CN116996673B - 基于通行出入管理及设备运行状态的智能云端管理*** - Google Patents
基于通行出入管理及设备运行状态的智能云端管理*** Download PDFInfo
- Publication number
- CN116996673B CN116996673B CN202311264310.XA CN202311264310A CN116996673B CN 116996673 B CN116996673 B CN 116996673B CN 202311264310 A CN202311264310 A CN 202311264310A CN 116996673 B CN116996673 B CN 116996673B
- Authority
- CN
- China
- Prior art keywords
- area
- pixel point
- gray
- gray level
- personnel
- 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.)
- Active
Links
- 230000000694 effects Effects 0.000 claims abstract description 81
- 238000007906 compression Methods 0.000 claims abstract description 77
- 230000006835 compression Effects 0.000 claims abstract description 77
- 230000008859 change Effects 0.000 claims abstract description 50
- 230000011218 segmentation Effects 0.000 claims abstract description 30
- 238000004364 calculation method Methods 0.000 claims abstract description 18
- 238000005457 optimization Methods 0.000 claims abstract description 11
- 230000005540 biological transmission Effects 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000000034 method Methods 0.000 claims description 27
- 238000010606 normalization Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 238000010586 diagram Methods 0.000 claims description 4
- 238000005192 partition Methods 0.000 abstract description 10
- 238000007726 management method Methods 0.000 description 22
- 238000012544 monitoring process Methods 0.000 description 4
- 230000033001 locomotion Effects 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
Classifications
-
- 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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
- H04N19/10—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding
- H04N19/102—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the element, parameter or selection affected or controlled by the adaptive coding
- H04N19/119—Adaptive subdivision aspects, e.g. subdivision of a picture into rectangular or non-rectangular coding blocks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
- H04N19/10—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding
- H04N19/169—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the coding unit, i.e. the structural portion or semantic portion of the video signal being the object or the subject of the adaptive coding
- H04N19/182—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the coding unit, i.e. the structural portion or semantic portion of the video signal being the object or the subject of the adaptive coding the unit being a pixel
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像数据处理技术领域,具体涉及基于通行出入管理及设备运行状态的智能云端管理***,包括:图像采集模块,用于获取不同帧的人员活动灰度图;图像聚类模块,得到若干分割区域;变化程度计算模块,得到目标像素点的变化程度;影响程度计算模块,得到第一像素点对区域A压缩率的影响程度;最终影响程度计算模块,得到最终影响程度;分割区域优化传输模块,将同一分割区域的所有人员活动灰度图进行霍夫曼编码,得到编码信息,将编码信息进行传输完成视频的压缩传输。本发明通过分区霍夫曼编码结合了图像分区和霍夫曼编码的优势,可以根据视频中不同区域的特点进行独立的编码,提高压缩效率。
Description
技术领域
本发明涉及图像数据处理技术领域,具体涉及基于通行出入管理及设备运行状态的智能云端管理***。
背景技术
门禁***作为安全领域的重要组成部分,在各个行业得到广泛应用。在门禁***中,视频监控是一项重要的安全措施,用于监视和记录出入口的活动,随着技术的不断进步,门禁视频的质量和分辨率不断提高,导致视频数据量的急剧增加。为了有效管理和存储这些视频次据,门禁***行业对于高效的视频压缩技术的需求日益迫切。
传统的视频压缩方法是使用霍夫曼编码对视频的每一帧图像进行压缩。然而,这种方法通常会使用固定的一套霍夫曼编码,编码对于视频中的变化没有针对改动,因此压缩效率较低。
发明内容
本发明提供基于通行出入管理及设备运行状态的智能云端管理***,以解决现有的问题。
本发明的基于通行出入管理及设备运行状态的智能云端管理***采用如下技术方案:
本发明一个实施例提供了基于通行出入管理及设备运行状态的智能云端管理***,该***包括以下模块:
图像采集模块:用于获取不同帧的人员活动灰度图;
图像聚类模块:用于通过对人员活动灰度图进行聚类得到若干分割区域;
变化程度计算模块:用于根据分割区域得到目标像素点,根据目标像素点在不同帧的人员活动灰度图中的灰度值得到目标像素点的变化程度,根据目标像素点的变化程度得到若干第一像素点;
影响程度计算模块:用于根据第一像素点在所有帧的人员活动灰度图中不同的灰度值得到第一像素点的灰度级集合,获取第一像素点的灰度级集合中每一灰度级对应的第一像素点在所有帧的人员活动灰度图中的出现频次,记为参考频次,将任意一个第一像素点所属的分割区域记为区域A,根据第一像素点的灰度级集合中每个灰度级在区域A中出现的频次、参考频次,得到第一像素点对区域A压缩率的影响程度;
最终影响程度计算模块:用于根据第一像素点对区域A压缩率的影响程度和第一像素点的变化程度,得到第一像素点对区域A压缩率的最终影响程度;
分割区域优化传输模块:用于对于任意一个第一像素点,获取与第一像素点距离最近的分割区域,记为第一分割区域,将第一分割区域记为区域B,获取第一像素点对区域B压缩率的最终影响程度,根据第一像素点对区域A压缩率的最终影响程度和区域B压缩率的最终影响程度得到人员活动灰度图的第二分割区域,根据人员活动灰度图的第二分割区域得到人员活动灰度图的最优分割区域;
根据人员活动灰度图的最优分割区域对所有帧的人员活动灰度图进行划分,得到所有人员活动灰度图具有相同的分割区域,将同一分割区域的所有人员活动灰度图进行编码,直至所有分割区域的所有人员活动灰度图都完成编码,得到编码信息,将编码信息进行传输。
进一步地,所述通过对人员活动灰度图进行聚类得到若干分割区域,包括的具体步骤如下:
对第一帧的人员活动灰度图进行DBSCAN聚类,得到若干聚类区域,记为若干分割区域。
进一步地,所述根据分割区域得到目标像素点,包括的具体步骤如下:
对于第一帧的人员活动灰度图中的任意一个分割区域,获取分割区域中与其他相邻分割区域相接的像素点,记为目标像素点。
进一步地,所述根据目标像素点在不同帧的人员活动灰度图中的灰度值得到目标像素点的变化程度,包括的具体步骤如下:
对于任意一个目标像素点,式中,为第i帧的人员活动灰度图中第k个目标像素点的灰度值,/>为第k个目标像素点在所有帧的人员活动灰度图中的灰度均值,/>为人员活动灰度图的总帧数,/>为第k个目标像素点在所有帧的人员活动灰度图中的最大灰度值,/>为第k个目标像素点在所有帧的人员活动灰度图中的最小灰度值,/>为第k个目标像素点的变化程度。
进一步地,所述根据目标像素点的变化程度得到若干第一像素点,包括的具体步骤如下:
将第一帧的人员活动灰度图中所有目标像素点的变化程度进行线性归一化处理,得到目标像素点的第一变化程度,预设一个参数阈值,将第一变化程度大于参数阈值的目标像素点记为第一像素点。
进一步地,所述根据第一像素点的灰度级集合中每个灰度级在区域A中出现的频次、参考频次,得到第一像素点对区域A压缩率的影响程度,包括的具体步骤如下:
对于任意一个第一像素点,式中,为第一像素点的灰度级集合中灰度级的总个数,/>为第一像素点的灰度级集合中第j个灰度级在区域A中出现的频次,/>为预设常数,/>为第一像素点的灰度级集合中第j个灰度级对应的第一像素点在所有帧的人员活动灰度图中的出现频次,记为参考频次,/>为区域A中灰度级的总个数,/>为区域A中像素点的总个数,为第一像素点对区域A压缩率的影响程度。
进一步地,所述根据第一像素点对区域A压缩率的影响程度和第一像素点的变化程度,得到第一像素点对区域A压缩率的最终影响程度,包括的具体步骤如下:
式中,为第u个第一像素点的变化程度,/>为区域A中所有第一像素点的平均变化程度,/>为预设常数,/>表示线性归一化函数,/>为第u个第一像素点对区域A压缩率的影响程度,/>为第u个第一像素点对区域A压缩率的最终影响程度。
进一步地,所述根据第一像素点对区域A压缩率的最终影响程度和区域B压缩率的最终影响程度得到人员活动灰度图的第二分割区域,包括的具体步骤如下:
将第u个第一像素点对区域B压缩率的最终影响程度,记为,若/>,则将第u个第一像素点任归属到区域A中,/>为第u个第一像素点对区域A压缩率的最终影响程度,若/>,则将第u个第一像素点归属到区域B中,将所有分割区域的所有第一像素点进行判断完成归属,得到人员活动灰度图的第二分割区域。
进一步地,所述根据人员活动灰度图的第二分割区域得到人员活动灰度图的最优分割区域,包括的具体步骤如下:
将人员活动灰度图的第二分割区域分别按照变化程度计算模块、影响程度计算模块、最终影响程度计算模块以及分割区域优化传输模块进行处理,得到人员活动灰度图的第三分割区域,根据人员活动灰度图的第三分割区域得到人员活动灰度图的第四分割区域,以此类推,直至人员活动灰度图中所有分割区域的所有第一像素点的归属不再发生变化时,得到的分割区域为人员活动灰度图的最优分割区域。
进一步地,所述编码的具体获取方法如下:
编码具体为霍夫曼编码。
本发明的技术方案的有益效果是:通过对人员活动灰度图进行聚类得到若干分割区域,可以使灰度值相似的像素点划分为同一区域,且对第一帧的人员活动灰度图完成了粗分割,根据分割区域得到目标像素点,根据目标像素点在不同帧的人员活动灰度图中的灰度值得到目标像素点的变化程度,根据目标像素点的变化程度得到若干第一像素点,根据第一像素点的灰度级集合中灰度级在区域A中出现的频次、第一像素点的灰度级集合中灰度级对应的第一像素点在所有帧的人员活动灰度图中的出现频次,得到第一像素点对区域A压缩率的影响程度,根据第一像素点对区域A压缩率的影响程度和第一像素点的变化程度,得到第一像素点对区域A压缩率的最终影响程度,最终影响程度可以更好的判断第一像素点的归属结果。
本发明使用分区编码,分区编码结合了图像分区和编码的优势,可以根据视频中不同区域的特点进行独立的编码,提高压缩效率。通过将视频分割为多个局部区域,并对每个区域进行独立的编码,分区编码可以更好地适应门禁视频的特点,实现更高效的压缩和存储。
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为本发明一个实施例所提供的基于通行出入管理及设备运行状态的智能云端管理***的***框架图。
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基于通行出入管理及设备运行状态的智能云端管理***,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,一个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基于通行出入管理及设备运行状态的智能云端管理***的具体方案。
请参阅图1,其示出了本发明一个实施例提供的基于通行出入管理及设备运行状态的智能云端管理***的***框架图,该***包括以下模块:
图像采集模块:
需要说明的是,在门禁***中,视频监控是一项重要的安全措施,用于监视和记录出入口的活动,本实施例是基于通行出入管理及设备运行状态的智能云端管理***,首先需要获取管理的相关视频进而得到相应的图像,并进行预处理。
具体的,从门禁***中采集人员活动的活动影像,根据人员活动的活动影像可以得到若干不同帧的人员活动图像,对每一帧的人员活动图像进行灰度化处理得到不同帧的人员活动灰度图。
至此,得到不同帧的人员活动灰度图。
图像聚类模块:
需要说明的是,由于霍夫曼编码是根据频率来进行编码,频率可以对应到灰度图中的灰度值出现的频次,频率越高的数据对应的编码越短,频率越低的数据对应的编码越长,而对于不同帧的人员活动灰度图,灰度值的范围为0到255,且不同灰度值频率差距较大,存在较多的低频灰度值,因此,对于这些低频的灰度值,霍夫曼编码对整张图像进行编码时压缩率较低。同时,低频的灰度值虽然频率低,但是总体的频率并不少,会大大影响霍夫曼编码的压缩效率。因此,需要通过对帧图像进行分区,来降低帧图像低频灰度值的压缩率,从整体上提高霍夫曼编码的压缩效率。
需要说明的是,霍夫曼压缩是基于频率的压缩,频率越高的数据压缩效率就越高,因此本实施例进行帧图像分区时应该尽量让相似的像素级分为同一区域。
具体的,对于第一帧的人员活动灰度图,预设DBSCAN的聚类半径为R,为RU,本实施例中R=5,RU=10,对第一帧的人员活动灰度图进行聚类,得到若干聚类区域,记为若干分割区域。需要说明的是,本实施例使用DBSCAN算法聚类可以使灰度值相似的像素点划分为同一区域,且对第一帧的人员活动灰度图完成了粗分割。
至此,得到若干分割区域。
变化程度计算模块:
需要说明的是,上述聚类是针对第一帧的人员活动灰度图进行聚类的,由于行人在人员活动的活动影像中的位置是变化的,因此直接使用分割区域的压缩效果较差。因此本实施例对各分割区域从外向内对各个点在每一帧人员活动灰度图的灰度分布进行判断。如果一个像素点在多帧人员活动灰度图中,它的灰度不发生变化,不会对当前分割区域的霍夫曼压缩造成影响,因此认为它属于人员活动的活动影像中的背景区域,此时它的变化不大,不会对当前区域的霍夫曼压缩造成影响,因此该像素点的归属不需要进行优化。
进一步需要说明的是,而如果一个像素点在多帧人员活动灰度图中变化较大,即灰度值的变化较多,且变化程度较大,那么认为这个像素点受到行人的影响,即在某些帧的人员活动灰度图中属于行人,在某些帧的人员活动灰度图中属于背景,此时这个像素点归属那个分割区域的压缩率最高需要进行计算判断,因此需要对像素点进行归属优化,从而提高霍夫曼的压缩效率。
具体的,对于第一帧的人员活动灰度图中的任意一个分割区域,获取分割区域中与其他相邻分割区域相接的像素点,记为目标像素点,对于任意一个目标像素点,根据目标像素点在不同帧的人员活动灰度图中的灰度值得到目标像素点的变化程度,具体如下:
式中,为第i帧的人员活动灰度图中第k个目标像素点的灰度值,/>为第k个目标像素点在所有帧的人员活动灰度图中的灰度均值,需要说明的是,在不同帧的人员活动灰度图中第k个目标像素点的位置是相同的,/>为人员活动灰度图的总帧数,表示第i帧的人员活动灰度图中第k个目标像素点的灰度标准差,标准差越大,说明第k个目标像素点在多帧的人员活动灰度图中变化较大,受到行人的影响越大。
为第k个目标像素点在所有帧的人员活动灰度图中的最大灰度值,为第k个目标像素点在所有帧的人员活动灰度图中的最小灰度值,表示第k个目标像素点的灰度值极差,极差越大,说明第k个目标像素点在多帧的人员活动灰度图中变化较大,受到行人的影响越大,/>为第k个目标像素点的变化程度,变化程度越大,说明第k个目标像素点在多帧的人员活动灰度图中灰度值变化较大,说明在多帧的人员活动灰度图中第k个目标像素点有一部分属于行人,有一部分属于背景,变化程度越大,越需要进行归属优化。
进一步地,获取第一帧的人员活动灰度图中所有目标像素点的变化程度,将第一帧的人员活动灰度图中所有目标像素点的变化程度进行线性归一化处理,得到目标像素点的第一变化程度,预设一个参数阈值,本实施例以参数阈值为0.7进行叙述,将第一变化程度大于参数阈值的目标像素点记为第一像素点,得到若干第一像素点,第一像素点需要进行归属优化。
至此,得到若干第一像素点。
影响程度计算模块:
需要说明的是,对于每一个分割区域都有对应的若干第一像素点,对于每个第一像素点,获取其最相邻的分割区域,通过计算第一像素点在两个分割区域中的整体压缩效率来对第一像素点进行归属优化。如果第一像素点归属到它对应的分割区域中后两个分割区域的整体压缩效率更高,那么就将第一像素点归属到它对应的分割区域中,反之,则归属到最相邻的分割区域中。
具体的,对于任意一个第一像素点,获取与第一像素点距离最近的分割区域,记为第一分割区域,第一分割区域具体获取如下:对于第一像素点,获取与第一像素点所在分割区域相邻的分割区域,获取所有相邻的分割区域中边缘像素点,获取任意一个边缘像素点与第一像素点的欧式距离,将边缘像素点与第一像素点的欧式距离最小时,边缘像素点所在的分割区域记为第一分割区域。
获取第一像素点在所有帧的人员活动灰度图中不同的灰度值得到第一像素点的灰度级集合,并获取第一像素点的灰度级集合中每一灰度级对应的第一像素点在所有帧的人员活动灰度图中的出现频次,需要说明的是,第一像素点的同一灰度值对应灰度级集合中的同一灰度级。同理可以获得每一个第一像素点的灰度集合及灰度级集合中每一灰度级对应的第一像素点在所有帧的人员活动灰度图中的出现频次。
需要说明的是,对于每个灰度级,若在分割区域中出现的频次越大,则对于分割区域的压缩率影响越小,同时灰度级自身的频次越大,对分割区域的压缩率影响也越小,同时,压缩率和分割区域的灰度级分布以及对应的频次有关,分割区域的灰度级范围越小,频次越大,压缩率受到影响的程度就越小,反之,压缩率受到影响的程度就越大。
具体的,对于任意一个分割区域内任意一个第一像素点,将第一像素点所属的分割区域记为区域A,根据第一像素点的灰度级集合中灰度级在区域A中出现的频次、第一像素点的灰度级集合中灰度级对应的第一像素点在所有帧的人员活动灰度图中的出现频次,得到第一像素点对区域A压缩率的影响程度,具体如下:
式中,为第一像素点的灰度级集合中灰度级的总个数,/>为第一像素点的灰度级集合中第j个灰度级在区域A中出现的频次,/>为预设常数,本实施例中以c=0.1进行叙述,目的是防止分母为0,/>表示第j个灰度级在区域A中出现的频次对压缩率的影响,/>为第一像素点的灰度级集合中第j个灰度级对应的第一像素点在所有帧的人员活动灰度图中的出现频次,/>表示第一像素点加入区域A后灰度级频次对压缩率的影响变化,/>为区域A中灰度级的总个数,需要说明的是,区域A中像素点同一个灰度值对应一个灰度级,/>为区域A中像素点的总个数,/>为第一像素点对区域A压缩率的影响程度,/>越大,说明第一像素点对区域A的压缩率影响越大。同理可以获得区域A中每一个第一像素点对区域A压缩率的影响程度。
至此,得到第一像素点对区域A压缩率的影响程度。
最终影响程度计算模块:
需要说明的是,在信息传输过程中分割区域可能包含行人区域和背景区域,两种区域的优先级是不同的,因此需要在对压缩率影响不大的前提下尽量将受到行人影响的像素点划分在行人区域内。而行人区域和背景区域在上述的多帧的人员活动灰度图中表现为,背景区域整体在多帧的人员活动灰度图中灰度变化率较低,基本不变;而行人由于在运动的原因,其在多帧的人员活动灰度图中灰度变化率较大。因此,可以通过像素点在分割区域中的变化率差异来对归属结果进行判断。
具体的,对于区域A中任意一个第一像素点,根据第一像素点对区域A压缩率的影响程度和第一像素点的变化程度,得到第一像素点对区域A压缩率的最终影响程度,具体如下:
式中,为第u个第一像素点的变化程度,/>为区域A中所有第一像素点的平均变化程度,/>为预设常数,目的是防止分母为0,/>表示线性归一化函数,/>为第u个第一像素点对区域A压缩率的影响程度,/>为第u个第一像素点对区域A压缩率的最终影响程度。表示第u个第一像素点和区域A中所有第一像素点的变化程度差异,其值越大,说明第u个第一像素点和区域A的变化率越相似,第u个第一像素点就越应该被分到区域A中。同理可以获取每一个第一像素点对区域A压缩率的最终影响程度。
分割区域优化传输模块:
具体的,将第一分割区域记为区域B,获取第u个第一像素点对区域B压缩率的最终影响程度,记为,需要特别说明的是,在计算第u个第一像素点对区域A压缩率的最终影响程度时,第u个第一像素点在区域A中,在计算第u个第一像素点对区域B压缩率的最终影响程度时,需要将第u个第一像素点划分到区域B中进行相同计算,得到第u个第一像素点对区域B压缩率的最终影响程度。比较/>和/>的大小,若/>,则将第u个第一像素点任归属到区域A中,若/>,则将第u个第一像素点归属到区域B中,将所有分割区域的所有第一像素点进行判断完成归属,得到人员活动灰度图的第二分割区域。
进一步地,将人员活动灰度图的第二分割区域分别按照变化程度计算模块、影响程度计算模块、最终影响程度计算模块以及分割区域优化传输模块进行处理,得到人员活动灰度图的第三分割区域,根据人员活动灰度图的第三分割区域可以得到人员活动灰度图的第四分割区域,以此类推,直至人员活动灰度图中所有分割区域的所有第一像素点的归属不再发生变化,所述第一像素点的归属不再发生变化具体为第一像素点归属到本身所在的分割区域中,得到人员活动灰度图的最优分割区域。
根据人员活动灰度图的最优分割区域将所有帧的人员活动灰度图进行划分,使得所有人员活动灰度图具有相同的分割区域,将同一分割区域的所有人员活动灰度图进行霍夫曼编码,直至所有分割区域的所有人员活动灰度图都完成霍夫曼编码,得到编码信息,将编码信息进行传输即完成视频的压缩传输,以此来实现基于通行出入的高效管理。
至此,本实施例完成。
以上所述仅为本发明的较佳实施例而已,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 (10)
1.基于通行出入管理及设备运行状态的智能云端管理***,其特征在于,该***包括以下模块:
图像采集模块:用于获取不同帧的人员活动灰度图;
图像聚类模块:用于通过对人员活动灰度图进行聚类得到若干分割区域;
变化程度计算模块:用于根据分割区域得到目标像素点,根据目标像素点在不同帧的人员活动灰度图中的灰度值得到目标像素点的变化程度,根据目标像素点的变化程度得到若干第一像素点;
影响程度计算模块:用于根据第一像素点在所有帧的人员活动灰度图中不同的灰度值得到第一像素点的灰度级集合,获取第一像素点的灰度级集合中每一灰度级对应的第一像素点在所有帧的人员活动灰度图中的出现频次,记为参考频次,将任意一个第一像素点所属的分割区域记为区域A,根据第一像素点的灰度级集合中每个灰度级在区域A中出现的频次、参考频次,得到第一像素点对区域A压缩率的影响程度;
最终影响程度计算模块:用于根据第一像素点对区域A压缩率的影响程度和第一像素点的变化程度,得到第一像素点对区域A压缩率的最终影响程度;
分割区域优化传输模块:用于对于任意一个第一像素点,获取与第一像素点距离最近的分割区域,记为第一分割区域,将第一分割区域记为区域B,获取第一像素点对区域B压缩率的最终影响程度,根据第一像素点对区域A压缩率的最终影响程度和区域B压缩率的最终影响程度得到人员活动灰度图的第二分割区域,根据人员活动灰度图的第二分割区域得到人员活动灰度图的最优分割区域;
根据人员活动灰度图的最优分割区域对所有帧的人员活动灰度图进行划分,得到所有人员活动灰度图具有相同的分割区域,将同一分割区域的所有人员活动灰度图进行编码,直至所有分割区域的所有人员活动灰度图都完成编码,得到编码信息,将编码信息进行传输。
2.根据权利要求1所述基于通行出入管理及设备运行状态的智能云端管理***,其特征在于,所述通过对人员活动灰度图进行聚类得到若干分割区域,包括的具体步骤如下:
对第一帧的人员活动灰度图进行DBSCAN聚类,得到若干聚类区域,记为若干分割区域。
3.根据权利要求1所述基于通行出入管理及设备运行状态的智能云端管理***,其特征在于,所述根据分割区域得到目标像素点,包括的具体步骤如下:
对于第一帧的人员活动灰度图中的任意一个分割区域,获取分割区域中与其他相邻分割区域相接的像素点,记为目标像素点。
4.根据权利要求1所述基于通行出入管理及设备运行状态的智能云端管理***,其特征在于,所述根据目标像素点在不同帧的人员活动灰度图中的灰度值得到目标像素点的变化程度,包括的具体步骤如下:
对于任意一个目标像素点,式中,为第i帧的人员活动灰度图中第k个目标像素点的灰度值,/>为第k个目标像素点在所有帧的人员活动灰度图中的灰度均值,/>为人员活动灰度图的总帧数,/>为第k个目标像素点在所有帧的人员活动灰度图中的最大灰度值,为第k个目标像素点在所有帧的人员活动灰度图中的最小灰度值,/>为第k个目标像素点的变化程度。
5.根据权利要求1所述基于通行出入管理及设备运行状态的智能云端管理***,其特征在于,所述根据目标像素点的变化程度得到若干第一像素点,包括的具体步骤如下:
将第一帧的人员活动灰度图中所有目标像素点的变化程度进行线性归一化处理,得到目标像素点的第一变化程度,预设一个参数阈值,将第一变化程度大于参数阈值的目标像素点记为第一像素点。
6.根据权利要求1所述基于通行出入管理及设备运行状态的智能云端管理***,其特征在于,所述根据第一像素点的灰度级集合中每个灰度级在区域A中出现的频次、参考频次,得到第一像素点对区域A压缩率的影响程度,包括的具体步骤如下:
对于任意一个第一像素点,式中,为第一像素点的灰度级集合中灰度级的总个数,/>为第一像素点的灰度级集合中第j个灰度级在区域A中出现的频次,/>为预设常数,/>为第一像素点的灰度级集合中第j个灰度级对应的第一像素点在所有帧的人员活动灰度图中的出现频次,记为参考频次,/>为区域A中灰度级的总个数,/>为区域A中像素点的总个数,/>为第一像素点对区域A压缩率的影响程度。
7.根据权利要求1所述基于通行出入管理及设备运行状态的智能云端管理***,其特征在于,所述根据第一像素点对区域A压缩率的影响程度和第一像素点的变化程度,得到第一像素点对区域A压缩率的最终影响程度,包括的具体步骤如下:
式中,为第u个第一像素点的变化程度,/>为区域A中所有第一像素点的平均变化程度,/>为预设常数,/>表示线性归一化函数,/>为第u个第一像素点对区域A压缩率的影响程度,/>为第u个第一像素点对区域A压缩率的最终影响程度。
8.根据权利要求1所述基于通行出入管理及设备运行状态的智能云端管理***,其特征在于,所述根据第一像素点对区域A压缩率的最终影响程度和区域B压缩率的最终影响程度得到人员活动灰度图的第二分割区域,包括的具体步骤如下:
将第u个第一像素点对区域B压缩率的最终影响程度,记为,若/>,则将第u个第一像素点任归属到区域A中,/>为第u个第一像素点对区域A压缩率的最终影响程度,若/>,则将第u个第一像素点归属到区域B中,将所有分割区域的所有第一像素点进行判断完成归属,得到人员活动灰度图的第二分割区域。
9.根据权利要求1所述基于通行出入管理及设备运行状态的智能云端管理***,其特征在于,所述根据人员活动灰度图的第二分割区域得到人员活动灰度图的最优分割区域,包括的具体步骤如下:
将人员活动灰度图的第二分割区域分别按照变化程度计算模块、影响程度计算模块、最终影响程度计算模块以及分割区域优化传输模块进行处理,得到人员活动灰度图的第三分割区域,根据人员活动灰度图的第三分割区域得到人员活动灰度图的第四分割区域,以此类推,直至人员活动灰度图中所有分割区域的所有第一像素点的归属不再发生变化时,得到的分割区域为人员活动灰度图的最优分割区域。
10.根据权利要求1所述基于通行出入管理及设备运行状态的智能云端管理***,其特征在于,所述编码的具体获取方法如下:
编码具体为霍夫曼编码。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311264310.XA CN116996673B (zh) | 2023-09-28 | 2023-09-28 | 基于通行出入管理及设备运行状态的智能云端管理*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311264310.XA CN116996673B (zh) | 2023-09-28 | 2023-09-28 | 基于通行出入管理及设备运行状态的智能云端管理*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116996673A CN116996673A (zh) | 2023-11-03 |
CN116996673B true CN116996673B (zh) | 2023-11-24 |
Family
ID=88528718
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311264310.XA Active CN116996673B (zh) | 2023-09-28 | 2023-09-28 | 基于通行出入管理及设备运行状态的智能云端管理*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116996673B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117272933B (zh) * | 2023-11-23 | 2024-02-02 | 山东华善建筑工程有限公司 | 一种混凝土路面报告数据存储方法 |
CN117636482B (zh) * | 2024-01-26 | 2024-04-09 | 东莞市杰瑞智能科技有限公司 | 用于城市道路人员行为的视觉检测*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105261017A (zh) * | 2015-10-14 | 2016-01-20 | 长春工业大学 | 基于路面约束的图像分割法提取行人感兴趣区域的方法 |
CN109509199A (zh) * | 2018-10-10 | 2019-03-22 | 华南理工大学 | 一种基于三维重建的医学影像组织智能分割方法 |
CN110706235A (zh) * | 2019-08-30 | 2020-01-17 | 华南农业大学 | 一种基于双级级联分割的远红外行人检测方法 |
CN114937097A (zh) * | 2022-02-23 | 2022-08-23 | 南通泽派网络科技有限公司 | 基于大数据的图像智能压缩方法 |
-
2023
- 2023-09-28 CN CN202311264310.XA patent/CN116996673B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105261017A (zh) * | 2015-10-14 | 2016-01-20 | 长春工业大学 | 基于路面约束的图像分割法提取行人感兴趣区域的方法 |
CN109509199A (zh) * | 2018-10-10 | 2019-03-22 | 华南理工大学 | 一种基于三维重建的医学影像组织智能分割方法 |
CN110706235A (zh) * | 2019-08-30 | 2020-01-17 | 华南农业大学 | 一种基于双级级联分割的远红外行人检测方法 |
CN114937097A (zh) * | 2022-02-23 | 2022-08-23 | 南通泽派网络科技有限公司 | 基于大数据的图像智能压缩方法 |
Non-Patent Citations (1)
Title |
---|
面向小目标图像的快速核密度估计图像阈值分割算法;王骏;王士同;邓赵红;应文豪;;自动化学报(第10期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116996673A (zh) | 2023-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116996673B (zh) | 基于通行出入管理及设备运行状态的智能云端管理*** | |
CN115297289B (zh) | 一种监控视频高效存储方法 | |
LU504265B1 (en) | Method and System for Managing Monitoring Data of Environmental Security Engineering | |
CN115914649B (zh) | 一种用于医疗视频的数据传输方法及*** | |
CN111259783A (zh) | 视频行为检测方法与***、精彩视频回播***及存储介质 | |
CN113095277B (zh) | 一种基于目标空间分布特征的无人机航拍车辆检测方法 | |
CN111988611A (zh) | 量化偏移信息的确定方法、图像编码方法、装置及电子设备 | |
CN116828209B (zh) | 一种矿下智能视频监控数据传输方法及*** | |
CN115661669A (zh) | 一种基于视频监控的耕地违法占用监测方法及*** | |
CN114357243A (zh) | 一种海量实时视频流多级分析及监控*** | |
CN110084201A (zh) | 一种监控场景下基于特定目标跟踪的卷积神经网络的人体动作识别方法 | |
CN112291562A (zh) | 针对h.266/vvc的快速cu分区和帧内模式决策方法 | |
CN114627150A (zh) | 基于事件相机的数据处理及运动估计方法及装置 | |
CN117292137A (zh) | 一种航拍遥感影像优化分割处理方法 | |
CN111488839B (zh) | 一种目标检测方法和目标检测*** | |
US20100239019A1 (en) | Post processing of motion vectors using sad for low bit rate video compression | |
CN113784147B (zh) | 一种基于卷积神经网络的高效视频编码方法及*** | |
CN116229154A (zh) | 一种基于动态混合模型的类增量图像分类方法 | |
CN118018035B (zh) | 一种装修进度智能监管***的信息传输方法 | |
CN113542745A (zh) | 一种率失真编码优化方法 | |
KR100841311B1 (ko) | 움직임 보상기반 영상 복호화를 위한 영상 압축방법 | |
CN115633157B (zh) | 用于锂电池隔膜加工的远程监测方法及*** | |
CN117648534B (zh) | 基于速度指数移动平均值的轨迹简化方法 | |
CN115456224B (zh) | 基于数字孪生的数据中心智慧运维*** | |
CN117079197B (zh) | 一种智慧工地管理方法及*** |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |