CN116886869A - 一种基于ai的视频监控***及视频追溯方法 - Google Patents
一种基于ai的视频监控***及视频追溯方法 Download PDFInfo
- Publication number
- CN116886869A CN116886869A CN202310902140.7A CN202310902140A CN116886869A CN 116886869 A CN116886869 A CN 116886869A CN 202310902140 A CN202310902140 A CN 202310902140A CN 116886869 A CN116886869 A CN 116886869A
- Authority
- CN
- China
- Prior art keywords
- video
- module
- frame
- data set
- frame set
- 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
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000012544 monitoring process Methods 0.000 title claims abstract description 31
- 238000004458 analytical method Methods 0.000 claims abstract description 28
- 230000011218 segmentation Effects 0.000 claims abstract description 28
- 230000008569 process Effects 0.000 claims abstract description 22
- 238000007781 pre-processing Methods 0.000 claims abstract description 16
- 238000002372 labelling Methods 0.000 claims abstract description 8
- 230000000007 visual effect Effects 0.000 claims description 27
- 238000000605 extraction Methods 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 19
- 230000008859 change Effects 0.000 claims description 18
- 238000012937 correction Methods 0.000 claims description 18
- 238000012300 Sequence Analysis Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 3
- 230000003287 optical effect Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种基于AI的视频监控***及视频追溯方法,属于视频监控技术领域,包括:服务器接收来自采集设备采集的第一数据并生成第一视频集;服务器对第一视频集中的视频进行预处理;服务器对预处理后的视频进行标注和分类;基于标注和分类结果进行行为预警;在服务器对第一视频集中的视频进行预处理的过程中,需要对第一视频集中的视频进行帧集分割,形成第二数据集。在本发明的技术方案实施时,通过对接收到的第一视频集进行预处理,并对预处理后的视频进行标注和分类,再基于标注和分类结果进行行为预警,实现对海上风场作业现场监控视频的追溯,并对第一数据集中的视频进行帧集分割,形成第二数据集,提高视频的识别分析效率。
Description
技术领域
本申请涉及视频监控技术领域,具体为一种基于AI的视频监控***及视频追溯方法。
背景技术
随着现代化的不断推进,视频监控所起的作用越来越明显,例如交通管理、运营监控、证据获取等领域,传统的视频监控只是通过采集设备进行采集,并将采集到的视频、图像储存,在需要进行溯源时通过调取储存的视频、图像进行溯源,过程较为繁琐,目前出现了一种基于AI的视频监控设备,能够根据人工智能技术分析视频、图像中的对象、动作、行为等要素,提高了监控的效果。
风场又叫风力发电场,是一种清洁能源的产生环境,其中海上风场是指在海洋中建设的风能发电场,能够利用海洋上的风能通过风力发电机转化为电能,以提高清洁能源利用率;在海上风场的建设过程中,需要根据风场作业区域分布特点,采用智能AI视频监控终端,实时监控并回传现场作业实况,为管理者提供可视化的现场监控能力,提高生产建设的安全性。
然而,目前的AI视频监控终端所记录的视频通常以时间为基准进行保存,在进行追溯时,也同样需要通过时间来进行追溯,当需要追溯的时间点不确定时,会导致追溯困难,耗费大量的人力物力,并且会产生大量的冗余数据占据终端的存储空间,不方便管理。
所以有必要提供一种基于AI的视频监控***及视频追溯方法来解决上述问题。
需要说明的是,本背景技术部分中公开的以上信息仅用于理解本申请构思的背景技术,并且因此,它可以包含不构成现有技术的信息。
发明内容
基于现有技术中存在的上述问题,本申请所要解决的问题是:提供一种基于AI的视频监控***及视频追溯方法,达到提高追溯能力的效果。
本申请解决其技术问题所采用的技术方案是:一种基于AI的视频追溯方法,包括:
服务器接收来自采集设备采集的第一数据并生成第一视频集,该第一数据为风场建设过程中风场的监控视频;
服务器对第一视频集中的视频进行预处理;
服务器对预处理后的视频进行标注和分类;
基于标注和分类结果进行行为预警;
其中,在所述服务器对第一视频集中的视频进行预处理的过程中,需要对第一视频集中的视频进行帧集分割,形成第二数据集,所述第二数据集表示经帧集分割后的视频。
在本发明的技术方案实施时,通过对接收到的第一视频集进行预处理,并对预处理后的视频进行标注和分类,再基于标注和分类结果进行行为预警,实现对海上风场作业现场监控视频的追溯,并对第一数据集中的视频进行帧集分割,形成第二数据集,提高视频的识别分析效率。
进一步的,所述服务器对第一视频集中的视频进行预处理还包括:
对第二数据集中经过帧集分割后的视频进行视觉特征提取,并基于提取的视觉特征形成第三数据集,所述第三数据集表示经过视觉特征提取后的视频帧集;
对所述第三数据集中的视频帧集进行特征表示,生成代表视频帧集的特征序列;
对所述特征序列进行时间序列分析。
进一步的,对所述第二数据集中经过帧集分割后的视频进行视觉特征提取的过程进一步包括:
确定相邻帧集之间的分界点,并基于所述分界点生成初始特定时间段;
对所述初始特定时间段进行单点拆分,形成多个时间点,并获取基于每个时间点的视频单帧图像;
对基于每个时间点的视频单帧图像进行像素变化分析;
根据像素变化分析结果生成矫正特定时间段,并将所述矫正特定时间段所对应的视频帧集进行标记。
进一步的,对所述第三数据集中的视频帧集进行特征表示,生成代表视频帧集的特征序列进一步包括:
对所述第三数据集中的视频帧集进行特征数值化表示,将每一个视频帧集所有特征进行归一化处理,生成特征序列;
选择特征训练模型,并将特征序列作为特征训练模型的输入,生成训练结果;
根据训练结果进行内容检索,对第三数据集进行精简。
进一步的,所述初始特定时间段的生成方法为:
设置缓冲值,并基于相邻帧集之间的分界点进行区间计算;
所述缓冲值的大小大于零,并且所述缓冲值的大小决定需要处理的视频帧集长度,缓冲值越小,需要处理的视频帧集长度越小,处理速度越快;缓冲值越大,需要处理的视频帧集长度越大,处理速度越慢。
一种基于AI的视频监控***,该***包括:
接收模块,所述接收模块用于服务器接收来自采集设备采集的第一数据并生成第一视频集,所述第一数据为风场建设过程中风场的监控视频;
预处理模块,所述预处理模块用于服务器对第一视频集中的视频进行预处理;
标注分类模块,所述标注分类模块用于服务器对预处理后的视频进行标注和分类;
行为预警模块,所述行为预警模块用于基于标注和分类结果进行行为预警;
所述预处理模块包括帧集分割模块,所述帧集分割模块用于对第一视频集中的视频进行帧集分割,形成第二数据集,所述第二数据集表示经帧集分割后的视频。
进一步的,所述预处理模块还包括:
特征提取模块,所述特征提取模块用于对第二数据集中进行帧集分割后的视频进行视觉特征提取,并基于提取的视觉特征形成第三数据集,所述第三数据集表示经过视觉特征提取后的视频帧集;
特征表示模块,所述特征表示模块用于对第三数据集中的视频帧集进行特征表示,生成代表视频帧集的特征序列;
时间序列分析模块,所述时间序列分析模块用于对特征序列进行时间序列分析。
进一步的,所述特征提取模块进一步包括:
初始特定时间段生成模块,用于确定相邻帧集之间的分界点,并基于该分界点生成初始特定时间段;
单点拆分模块,所述单点拆分模块用于对该初始特定时间段进行单点拆分,形成多个时间点,并获取基于每个时间点的视频单帧图像;
像素分析模块,所述像素分析模块用于对基于每个时间点的视频单帧图像进行像素变化分析;
矫正特定时间段生成模块,所述矫正特定时间段生成模块用于根据像素变化分析结果生成矫正特定时间段,并将所述矫正特定时间段所在的视频帧集进行标记。
本申请的有益效果是:本申请提供的一种基于AI的视频监控***及视频追溯方法,通过对接收到的第一视频集进行预处理,并对预处理后的视频进行标注和分类,再基于标注和分类结果进行行为预警,实现对海上风场作业现场监控视频的追溯,并对第一数据集中的视频进行帧集分割,形成第二数据集,提高视频的识别分析效率,并对第二数据集进行视觉特征提取,并基于提取的视觉特征形成第三数据集,该第三数据集表示经过视觉特征提取后的视频帧集,同时对第三数据集中的视频帧集进行特征表示,生成代表视频帧集的特征序列;
基于特征序列进行时间序列分析,提高追溯能力。
除了上面所描述的目的、特征和优点之外,本申请还有其它的目的、特征和优点。下面将参照图,对本申请作进一步详细的说明。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本申请中一种基于AI的视频追溯方法的流程示意图;
图2为一种基于AI的视频监控***模块构成示意图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请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申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
实施例一:
如图1所示,本申请提供了一种基于AI的视频追溯方法,该方法适用于海上风场作业的视频监控中,包括:
步骤S1:服务器接收来自采集设备采集的第一数据并生成第一视频集,该第一数据为风场建设过程中风场的监控视频。
视频监控***一般包括采集设备和服务器,采集设备用于采集海上风场作业场景中的工作人员视频,而服务器用于对采集的视频进行分析和存储,采集设备和服务器之间存在信息交换的通道,在本实施例中,采集设备包括云台球机、固定式摄像头等具有监控功能的监控设备,由于这些采集设备通常安装于较高位置以获得更大的采集范围,因此采集设备与服务器之间通常采用无线通信方式进行信息交换,该方法适于需要灵活布置和移动性需求较高的监控场景;
此外,采集设备既可以直接与服务器建立无线传输,也可以通过中转的方式进行传输,例如采用云平台,采集设备先将采集到的实时视频上传到云平台,服务器从云平台中调取视频数据进行处理和分析,无论哪种方式,都需要采用无线传输实现,在此以及下文中不再赘述。
步骤S2:服务器对第一视频集中的视频进行预处理;
由于海上风场作业环境较为恶劣,采集设备会受到大风、雨水等自然环境的影响,导致采集设备在采集过程中受到干扰,影响所采集视频的识别度,影响后续的处理,因此需要对采集到的第一视频集中的视频进行预处理,具体的,该预处理过程包括:
步骤S201:对第一视频集中的视频进行帧集分割,并生成第二数据集,该第二数据集表示经帧集分割后的视频;
帧集分割是指将视频分割为不同的连续帧集,每个帧集代表一个连续的镜头或场景;
此外,还可以对第一视频集进行单帧分割,形成不同的单帧图像,以提高对第一视频集中,单个视频的识别精度,而在本实施例的应用场景中,采用帧集分割的方式可以提高识别效率,增加时效性,以满足海上风场作业环境的监测;
步骤S202:对第二数据集中进行帧集分割后的视频进行视觉特征提取,并基于提取的视觉特征形成第三数据集,该第三数据集表示经过视觉特征提取后的视频帧集;
视觉特征是指图像或视频中所包含的可视化属性和模式,这些特征可以反映视频的信息,常见的视觉特征有颜色特征、纹理特征、形状特征、光流特征、视觉词袋特征、深度学习特征等;
具体的,在对颜色特征进行提取时,通过视频帧集中不同区域的颜色分布和颜色组合,形成颜色直方图,并基于颜色直方图对视频帧中的不同区域进行标记,在海上风场作业环境中,可以通过颜色特征判断工人是否统一着装;
在对纹理特征进行提取时,通过灰度共生矩阵和局部二值模式对视频帧集中的不同区域进行纹理分析,并根据分析结果确定视频帧集中的物体类型、物体分布等情况;
在对光流特征进行提取时,包含以下步骤:
步骤a:先确定相邻帧集之间的分界点,并基于该分界点生成初始特定时间段;
分割后的视频帧集之间会存在一个分界点,而该分界点处的视频为单帧图像,无法进行对比分析,因此需要基于该分界点进行时间扩展,形成可分析视频帧集的初始特定时间段,在本实施例中,通过设置缓冲值,在确定分界点后,基于该缓冲值确定时间段,例如,当缓冲值为10秒时,初始特定时间段为分界点向前10秒到分界点向后10秒形成的区间,缓冲值的大小可以自行设置;
可以理解的是,缓冲值的大小需大于0,并且缓冲值的数值越大,形成的初始特定时间段越长,对应的基于该初始特定时间段的视频帧集越多,其中包含的信息量就会越大,分析时间和成本就会相应提高,因此在实际使用中,需要根据需求合理确定缓冲值的大小;
步骤b:对该初始特定时间段进行单点拆分,形成多个时间点,并获取基于每个时间点的视频单帧图像;
确定初始特定时间段后,还需要对该初始特定时间段进一步单点拆分,形成多个时间点,并获取每个时间点的视频单帧图像,防止服务器直接对视频帧集进行分析处理时,需要使用大量算力,并且会出现因算力不足导致响应缓慢的情况;
步骤c:对基于每个时间点的视频单帧图像进行像素变化分析;
获取每个时间点的视频单帧图像后,按照时间顺序对每一个视频单帧图像进行像素变化分析,当相邻的视频单帧图像之间出现明显的像素变化时,说明在该时间点出现光流变化,视频单帧图像中形成一定的运动;
步骤d:根据像素变化分析结果生成矫正特定时间段,并将该矫正特定时间段所在的视频帧集进行标记;
当某一时间点出现光流变化后,再次基于缓冲值生成矫正特定时间段,该矫正特定时间段的视频帧集为经过光流特征提取后的视频帧集,在进行分析时,优先选择含有动态目标的视频帧集,提高分析效率,并且基于缓冲值生成的矫正特定时间段,其视频帧集的有效性会大于初始特定时间段中的有效性。
经过特征提取后,根据提取的特征确定有效视频帧集,该有效视频帧集即为第三数据集。
步骤S203:对第三数据集中的视频帧集进行特征表示,生成代表视频帧集的特征序列;
在对视频帧集进行特征提取后,由于特征为具体表示视频特性的参数,无法直接被服务器读取,因此还需要进行特征表示,并根据特征表示生成视频帧集的特征序列;
具体的,特征表示的过程包括:
步骤S301:对第三数据集中的视频帧集进行特征数值化表示,将每一个视频帧集所有特征进行归一化处理;
在本实施例中,根据第三数据集中的视频帧集的所有特征进行筛选,并对每一个特征进行数值定义,在筛选前,遍历第三数据集中的所有视频帧集,并将所有出现的特征进行赋值,赋值完成后,对第三数据集中的视频帧集进行特征匹配,并根据匹配结果生成特征序列;
需要说明的是,由于不同时间段的视频帧集之间可能会存在一定差异,即部分视频帧集中可能会不存在某个或某些特征,当出现特征缺省的情况时,在对应的特征序列中,缺省的特征记为0,而不是直接将该缺省特征从特征序列中剔除,防止将缺省特征剔除后,特征序列所表示的信息产生混乱,影响后续的识别与分析;
步骤S302:选择特征训练模型,并将特征序列作为特征训练模型的输入,生成训练结果;
目前常见的特征训练模型包括图像分类模型、行为分析模型、动作预测等,选择合适的特征训练模型后,将生成的特征序列作为输入,自动生成基于该特征序列的训练结果,并且随着训练参数的增加,使训练模型的识别精度提高;
步骤S303:根据训练结果进行内容检索,对视频帧集进行精简;
训练完成后,根据训练结果进行内容检索,判断所有视频帧集中是否包含同样或相似的事件,并将同样或相似的事件打包作为同组,实现对视频帧集的精简,提高识别效率。
步骤S204:对特征序列进行时间序列分析。
根据初始特定时间段对生成的特征序列进行时间序列分析,已对该初始特定时间段内的变化趋势、周期性变化、异常检测等进行分析,在本步骤中,进行时间序列的分析应当基于初始特定时间段进行分析,而不是矫正特定时间段,因为在进行分析时,初始特定时间段更能反映视频帧集的时间变化,在进行多次分析后,还可以根据初始特定时间段的分析情况判断误差,增加下一次初始特定时间段的选择精准度。
步骤S3:服务器对预处理后的视频进行标注和分类;
经过上述流程后,第一视频集中的视频已被预处理,并且预处理后的数据为含有特征信息的视频帧集,根据每个视频帧集的特征信息,从而对预处理后的视频进行标注,并根据标注结果进行分类;
在本领域中,对视频的识别及分类包含多种方法,例如卷积神经网络、循环神经网络、对抗网络等,在本实施例中,由于需要考虑到时间序列的影响,因此采用循环神经网络进行分类,具体可参照公开号为CN110347874B的中国发明专利,此处不再赘述。
步骤S4:基于标注和分类结果进行行为预警。
根据标注和分类的结果,结合AI进行行为预警,例如未戴安全帽、反光背心、靠近安全防护栏等违规现象,当出现此类现象时进行抓拍并预警,使管理者及时掌握风险信息。
可以理解的是,上述过程是在需要进行视频追溯前的前序准备,在本领域中,通常采用远程服务器或云平台的方式对监控视频进行追溯,例如公开号为CN109448291A的中国发明专利,此处不再赘述。
实施例二:
如图2所示为一种基于AI的视频监控***的模块构成图,该***可以运行上述实施例一中的方法,该***包括:
接收模块,该接收模块用于服务器接收来自采集设备采集的第一数据并生成第一视频集,该第一数据为风场建设过程中风场的监控视频;
预处理模块,该预处理模块用于服务器对第一视频集中的视频进行预处理;
标注分类模块,该标注分类模块用于服务器对预处理后的视频进行标注和分类;
行为预警模块,该行为预警模块用于基于标注和分类结果进行行为预警。
其中,预处理模块进一步包括:
帧集分割模块,用于对第一视频集中的视频进行帧集分割,并生成第二数据集,该第二数据集表示经帧集分割后的视频;
特征提取模块,用于对第二数据集中进行帧集分割后的视频进行视觉特征提取,并基于提取的视觉特征形成第三数据集,该第三数据集表示经过视觉特征提取后的视频帧集;
特征表示模块,用于对第三数据集中的视频帧集进行特征表示,生成代表视频帧集的特征序列;
时间序列分析模块,用于对特征序列进行时间序列分析;
特征提取模块进一步包括:
初始特定时间段生成模块,用于确定相邻帧集之间的分界点,并基于该分界点生成初始特定时间段;
单点拆分模块,用于对该初始特定时间段进行单点拆分,形成多个时间点,并获取基于每个时间点的视频单帧图像;
像素分析模块,用于对基于每个时间点的视频单帧图像进行像素变化分析;
矫正特定时间段生成模块,用于根据像素变化分析结果生成矫正特定时间段,并将该矫正特定时间段所在的视频帧集进行标记。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (9)
1.一种基于AI的视频追溯方法,其特征在于:包括:
服务器接收来自采集设备采集的第一数据并生成第一视频集,所述第一数据为风场建设过程中风场的监控视频;
服务器对第一视频集中的视频进行预处理;
服务器对预处理后的视频进行标注和分类;
基于标注和分类结果进行行为预警;
其中,在所述服务器对第一视频集中的视频进行预处理的过程中,需要对第一视频集中的视频进行帧集分割,形成第二数据集,所述第二数据集表示经帧集分割后的视频。
2.根据权利要求1所述的一种基于AI的视频追溯方法,其特征在于:所述服务器对第一视频集中的视频进行预处理还包括:
对第二数据集中经过帧集分割后的视频进行视觉特征提取,并基于提取的视觉特征形成第三数据集,所述第三数据集表示经过视觉特征提取后的视频帧集;
对所述第三数据集中的视频帧集进行特征表示,生成代表视频帧集的特征序列;
对所述特征序列进行时间序列分析。
3.根据权利要求2所述的一种基于AI的视频追溯方法,其特征在于:对所述第二数据集中经过帧集分割后的视频进行视觉特征提取的过程进一步包括:
确定相邻帧集之间的分界点,并基于所述分界点生成初始特定时间段;
对所述初始特定时间段进行单点拆分,形成多个时间点,并获取基于每个时间点的视频单帧图像;
对基于每个时间点的视频单帧图像进行像素变化分析;
根据像素变化分析结果生成矫正特定时间段,并将所述矫正特定时间段所对应的视频帧集进行标记。
4.根据权利要求2所述的一种基于AI的视频追溯方法,其特征在于:对所述第三数据集中的视频帧集进行特征表示,生成代表视频帧集的特征序列进一步包括:
对所述第三数据集中的视频帧集进行特征数值化表示,将每一个视频帧集所有特征进行归一化处理,生成特征序列;
选择特征训练模型,并将特征序列作为特征训练模型的输入,生成训练结果;
根据训练结果进行内容检索,对第三数据集进行精简。
5.根据权利要求3所述的一种基于AI的视频追溯方法,其特征在于:所述初始特定时间段的生成方法为:
设置缓冲值,并基于相邻帧集之间的分界点进行区间计算;
所述缓冲值的大小大于零,并且所述缓冲值的大小决定需要处理的视频帧集长度,缓冲值越小,需要处理的视频帧集长度越小,处理速度越快;缓冲值越大,需要处理的视频帧集长度越大,处理速度越慢。
6.一种基于AI的视频监控***,其特征在于:该***包括:
接收模块,所述接收模块用于服务器接收来自采集设备采集的第一数据并生成第一视频集,所述第一数据为风场建设过程中风场的监控视频;
预处理模块,所述预处理模块用于服务器对第一视频集中的视频进行预处理;
标注分类模块,所述标注分类模块用于服务器对预处理后的视频进行标注和分类;
行为预警模块,所述行为预警模块用于基于标注和分类结果进行行为预警;
所述预处理模块包括帧集分割模块,所述帧集分割模块用于对第一视频集中的视频进行帧集分割,形成第二数据集,所述第二数据集表示经帧集分割后的视频。
7.根据权利要求6所述的一种基于AI的视频监控***,其特征在于:所述预处理模块还包括:
特征提取模块,所述特征提取模块用于对第二数据集中进行帧集分割后的视频进行视觉特征提取,并基于提取的视觉特征形成第三数据集,所述第三数据集表示经过视觉特征提取后的视频帧集;
特征表示模块,所述特征表示模块用于对第三数据集中的视频帧集进行特征表示,生成代表视频帧集的特征序列;
时间序列分析模块,所述时间序列分析模块用于对特征序列进行时间序列分析。
8.根据权利要求7所述的一种基于AI的视频监控***,其特征在于:所述特征提取模块进一步包括:
初始特定时间段生成模块,用于确定相邻帧集之间的分界点,并基于所述分界点生成初始特定时间段;
单点拆分模块,所述单点拆分模块用于对所述初始特定时间段进行单点拆分,形成多个时间点,并获取基于每个时间点的视频单帧图像;
像素分析模块,所述像素分析模块用于对基于每个时间点的视频单帧图像进行像素变化分析;
矫正特定时间段生成模块,所述矫正特定时间段生成模块用于根据像素变化分析结果生成矫正特定时间段,并将所述矫正特定时间段所在的视频帧集进行标记。
9.一种如权利要求6所述的基于AI的视频监控***,其特征在于:用于实施如权利要求1至5中任一项所述的基于AI的视频追溯方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310902140.7A CN116886869A (zh) | 2023-07-21 | 2023-07-21 | 一种基于ai的视频监控***及视频追溯方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310902140.7A CN116886869A (zh) | 2023-07-21 | 2023-07-21 | 一种基于ai的视频监控***及视频追溯方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116886869A true CN116886869A (zh) | 2023-10-13 |
Family
ID=88256542
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310902140.7A Pending CN116886869A (zh) | 2023-07-21 | 2023-07-21 | 一种基于ai的视频监控***及视频追溯方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116886869A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117240998A (zh) * | 2023-11-15 | 2023-12-15 | 山东高速千方国际科技有限公司 | 一种高速公路用监控***及方法 |
-
2023
- 2023-07-21 CN CN202310902140.7A patent/CN116886869A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117240998A (zh) * | 2023-11-15 | 2023-12-15 | 山东高速千方国际科技有限公司 | 一种高速公路用监控***及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110070033B (zh) | 一种电力领域危险工作区域内安全帽佩戴状态检测方法 | |
CN110738127A (zh) | 基于无监督深度学习神经网络算法的安全帽识别方法 | |
CN111291699A (zh) | 基于监控视频时序动作定位和异常检测的变电站人员行为识别方法 | |
CN106845415B (zh) | 一种基于深度学习的行人精细化识别方法及装置 | |
CN107316016A (zh) | 一种基于Hadoop和监控视频流的车辆轨迹统计方法 | |
CN111241343A (zh) | 一种道路信息监控与分析检测方法、智慧交通控制*** | |
CN113673459B (zh) | 基于视频的生产施工场所安全巡检方法、***、设备 | |
CN105095866A (zh) | 一种快速行为识别方法和*** | |
CN113553977B (zh) | 一种基于改进yolo v5的安全帽检测方法和*** | |
CN112380982A (zh) | 一种电力行业基建项目进度与质量的一体化监测方法 | |
CN115100512A (zh) | 一种海洋经济物种的监测识别捕捞方法、***及存储介质 | |
CN116886869A (zh) | 一种基于ai的视频监控***及视频追溯方法 | |
CN112541393A (zh) | 一种基于深度学习的变电站人员检测方法及装置 | |
CN112257500A (zh) | 一种基于云边协同技术的电力设备智能图像识别***及识别方法 | |
CN110276300B (zh) | 用于识别垃圾品质的方法和装置 | |
CN116824726A (zh) | 一种校园环境智能巡检方法及*** | |
CN117496129A (zh) | 一种基于YOLOv7改进的工厂安全穿戴目标检测方法 | |
CN116092119A (zh) | 基于多维度特征融合的人体行为识别***及其工作方法 | |
CN113469938B (zh) | 基于嵌入式前端处理服务器的管廊视频分析方法及*** | |
CN102646312B (zh) | 一种适于分布式并行处理的森林烟火监测识别方法 | |
CN114529821A (zh) | 一种基于机器视觉的海上风电安全监测与预警方法 | |
CN111199172A (zh) | 基于终端录屏的处理方法及装置、存储介质 | |
CN117423157A (zh) | 一种结合迁移学习、区域入侵的矿井下异常视频动作理解方法 | |
CN115309871B (zh) | 一种基于人工智能算法的工业大数据处理方法及*** | |
CN117172984A (zh) | 基于设备检修数字孪生场景的安全风险识别方法及*** |
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 |