CN117395424B - 一种用于视频无线传输监控***的视频优化方法 - Google Patents
一种用于视频无线传输监控***的视频优化方法 Download PDFInfo
- Publication number
- CN117395424B CN117395424B CN202311688031.6A CN202311688031A CN117395424B CN 117395424 B CN117395424 B CN 117395424B CN 202311688031 A CN202311688031 A CN 202311688031A CN 117395424 B CN117395424 B CN 117395424B
- Authority
- CN
- China
- Prior art keywords
- image
- video
- region
- interest
- neural network
- 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
- 230000005540 biological transmission Effects 0.000 title claims abstract description 121
- 238000012544 monitoring process Methods 0.000 title claims abstract description 62
- 238000005457 optimization Methods 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000013528 artificial neural network Methods 0.000 claims abstract description 129
- 238000012549 training Methods 0.000 claims abstract description 108
- 238000013139 quantization Methods 0.000 claims abstract description 41
- 238000012545 processing Methods 0.000 claims abstract description 30
- 230000010354 integration Effects 0.000 claims abstract description 9
- 238000009826 distribution Methods 0.000 claims description 17
- 230000003068 static effect Effects 0.000 claims description 16
- 238000006243 chemical reaction Methods 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 12
- 230000014759 maintenance of location Effects 0.000 claims description 10
- 239000013598 vector Substances 0.000 claims description 10
- 230000000877 morphologic effect Effects 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 9
- 239000003550 marker Substances 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 6
- 230000006835 compression Effects 0.000 claims description 6
- 238000007906 compression Methods 0.000 claims description 6
- 238000005538 encapsulation Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 4
- 230000009286 beneficial effect Effects 0.000 description 11
- 238000001514 detection method Methods 0.000 description 5
- 230000006978 adaptation Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004806 packaging method and process Methods 0.000 description 2
- 238000013468 resource allocation Methods 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
Classifications
-
- 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
- H04N19/134—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the element, parameter or criterion affecting or controlling the adaptive coding
- H04N19/167—Position within a video image, e.g. region of interest [ROI]
-
- 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
-
- 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
- H04N19/124—Quantisation
-
- 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)
- Multimedia (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Closed-Circuit Television Systems (AREA)
Abstract
本发明提供了一种用于视频无线传输监控***的视频优化方法,包括:获取不同应用场景下的差异图像样本,并基于差异图像样本对预设神经网络进行训练,得到目标神经网络;将视频拆分为N张图像后输入至目标神经网络进行处理,并基于处理结果分别标定出每张图像的感兴趣区域和非感兴趣区域;分别确定对感兴趣区域和非感兴趣区域的量化参数值,并基于量化参数值分别对感兴趣区域和非感兴趣区域进行视频编码,得到图像编码数据;对图像编码数据进行逻辑整合,得到待传输视频数据,并基于无线传输将待传输视频数据进行传输。提高了对视频无线传输的效率,同时,也保障了视频接收终端接收到的视频的高质量,提升了视频无线传输的整体效果。
Description
技术领域
本发明涉及图像通信技术领域,特别涉及一种用于视频无线传输监控***的视频优化方法。
背景技术
目前,随着互联网的不断发展,人们对移动通信业务的需求已经不单单是对数据的传输,更多的是对视频的传输,视频传输逐渐成为通信领域发展的重中之重,但是,由于现有网络的限制以及有线视频传输技术在无线网络中的不完全匹配,大大限制了视频无线传输的高效应用;
目前,在对视频进行无线传输时,大都是直接将需要进行传输的视频进行压缩以及视频编码后进行传输,并不能对需要传输的视频进行针对性的提前处理,从而在传输带宽一定的情况下导致传输速度和传输质量大大降低,同时,制约了视频无线传输的效率,也导致视频的清晰度和流畅性得不到有效保障;
因此,为了克服上述缺陷,本发明提供了一种用于视频无线传输监控***的视频优化方法。
发明内容
本发明提供一种用于视频无线传输监控***的视频优化方法,用以通过采集不同应用场景下的差异图像样本,并通过差异图像样本对预设神经网络进行训练,保障了对不同应用场景下的视频中的感兴趣区域和非感兴趣区域标定的准确率,其次,通过训练得到的目标神经网络对得到的视频进行处理,实现对视频中每张图像中的感兴趣区域和非感兴趣区域进行准确可靠的标定,且确定对感兴趣区域和非感兴趣区域的量化参数值,实现对视频中每张图像进行针对性的视频编码处理,提高了视频编码的效率,也减少了不必要数据的传输,降低了视频传输的工作量,最后,通过无线传输方式将得到的待传输视频数据进行传输,提高了对视频无线传输的效率,同时,也保障了视频接收终端接收到的视频的高质量,提升了视频无线传输的整体效果。
本发明提供了一种用于视频无线传输监控***的视频优化方法,包括:
步骤1:获取不同应用场景下的差异图像样本,并基于差异图像样本对预设神经网络进行训练,得到目标神经网络;
步骤2:将视频拆分为N张图像后输入至目标神经网络进行处理,并基于处理结果分别标定出每张图像的感兴趣区域和非感兴趣区域;
步骤3:分别确定对感兴趣区域和非感兴趣区域的量化参数值,并基于量化参数值分别对感兴趣区域和非感兴趣区域进行视频编码,得到图像编码数据;
步骤4:对图像编码数据进行逻辑整合,得到待传输视频数据,并基于无线传输将待传输视频数据进行传输。
优选的,一种用于视频无线传输监控***的视频优化方法,步骤1中,获取不同应用场景下的差异图像样本,包括:
获取不同应用场景的场景类型,并基于场景类型确定不同应用场景对应的场景特征,且基于场景特征确定不同应用场景对应的图像采集侧重点;
基于图像采集侧重点对不同应用场景中的预设图像采集设备进行适配,并基于适配结果控制预设图像采集设备对相应应用场景进行初始图像采集,得到初始图像。
优选的,一种用于视频无线传输监控***的视频优化方法,得到初始图像,包括:
提取初始图像的图像参数,并基于图像参数确定初始图像的采集质量,且当采集质量不满足图像采集侧重点要求时,基于初始图像的图像参数确定对预设图像采集设备的优化方向以及在优化方向下的优化程度参数;
基于优化方向以及在优化方向下的优化程度参数对预设图像采集设备的图像采集策略进行优化,并基于优化结果控制预设图像采集设备对相应应用场景进行多角度图像采集,得到不同应用场景下的差异图像样本。
优选的,一种用于视频无线传输监控***的视频优化方法,步骤1中,基于差异图像样本对预设神经网络进行训练,得到目标神经网络,包括:
获取得到的差异图像样本,并基于应用场景的业务指标对差异图像样本进行遍历,且基于遍历结果确定出差异图像样本的关键图像区域以及关键图像区域在差异图像样本中分布规律特征;
对应用场景对应的差异图像样本进行编号,并基于编号结果确定基于差异图像样本对预设神经网络的训练顺序;
基于训练顺序依次将不同应用场景的业务指标、差异样本图像的关键图像区域以及关键图像区域在差异图像样本中分布规律特征输入至预设神经网络进行第一次迭代训练,并基于第一次迭代训练结果在预设神经网络中部署对应应用场景的目标分析节点,且基于第一次迭代训练结果确定目标分析节点在预设神经网络中的第一网络参数;
将第一次迭代训练得到的第一网络参数作为第二次迭代训练的先验条件,并基于先验条件对预设神经网络进行第二次迭代训练,得到目标分析节点在预设神经网络中的第二网络参数,且基于第一网络参数和第二网络参数确定目标分析节点在预设神经网络的训练损失值;
当训练损失值大于预设阈值时,将第二网络参数作为下次训练的初始参数,并基于初始参数对预设神经网络进行预设次数的迭代训练,且确定每一次迭代训练后目标分析节点在预设神经网络的训练损失值,直至训练损失值小于预设阈值时,判定满足对预设神经网络的训练条件;
基于判定结果将不同应用场景对应的目标分析节点在预设神经网络中进行封装,并基于封装结果得到目标神经网络。
优选的,一种用于视频无线传输监控***的视频优化方法,基于封装结果得到目标神经网络,包括:
获取得到的目标神经网络,并实时监测不同应用场景下产生的更新差异图像样本,且对更新差异图像样本进行解析,确定更新差异图像样本中的更新图像参数;
基于更新图像参数生成网络更新文件,并基于更新文件对目标神经网络中相应的目标分析节点进行参数更新训练,得到和更新后的目标神经网络;
基于更新差异图像样本对更新后的目标神经网络进行测试,并将测试得到的测试结果与更新差异图像样本的基准结果进行比较,且当二者一致时,完成对目标神经网络的实时更新,否则,基于更新文件对目标神经网络中相应的目标分析节点重新进行参数更新训练。
优选的,一种用于视频无线传输监控***的视频优化方法,步骤2中,将视频拆分为N张图像后输入至目标神经网络进行处理,并基于处理结果分别标定出每张图像的感兴趣区域和非感兴趣区域,包括:
获取基于监控得到的视频,并对视频进行离散化处理,得到视频对应的静态图像序列,同时,提取静态图像序列中各静态图像的边缘特征,并基于边缘特征对静态图像序列进行拆分,得到N张图像;
将N张图像分别输入至目标神经网络,并基于目标神经网络对各张图像进行遍历,且基于遍历结果提取每张图像中对象的形态特征;
基于形态特征得到每张图像中对象的多维度特征向量,并将多维度特征向量与相应应用场景下的敏感区域标定规则进行匹配,且基于匹配结果对每张图像中的图像区域进行粗筛选,得到初始感兴趣区域。
优选的,一种用于视频无线传输监控***的视频优化方法,得到初始感兴趣区域,包括:
提取初始感兴趣区域中像素点的像素特征,并基于像素特征确定初始感兴趣区域中的区域颜色特征,且基于区域颜色特征与敏感区域标定规则的匹配度对初始感兴趣区域进行细筛选,得到每张图像的感兴趣区域;
提取每张图像的感兴趣区域的区域边缘特征,并基于边缘特征确定每张图像中感兴趣区域和非感兴趣区域的边界线,且基于边界线对感兴趣区域和非感兴趣区域进行划分,同时,基于划分结果根据预设标定框分别对感兴趣区域和非感兴趣区域进行标定。
优选的,一种用于视频无线传输监控***的视频优化方法,步骤3中,分别确定对感兴趣区域和非感兴趣区域的量化参数值,并基于量化参数值分别对感兴趣区域和非感兴趣区域进行视频编码,得到图像编码数据,包括:
获取得到的感兴趣区域和非感兴趣区域,并基于预设视频传输要求分别确定对感兴趣区域和非感兴趣区域的视频码率要求;
基于视频码率要求分别确定对感兴趣区域和非感兴趣区域的量化参数值,并基于量化参数值对感兴趣区域和非感兴趣区域进行分析,确定感兴趣区域和非感兴趣区域中的细节保留点,其中,感兴趣区域的量化参数值小于非感兴趣区域的量化参数值,且细节保留点数量与量化参数值呈反比关系;
基于细节保留点对感兴趣区域和非感兴趣区域进行图像压缩,得到第一待编码图像块和第二待编码图像块,并基于预设无线传输协议确定对第一待编码图像块和第二待编码图像块的像素编码转换规则,且基于像素编码转换规则分别对第一待编码图像块和第二待编码图像块进行视频编码,得到图像编码数据。
优选的,一种用于视频无线传输监控***的视频优化方法,得到图像编码数据,包括:
获取分别对第一待编码图像块和第二待编码图像块进行视频编码后得到的编码数据,并提取编码数据的数据特征;
基于数据特征确定第一待编码图像块和第二待编码图像块对应的编码数据之间的逻辑衔接关系,并基于逻辑衔接关系将编码数据进行数据拼接,且基于拼接结果得到每张图像对应的图像编码数据;
提取每张图像在视频中的帧位置信息,并基于帧位置信息生成位置标签,且基于位置标签对图像编码数据进行位置标记。
优选的,一种用于视频无线传输监控***的视频优化方法,步骤4中,对图像编码数据进行逻辑整合,得到待传输视频数据,并基于无线传输将待传输视频数据进行传输,包括:
获取得到的图像编码数据,并提取图像编码数据中的位置标记符,且基于位置标记符对图像编码数据进行重排,得到图像编码数据流;
基于图像编码数据流得到待传输视频数据,同时,基于无线传输协议对待传输视频数据进行格式转换,并将格式转换后的待传输视频数据缓存至传输队列;
基于缓存结果为传输队列分配传输带宽以及数据接收终端的通讯地址,并基于分配结果根据传输队列将待传输视频数据进行传输。
与现有技术相比,本发明的有益效果如下:
1.通过采集不同应用场景下的差异图像样本,并通过差异图像样本对预设神经网络进行训练,保障了对不同应用场景下的视频中的感兴趣区域和非感兴趣区域标定的准确率,其次,通过训练得到的目标神经网络对得到的视频进行处理,实现对视频中每张图像中的感兴趣区域和非感兴趣区域进行准确可靠的标定,且确定对感兴趣区域和非感兴趣区域的量化参数值,实现对视频中每张图像进行针对性的视频编码处理,提高了视频编码的效率,也减少了不必要数据的传输,降低了视频传输的工作量,最后,通过无线传输方式将得到的待传输视频数据进行传输,提高了对视频无线传输的效率,同时,也保障了视频接收终端接收到的视频的高质量,提升了视频无线传输的整体效果。
2.通过对得到的差异图像样本进行分析,实现对差异图像样本中的关键图像区域进行锁定以及对关键图像区域在差异图像样本中的分布规律进行确定,其次,通过每个应用场景的业务指标、差异样本图像的关键图像区域以及关键图像区域在差异图像样本中分布规律特征对预设神经网络进行训练,并在每一次训练后确定预设神经网络的训练损失值,从而便于根据训练损失值确定对预设神经网络的训练情况,最后,当训练损失值小于预设阈值后,完成对预设神经网络的训练,保障了对预设神经网络的训练有效性以及训练可靠性,也保障了通过训练得到的目标神经网络对图像标定的准确性,从而便于对监控视频进行相应的处理,提高了处理的准确性,也提高了对监控视频无线传输的效率和可靠性。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明实施例中一种用于视频无线传输监控***的视频优化方法的流程图;
图2为本发明实施例中一种用于视频无线传输监控***的视频优化方法中步骤1的流程图;
图3为本发明实施例中一种用于视频无线传输监控***的视频优化方法中步骤4的流程图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
实施例1
本实施例提供了一种用于视频无线传输监控***的视频优化方法,如图1所示,包括:
步骤1:获取不同应用场景下的差异图像样本,并基于差异图像样本对预设神经网络进行训练,得到目标神经网络;
步骤2:将视频拆分为N张图像后输入至目标神经网络进行处理,并基于处理结果分别标定出每张图像的感兴趣区域和非感兴趣区域;
步骤3:分别确定对感兴趣区域和非感兴趣区域的量化参数值,并基于量化参数值分别对感兴趣区域和非感兴趣区域进行视频编码,得到图像编码数据;
步骤4:对图像编码数据进行逻辑整合,得到待传输视频数据,并基于无线传输将待传输视频数据进行传输。
该实施例中,应用场景是提前已知的,例如可以是人脸识别场景以及车牌检测场景等。
该实施例中,差异图像样本指的是不同应用场景下对应的多个不同的图像,目的是为了对预设神经网络进行有效的训练。
该实施例中,预设神经网络是提前已知的,是用于构建目标神经网络的基础,其中,目标神经网络为通过差异图像样本对预设神经网络进行训练后得到的,用于对待分析图像中的感兴趣区域和非感兴趣区域进行标定。
该实施例中,将视频拆分为N张图像指的是根据视频帧将视频拆分为相应的帧图像,其中,每一帧对应一张图像。
该实施例中,感兴趣区域指的是监控***中监控到的画面中需要进行着重监控的图像区域,非感兴趣区域即为监控***中监控到的画面中不需要进行着重监控的图像区域,例如可以是人脸识别时,用户人脸所在的图像区域即为感兴趣区域,背景图像则为非感兴趣区域。
该实施例中,量化参数值指的是对感兴趣区域和非感兴趣区域的压缩程度,即保留感兴趣区域和非感兴趣区域中图像细节的参数,量化参数值越小,表明需要保留的细节越详细,即图像质量越高,反之,图像质量越差。
该实施例中,图像编码数据指的是对每张图像中感兴趣区域和非感兴趣区域进行视频编码后得到的数据,即将图像以编码形式进行展示的数据信息,其中,视频编码即为采用相应的编码规则将视频进行格式转换。
该实施例中,逻辑整合指的是根据不同图像在原视频中的位置,将得到的图像编码数据进行关联,从而便于传输,也便于监控终端对得到的图像编码数据进行还原。
该实施例中,待传输视频数据指的是将图像编码数据进行逻辑整合后能够直接进行传输的视频数据。
上述技术方案的有益效果是:通过采集不同应用场景下的差异图像样本,并通过差异图像样本对预设神经网络进行训练,保障了对不同应用场景下的视频中的感兴趣区域和非感兴趣区域标定的准确率,其次,通过训练得到的目标神经网络对得到的视频进行处理,实现对视频中每张图像中的感兴趣区域和非感兴趣区域进行准确可靠的标定,且确定对感兴趣区域和非感兴趣区域的量化参数值,实现对视频中每张图像进行针对性的视频编码处理,提高了视频编码的效率,也减少了不必要数据的传输,降低了视频传输的工作量,最后,通过无线传输方式将得到的待传输视频数据进行传输,提高了对视频无线传输的效率,同时,也保障了视频接收终端接收到的视频的高质量,提升了视频无线传输的整体效果。
实施例2
在实施例1的基础上,本实施例提供了一种用于视频无线传输监控***的视频优化方法,如图2所示,步骤1中,获取不同应用场景下的差异图像样本,包括:
步骤101:获取不同应用场景的场景类型,并基于场景类型确定不同应用场景对应的场景特征,且基于场景特征确定不同应用场景对应的图像采集侧重点;
步骤102:基于图像采集侧重点对不同应用场景中的预设图像采集设备进行适配,并基于适配结果控制预设图像采集设备对相应应用场景进行初始图像采集,得到初始图像;
步骤103:提取初始图像的图像参数,并基于图像参数确定初始图像的采集质量,且当采集质量不满足图像采集侧重点要求时,基于初始图像的图像参数确定对预设图像采集设备的优化方向以及在优化方向下的优化程度参数;
步骤104:基于优化方向以及在优化方向下的优化程度参数对预设图像采集设备的图像采集策略进行优化,并基于优化结果控制预设图像采集设备对相应应用场景进行多角度图像采集,得到不同应用场景下的差异图像样本。
该实施例中,场景特征指的是根据场景类型确定的,表征的是不同场景类型在工作时对应的场景特点,不同的场景类型对应的场景特征不同,场景特征不同则对应的图像采集侧重点不同,其中,图像采集侧重点表征的是当前应用场景下需要着重采集的图像角度以及图像类型。
该实施例中,预设图像采集设备是提前设定好的,用于对不同应用场景进行相应的图像采集,例如可以是摄像头等。
该实施例中,对不同应用场景中的预设图像采集设备进行适配指的是对预设图像采集设备的图像采集角度以及图像清晰度等进行调整,确保采集到的图像满足图像侧重点的要求。
该实施例中,初始图像采集指的是当适配后通过预设图像采集设备对当前应用场景进行图像采集,目的是验证适配后的预设图像采集设备的工作参数是否满足预期要求,其中,初始图像即为初始图像采集后得到的图像。
该实施例中,图像参数指的是初始图像的构成比例、图像清晰度以及图像拍摄角度等。
该实施例中,优化方向指的是根据图像采集质量确定的需要对预设图像采集设备进行优化的类型,其中,优化程度参数即为在当前优化方向上需要优化的具体数字,例如可以是角度调整,优化方向即为需要调整的方向,例如可以是向左调整15度等。
上述技术方案的有益效果是:通过确定不同应用场景的场景特征,实现根据场景特征对不同应用场景的图像采集侧重点进行准确有效的确定,其次,通过图像采集侧重点对预设图像采集设备进行适配,并根据适配结果对相应应用场景进行图像采集,并对采集到的图像进行分析,实现对适配后的预设图像采集设备的适配参数进行准确可靠的校验,且在适配不合适时,根据采集的图像的图像参数确定优化方向以及具体的优化程度参数,实现对预设图像采集设备进行有效优化,最后,通过优化的预设图像采集设备对应用场景进行多角度采集,实现对应用场景下的差异图像样本进行准确有效的获取,为进行预设神经网络的训练提供数据支撑,也提高了对监控视频处理的准确性和可靠性。
实施例3
在实施例2的基础上,本实施例提供了一种用于视频无线传输监控***的视频优化方法,得到不同应用场景下的差异图像样本,包括:
获取得到的不同应用场景下的差异图像样本,并对得到的差异图像样本进行平均拆分,得到N个图像块;
依次将每个图像块输入预设噪声检测模型进行分析,得到每个图像块对应的噪声图像,并对每个图像块中的噪声图像进行去噪,同时,基于去噪结果提取每个图像块的图像边缘特征,并基于图像边缘特征对去噪后的图像块进行整合,得到标准差异图像样本;
提取差异图像样本对应的应用场景的身份标签,并基于身份标签对标准差异图像样本进行图像来源标记,得到待存储差异图像样本;
基于标记结果将待存储差异图像样本进行分割存储,其中,同一应用场景对应的待存储差异图像样本存储至同一区域。
该实施例中,预设噪声检测模型是提前设定好的,用于检测不同图像中存在的图像噪声,其中,噪声图像即为通过预设噪声检测模型对图像块进行分析后得到的噪声检测结果。
该实施例中,图像边缘特征指的是不同图像块的边缘对应的特点,例如可以是图像块边缘对应的像素以及记录对象特征等,从而便于对不同去噪处理后的图像块进行拼接整合,其中,标准差异图像样本即为将去噪处理后的图像块进行整合后得到的最终图像。
该实施例中,身份标签指的是能够表征不同应用场景身份的标记符号,不同应用场景对应的身份标签不同。
该实施例中,图像来源标记指的是根据身份标签对标准差异图像样本进行标记,目的是为了方便确定不同标准差异图像样本对应的应用场景,其中,待存储差异图像样本即为通过身份标签对标准差异图像样本进行标记后得到的能够进行存储的图像。
该实施例中,分割存储指的是将不同应用场景对应的待存储差异图像样本进行区分存储,不同应用场景对应一个存储区域。
上述技术方案的有益效果是:通过对不同应用场景下的差异图像样本进行拆分和去噪,实现对不同应用场景下的差异图像样本进行准确有效的处理,保障了差异图像样本的准确可靠,最后,将得到的标准差异图像样本进行存储,为进行预设神经网络训练提供了准确的数据支撑,提高了对预设神经网络训练的准确性。
实施例4
在实施例1的基础上,本实施例提供了一种用于视频无线传输监控***的视频优化方法,步骤1中,基于差异图像样本对预设神经网络进行训练,得到目标神经网络,包括:
获取得到的差异图像样本,并基于应用场景的业务指标对差异图像样本进行遍历,且基于遍历结果确定出差异图像样本的关键图像区域以及关键图像区域在差异图像样本中分布规律特征;
对应用场景对应的差异图像样本进行编号,并基于编号结果确定基于差异图像样本对预设神经网络的训练顺序;
基于训练顺序依次将不同应用场景的业务指标、差异样本图像的关键图像区域以及关键图像区域在差异图像样本中分布规律特征输入至预设神经网络进行第一次迭代训练,并基于第一次迭代训练结果在预设神经网络中部署对应应用场景的目标分析节点,且基于第一次迭代训练结果确定目标分析节点在预设神经网络中的第一网络参数;
将第一次迭代训练得到的第一网络参数作为第二次迭代训练的先验条件,并基于先验条件对预设神经网络进行第二次迭代训练,得到目标分析节点在预设神经网络中的第二网络参数,且基于第一网络参数和第二网络参数确定目标分析节点在预设神经网络的训练损失值;
当训练损失值大于预设阈值时,将第二网络参数作为下次训练的初始参数,并基于初始参数对预设神经网络进行预设次数的迭代训练,且确定每一次迭代训练后目标分析节点在预设神经网络的训练损失值,直至训练损失值小于预设阈值时,判定满足对预设神经网络的训练条件;
基于判定结果将不同应用场景对应的目标分析节点在预设神经网络中进行封装,并基于封装结果得到目标神经网络。
该实施例中,业务指标指的是不同应用场景对应的业务类型以及业务类型在运行时对应的业务特点以及运行条件等。
该实施例中,关键图像区域指的是差异图像样本中与业务指标相匹配的图像区域,是差异图像样本中的一部分。
该实施例中,分布规律特征指的是不用应用场景的差异图像样本中关键图像区域的位置分布情况。
该实施例中,基于编号结果确定基于差异图像样本对预设神经网络的训练顺序指的是根据编号从小到大的顺序对预设神经网络进行训练。
该实施例中,第一次迭代训练指的是将得到的不同应用场景的业务指标、差异样本图像的关键图像区域以及关键图像区域在差异图像样本中分布规律特征输入至预设神经网络进行的初始训练,即为通过训练数据进行的第一训练。
该实施例中,目标分析结果指的是将不同应用场景对应的分析规则在预设神经网络中进行部署,即部署后对应的目标分析节点,不同应用场景对应的目标分析节点不同,且为一一对应关系。
该实施例中,第一网络参数指的是不同目标分析节点在预设神经网络中所对应的位置以及在运行时各目标分析节点之间的资源调用或资源分配情况等。
该实施例中,先验条件指的是将第一网络参数作为第二次迭代训练的基础,即根据第一网络参数继续对第一迭代训练后的预设神经网络进行训练。
该实施例中,第二网络参数指的是对预设神经网络中的目标分析结果进行迭代训练后,对各目标分析节点之间的资源调用或资源分配情况进行优化后得到的参数,用于表征目标分析节点当前在预设神经网络中的运行情况。
该实施例中,训练损失值指的是根据第一网络参数和第二网络参数确定目标分析节点在预设神经网络中进行工作时,与预期要求之间的差距。
该实施例中,预设阈值是提前设定好的,是用于衡量当前得到的预设神经网络是否满足要求的最低标准,是可以根据实际情况进行调整的。
该实施例中,初始参数指的是当训练损失值大于预设阈值时,将第二网络参数作为下次迭代训练的基础,即在第二网络参数的基础上,对预设神经网络继续进行训练。
该实施例中,基于初始参数对预设神经网络进行预设次数的迭代训练指的是将每一次迭代训练后的网络参数作为下次训练的初始参数,其中,预设次数时提前设定好的,是可以根据实际情况进行修改的。
上述技术方案的有益效果是:通过对得到的差异图像样本进行分析,实现对差异图像样本中的关键图像区域进行锁定以及对关键图像区域在差异图像样本中的分布规律进行确定,其次,通过每个应用场景的业务指标、差异样本图像的关键图像区域以及关键图像区域在差异图像样本中分布规律特征对预设神经网络进行训练,并在每一次训练后确定预设神经网络的训练损失值,从而便于根据训练损失值确定对预设神经网络的训练情况,最后,当训练损失值小于预设阈值后,完成对预设神经网络的训练,保障了对预设神经网络的训练有效性以及训练可靠性,也保障了通过训练得到的目标神经网络对图像标定的准确性,从而便于对监控视频进行相应的处理,提高了处理的准确性,也提高了对监控视频无线传输的效率和可靠性。
实施例5
在实施例4的基础上,本实施例提供了一种用于视频无线传输监控***的视频优化方法,基于封装结果得到目标神经网络,包括:
获取得到的目标神经网络,并实时监测不同应用场景下产生的更新差异图像样本,且对更新差异图像样本进行解析,确定更新差异图像样本中的更新图像参数;
基于更新图像参数生成网络更新文件,并基于更新文件对目标神经网络中相应的目标分析节点进行参数更新训练,得到和更新后的目标神经网络;
基于更新差异图像样本对更新后的目标神经网络进行测试,并将测试得到的测试结果与更新差异图像样本的基准结果进行比较,且当二者一致时,完成对目标神经网络的实时更新,否则,基于更新文件对目标神经网络中相应的目标分析节点重新进行参数更新训练。
该实施例中,更新差异图像样本指的是不同应用场景在运行过程中需要更新的图像,即产生的新类型的差异图像样本。
该实施例中,更新图像参数指的是更新差异图像样本中与之前差异图像样本中存在不同的图像参数,包括图像主体的改变情况以及图像采集侧重点的改变情况等。
该实施例中,网络更新文件指的是将更新图像参数转换为相应的文件形式,目的是便于目标神经网络对得到的更新图像参数进行有效读取,也便于根据更新文件对目标神经网络进行有效的更新。
该实施例中,基准结果指的是更新差异图像样本对应的标准结果,包括更新差异图像样本中的关键图像区域所在位置等。
上述技术方案的有益效果是:通过实时获取不同应用场景下产生的更新差异图像样本,并对更新差异图像样本进行解析,实现对更新图像参数进行准确有效的确定,其次,通过确定的更新图像参数生成相应的网络更新文件,并通过网络更新文件对目标神经网络进行参数更新训练,最后,对更新后的目标神经网络进行校验,确保最后得到的更新后的目标神经网络的准确可靠性,也提高了对监控视频分析的准确可靠性。
实施例6
在实施例1的基础上,本实施例提供了一种用于视频无线传输监控***的视频优化方法,步骤2中,将视频拆分为N张图像后输入至目标神经网络进行处理,并基于处理结果分别标定出每张图像的感兴趣区域和非感兴趣区域,包括:
获取基于监控得到的视频,并对视频进行离散化处理,得到视频对应的静态图像序列,同时,提取静态图像序列中各静态图像的边缘特征,并基于边缘特征对静态图像序列进行拆分,得到N张图像;
将N张图像分别输入至目标神经网络,并基于目标神经网络对各张图像进行遍历,且基于遍历结果提取每张图像中对象的形态特征;
基于形态特征得到每张图像中对象的多维度特征向量,并将多维度特征向量与相应应用场景下的敏感区域标定规则进行匹配,且基于匹配结果对每张图像中的图像区域进行粗筛选,得到初始感兴趣区域;
提取初始感兴趣区域中像素点的像素特征,并基于像素特征确定初始感兴趣区域中的区域颜色特征,且基于区域颜色特征与敏感区域标定规则的匹配度对初始感兴趣区域进行细筛选,得到每张图像的感兴趣区域;
提取每张图像的感兴趣区域的区域边缘特征,并基于边缘特征确定每张图像中感兴趣区域和非感兴趣区域的边界线,且基于边界线对感兴趣区域和非感兴趣区域进行划分,同时,基于划分结果根据预设标定框分别对感兴趣区域和非感兴趣区域进行标定。
该实施例中,离散化处理指的是将得到的视频处理成连续的帧图像,从而便于进行图像拆分,其中,静态图像序列即为将视频进行离散化处理后得到的连续的多个帧图像。
该实施例中,边缘特征指的是静态图像中图像边缘的色彩阈值、色彩类型以及记录的主体对象的具体内容等,目的是为了根据边缘特征将静态图像序列进行拆分。
该实施例中,形态特征指的是不同图像呈现出的形态情况,包括主体对象在图像中出现的状态,例如可以是主体对象在图像中呈现的具体动作,与预设图像采集设备之间的相对角度以及相对距离等。
该实施例中,多维度特征向量指的是从不同角度通过向量对每张图像中对象的形态特征进行表示,从而便于根据多维度特征向量对图像中的感兴趣区域和非感兴趣区域进行区分。
该实施例中,敏感区域标定规则是根据不同应用场景下的运行要求确定的,用于限定感兴趣区域圈定的具体要求,不同的应用场景对应的敏感区域标定规则不同。
该实施例中,初始感兴趣区域指的是根据多维度特征向量与相应应用场景下的敏感区域标定规则的匹配结果对相应图像中的图像区域进行筛选,从而确定出敏感图像区域所对应的大致图像范围。
该实施例中,像素特征指的是初始感兴趣区域中像素点对应的颜色阈值以及像素点所表征的具体像素内容等。
该实施例中,区域颜色特征指的是初始感兴趣区域中包含的颜色类型以及不同颜色在初始感兴趣区域中的分布情况和相对占比等。
该实施例中,对初始感兴趣区域进行细筛选指的是根据区域颜色特征与敏感区域标定规则的匹配结果对得到的初始感兴趣区域进行二次筛选,目的是对初始感兴趣区域中不满足敏感区域标定规则的图像区域进行剔除,确保最终得到的感兴趣区域的准确可靠性。
该实施例中,区域边缘特征指的是感兴趣区域边缘上的像素值的变化幅度、边缘像素在感兴趣区域中的具***置以及感兴趣区域边缘上的纹理信息等。
该实施例中,预设标定框是提前设定好的,用于将感兴趣区域和非感兴趣区域进行框选标定,从而便于将感兴趣区域和非感兴趣区域进行区分。
上述技术方案的有益效果是:通过对监控得到的视频进行离散化处理,实现将视频拆分为多张静态图像,从而便于目标神经网络对多张静态图像进行分析和处理,其次,通过目标神经网络对多张静态图像进行分析,实现对不同静态图像中的感兴趣区域和非感兴趣区域进行确定,并根据确定结果进行相应的划分和标定,实现对每张图像中的感兴趣区域和非感兴趣区域进行准确有效的确定,也便于对每张图像中不同的图像区域进行相应的视频编码,减少了不必要数据的传输,降低了视频传输的工作量,同时,提高了对视频无线传输的效率。
实施例7
在实施例1的基础上,本实施例提供了一种用于视频无线传输监控***的视频优化方法,步骤3中,分别确定对感兴趣区域和非感兴趣区域的量化参数值,并基于量化参数值分别对感兴趣区域和非感兴趣区域进行视频编码,得到图像编码数据,包括:
获取得到的感兴趣区域和非感兴趣区域,并基于预设视频传输要求分别确定对感兴趣区域和非感兴趣区域的视频码率要求;
基于视频码率要求分别确定对感兴趣区域和非感兴趣区域的量化参数值,并基于量化参数值对感兴趣区域和非感兴趣区域进行分析,确定感兴趣区域和非感兴趣区域中的细节保留点,其中,感兴趣区域的量化参数值小于非感兴趣区域的量化参数值,且细节保留点数量与量化参数值呈反比关系;
基于细节保留点对感兴趣区域和非感兴趣区域进行图像压缩,得到第一待编码图像块和第二待编码图像块,并基于预设无线传输协议确定对第一待编码图像块和第二待编码图像块的像素编码转换规则,且基于像素编码转换规则分别对第一待编码图像块和第二待编码图像块进行视频编码,得到图像编码数据。
该实施例中,预设视频传输要求是提前已知的,用于表征对不同图像区域传输的视频码率的要求。
该实施例中,视频码率要求是用于表征对感兴趣区域和非感兴趣区域图像质量的要求,视频码率越高表明图像质量越高。
该实施例中,细节保留点指的是需要对感兴趣区域和非感兴趣区域中保留的关联图像内容,且不唯一。
该实施例中,第一待编码图像块指的是根据量化参数值对感兴趣区域进行图像压缩后能够进行视频编码的图像。
该实施例中,第二待编码图像块指的是根据量化参数值对非感兴趣区域进行图像压缩后能够进行视频编码的图像。
该实施例中,预设无线传输协议是提前设定好的,用于限定对第一待编码图像块和第二待编码图像块的视频编码方式以及编码规则等。
上述技术方案的有益效果是:通过对得到的感兴趣区域和非感兴趣区域进行分析,实现对不同区域的量化参数值进行准确有效的确定,其次,通过确定的量化参数值分别对感兴趣区域和非感兴趣区域进行压缩和视频编码,最终实现对感兴趣区域和非感兴趣区域的视频编码操作,减少了不必要数据对传输资源的占用,提高了对监控视频的无线传输效率。
实施例8
在实施例7的基础上,本实施例提供了一种用于视频无线传输监控***的视频优化方法,得到图像编码数据,包括:
获取分别对第一待编码图像块和第二待编码图像块进行视频编码后得到的编码数据,并提取编码数据的数据特征;
基于数据特征确定第一待编码图像块和第二待编码图像块对应的编码数据之间的逻辑衔接关系,并基于逻辑衔接关系将编码数据进行数据拼接,且基于拼接结果得到每张图像对应的图像编码数据;
提取每张图像在视频中的帧位置信息,并基于帧位置信息生成位置标签,且基于位置标签对图像编码数据进行位置标记。
该实施例中,数据特征指的是编码数据的数据类型以及对应的取值范围等。
该实施例中,逻辑衔接关系是用于表征不同编码数据之间的关联关系,目的是为了根据逻辑衔接关系将不同的编码数据进行拼接,从而实现对每张图像的图像编码数据进行有效整合。
该实施例中,帧位置信息指的是每张图像在监控视频中所处的具***置。
该实施例中,位置标签是用于表征不同图像在原始监控视频中所在位置的标记符号,每一张图像对应一个位置标签。
上述技术方案的有益效果是:通过对得到的编码数据进行分析,实现对编码数据的数据特征进行准确有效的获取,其次,通过编码数据的数据特征实现对不同编码数据之间的逻辑衔接关系进行准确有效的确定,实现通过逻辑衔接关系将不同编码数据进行有效拼接,实现对不同图像对应的编码数据进行有效整合,最后,通过确定每张图像在原监控视频中的位置,实现根据位置生成相应的位置标签,实现通过位置标签对相应图像编码数据进行位置标记,目的是为了便于视频接收终端根据位置标签对接收到的图像编码数据进行恢复,提高了对监控视频传输的整体效果。
实施例9
在实施例1的基础上,本实施例提供了一种用于视频无线传输监控***的视频优化方法,如图3所示,步骤4中,对图像编码数据进行逻辑整合,得到待传输视频数据,并基于无线传输将待传输视频数据进行传输,包括:
步骤401:获取得到的图像编码数据,并提取图像编码数据中的位置标记符,且基于位置标记符对图像编码数据进行重排,得到图像编码数据流;
步骤402:基于图像编码数据流得到待传输视频数据,同时,基于无线传输协议对待传输视频数据进行格式转换,并将格式转换后的待传输视频数据缓存至传输队列;
步骤403:基于缓存结果为传输队列分配传输带宽以及数据接收终端的通讯地址,并基于分配结果根据传输队列将待传输视频数据进行传输。
该实施例中,位置标记符是用于表征不同图像编码数据位置的标记符号。
该实施例中,图像编码数据流指的是根据位置标记符将得到的图像编码数据进行重排后得到的连续图像编码数据,即与视频同等内容的不同格式。
该实施例中,待传输视频指的是将不同图像的图像编码数据进行重排关联后能够直接进行传输的数据。
上述技术方案的有益效果是:通过根据位置标记符将得到的图像编码数据进行重排,实现对待传输视频数据进行准确有效的准备,其次,通过将待传输视频数据进行格式转换,并将格式转换后的待传输视频数据缓存至传输队列,最后,在缓存结束后为相应传输队列分配相应的传输带宽和通讯地址,实现将待传输视频数据准确有效的传输至视频接收终端,提高了对视频无线传输的效率,同时,也保障了视频接收终端接收到的视频的高质量。
实施例10:
在实施例9的基础上,本实施例提供了一种用于视频无线传输监控***的视频优化方法,基于分配结果根据传输队列将待传输视频数据进行传输,包括:
基于数据接收终端配置数据传输监控线程,并基于数据传输监控线程对待传输视频数据的传输过程进行实时监控,且将监控到传输完毕后,对接收到的待传输视频数据进行反量化处理;
基于反量化处理将传输视频数据转换为视频信号,并对视频信号进行解析,分别确定数据接收终端接收到的视频信号中感兴趣区域和非感兴趣区域的图像清晰度,且基于图像清晰度确定数据接收终端接收到的视频信号相对原视频信号的质量损失值;
当质量损失值大于预设质量损失阈值时,判定对视频的无线传输不合格,并重新对视频进行视频编码和无线传输,直至质量损失值小于或等于预设阈值。
该实施例中,数据传输监控线程是数据接收终端适配好的,用于监测无线传输对待传输视频数据的传输情况。
该实施例中,反量化处理指的是将接收到的待传输视频数据进行还原,即进行解压缩,还原传输之前保留的图像细节。
该实施例中,质量损失值表征的是数据接收终端接收到的视频信号相对原视频信号的图像参数损失程度,包括图像清晰度以及色彩饱和度等。
该实施例中,预设质量损失阈值是提前设定好的,用于表征能够接受的质量损失最大值,是可以进行调整的。
上述技术方案的有益效果是:通过适配数据传输监控线程,实现通过数据传输监控线程对待传输视频数据的传输过程进行实时监控,从而便于在传输完毕后对接收到的待传输视频数据进行反量化处理,从而实现将视频数据还原为相应的视频信号,便于数据接收终端对监控视频进行相应的查看操作,最后,通过将得到的视频信号与原视频信号进行比较,实现对得到的视频信号的质量值进行有效检验,确保了数据接收终端接收到的视频的准确可靠性,在提高对视频无线传输的效率同时也保障视频接收终端接收到的视频的高质量。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (9)
1.一种用于视频无线传输监控***的视频优化方法,其特征在于,包括:
步骤1:获取不同应用场景下的差异图像样本,并基于差异图像样本对预设神经网络进行训练,得到目标神经网络;
步骤2:将视频拆分为N张图像后输入至目标神经网络进行处理,并基于处理结果分别标定出每张图像的感兴趣区域和非感兴趣区域;
步骤3:分别确定对感兴趣区域和非感兴趣区域的量化参数值,并基于量化参数值分别对感兴趣区域和非感兴趣区域进行视频编码,得到图像编码数据;
步骤4:对图像编码数据进行逻辑整合,得到待传输视频数据,并基于无线传输将待传输视频数据进行传输;
其中,步骤1中,基于差异图像样本对预设神经网络进行训练,得到目标神经网络,包括:
获取得到的差异图像样本,并基于应用场景的业务指标对差异图像样本进行遍历,且基于遍历结果确定出差异图像样本的关键图像区域以及关键图像区域在差异图像样本中分布规律特征;
对应用场景对应的差异图像样本进行编号,并基于编号结果确定基于差异图像样本对预设神经网络的训练顺序;
基于训练顺序依次将不同应用场景的业务指标、差异图像样本的关键图像区域以及关键图像区域在差异图像样本中分布规律特征输入至预设神经网络进行第一次迭代训练,并基于第一次迭代训练结果在预设神经网络中部署对应应用场景的目标分析节点,且基于第一次迭代训练结果确定目标分析节点在预设神经网络中的第一网络参数;
将第一次迭代训练得到的第一网络参数作为第二次迭代训练的先验条件,并基于先验条件对预设神经网络进行第二次迭代训练,得到目标分析节点在预设神经网络中的第二网络参数,且基于第一网络参数和第二网络参数确定目标分析节点在预设神经网络的训练损失值;
当训练损失值大于预设阈值时,将第二网络参数作为下次训练的初始参数,并基于初始参数对预设神经网络进行预设次数的迭代训练,且确定每一次迭代训练后目标分析节点在预设神经网络的训练损失值,直至训练损失值小于预设阈值时,判定满足对预设神经网络的训练条件;
基于判定结果将不同应用场景对应的目标分析节点在预设神经网络中进行封装,并基于封装结果得到目标神经网络。
2.根据权利要求1所述的一种用于视频无线传输监控***的视频优化方法,其特征在于,步骤1中,获取不同应用场景下的差异图像样本,包括:
获取不同应用场景的场景类型,并基于场景类型确定不同应用场景对应的场景特征,且基于场景特征确定不同应用场景对应的图像采集侧重点;
基于图像采集侧重点对不同应用场景中的预设图像采集设备进行适配,并基于适配结果控制预设图像采集设备对相应应用场景进行初始图像采集,得到初始图像。
3.根据权利要求2所述的一种用于视频无线传输监控***的视频优化方法,其特征在于,得到初始图像,包括:
提取初始图像的图像参数,并基于图像参数确定初始图像的采集质量,且当采集质量不满足图像采集侧重点要求时,基于初始图像的图像参数确定对预设图像采集设备的优化方向以及在优化方向下的优化程度参数;
基于优化方向以及在优化方向下的优化程度参数对预设图像采集设备的图像采集策略进行优化,并基于优化结果控制预设图像采集设备对相应应用场景进行多角度图像采集,得到不同应用场景下的差异图像样本。
4.根据权利要求1所述的一种用于视频无线传输监控***的视频优化方法,其特征在于,基于封装结果得到目标神经网络,包括:
获取得到的目标神经网络,并实时监测不同应用场景下产生的更新差异图像样本,且对更新差异图像样本进行解析,确定更新差异图像样本中的更新图像参数;
基于更新图像参数生成网络更新文件,并基于更新文件对目标神经网络中相应的目标分析节点进行参数更新训练,得到更新后的目标神经网络;
基于更新差异图像样本对更新后的目标神经网络进行测试,并将测试得到的测试结果与更新差异图像样本的基准结果进行比较,且当二者一致时,完成对目标神经网络的实时更新,否则,基于更新文件对目标神经网络中相应的目标分析节点重新进行参数更新训练。
5.根据权利要求1所述的一种用于视频无线传输监控***的视频优化方法,其特征在于,步骤2中,将视频拆分为N张图像后输入至目标神经网络进行处理,并基于处理结果分别标定出每张图像的感兴趣区域和非感兴趣区域,包括:
获取基于监控得到的视频,并对视频进行离散化处理,得到视频对应的静态图像序列,同时,提取静态图像序列中各静态图像的边缘特征,并基于边缘特征对静态图像序列进行拆分,得到N张图像;
将N张图像分别输入至目标神经网络,并基于目标神经网络对各张图像进行遍历,且基于遍历结果提取每张图像中对象的形态特征;
基于形态特征得到每张图像中对象的多维度特征向量,并将多维度特征向量与相应应用场景下的敏感区域标定规则进行匹配,且基于匹配结果对每张图像中的图像区域进行粗筛选,得到初始感兴趣区域。
6.根据权利要求5所述的一种用于视频无线传输监控***的视频优化方法,其特征在于,得到初始感兴趣区域,包括:
提取初始感兴趣区域中像素点的像素特征,并基于像素特征确定初始感兴趣区域中的区域颜色特征,且基于区域颜色特征与敏感区域标定规则的匹配度对初始感兴趣区域进行细筛选,得到每张图像的感兴趣区域;
提取每张图像的感兴趣区域的区域边缘特征,并基于边缘特征确定每张图像中感兴趣区域和非感兴趣区域的边界线,且基于边界线对感兴趣区域和非感兴趣区域进行划分,同时,基于划分结果根据预设标定框分别对感兴趣区域和非感兴趣区域进行标定。
7.根据权利要求1所述的一种用于视频无线传输监控***的视频优化方法,其特征在于,步骤3中,分别确定对感兴趣区域和非感兴趣区域的量化参数值,并基于量化参数值分别对感兴趣区域和非感兴趣区域进行视频编码,得到图像编码数据,包括:
获取得到的感兴趣区域和非感兴趣区域,并基于预设视频传输要求分别确定对感兴趣区域和非感兴趣区域的视频码率要求;
基于视频码率要求分别确定对感兴趣区域和非感兴趣区域的量化参数值,并基于量化参数值对感兴趣区域和非感兴趣区域进行分析,确定感兴趣区域和非感兴趣区域中的细节保留点,其中,感兴趣区域的量化参数值小于非感兴趣区域的量化参数值,且细节保留点数量与量化参数值呈反比关系;
基于细节保留点对感兴趣区域和非感兴趣区域进行图像压缩,得到第一待编码图像块和第二待编码图像块,并基于预设无线传输协议确定对第一待编码图像块和第二待编码图像块的像素编码转换规则,且基于像素编码转换规则分别对第一待编码图像块和第二待编码图像块进行视频编码,得到图像编码数据。
8.根据权利要求7所述的一种用于视频无线传输监控***的视频优化方法,其特征在于,得到图像编码数据,包括:
获取分别对第一待编码图像块和第二待编码图像块进行视频编码后得到的编码数据,并提取编码数据的数据特征;
基于数据特征确定第一待编码图像块和第二待编码图像块对应的编码数据之间的逻辑衔接关系,并基于逻辑衔接关系将编码数据进行数据拼接,且基于拼接结果得到每张图像对应的图像编码数据;
提取每张图像在视频中的帧位置信息,并基于帧位置信息生成位置标签,且基于位置标签对图像编码数据进行位置标记。
9.根据权利要求1所述的一种用于视频无线传输监控***的视频优化方法,其特征在于,步骤4中,对图像编码数据进行逻辑整合,得到待传输视频数据,并基于无线传输将待传输视频数据进行传输,包括:
获取得到的图像编码数据,并提取图像编码数据中的位置标记符,且基于位置标记符对图像编码数据进行重排,得到图像编码数据流;
基于图像编码数据流得到待传输视频数据,同时,基于无线传输协议对待传输视频数据进行格式转换,并将格式转换后的待传输视频数据缓存至传输队列;
基于缓存结果为传输队列分配传输带宽以及数据接收终端的通讯地址,并基于分配结果根据传输队列将待传输视频数据进行传输。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311688031.6A CN117395424B (zh) | 2023-12-11 | 2023-12-11 | 一种用于视频无线传输监控***的视频优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311688031.6A CN117395424B (zh) | 2023-12-11 | 2023-12-11 | 一种用于视频无线传输监控***的视频优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117395424A CN117395424A (zh) | 2024-01-12 |
CN117395424B true CN117395424B (zh) | 2024-03-22 |
Family
ID=89437763
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311688031.6A Active CN117395424B (zh) | 2023-12-11 | 2023-12-11 | 一种用于视频无线传输监控***的视频优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117395424B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118072228A (zh) * | 2024-04-18 | 2024-05-24 | 南京奥看信息科技有限公司 | 一种视图的智能存储方法及*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109005409A (zh) * | 2018-07-27 | 2018-12-14 | 浙江工业大学 | 一种基于目标检测与跟踪的智能视频编码方法 |
CN111479112A (zh) * | 2020-06-23 | 2020-07-31 | 腾讯科技(深圳)有限公司 | 一种视频编码方法、装置、设备和存储介质 |
CN113301342A (zh) * | 2021-05-13 | 2021-08-24 | 广州方硅信息技术有限公司 | 视频编码方法、网络直播方法、装置和终端设备 |
CN116456090A (zh) * | 2023-04-01 | 2023-07-18 | 西北工业大学 | 一种基于目标检测算法的视频压缩方法 |
CN116896638A (zh) * | 2023-05-18 | 2023-10-17 | 浙江图盛输变电工程有限公司温州科技分公司 | 一种面向输电运检场景的数据压缩编码技术 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110321920B (zh) * | 2019-05-08 | 2021-10-22 | 腾讯科技(深圳)有限公司 | 图像分类方法、装置、计算机可读存储介质和计算机设备 |
JP2022534155A (ja) * | 2019-05-29 | 2022-07-28 | ライカ バイオシステムズ イメージング インコーポレイテッド | デジタルパソロジー画像の関心領域のニューラルネットワークベースの特定方法 |
-
2023
- 2023-12-11 CN CN202311688031.6A patent/CN117395424B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109005409A (zh) * | 2018-07-27 | 2018-12-14 | 浙江工业大学 | 一种基于目标检测与跟踪的智能视频编码方法 |
CN111479112A (zh) * | 2020-06-23 | 2020-07-31 | 腾讯科技(深圳)有限公司 | 一种视频编码方法、装置、设备和存储介质 |
CN113301342A (zh) * | 2021-05-13 | 2021-08-24 | 广州方硅信息技术有限公司 | 视频编码方法、网络直播方法、装置和终端设备 |
CN116456090A (zh) * | 2023-04-01 | 2023-07-18 | 西北工业大学 | 一种基于目标检测算法的视频压缩方法 |
CN116896638A (zh) * | 2023-05-18 | 2023-10-17 | 浙江图盛输变电工程有限公司温州科技分公司 | 一种面向输电运检场景的数据压缩编码技术 |
Also Published As
Publication number | Publication date |
---|---|
CN117395424A (zh) | 2024-01-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117395424B (zh) | 一种用于视频无线传输监控***的视频优化方法 | |
CN108156519B (zh) | 图像分类方法、电视设备及计算机可读存储介质 | |
CN110853033B (zh) | 基于帧间相似度的视频检测方法和装置 | |
KR100422709B1 (ko) | 영상 의존적인 얼굴 영역 추출방법 | |
CN115914649A (zh) | 一种用于医疗视频的数据传输方法及*** | |
CN112270309A (zh) | 一种车辆卡口设备抓拍质量评估方法、装置及可读介质 | |
CN114679607B (zh) | 一种视频帧率控制方法、装置、电子设备及存储介质 | |
CN105654032A (zh) | 基于人脸检测的公交车人数统计***及统计方法 | |
CN116052090A (zh) | 图像质量评估方法、模型训练方法、装置、设备及介质 | |
KR20180042728A (ko) | 영상 특징맵 생성 장치 및 방법 | |
CN114095722A (zh) | 清晰度的确定方法、装置及设备 | |
CN115941939A (zh) | 视频帧对齐方法、装置、设备及存储介质 | |
CN114040094B (zh) | 一种基于云台相机的预置位调节方法和设备 | |
CN111612796A (zh) | 图像处理方法及装置 | |
CN117455762B (zh) | 基于全景行车记录仪的记录画面分辨率提升方法及*** | |
CN115115968A (zh) | 视频质量评价方法、装置及计算机可读存储介质 | |
CN110807430A (zh) | 一种实况全景交通标志图片预处理方法 | |
CN117221609B (zh) | 一种高速公路收费业务集中监控值机*** | |
CN110738709A (zh) | 一种基于二维码的视频评测方法及其视频评测*** | |
Chen et al. | Quality-of-content (QoC)-driven rate allocation for video analysis in mobile surveillance networks | |
CN116980604A (zh) | 视频编码方法、视频解码方法及相关设备 | |
CN116107902A (zh) | 测试数据的回灌方法和装置、测试数据的回灌*** | |
CN113038129A (zh) | 一种用于机器学习的数据样本获取的方法及设备 | |
CN115131686A (zh) | 一种基于主动学习和半监督学习的智能电力巡检方法 | |
CN113807125B (zh) | 应急车道占用检测方法、装置、计算机设备和存储介质 |
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 |