CN115311607A - 一种环氧树脂生产监控数据管理方法 - Google Patents
一种环氧树脂生产监控数据管理方法 Download PDFInfo
- Publication number
- CN115311607A CN115311607A CN202211231069.6A CN202211231069A CN115311607A CN 115311607 A CN115311607 A CN 115311607A CN 202211231069 A CN202211231069 A CN 202211231069A CN 115311607 A CN115311607 A CN 115311607A
- Authority
- CN
- China
- Prior art keywords
- frame
- dynamic
- frames
- moving object
- random
- 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.)
- Granted
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 92
- 239000003822 epoxy resin Substances 0.000 title claims abstract description 49
- 229920000647 polyepoxide Polymers 0.000 title claims abstract description 48
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000013523 data management Methods 0.000 title claims description 9
- 230000000149 penetrating effect Effects 0.000 claims abstract description 23
- 239000011159 matrix material Substances 0.000 claims abstract description 15
- 238000000638 solvent extraction Methods 0.000 claims abstract description 7
- 238000007726 management method Methods 0.000 claims abstract description 5
- 230000033001 locomotion Effects 0.000 claims description 56
- 239000004593 Epoxy Substances 0.000 claims description 5
- 238000013139 quantization Methods 0.000 description 18
- 238000004364 calculation method Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 7
- 230000003068 static effect Effects 0.000 description 7
- 238000005192 partition Methods 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229960001948 caffeine Drugs 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 229920005989 resin Polymers 0.000 description 1
- 239000011347 resin Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 229920001187 thermosetting polymer Polymers 0.000 description 1
- RYYVLZVUVIJVGH-UHFFFAOYSA-N trimethylxanthine Natural products CN1C(=O)N(C)C(=O)C2=C1N=CN2C RYYVLZVUVIJVGH-UHFFFAOYSA-N 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
- H04L9/08—Key distribution or management, e.g. generation, sharing or updating, of cryptographic keys or passwords
- H04L9/0861—Generation of secret information including derivation or calculation of cryptographic keys or passwords
- H04L9/0863—Generation of secret information including derivation or calculation of cryptographic keys or passwords involving passwords or one-time passwords
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Security & Cryptography (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Closed-Circuit Television Systems (AREA)
Abstract
本发明涉及生产数据处理技术领域,具体涉及一种环氧树脂生产监控数据管理方法。该方法包括:获得所有视频帧中的动态帧;计算两类动态帧中两个运动物体的相似性,得到在各类动态帧中的属于同一运动物体的运动物体,记为贯穿运动物体;得到随机帧,利用随机帧对监控视频数据进行分区得到不同区间的监控视频数据;在一个区间的监控视频数据中选择具有随机路径且平均特征值最大的运动物体,记为密钥生成运动物体;利用密钥生成运动物体在监控视频数据中对应的所有随机帧中第一帧对应的图像中的标记连通域中的所有像素点生成密钥矩阵;每个区间的监控视频数据对应的密钥矩阵对每个区间的监控视频数据进行加密。本发明能够提高监控视频数据的安全性。
Description
技术领域
本发明涉及生产数据处理技术领域,具体涉及一种环氧树脂生产监控数据管理方法。
背景技术
环氧树脂是一种重要的热固性树脂。具有良好的化学性质和物理性质,广泛应用于各种行业。而在环氧树脂生产的过程中,其中的生产监控数据,例如生产监控视频,其中包含了企业的私密信息,例如环氧树脂生产的独特配方和操作做法,这些监控视频中的信息泄露会对企业的生产资料造成相对较大的影响,所以需要对其进行加密处理。
常规的监控视频的加密方法为利用现有的算法生成密钥,对视频整体进行加密,这种加密方式因为其整体通用一个密钥,并且生成的密钥的算法不算真正的随机,所以容易在被外界侵入时,被暴力破解,从而使得环氧树脂生产过程中的监控视频数据流失,造成企业生产资料的泄露。
发明内容
为了解决上述技术问题,本发明的目的在于提供一种环氧树脂生产监控数据管理方法,所采用的技术方案具体如下:
本发明一个实施例提供了一种环氧树脂生产监控数据管理方法:采集环氧树脂生产过程中的监控视频数据;获得监控视频数据中各视频帧的信息量;获得每两个相邻视频帧的信息量差值,并基于所述信息量差值判断所有视频帧中的动态帧,所述动态帧指监控视频数据中存在物体运动的视频帧;
将为连续帧的动态帧分为一类,利用帧差法获得每类动态帧中动态帧对应的图像中的标记连通域;基于每帧动态帧对应的图像中标记连通域中像素点和其邻域内像素点的灰度值组成的二位数据组计算得到标记连通域的物体特征;基于标记连通域的物体特征在每类动态帧中获得同一运动物体的运动轨迹;获得每个运动物体在每类动态帧的平均特征值,计算两类动态帧中两个运动物体的相似性,得到在各类动态帧中的属于同一运动物体的运动物体,记为贯穿运动物体;
对贯穿运动物体在每类动态帧的运动轨迹进行分类获得贯穿运动物体的随机路径,随机路径对应的动态帧为随机帧;利用随机帧对监控视频数据进行分区得到不同区间的监控视频数据;在一个区间的监控视频数据中选择具有随机路径且平均特征值最大的运动物体,记为密钥生成运动物体;利用密钥生成运动物体在监控视频数据中对应的所有随机帧中第一帧对应的图像中的标记连通域中的所有像素点生成密钥矩阵;每个区间的监控视频数据对应的密钥矩阵对每个区间的监控视频数据进行加密。
优选地,各视频帧的信息量为:
优选地,获得每两个相邻视频帧的信息量差值,并基于所述信息量差值判断所有视频帧中的动态帧包括:若每两个相邻视频帧的信息量差值不等于0,则每两个相邻视频帧中的后一帧视频帧为动态帧。
优选地,标记连通域的物体特征为:
其中,表示第n帧动态帧中第m个标记连通域的物体特征;表示该类中第个标记连通域中的第个像素点,为该标记连通域中所有的像素点的个数;表示该类中第个标记连通域中的第个像素点的周围8邻域像素点,表示第个像素点的灰度值与第个像素点周围邻域8个像素点灰度值的平均值的二位数据组在第个标记连通域中所有二位数据组中出现的概率。
优选地,获得每个运动物体在每类动态帧的平均特征值,计算两类动态帧中两个运动物体的相似性,得到在各类动态帧中的属于同一运动物体的运动物体包括:
平均特征值为一个运动物体在一类动态帧中所有对应的标记连通域的物体特征的均值;两个运动物体在不同类动态帧中的平均特征值的比值为两类动态帧中两个运动物体的相似性,若两类动态帧中两个运动物体的相似性大于预设阈值,则这两类动态帧中两个运动物体为同一运动物体。
优选地,对贯穿运动物体在每类动态帧的运动轨迹进行分类获得贯穿运动物体的随机路径,随机路径对应的动态帧为随机帧包括:利用LOF算法对应贯穿运动物体在每类动态帧的运动轨迹进行分析获得离群点,离群点对应的路径为随机路径。
优选地,生成密钥矩阵包括:其中密钥矩阵中的每个元素为密钥生成运动物体在监控视频数据中对应的所有随机帧中第一帧对应的图像中的标记连通域中像素点的灰度值。
本发明实施例至少具有如下有益效果:常规的视频加密算法对监控视频进行加密过程为通过相应的算法生成伪随机的数据,本发明中利用环氧树脂生产监控视频数据中随机运动的运动物品来量化来设置密钥进行加密,因为环氧树脂生产监控视频数据运动物品的随机运动的运动物品的行为是受到外界因素的影响,其不具备规律性,是真正意义上的随机,所以利用该特征对环氧树脂生产监控视频数据继续加密,真正意义上的做到的了密钥的随机,并且因为每段监控视频选择的随机动态帧的不同,其密钥也就不同,加密结果也就不同,相较于现有的伪随机加密和整体加密而言,其安全性更高,更加不容易被破解。
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和优点,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的介绍,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它附图。
图1为本发明实施例提供的一种环氧树脂生产监控数据管理方法的方法流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种环氧树脂生产监控数据管理方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种环氧树脂生产监控数据管理方法的具体方案。
实施例:
本发明的主要应用场景为:在环氧树脂生产的过程中,其监控视频记录了许多私密的企业生产资料,所以需要对其进行加密,本发明通过对环氧树脂生产监控视频数据中的运动物体进行分析,利用随机运动的物体的特征对环氧树脂生产监控视频数据进行加密来实现氧树脂生产监控数据管理。
本发明的主要目的是:利用环氧树脂监控视频进行动态帧的提取,而后根据所有动态帧中的运动物品进行识别,并分析每个运动物品在不同动态帧中的不同运动轨迹,选择随机到的运动轨迹所在的随机动态帧对整体监控视频进行分区,而后对每个区间的视频根据动态物品的携带信息计算当前区间的密钥,最后通过密钥对当前区间视频进行加密并完成传输和保存来实现氧树脂生产监控数据管理。
请参阅图1,其示出了本发明实施例提供的一种环氧树脂生产监控数据管理方法的方法流程图,该方法包括以下步骤:
步骤S1,采集环氧树脂生产过程中的监控视频数据;获得监控视频数据中各视频帧的信息量;获得每两个相邻视频帧的信息量差值,并基于所述信息量差值判断所有视频帧中的动态帧,动态帧指监控视频数据中存在物体运动的视频帧。
本发明需要实现对氧树脂生产的监控视频数据的加密,所以需要对环氧树脂生产监控视频数据进行收集,具体收集过程为利用环氧树脂生产车间的监控摄像头采集环氧树脂生产视频数据,具体监控摄像头的布置位置方法由实施者自行布置。
进一步的需要利用环氧树脂生产监控视频数据中每一帧的图像的信息携带量的差异值进行动态帧的提取。
上述中获得了环氧树脂的监控视频,监控视频因为其特殊性(场景不变性),所以分为静止帧和动态帧,本发明所述的静止帧具体指监控视频中没有物体运动的视频帧,动态帧指监控视频中存在物体运动的视频帧。所有静止帧中的信息携带量是相同的,而动态帧中视频的信息携带量是不相同的,所以根据此特征对监控视频进行静止帧和动态帧的划分,并进行动态帧视频的提取,具体如下所示:
公式逻辑:第帧图像是一个静止的画面,其携带的信息由不同像素点的灰度值表达出来为视觉信息,因为其为静止画面,所以其携带的信息是一定的,即表现出来的像素点的灰度值的分布是一定的,所以利用信息熵的计算方式对其所携带的信息进行量化。
公式逻辑:以第帧图像的信息携带量与第帧图像的信息携带量来的差值来表示第帧图像是否为动态帧,所谓的动态帧是指环氧树脂的生产监控监控视频中连续两帧图像中,出现了不同的物品的动态移动,即表示动态帧中的动态是相对前一帧图像而言的。而监控视频在所有视频中具有特殊性,因为监控摄像的固定,其拍摄的角度恒定,在没有动态物品时,其拍摄到的每一帧的视频是相同的,所以上述中的差异值为零,则说明第帧图像相较于第帧图像没有任何差异,即环氧树脂的生产监控视频中在第帧图像没有出现动态的物品,若出现了动态的物品,即使其为同一个物品,因为其移动后在监控摄像头的角度中也会发生变化,根据光学原理,其灰度值一定会发生变化,表现在上式中,其差异值一定不为0,所以通过上述方式来判断第帧图像是否为动态帧。则说明第帧图像为静态帧图像,则说明第帧图像为动态帧图像。
至此,第帧图像的动态帧和静态帧判断完毕。利用上述方式对环氧树脂监控视频中拍摄到的所有帧的视频进行判断,可获得所有帧的环氧树脂的监控视频是否为动态帧,而后对动态帧进行标记提取。至此,所有环氧树脂监控视频的动态帧提取完成。
步骤S2,将为连续帧的动态帧分为一类,利用帧差法获得每类动态帧中动态帧对应的图像中的标记连通域;基于每帧动态帧对应的图像中标记连通域中像素点和其邻域内像素点的灰度值组成的二位数据组计算得到标记连通域的物体特征;基于标记连通域的物体特征在每类动态帧中获得同一运动物体的运动轨迹;获得每个运动物体在每类动态帧的平均特征值,计算两类动态帧中两个运动物体的相似性,得到在各类动态帧中的属于同一运动物体的运动物体,记为贯穿运动物体。
步骤S1中获得了所有环氧树脂生产监控视频中的动态帧,现对所有动态帧图像进行随机动态帧的提取,而后利用随机动态帧对整体环氧树脂生产监控视频进行区间划分,并利用每个区间内的随机动态帧的特征参数进行对应区间的环氧树脂监控视频的加密密钥的计算。
目的:因为在环氧树脂的监控视频中,出现的动态物体分为两种状态,一种时机械式的重复运动(传送带的运动,工人上下班的运动等),一种是随机出现的物体的非机械式运动(某个员工或者领导进行车间视察,传送带的非正常运动等)。后一种状态在环氧树脂的生产过程中为意外因素,不可控的,相对与整体的监控视频来说是完全随机的,故利用其特征对环氧树脂的生产监控视频进行加密,其真正意义上的做到的了密钥的随机,并且因为每段监控视频选择的随机动态帧的不同,其密钥也就不同,加密结果也就不同,相较于现有的伪随机加密和整体加密而言,其安全性更高,更加不容易被破解。
利用动态帧图像进行运动物体的特征和运动轨迹的量化;动态帧图像的运动物体的特征量化其目的为,判断连续的动态帧之内运动的是否为同一个物体,动态帧中运动物体的运动轨迹的量化其目的为通过判断同一个运动物体的运动轨迹。
上述中获得了所有的动态帧,现对其中的同一个运动物品的运动轨迹进行量化。具体过程为按照其是否为连续帧对其进行聚类(物体的运动表现在监控视频中为连续的,所以根据该特征对其进行聚类,例如第1,2,3,7,8,9,10帧都为连续帧,则聚类结果为1,2,3帧为一类。7,8,9,10帧为一类)。而后对每一类中的每一帧图像进行运动物体特征的量化和运动特征的量化,以任意一类的连续的动态帧图像为例。
其特征的量化方式如下所示:首先对相邻两帧的动态帧图像利用帧差法检测连续两帧图像中的所有运动物体边界,并在连续两帧图像上将检测出的运动物体的边界进行标记,获得标记连通域。
式中,表示第n帧动态帧中第m个标记连通域的物体特征;表示该类中第个标记连通域中的第个像素点(,其中为该标记连通域中所有的像素点的个数),表示该类中第个标记连通域中的第个像素点的周围8邻域像素点,表示第个像素点的灰度值与第个像素点周围邻域8个像素点灰度值的平均值的二位数据组在第个标记连通域中所有二位数据组中出现的概率,其计算方式为第个像素点的灰度值与第个像素点周围邻域8个像素点灰度值的平均值的二位数据在整体第个连通域中出现的频数除以所有的二位数据组的个数。
公式逻辑:因为帧差法检测出来的只是连续两个动态帧之间的运动物体的边界,在多个相同物体同时运动的时候,无法检测出对应物体。所以利用上述的方式进行量化第个连通域的物体的特征,其不仅考虑了该连通域中每一个像素点的灰度值所携带的信息,并且将每个像素点周围8邻域内像素点的灰度值所携带的信息与该像素点看为一个整体分布,以这种空间分布的方式来进行量化该联通域内的运动物体的特征。
利用上述方式对第帧动态帧与第帧动态帧中所有的连通域进行运动物体的特征量化,而后以第帧动态帧图像中所有连通域的特征值进行匹配计算匹配度,以第帧第个连通域和第帧中第个连通域为例,连通域匹配度计算方式如下所示:
公式逻辑:为有效的防止多个运动物体的连通域较为相同的情况下无法进行正确匹配的问题(利用多个运动中的人,其连通域近乎相同),利用连续两帧中两个连通域的运动物品的空间分布特征来进行的差异值来进行匹配。
利用上述方式对该类别中的所有帧动态帧中的不同连通域利用特征值进行匹配,可获得同一个运动物品在该类别中的所有动态帧图像中的分布。
对其在该类别中每一帧出现的对应连通域进行定位,而后利用现有技术获得每一帧中该运动物体对应的连通域的形心坐标,分别为:
利用上述方式对所有的运动物品进行轨迹量化,可获得所有运动物品的运动轨迹。
至此,所有动态帧中的同一个物品的运动轨迹和运动物品的特征量化完成。
通过量化的运动物体的特征和运动轨迹随机动态帧选择并利用随机动态帧进行监控视频分区;上述中获得了所有运动物品的量化数据,现利用量化数据进行随机动态帧的选择,具体逻辑为对在所有环氧树脂生产监控视频中的所有的移动物品通过其量化特征与量化轨迹进行相似度计算,用来筛选出出现多次的运动物体但是其每次出现是运动轨迹劫不相同的运动物体所在连续动态帧,认为其为随机动态帧。而后利用随机动态帧进行整体所有监控视频的分区。具体做法如下所示:
首先对上述中识别出来的所有的运动物品按照其特征量化值进行整体的运动物品识别,不同类别的运动物品是否为同一个运动物品,识别方式如下所示:
利用上述方式对所有的不同类别的运动物品进行平均特征值计算,可获得每个物品的平均在每个类别中的平均特征值。
步骤S3,对贯穿运动物体在每类动态帧的运动轨迹进行分类获得贯穿运动物体的随机路径,随机路径对应的动态帧为随机帧;利用随机帧对监控视频数据进行分区得到不同区间的监控视频数据;在一个区间的监控视频数据中选择具有随机路径且平均特征值最大的运动物体,记为密钥生成运动物体;利用密钥生成运动物体在监控视频数据中对应的所有随机帧中第一帧对应的图像中的标记连通域中的所有像素点生成密钥矩阵;每个区间的监控视频数据对应的密钥矩阵对每个区间的监控视频数据进行加密。
接着对每个贯穿运动物体在不同类别中的运动轨迹进行分类,找出其中不相同的移动轨迹,生产过程中的大多数操作和历程都是重复的机械运动,所以同一个物品理论上的运动轨迹是相同的,而每个贯穿运动物体在运动的过程中,又会因为外界的各种因素的影响,导致其于运动轨迹发生变化,产生随机行为,故对该随机行为利用运动轨迹进行检测,以运动物体为例,其随机行为的检测方式为,首先对其在每个类别中出现的运动轨迹量化值进行提取。
而后对贯穿运动物体在所有的类别中出现的运动轨迹量化值利用LOF算法机型离群点的分析,选择每个离群点,其对应的路径为随机路径。
以上述方式对所有贯穿运动物体进行随机行为路径的获得,随机路径所在帧即为随机动态帧,共可获得个随机帧。(多个贯穿运动物体的随机路径所在同一帧只计算一次),而后利用随机帧对整体监控视频进行分段,分类过程如下下所示:
首先检索随机帧(因为路径是通过连续帧分析获得,从而随机帧也为连续帧)在整体环氧树脂监控视频中的位置;而后利用随机帧将整体环氧树脂监控视频进行分段。至此,数据分区结束。
根据每个区间的随机动态帧进行每个区间加密密钥的计算并利用密钥进行区间加密。上述中利用随机帧获得了整个监控视频的分区,现对每个区间进行加密密钥的计算并利用加密密钥进行区间加密,以第个监控视频的分区为例,其密钥的计算方式如下所示:
而后利用该密钥生成运动物体在第个随机帧中第一帧中出现的连通域(上述中帧差法获得过)中所有的个像素点成密钥矩阵,密钥矩阵中的每一个元素为这个像素点的灰度值,密钥矩阵的大小为,其中和分别为的质因数中最大的两个质因数。
利用上述方式对环氧树脂监控视频中每一帧图像进行加密,可获得整体加密后的环氧树脂监控视频的加密数据。至此,环氧树脂监控视频的加密完成。获得了环氧树脂监控视频数据的加密数据,现对传输值至监控视频存储终端,而后进行保存即可。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种环氧树脂生产监控数据管理方法,其特征在于,该方法包括:
采集环氧树脂生产过程中的监控视频数据;获得监控视频数据中各视频帧的信息量;获得每两个相邻视频帧的信息量差值,并基于所述信息量差值判断所有视频帧中的动态帧,所述动态帧指监控视频数据中存在物体运动的视频帧;
将为连续帧的动态帧分为一类,利用帧差法获得每类动态帧中动态帧对应的图像中的标记连通域;基于每帧动态帧对应的图像中标记连通域中像素点和其邻域内像素点的灰度值组成的二位数据组计算得到标记连通域的物体特征;基于标记连通域的物体特征在每类动态帧中获得同一运动物体的运动轨迹;获得每个运动物体在每类动态帧的平均特征值,计算两类动态帧中两个运动物体的相似性,得到在各类动态帧中的属于同一运动物体的运动物体,记为贯穿运动物体;
对贯穿运动物体在每类动态帧的运动轨迹进行分类获得贯穿运动物体的随机路径,随机路径对应的动态帧为随机帧;利用随机帧对监控视频数据进行分区得到不同区间的监控视频数据;在一个区间的监控视频数据中选择具有随机路径且平均特征值最大的运动物体,记为密钥生成运动物体;利用密钥生成运动物体在监控视频数据中对应的所有随机帧中第一帧对应的图像中的标记连通域中的所有像素点生成密钥矩阵;每个区间的监控视频数据对应的密钥矩阵对每个区间的监控视频数据进行加密。
3.根据权利要求1所述的一种环氧树脂生产监控数据管理方法,其特征在于,所述获得每两个相邻视频帧的信息量差值,并基于所述信息量差值判断所有视频帧中的动态帧包括:若每两个相邻视频帧的信息量差值不等于0,则每两个相邻视频帧中的后一帧视频帧为动态帧。
5.根据权利要求1所述的一种环氧树脂生产监控数据管理方法,其特征在于,所述获得每个运动物体在每类动态帧的平均特征值,计算两类动态帧中两个运动物体的相似性,得到在各类动态帧中的属于同一运动物体的运动物体包括:
平均特征值为一个运动物体在一类动态帧中所有对应的标记连通域的物体特征的均值;两个运动物体在不同类动态帧中的平均特征值的比值为两类动态帧中两个运动物体的相似性,若两类动态帧中两个运动物体的相似性大于预设阈值,则这两类动态帧中两个运动物体为同一运动物体。
6.根据权利要求1所述的一种环氧树脂生产监控数据管理方法,其特征在于,所述对贯穿运动物体在每类动态帧的运动轨迹进行分类获得贯穿运动物体的随机路径,随机路径对应的动态帧为随机帧包括:利用LOF算法对应贯穿运动物体在每类动态帧的运动轨迹进行分析获得离群点,离群点对应的路径为随机路径。
7.根据权利要求1所述的一种环氧树脂生产监控数据管理方法,其特征在于,所述生成密钥矩阵包括:其中密钥矩阵中的每个元素为密钥生成运动物体在监控视频数据中对应的所有随机帧中第一帧对应的图像中的标记连通域中像素点的灰度值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211231069.6A CN115311607B (zh) | 2022-10-10 | 2022-10-10 | 一种环氧树脂生产监控数据管理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211231069.6A CN115311607B (zh) | 2022-10-10 | 2022-10-10 | 一种环氧树脂生产监控数据管理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115311607A true CN115311607A (zh) | 2022-11-08 |
CN115311607B CN115311607B (zh) | 2023-04-14 |
Family
ID=83866678
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211231069.6A Active CN115311607B (zh) | 2022-10-10 | 2022-10-10 | 一种环氧树脂生产监控数据管理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115311607B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112801062A (zh) * | 2021-04-07 | 2021-05-14 | 平安科技(深圳)有限公司 | 直播视频识别方法、装置、设备及介质 |
CN114926317A (zh) * | 2022-07-20 | 2022-08-19 | 南通倍佳机械科技有限公司 | 基于大数据的消防监控视频智能防篡改方法 |
CN115119016A (zh) * | 2022-06-29 | 2022-09-27 | 王雨佳 | 一种信息数据加密算法 |
-
2022
- 2022-10-10 CN CN202211231069.6A patent/CN115311607B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112801062A (zh) * | 2021-04-07 | 2021-05-14 | 平安科技(深圳)有限公司 | 直播视频识别方法、装置、设备及介质 |
CN115119016A (zh) * | 2022-06-29 | 2022-09-27 | 王雨佳 | 一种信息数据加密算法 |
CN114926317A (zh) * | 2022-07-20 | 2022-08-19 | 南通倍佳机械科技有限公司 | 基于大数据的消防监控视频智能防篡改方法 |
Non-Patent Citations (1)
Title |
---|
赵耿等: "一种基于隐私保护的云端视频监控移动物体检测方法", 《北京电子科技学院学报》 * |
Also Published As
Publication number | Publication date |
---|---|
CN115311607B (zh) | 2023-04-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Improving triplet-wise training of convolutional neural network for vehicle re-identification | |
Coskun et al. | Spatio–temporal transform based video hashing | |
Ntoutsi et al. | Density-based projected clustering over high dimensional data streams | |
Yang et al. | Moving object detection for dynamic background scenes based on spatiotemporal model | |
US7142602B2 (en) | Method for segmenting 3D objects from compressed videos | |
CN104837011A (zh) | 一种内容自适应的视频隐写分析方法 | |
Rao et al. | Detection of anomalous crowd behaviour using hyperspherical clustering | |
Gupta et al. | Video authentication in digital forensic | |
Singh et al. | Crowd escape event detection via pooling features of optical flow for intelligent video surveillance systems | |
An et al. | Face recognition in multi-camera surveillance videos using dynamic Bayesian network | |
Zhou | End-to-end video violence detection with transformer | |
Liu et al. | Feature Mining and Neuro-Fuzzy Inference System for Steganalysis of LSB Matching Stegangoraphy in Grayscale Images. | |
CN115311607B (zh) | 一种环氧树脂生产监控数据管理方法 | |
Ouyang et al. | The comparison and analysis of extracting video key frame | |
Sharma et al. | A review of passive forensic techniques for detection of copy-move attacks on digital videos | |
Chao et al. | Track merging for effective video query processing | |
EP2372640A1 (en) | Methods of representing and analysing images | |
Katsenou et al. | Understanding video texture—A basis for video compression | |
Olatunji et al. | Dynamic threshold for resource tracking in observed scenes | |
Hu et al. | Revisit Visual Representation in Analytics Taxonomy: A Compression Perspective | |
Karthikeyan et al. | Automatic forged scene detection in advanced video using combined Mpeg-2 and optical flow features | |
Jin et al. | Computational and Statistical Tradeoffs in Inferring Combinatorial Structures of Ising Model | |
Jayamohan et al. | Review of video analytics method for video surveillance | |
KR20110071209A (ko) | 계층적 영상블록의 대칭정보를 이용한 비디오 식별 방법 및 장치 | |
EP4220493A1 (en) | Privacy-preserving federated machine learning |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |