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 PDF

Info

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
Application number
CN202211231069.6A
Other languages
English (en)
Other versions
CN115311607B (zh
Inventor
成唯
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.)
Nantong Lanxi New Materials Co ltd
Original Assignee
Nantong Lanxi New Materials 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 Nantong Lanxi New Materials Co ltd filed Critical Nantong Lanxi New Materials Co ltd
Priority to CN202211231069.6A priority Critical patent/CN115311607B/zh
Publication of CN115311607A publication Critical patent/CN115311607A/zh
Application granted granted Critical
Publication of CN115311607B publication Critical patent/CN115311607B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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

一种环氧树脂生产监控数据管理方法
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：
Figure 310525DEST_PATH_IMAGE001
其中，
Figure 585649DEST_PATH_IMAGE002
表示第n帧视频帧的信息量；
Figure 307748DEST_PATH_IMAGE003
表示像素点的灰度值，
Figure 377335DEST_PATH_IMAGE004
表示灰度值为
Figure 434153DEST_PATH_IMAGE003
的像素点在第
Figure 512967DEST_PATH_IMAGE005
帧视频帧对应的图像中出现的概率。
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：
Figure 853688DEST_PATH_IMAGE006
其中，
Figure 828597DEST_PATH_IMAGE007
表示第n帧动态帧中第m个标记连通域的物体特征；
Figure 638290DEST_PATH_IMAGE008
表示该类中第
Figure 989637DEST_PATH_IMAGE009
个标记连通域中的第
Figure 76542DEST_PATH_IMAGE008
个像素点，
Figure 97718DEST_PATH_IMAGE010
为该标记连通域中所有的像素点的个数；
Figure 4494DEST_PATH_IMAGE011
表示该类中第
Figure 549745DEST_PATH_IMAGE009
个标记连通域中的第
Figure 225577DEST_PATH_IMAGE008
个像素点的周围8邻域像素点，
Figure 73448DEST_PATH_IMAGE012
表示第
Figure 841421DEST_PATH_IMAGE008
个像素点的灰度值与第
Figure 534571DEST_PATH_IMAGE008
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
Figure 720701DEST_PATH_IMAGE009
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：
以第
Figure 473894DEST_PATH_IMAGE005
帧视频为例，其是否为动态帧的判断方法如下所示：
首先计算第帧视频的信息携带量
Figure 355262DEST_PATH_IMAGE002
：
Figure 727469DEST_PATH_IMAGE013
式中：
Figure 377893DEST_PATH_IMAGE002
表示第n帧视频帧的信息量，
Figure 692200DEST_PATH_IMAGE003
表示像素点的灰度值，（
Figure 60864DEST_PATH_IMAGE014
），
Figure 469718DEST_PATH_IMAGE004
表示灰度值为
Figure 240227DEST_PATH_IMAGE003
的像素点在第
Figure 335222DEST_PATH_IMAGE005
帧图像中出现的概率，计算方式为灰度值为
Figure 50237DEST_PATH_IMAGE003
的像素点的在第
Figure 154460DEST_PATH_IMAGE005
帧图像中出现的频数除以整体图像的像素点的个数。
公式逻辑：第
Figure 654842DEST_PATH_IMAGE005
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。
而后计算第
Figure 920739DEST_PATH_IMAGE015
的图像的信息携带量
Figure 123050DEST_PATH_IMAGE016
，计算方式与第
Figure 765384DEST_PATH_IMAGE005
帧图像的信息携带量
Figure 244907DEST_PATH_IMAGE002
的计算方式相同。
接着计算第
Figure 55606DEST_PATH_IMAGE005
帧图像与第
Figure 886158DEST_PATH_IMAGE015
帧图像的信息携带量的差异值，以差异值来判断第
Figure 191238DEST_PATH_IMAGE005
帧图像是否为动态图像，第
Figure 790846DEST_PATH_IMAGE005
帧图像与第
Figure 664124DEST_PATH_IMAGE015
帧图像的信息携带量的差异值
Figure 326181DEST_PATH_IMAGE017
计算方式如下所示：
Figure 310318DEST_PATH_IMAGE018
公式逻辑：以第
Figure 889066DEST_PATH_IMAGE005
帧图像的信息携带量
Figure 667667DEST_PATH_IMAGE002
与第
Figure 327273DEST_PATH_IMAGE015
帧图像的信息携带量来的差值来表示第
Figure 115101DEST_PATH_IMAGE005
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
Figure 548356DEST_PATH_IMAGE017
为零，则说明第
Figure 763437DEST_PATH_IMAGE005
帧图像相较于第
Figure 790299DEST_PATH_IMAGE015
帧图像没有任何差异，即环氧树脂的生产监控视频中在第
Figure 726025DEST_PATH_IMAGE005
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
Figure 420311DEST_PATH_IMAGE005
帧图像是否为动态帧。
Figure 665348DEST_PATH_IMAGE019
则说明第
Figure 913926DEST_PATH_IMAGE005
帧图像为静态帧图像，
Figure 43556DEST_PATH_IMAGE020
则说明第
Figure 700672DEST_PATH_IMAGE005
帧图像为动态帧图像。
至此，第
Figure 991976DEST_PATH_IMAGE005
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。
而后量化每一帧图像中每个连通域内的物体特征，以某类中的第
Figure 118064DEST_PATH_IMAGE005
帧图像中的第
Figure 785805DEST_PATH_IMAGE009
个连通域为例，其物体特征
Figure 798892DEST_PATH_IMAGE007
具体计算方式如下所示：
Figure 526676DEST_PATH_IMAGE021
式中，
Figure 749847DEST_PATH_IMAGE007
表示第n帧动态帧中第m个标记连通域的物体特征；
Figure 345914DEST_PATH_IMAGE008
表示该类中第
Figure 603720DEST_PATH_IMAGE009
个标记连通域中的第
Figure 610728DEST_PATH_IMAGE008
个像素点（
Figure 321195DEST_PATH_IMAGE022
，其中
Figure 455373DEST_PATH_IMAGE010
为该标记连通域中所有的像素点的个数），
Figure 567685DEST_PATH_IMAGE011
表示该类中第
Figure 637272DEST_PATH_IMAGE009
个标记连通域中的第
Figure 444823DEST_PATH_IMAGE008
个像素点的周围8邻域像素点，
Figure 523637DEST_PATH_IMAGE012
表示第
Figure 349511DEST_PATH_IMAGE008
个像素点的灰度值与第
Figure 855578DEST_PATH_IMAGE008
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
Figure 275058DEST_PATH_IMAGE008
个像素点的灰度值与第
Figure 307DEST_PATH_IMAGE008
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
Figure 87211DEST_PATH_IMAGE009
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
Figure 623235DEST_PATH_IMAGE009
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
Figure 795590DEST_PATH_IMAGE005
帧动态帧与第
Figure 950628DEST_PATH_IMAGE023
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
Figure 501826DEST_PATH_IMAGE023
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
Figure 349697DEST_PATH_IMAGE005
帧第
Figure 868403DEST_PATH_IMAGE009
个连通域和第
Figure 561552DEST_PATH_IMAGE023
帧中第
Figure 623049DEST_PATH_IMAGE024
个连通域为例，连通域匹配度
Figure 484563DEST_PATH_IMAGE025
计算方式如下所示：
Figure 365932DEST_PATH_IMAGE026
式中：
Figure 252985DEST_PATH_IMAGE027
为第
Figure 903409DEST_PATH_IMAGE023
帧动态帧中的第
Figure 702869DEST_PATH_IMAGE024
个连通域的运动物体的量化特征值，
Figure 71534DEST_PATH_IMAGE007
为第
Figure 372065DEST_PATH_IMAGE005
帧动态帧中的第
Figure 267209DEST_PATH_IMAGE009
个连通域的运动物品的量化特征值。
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。
而后设置匹配阈值
Figure 627783DEST_PATH_IMAGE028
，对大于该阈值匹配值对应的的两个连通域，认为是同一个运动物体（一个经验匹配阈值为
Figure 218164DEST_PATH_IMAGE029
）。
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。
而后进行每个运动物品的移动轨迹的量化，以任意一类中的某个运动物品
Figure 430709DEST_PATH_IMAGE030
为例，其运动轨迹
Figure 321304DEST_PATH_IMAGE031
量化方式如下所示：
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:
Figure 711834DEST_PATH_IMAGE032
其形心位置的坐标即为该运动物品的运动轨迹
Figure 789512DEST_PATH_IMAGE033
。
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：
因为每个类别动态帧中的每个运动物品的特征量化值因为运动的原因由些许差异，所以首先计算每个运动物品在每个中的特征量化值的平均值来减少差异的影响，以第
Figure 41633DEST_PATH_IMAGE034
个类别中的运动物品
Figure 521156DEST_PATH_IMAGE030
为例，具体方式如下所示：
Figure 223532DEST_PATH_IMAGE035
式中，
Figure 913140DEST_PATH_IMAGE036
表示运动物品
Figure 93585DEST_PATH_IMAGE030
在第
Figure 67095DEST_PATH_IMAGE034
个分类中的平均特征值，
Figure 674794DEST_PATH_IMAGE037
表示运动物品
Figure 992643DEST_PATH_IMAGE030
在第
Figure 101413DEST_PATH_IMAGE034
个分类中的连续帧中第
Figure 289949DEST_PATH_IMAGE005
帧的对应的连通域计算出来的特征量化值，
Figure 209495DEST_PATH_IMAGE038
表示运动物品
Figure 749060DEST_PATH_IMAGE030
在第
Figure 395942DEST_PATH_IMAGE034
个分类中出现的总体连续总帧数。
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。
而后对每个类别中的物品利用平均特征值的相似性计算，确定所有类别中的运动物品是否为同一个运动物品，以第
Figure 970143DEST_PATH_IMAGE040
个类别中的运动物体
Figure 919645DEST_PATH_IMAGE041
与第
Figure 320408DEST_PATH_IMAGE034
个类别中的运动物体
Figure 380768DEST_PATH_IMAGE030
为例，其相似性的计算方式如下所示：
Figure 934109DEST_PATH_IMAGE042
式中，
Figure 320091DEST_PATH_IMAGE043
表示第
Figure 834249DEST_PATH_IMAGE044
个类别中的运动物体
Figure 573666DEST_PATH_IMAGE041
的平均特征值，
Figure 856880DEST_PATH_IMAGE036
表示第
Figure 538397DEST_PATH_IMAGE034
个类别中的运动物体
Figure 274272DEST_PATH_IMAGE030
的平均特征值。
Figure 327633DEST_PATH_IMAGE045
越接近于1，说明第
Figure 465354DEST_PATH_IMAGE044
个类别中的运动物体
Figure 52193DEST_PATH_IMAGE041
和第
Figure 540943DEST_PATH_IMAGE034
个类别中的运动物体
Figure 746796DEST_PATH_IMAGE030
为同一个运动物品的可能性越大，对于
Figure 879969DEST_PATH_IMAGE046
的两个物品，则认为其为同一个运动物品。
利用上述方式对所有的
Figure 778654DEST_PATH_IMAGE047
个类别中的所有运动物体进行相似度计算，而后利用相似度进行所有类别中的运动物品的识别，可识别出所有类别中的运动物体中的相同的运动物体，记为贯穿运动物体。
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
Figure 613755DEST_PATH_IMAGE030
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
Figure 623300DEST_PATH_IMAGE048
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
Figure 735612DEST_PATH_IMAGE049
个监控视频的分区为例，其密钥
Figure 913521DEST_PATH_IMAGE050
的计算方式如下所示：
首先检索该区间内的随机帧内具有随机路径的运动物体的特征量化值的平均值，选择其中最大的平均特征量化值对应的运动物体
Figure 111285DEST_PATH_IMAGE051
，记为密钥生成运动物体。
而后利用该密钥生成运动物体在第
Figure 49154DEST_PATH_IMAGE049
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
Figure 15973DEST_PATH_IMAGE010
个像素点成密钥矩阵
Figure 131827DEST_PATH_IMAGE050
，密钥矩阵中的每一个元素为这
Figure 816886DEST_PATH_IMAGE010
个像素点的灰度值，密钥矩阵的大小为
Figure 168233DEST_PATH_IMAGE052
，其中
Figure 114193DEST_PATH_IMAGE053
和
Figure 791162DEST_PATH_IMAGE054
分别为
Figure 71839DEST_PATH_IMAGE010
的质因数中最大的两个质因数。
接着利用
Figure 289194DEST_PATH_IMAGE050
对第
Figure 496184DEST_PATH_IMAGE049
个监控视频分区的每一帧视频进行加密，获得加密后的密文
Figure 953842DEST_PATH_IMAGE055
，加密方式为利用
Figure 144651DEST_PATH_IMAGE050
与第
Figure 680544DEST_PATH_IMAGE049
个监控视频分区的每一帧进行卷积运算。
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。
2.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，所述各视频帧的信息量为：
Figure DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE004
表示第n帧视频帧的信息量；
Figure DEST_PATH_IMAGE006
表示像素点的灰度值，
Figure DEST_PATH_IMAGE008
表示灰度值为
Figure 869170DEST_PATH_IMAGE006
的像素点在第
Figure DEST_PATH_IMAGE010
帧视频帧对应的图像中出现的概率。
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。
4.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，所述标记连通域的物体特征为：
Figure DEST_PATH_IMAGE012
其中，
Figure DEST_PATH_IMAGE014
表示第n帧动态帧中第m个标记连通域的物体特征；
Figure DEST_PATH_IMAGE016
表示该类中第
Figure DEST_PATH_IMAGE018
个标记连通域中的第
Figure 275880DEST_PATH_IMAGE016
个像素点，
Figure DEST_PATH_IMAGE020
为该标记连通域中所有的像素点的个数；
Figure DEST_PATH_IMAGE022
表示该类中第
Figure 960808DEST_PATH_IMAGE018
个标记连通域中的第
Figure 201297DEST_PATH_IMAGE016
个像素点的周围8邻域像素点，
Figure DEST_PATH_IMAGE024
表示第
Figure 85025DEST_PATH_IMAGE016
个像素点的灰度值与第
Figure 436372DEST_PATH_IMAGE016
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
Figure 54435DEST_PATH_IMAGE018
个标记连通域中所有二位数据组中出现的概率。
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。
CN202211231069.6A 2022-10-10 2022-10-10 一种环氧树脂生产监控数据管理方法 Active CN115311607B (zh)

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)

* Cited by examiner, † Cited by third party
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

Patent Citations (3)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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