通路边、超市、商场、校园等,通过将上述的各个场景下的行人图像信息进行训练,并优化训练模型。
在本实施例中,S103、建立实时视频图像库,其中,所述实时视频图像库包括图像大数据库、结构化属性库和特征库,具体包括步骤:
对所述视频流采集模块采集到的所有图片数据进行存储;
存储实时视频图像库;
提取和分析出来的行人数据进行存储和索引。
具体的,通过对所述视频流采集模块采集到的所有图片数据和其他文件信息进行存储。数据存储模块用于存储业务数据的数据库。通过搜索引擎模块提取和分析出来的行人数据进行存储和索引,为应用提供搜索业务。
显然,以上所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例,附图中给出了本发明的较佳实施例,但并不限制本发明的专利范围。本发明可以以许多不同的形式来实现,相反地,提供这些实施例的目的是使对本发明的公开内容的理解更加透彻全面。尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来而言,其依然可以对前述各具体实施方式所记载的技术方案进行修改,或者对其中部分技术特征进行等效替换。凡是利用本发明说明书及附图内容所做的等效结构,直接或间接运用在其他相关的技术领域,均同理在本发明专利保护范围之内。
Claims (9)
1.一种行人视频图像的综合管理***,其特征在于,包括:视频流采集模块、人工智能处理模块、大数据建模模块以及应用平台;
所述视频流采集模块,用于将通过标准视频码流处理,实现视频码流向所述人工智能处理模块传输原始视频场景图片数据;
所述人工智能处理模块,用于接收到所述原始视频场景图片数据,并将所述原始视频场景图片数据进行处理;
所述大数据建模模块,用于建立实时视频图像库,其中,所述实时视频图像库包括图像大数据库、结构化属性库和特征库;
所述应用平台,用于对所述实时视频图像库进行图像大数据搜索、轨迹研判、布控比对以及深度挖掘,以获得目标特征图像;
所述视频流采集模块包括:
视频边缘计算引擎,用于获取所述视频流采集模块采集到的初始视频流,其中,一台所述边缘计算引擎对应多个所述视频流采集模块;
预处理模块,通过RTSP协议直连取流、标准协议取流及NVR取流中至少一种方式进行取流处理,用于将所述初始视频流进行实时的解码、抽帧、分析以及过滤。
2.如权利要求1所述的行人视频图像的综合管理***,其特征在于,所述人工智能处理模块包括:
行人比对与轨迹跟踪模块,用于识别所有经过监控点范围内的人,提取行人的人形属性标签和特征码,并记录该行人的轨迹信息;
实时监控推送模块,用于对一个或多个监控点进行实时监控,并显示经过监控点行人;
模型训练模块,用于对各个场景下的行人图像信息进行训练并优化模型,基于捕捉画面中的行人体态、肢体数据的识别和分析训练。
3.如权利要求2所述的行人视频图像的综合管理***,其特征在于,所述模型训练模块包括:
标签模型训练单元,用于将各个场景下的行人图像标签信息进行训练并优化模型;
特征模型训练单元,用于将各个场景下的行人图像特征信息进行训练并优化模型。
4.如权利要求1所述的行人视频图像的综合管理***,其特征在于,所述大数据建模模块包括:
图片存储模块,用于对所述视频流采集模块采集到的所有图片数据进行存储;
数据存储模块,用于存储实时图像数据;
搜索引擎模块,用于提取和分析出来的行人的人形数据进行存储和索引。
5.如权利要求1所述的行人视频图像的综合管理***,其特征在于,所述应用平台包括:
管控模块,用于对所述实时视频图像库进行管理控制;
查看模块,用于查看获取目标视频图像与原视频图像进行对比;
搜索模块,用于对行人的人形属性信息、时间信息、位置信息进行搜索。
6.如权利要求5所述的行人视频图像的综合管理***,其特征在于,所述管控模块包括:
负载均衡处理单元,用于将多路视频采集图片发送的数据进行负载处理,均衡的分发到多台卷积神经网络服务器上进行处理;
用户管理单元,用于管理用户信息及部门信息;
用户权限控制单元,用于对不同的用户进行分域分权控制;
设备管理单元,用于对每一台视频采集设备进行管理、配置及应用程序升级;
档案管理单元,用于将搜索结果的目标图片存入档案库,建立目标人物档案库,并可多图搜索、查看目标人物运动轨迹;
案件管理单元,用于管理案件信息、目标人物信息及轨迹信息。
7.如权利要求5所述的行人视频图像的综合管理***,其特征在于,所述查看模块包括:
视频原图查看单元,用于查看视频结构化结果图片对应的视频图像原图;
监控点位选择单元,用于提供点选、圈选、框选及多边形方式选择点位查看。
8.如权利要求5所述的行人视频图像的综合管理***,其特征在于,所述搜索模块包括:
条件搜索单元,用于根据行人的属性信息进行搜索,搜索结果按时间升序、倒序列表显示;
以图搜图单元,用于根据给定的图片自动提取目标人物的特征值进行搜索,搜索结果按相似度由高到低列表显示或按时间升序、倒序列表显示;
跨地搜索单元,用于根据搜索需求进行跨区域、地点的监控点位搜索。
9.一种行人视频图像的综合管理方法,其特征在于,所述方法包括步骤:
通过标准视频码流处理,实现视频码流向人工智能处理模块传输原始视频场景图片数据;
根据接收到所述原始视频场景图片数据,并将所述原始视频场景图片数据进行处理;
通过建立实时视频图像库,其中,所述实时视频图像库包括图像大数据库、结构化属性库和特征库;
通过对所述实时视频图像库进行图像大数据搜索、轨迹研判、布控比对以及深度挖掘,以获得有价值的目标特征图像;
所述通过标准视频码流处理,实现视频码流向人工智能处理模块传输原始视频场景图片数据包括步骤:
通过获取视频流采集模块采集到的初始视频流,其中,一台边缘计算引擎对应多个所述视频流采集模块;
将所述初始视频流进行实时的解码、抽帧、分析以及过滤;
通过人工智能处理模块获取到原始视频场景图片及目标图片,进行解析出行人的人形属性信息标记和生成人形特征码,并将解析后的人形属性信息、人形特征码进行输出至大数据建模模块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110500964.2A CN113255477A (zh) | 2021-05-08 | 2021-05-08 | 一种行人视频图像的综合管理***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110500964.2A CN113255477A (zh) | 2021-05-08 | 2021-05-08 | 一种行人视频图像的综合管理***及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113255477A true CN113255477A (zh) | 2021-08-13 |
Family
ID=77222190
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110500964.2A Pending CN113255477A (zh) | 2021-05-08 | 2021-05-08 | 一种行人视频图像的综合管理***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113255477A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113891056A (zh) * | 2021-11-12 | 2022-01-04 | 盐城吉研智能科技有限公司 | 一种基于立体视觉技术的多摄像机图像精准分析方法 |
CN114125502A (zh) * | 2021-11-19 | 2022-03-01 | 武汉中科通达高新技术股份有限公司 | 一种视频流管理方法及装置 |
CN114241368A (zh) * | 2021-12-03 | 2022-03-25 | 成都理工大学 | 一种面向边缘计算的人流量统计*** |
CN116010652A (zh) * | 2023-03-20 | 2023-04-25 | 上海数字治理研究院有限公司 | 一种非结构化视频数据处理方法和*** |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103794234A (zh) * | 2012-10-30 | 2014-05-14 | 北京航天长峰科技工业集团有限公司 | 基于海量视频的事件轨迹快速检索平台 |
CN104252539A (zh) * | 2014-09-24 | 2014-12-31 | 深圳市傲天智能***有限公司 | 基于搜索引擎的视频智能分析管理方法及*** |
CN105224535A (zh) * | 2014-05-29 | 2016-01-06 | 浙江航天长峰科技发展有限公司 | 基于海量视频的关注目标快速查询*** |
CN108921866A (zh) * | 2018-07-24 | 2018-11-30 | 北京深瞐科技有限公司 | 一种图像数据处理方法及*** |
CN109002744A (zh) * | 2017-06-06 | 2018-12-14 | 中兴通讯股份有限公司 | 图像识别方法、装置和视频监控设备 |
CN109271554A (zh) * | 2018-09-07 | 2019-01-25 | 江西省云眼大视界科技有限公司 | 一种智能视频识别***及其应用 |
CN109376613A (zh) * | 2018-09-29 | 2019-02-22 | 东莞中国科学院云计算产业技术创新与育成中心 | 基于大数据和深度学习技术的视频智能监控*** |
CN109543067A (zh) * | 2018-11-19 | 2019-03-29 | 陕西西普数据通信股份有限公司 | 基于人工智能的企业生产状况实时监控分析*** |
CN109582824A (zh) * | 2018-12-29 | 2019-04-05 | 深圳英飞拓科技股份有限公司 | 一种基于视频结构化的区域安全管理***及方法 |
CN109743547A (zh) * | 2018-12-27 | 2019-05-10 | 裴广华 | 一种人工智能安全监控管理*** |
CN109803112A (zh) * | 2017-11-16 | 2019-05-24 | 中兴通讯股份有限公司 | 基于大数据的视频分析管理方法、装置及***、存储介质 |
CN109993049A (zh) * | 2018-11-27 | 2019-07-09 | 上海眼控科技股份有限公司 | 一种面向智能安防领域的视频图像结构化分析*** |
CN110188238A (zh) * | 2019-05-15 | 2019-08-30 | 上海良相智能化工程有限公司 | 一种智慧公安视频检索*** |
CN110213651A (zh) * | 2019-05-28 | 2019-09-06 | 暨南大学 | 一种基于安防视频的智能案情辅助分析***及方法 |
CN110602461A (zh) * | 2019-09-26 | 2019-12-20 | 广脉科技股份有限公司 | 一种未来社区区域感知信息处理反馈*** |
CN111353380A (zh) * | 2020-01-08 | 2020-06-30 | 广州华工中云信息技术有限公司 | 一种基于机器图像识别技术的城市道路积水图像识别*** |
CN112383751A (zh) * | 2020-11-05 | 2021-02-19 | 佳都新太科技股份有限公司 | 一种监控视频数据处理方法、装置、终端设备和存储介质 |
CN112565717A (zh) * | 2021-02-18 | 2021-03-26 | 深圳市安软科技股份有限公司 | 视频结构化方法、相关设备、***及存储介质 |
-
2021
- 2021-05-08 CN CN202110500964.2A patent/CN113255477A/zh active Pending
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103794234A (zh) * | 2012-10-30 | 2014-05-14 | 北京航天长峰科技工业集团有限公司 | 基于海量视频的事件轨迹快速检索平台 |
CN105224535A (zh) * | 2014-05-29 | 2016-01-06 | 浙江航天长峰科技发展有限公司 | 基于海量视频的关注目标快速查询*** |
CN104252539A (zh) * | 2014-09-24 | 2014-12-31 | 深圳市傲天智能***有限公司 | 基于搜索引擎的视频智能分析管理方法及*** |
CN109002744A (zh) * | 2017-06-06 | 2018-12-14 | 中兴通讯股份有限公司 | 图像识别方法、装置和视频监控设备 |
CN109803112A (zh) * | 2017-11-16 | 2019-05-24 | 中兴通讯股份有限公司 | 基于大数据的视频分析管理方法、装置及***、存储介质 |
CN108921866A (zh) * | 2018-07-24 | 2018-11-30 | 北京深瞐科技有限公司 | 一种图像数据处理方法及*** |
CN109271554A (zh) * | 2018-09-07 | 2019-01-25 | 江西省云眼大视界科技有限公司 | 一种智能视频识别***及其应用 |
CN109376613A (zh) * | 2018-09-29 | 2019-02-22 | 东莞中国科学院云计算产业技术创新与育成中心 | 基于大数据和深度学习技术的视频智能监控*** |
CN109543067A (zh) * | 2018-11-19 | 2019-03-29 | 陕西西普数据通信股份有限公司 | 基于人工智能的企业生产状况实时监控分析*** |
CN109993049A (zh) * | 2018-11-27 | 2019-07-09 | 上海眼控科技股份有限公司 | 一种面向智能安防领域的视频图像结构化分析*** |
CN109743547A (zh) * | 2018-12-27 | 2019-05-10 | 裴广华 | 一种人工智能安全监控管理*** |
CN109582824A (zh) * | 2018-12-29 | 2019-04-05 | 深圳英飞拓科技股份有限公司 | 一种基于视频结构化的区域安全管理***及方法 |
CN110188238A (zh) * | 2019-05-15 | 2019-08-30 | 上海良相智能化工程有限公司 | 一种智慧公安视频检索*** |
CN110213651A (zh) * | 2019-05-28 | 2019-09-06 | 暨南大学 | 一种基于安防视频的智能案情辅助分析***及方法 |
CN110602461A (zh) * | 2019-09-26 | 2019-12-20 | 广脉科技股份有限公司 | 一种未来社区区域感知信息处理反馈*** |
CN111353380A (zh) * | 2020-01-08 | 2020-06-30 | 广州华工中云信息技术有限公司 | 一种基于机器图像识别技术的城市道路积水图像识别*** |
CN112383751A (zh) * | 2020-11-05 | 2021-02-19 | 佳都新太科技股份有限公司 | 一种监控视频数据处理方法、装置、终端设备和存储介质 |
CN112565717A (zh) * | 2021-02-18 | 2021-03-26 | 深圳市安软科技股份有限公司 | 视频结构化方法、相关设备、***及存储介质 |
Non-Patent Citations (6)
Title |
---|
刘渊等: "基于超高清和人工智能应用的智慧监控***设计", 《广播电视信息》, pages 98 - 101 * |
张岩: "浅析视频结构化在安防行业的应用", 《第五届深圳国际无人机展览会》, pages 153 - 155 * |
李昌伟: "基于AI+视频监控的智慧城市中心***设计与实现", 《中国优秀硕士学位论文全文数据库信息科技辑》, pages 136 - 371 * |
李锦豪: "广州南沙港快速路视频交通事件智能检测***应用探究", 《中国交通信息化》, pages 95 - 98 * |
王景彬: "智慧城市建设中大数据安防的升级应用", 《智慧城市》, pages 58 - 60 * |
陈晓君等: "人工智能与大数据应用引领雪亮工程建设", 《计算机产品与流通》, pages 92 - 93 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113891056A (zh) * | 2021-11-12 | 2022-01-04 | 盐城吉研智能科技有限公司 | 一种基于立体视觉技术的多摄像机图像精准分析方法 |
CN114125502A (zh) * | 2021-11-19 | 2022-03-01 | 武汉中科通达高新技术股份有限公司 | 一种视频流管理方法及装置 |
CN114125502B (zh) * | 2021-11-19 | 2023-11-24 | 武汉中科通达高新技术股份有限公司 | 一种视频流管理方法及装置 |
CN114241368A (zh) * | 2021-12-03 | 2022-03-25 | 成都理工大学 | 一种面向边缘计算的人流量统计*** |
CN116010652A (zh) * | 2023-03-20 | 2023-04-25 | 上海数字治理研究院有限公司 | 一种非结构化视频数据处理方法和*** |
CN116010652B (zh) * | 2023-03-20 | 2023-06-09 | 上海数字治理研究院有限公司 | 一种非结构化视频数据处理方法和*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113255477A (zh) | 一种行人视频图像的综合管理***及方法 | |
CN109271554B (zh) | 一种智能视频识别***及其应用 | |
CN106998444B (zh) | 一种大数据人脸监控*** | |
CN107370983B (zh) | 用于视频监控***的行踪轨迹的获取方法和装置 | |
CN106339428B (zh) | 基于视频大数据的嫌疑人身份识别方法和装置 | |
CN105336077B (zh) | 数据处理设备和操作其的方法 | |
EP2864930B1 (en) | Self learning face recognition using depth based tracking for database generation and update | |
KR101289085B1 (ko) | 객체 기반 영상 검색시스템 및 검색방법 | |
CN101021903B (zh) | 视频字幕内容分析*** | |
CN102819578A (zh) | 视频侦查嫌疑目标分析***及方法 | |
CN110263613A (zh) | 监控视频处理方法及装置 | |
CN105450987A (zh) | 智能识别平台视频监控预警*** | |
CN107169106B (zh) | 视频检索方法、装置、存储介质及处理器 | |
CN102207966A (zh) | 基于对象标签的视频内容快速检索方法 | |
CN101655860A (zh) | 一种刑侦破案视频辅助分析方法及*** | |
CN101840422A (zh) | 基于目标特征和报警行为的智能视频检索***和方法 | |
CN111291589A (zh) | 信息的关联分析方法及装置、储存介质、电子装置 | |
CN110334231A (zh) | 一种信息处理方法及装置、存储介质 | |
KR20130105542A (ko) | 이미지들 또는 이미지 시퀀스들에서의 객체 식별 | |
CN110290346B (zh) | 一种基于智能视频分析的招投标视频的获取方法 | |
CN104239309A (zh) | 视频分析检索服务端、***及方法 | |
CN109544595B (zh) | 一种顾客路径追踪方法及*** | |
CN109905423B (zh) | 一种智能管理*** | |
CN113935358A (zh) | 一种行人追踪方法、设备和存储介质 | |
CN109949351A (zh) | 基于视频结构化监控的目标车辆行驶轨迹提取装置及方法 |
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 |