CN118075457B - 一种基于视频监测的设备智能控制方法 - Google Patents

Abstract

本发明属于智能控制技术领域，具体地，本发明涉及一种基于视频监测的设备智能控制方法，该方法包括：确定参考帧中各像素点的编码对象和补充编码对象，根据霍夫曼编码和定长编码对像素点的编码对象和补充编码对象进行编码，确定参考帧的编码结果，将参考帧和所有前向参考帧的编码结果，作为实时的监控视频的编码结果，通过训练好的二分类神经网络对实时的监控视频进行识别，根据识别结果对设备进行智能控制。本发明通过提高监控视频的压缩效率，实时获取监控视频，使得在紧急情况下，能够迅速识别操作人员的状态和紧急情况，从而更快速的紧急关停操作，更大程度地保证了操作人员的人身安全。

Description

一种基于视频监测的设备智能控制方法

技术领域

本发明涉及智能控制技术领域。更具体地，本发明涉及一种基于视频监测的设备智能控制方法。

背景技术

设备运行的过程中，当发生危及操作人员人身安全的紧急情况时，需要紧急关停相关设备，以防进一步的伤害或事故发生。因此，通过生产车间的监控视频监测操作人员是否处于危险或紧急情况，并根据情况对设备进行智能控制，保证操作人员的人身安全。

能够实时获取监控视频，才能在紧急情况下，迅速识别操作人员的状态和紧急情况，从而促使更快速的紧急关停操作。

基于此，如何解决实时获取监控视频的问题，是实现紧急情况下迅速对设备进行智能控制的关键。

发明内容

为解决通过常规的图像压缩方式对实时采集的设备运行环境的监控视频进行压缩时，监控视频的压缩效率低，对监控视频的压缩结果进行传输时消耗大量时间，导致监控视频无法实时显示在监视器上，进而导致无法实时识别监控视频中的紧急情况并迅速对设备进行智能控制的技术问题，本发明在如下的多个方面中提供方案。

一种基于视频监测的设备智能控制方法，包括：

实时采集设备运行环境的监控视频，将实时的监控视频的初始帧作为参考帧，将其他帧作为前向参考帧；

在参考帧中，判断各像素点的邻域范围内是否存在与所述像素点的灰度值相同的灰度匹配像素点，将存在灰度匹配像素点的像素点作为第一像素点，将不存在灰度匹配像素点的像素点作为第二像素点；将第一像素点的灰度匹配像素点的位置信息作为第一像素点的编码对象；将第二像素点的预设标识符作为第二像素点的编码对象，将第二像素点的灰度值作为第二像素点的补充编码对象；

根据所有像素点的编码对象中所有位置信息的频率以及预设标识符的频率，构建霍夫曼树；根据霍夫曼树对各像素点的编码对象进行编码，通过定长编码对第二像素点的补充编码对象进行编码；将第一像素点的编码对象的编码结果，作为第一像素点的编码结果，将第二像素点的编码对象和补充编码对象的编码结果，作为第二像素点的编码结果；所有像素点的编码结果组成参考帧的编码结果；

根据参考帧利用帧间压缩技术按照时间顺序依次对前向参考帧进行编码，确定前向参考帧的编码结果；将参考帧和所有前向参考帧的编码结果，作为实时的监控视频的编码结果；

对实时的监控视频的编码结果进行解码，确定实时的监控视频，通过训练好的二分类神经网络对实时的监控视频进行识别，根据识别结果对设备进行智能控制。

在一个实施例中，所述判断各像素点的邻域范围内是否存在与所述像素点的灰度值相同的灰度匹配像素点，包括：

将任意一个像素点记为目标像素点；

若目标像素点的邻域范围内只存在一个与目标像素点的灰度值相同的邻域像素点，目标像素点为存在灰度匹配像素点的像素点，则将该邻域像素点作为目标像素点的灰度匹配像素点；

若目标像素点的邻域范围内存在多个与目标像素点的灰度值相同的邻域像素点，目标像素点为存在灰度匹配像素点的像素点，则从多个与目标像素点的灰度值相同的邻域像素点中任意选取一个邻域像素点，作为目标像素点的灰度匹配像素点；

若目标像素点的邻域范围内不存在与目标像素点的灰度值相同的邻域像素点，目标像素点为不存在灰度匹配像素点的像素点。

在一个实施例中，所述各像素点的邻域范围的获取方法，包括：

将目标像素点的坐标记为(x,y)，x表示目标像素点的横坐标，y表示目标像素点的纵坐标，分别将坐标为(x-2,y-2)、(x-1,y-2)、(x,y-2)、(x+1,y-2)、(x+2,y-2)、(x-2,y-1)、(x-1,y-1)、(x,y-1)、(x+1,y-1)、(x+2,y-1)、(x-2,y)、(x-1,y)的像素点，作为目标像素点的邻域像素点，按照预设顺序，所有邻域像素点的序号依次为1到12，作为所有邻域像素点的位置信息，目标像素点的所有邻域像素点组成目标像素点的邻域范围。

在一个实施例中，所述所有位置信息的频率以及预设标识符的频率的获取方法，包括：

所有位置信息包括所有第一像素点的灰度匹配像素点的位置信息，将任意一个位置信息记为目标位置信息，将所述目标位置信息对应的第一像素点的数量与所有像素点的数量的比值，作为所述目标位置信息的频率，以此获得所有位置信息的频率；

所述标识符的频率是指不存在灰度匹配像素点的像素点的数量与所有像素点的数量的比值。

在一个实施例中，所述根据霍夫曼树对各像素点的编码对象进行编码，包括：

根据霍夫曼树构建霍夫曼编码表，所述霍夫曼编码表中包括每种位置信息的编码结果以及标识符的编码结果，所述编码结果是根节点到每种位置信息或者标识符对应的节点之间所有路径的标记；根据霍夫曼编码表对各像素点的编码对象进行编码。

在一个实施例中，所述所有像素点的编码结果组成参考帧的编码结果，包括：

将参考帧中所有像素点的编码结果按照从左到右、自上而下的顺序组成参考帧的编码结果。

在一个实施例中，所述对实时的监控视频的编码结果进行解码，确定实时的监控视频，包括：

根据霍夫曼编码表对参考帧的编码结果进行解码，确定参考帧；

根据参考帧利用帧间压缩技术按照时间顺序依次对前向参考帧进行解码，确定前向参考帧；

参考帧和所有前向参考帧组成实时的监控视频。

在一个实施例中，所述根据霍夫曼编码表对参考帧的编码结果进行解码，确定参考帧，包括：

根据霍夫曼编码表利用霍夫曼编码进行解码，在解码的过程中，若解码结果为位置信息，则将像素点的邻域范围中，位置信息对应的邻域像素点的灰度值作为该像素点的灰度值，若解码结果为标识符，则对剩余编码结果中的前8位组成的8位二进制数进行定长解码，定长解码的解码结果作为该像素点的灰度值。

在一个实施例中，所述通过训练好的二分类神经网络对实时的监控视频进行识别，根据识别结果对设备进行智能控制，包括：

将实时的监控视频输入训练好的二分类神经网络，输出实时的监控视频的分类结果，若实时的监控视频的分类结果为第一类别，则训练样本存在紧急情况，若实时的监控视频的分类结果为第二类别，则训练样本不存在紧急情况。

本发明的有益效果在于：本发明通过提高监控视频的压缩效率，实时获取监控视频，使得在紧急情况下，能够迅速识别操作人员的状态和紧急情况，从而更快速的紧急关停操作，更大程度地保证了操作人员的人身安全。

进一步，本发明根据参考帧的局部相似性的特点，将像素点的邻域范围内，与该像素点的灰度值相同的邻域像素点的位置信息作为编码对象，邻域范围内邻域像素点的位置信息的种类数量少，则编码对象的种类数量少，使得编码对象的频率较大，能够缩短每个像素点的平均编码长度，提高参考帧的编码效率，进而提高监控视频的压缩效率。

附图说明

通过参考附图阅读下文的详细描述，本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本发明的若干实施方式，并且相同或对应的标号表示相同或对应的部分，其中：

图1是示意性示出本发明中一种基于视频监测的设备智能控制方法的流程图；

图2是像素点的邻域范围内所有邻域像素点的位置信息的示例性的示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域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，都属于本发明保护的范围。

高速传输的监控视频使得实时监测和反馈成为可能，只有实时获取监控视频，才能在紧急情况下，迅速识别操作人员的状态和紧急情况，从而促使更快速的紧急关停操作。

由于监控视频的数据量大，影响获取监控视频的效率，想要实时获取监控视频，就需要对监控视频进行压缩；现有的对视频进行压缩的方式是将视频划分为参考帧和前向参考帧，根据前向参考帧与参考帧的差异，利用帧间压缩技术对前向参考帧进行压缩，而对参考帧的压缩方式则是常规的图像压缩方式，例如霍夫曼编码。

通过霍夫曼编码对参考帧进行编码时，每个像素点的平均编码长度近似等于信息熵，信息熵越小，则平均编码长度越短，相应的参考帧的编码效率越高；而信息熵是根据所有编码对象的频率计算的，所有编码对象的种类数量越少，且编码对象的频率越大，则信息熵越小；因此，想要提高参考帧的编码效率，需要减少编码对象的种类数量，同时增大编码对象的频率。

由于参考帧的本质是图像，通过霍夫曼编码对参考帧进行编码时，编码对象为像素点的灰度值，像素点的灰度值的取值范围为[0,255]，共256种灰度值作为编码对象，编码对象的种类数量较大，由于参考帧中像素点的数量是固定不变的，较多的编码对象会导致编码对象的频率较小，进而导致根据所有灰度值的频率计算的信息熵较大，每个像素点的平均编码长度较长；因此，将参考帧中像素点的灰度值作为通过霍夫曼编码对参考帧进行编码的编码对象，影响参考帧的编码效率，进而影响监控视频的压缩效率。

综上，考虑到参考帧具有局部相似性的特点，在像素点的较小的邻域范围内，大概率能够找到与其灰度值相等的像素点，因此，本发明将像素点的邻域范围内，与该像素点的灰度值相同的邻域像素点的位置信息作为编码对象，邻域范围内邻域像素点的位置信息的种类数量较少，则编码对象的种类数量较少，同时使得编码对象的频率较大，能够缩短每个像素点的平均编码长度，提高参考帧的编码效率，进而提高监控视频的压缩效率。

下面结合附图来详细描述本发明的具体实施方式。

本发明实施例公开一种基于视频监测的设备智能控制方法，参照图1，包括步骤S1-步骤S4：

S1：实时采集设备运行环境的监控视频，将实时的监控视频的初始帧作为参考帧，将其他帧作为前向参考帧。

需要说明的是，设备运行的过程中，当发生危及操作人员人身安全的紧急情况时，需要紧急关停相关设备，以防进一步的伤害或事故发生。因此，通过在生产车间中安装监控摄像头，通过监控视频监测操作人员是否处于危险或紧急情况，并根据情况对设备进行智能控制，保证操作人员的人身安全。

可选地，在车间的关键区域安装监控摄像头，以监视操作人员的活动，通过安装的监控摄像头实时采集车间的监控视频，将实时的监控视频的初始帧作为参考帧，将除初始帧外的其他帧作为前向参考帧。

其中，参考帧的本质是图像，参考帧的大小记为M×N，其中，M表示参考帧中行的数量，N表示参考帧中列的数量。

监控视频的采样周期的具体数值可以根据实际应用场景和需求来设定，本发明将监控视频的采样周期设置为1秒。

S2：确定参考帧中各像素点的编码对象和补充编码对象。

需要说明的是，通过霍夫曼编码对参考帧进行编码时，将像素点的灰度值作为编码对象，编码对象的种类数量较大且编码对象的频率较小，导致根据所有灰度值的频率计算的信息熵较大，每个像素点的平均编码长度较长，影响参考帧的编码效率，进而影响监控视频的压缩效率；因此，本发明将像素点的邻域范围内，与该像素点的灰度值相同的邻域像素点的位置信息作为编码对象。

具体的，在参考帧中，判断各像素点的邻域范围内是否存在与所述像素点的灰度值相同的灰度匹配像素点，将存在灰度匹配像素点的像素点作为第一像素点，将不存在灰度匹配像素点的像素点作为第二像素点；将第一像素点的灰度匹配像素点的位置信息作为第一像素点的编码对象；将第二像素点的预设标识符作为第二像素点的编码对象，将第二像素点的灰度值作为第二像素点的补充编码对象。

在参考帧中，以左上角的像素点为原点，以原点水平向右为X轴正方向，以原点垂直向下为Y轴正方向，构建直角坐标系，在直角坐标系中确定各像素点的坐标。

示例性的，所述各像素点的邻域范围的获取方法，包括：将任意一个像素点记为目标像素点，将目标像素点的坐标记为(x,y)，x表示目标像素点的横坐标，y表示目标像素点的纵坐标，分别将坐标为(x-2,y-2)、(x-1,y-2)、(x,y-2)、(x+1,y-2)、(x+2,y-2)、(x-2,y-1)、(x-1,y-1)、(x,y-1)、(x+1,y-1)、(x+2,y-1)、(x-2,y)、(x-1,y)的像素点，作为目标像素点的邻域像素点，按照预设顺序，所有邻域像素点的序号依次为1到12，作为所有邻域像素点的位置信息，目标像素点的所有邻域像素点组成目标像素点的邻域范围。

预设顺序可以根据实际应用场景和需求来设定，本发明中的预设顺序是按照Z字型扫描确定的顺序。

示例性的，如图2所示，图2是像素点的邻域范围内所有邻域像素点的位置信息的示意图。

所述判断各像素点的邻域范围内是否存在与所述像素点的灰度值相同的灰度匹配像素点，包括：将任意一个像素点记为目标像素点，若目标像素点的邻域范围内只存在一个与目标像素点的灰度值相同的邻域像素点，目标像素点为存在灰度匹配像素点的像素点，则将该邻域像素点作为目标像素点的灰度匹配像素点；若目标像素点的邻域范围内存在多个与目标像素点的灰度值相同的邻域像素点，目标像素点为存在灰度匹配像素点的像素点，则从多个与目标像素点的灰度值相同的邻域像素点中任意选取一个邻域像素点，作为目标像素点的灰度匹配像素点；若目标像素点的邻域范围内不存在与目标像素点的灰度值相同的邻域像素点，目标像素点为不存在灰度匹配像素点的像素点，则通过预设标识符对目标像素点标记，在本实施例中，预设标识符用*表示。

需要说明的是，后续分别根据霍夫曼编码和定长编码对像素点的编码对象和补充编码对象进行编码，其中，霍夫曼编码为不定长编码，不定长编码和定长编码的编码结果混在一起，会导致无法准确解码；因此，还需要通过预设标识符对目标像素点标记，确保后续解码的准确性。

需要说明的是，将像素点的邻域范围内，与该像素点的灰度值相同的邻域像素点的位置信息作为编码对象，由于邻域范围内邻域像素点的位置信息的种类数量较少，则编码对象的种类数量较少，同时使得编码对象的频率较大，能够缩短每个像素点的平均编码长度，提高参考帧的编码效率，进而提高监控视频的压缩效率。

S3：根据霍夫曼编码和定长编码对像素点的编码对象和补充编码对象进行编码，确定参考帧的编码结果，将参考帧和所有前向参考帧的编码结果，作为实时的监控视频的编码结果。

具体的，根据所有像素点的编码对象中所有位置信息的频率以及预设标识符的频率，构建霍夫曼树；根据霍夫曼树对各像素点的编码对象进行编码，通过定长编码对第二像素点的补充编码对象进行编码；将第一像素点的编码对象的编码结果，作为第一像素点的编码结果，将第二像素点的编码对象和补充编码对象的编码结果，作为第二像素点的编码结果；所有像素点的编码结果组成参考帧的编码结果。

进一步，根据参考帧利用帧间压缩技术按照时间顺序依次对前向参考帧进行编码，确定前向参考帧的编码结果；将参考帧和所有前向参考帧的编码结果，作为实时的监控视频的编码结果。

所述位置信息的频率的获取方法，包括：所有位置信息包括所有第一像素点的灰度匹配像素点的位置信息，将任意一个位置信息记为目标位置信息，将所述目标位置信息对应的第一像素点的数量与所有像素点的数量的比值，作为所述目标位置信息的频率，以此获得所有位置信息的频率。

所述标识符的频率是指不存在灰度匹配像素点的像素点的数量与所有像素点的数量的比值。

所述根据所有位置信息的频率以及标识符的频率，构建霍夫曼树，包括：将所有位置信息以及标识符作为构建霍夫曼树的对象，根据所有位置信息的频率以及标识符的频率，构建霍夫曼树，标识符和每种位置信息在霍夫曼树中都对应一个节点；从霍夫曼树的根节点出发，向左的路径标记为0，向右的路径标记为1，在其他实施例中，也可以将向左的路径标记为1，向右的路径标记为0。

构建霍夫曼树为公知技术，此处不再进行赘述。

根据霍夫曼树对各像素点的编码对象进行编码，包括：根据霍夫曼树构建霍夫曼编码表，所述霍夫曼编码表中包括每种位置信息的编码结果以及标识符的编码结果，所述编码结果是根节点到每种位置信息或者标识符对应的节点之间所有路径的标记；根据霍夫曼编码表对各像素点的编码对象进行编码。

所述通过定长编码对第二像素点的补充编码对象进行编码，包括：由于第二像素点的补充编码对象实际上是第二像素点的灰度值，灰度值的取值范围为[0,255]，共256种灰度值，因此通过定长编码对灰度值进行编码时，定长编码的编码结果的长度为，定长编码的编码结果为8位二进制数。

所述所有像素点的编码结果组成参考帧的编码结果，包括：参考帧中所有像素点的编码结果按照从左到右、自上而下的顺序组成参考帧的编码结果。

本发明根据参考帧的局部相似性的特点，将像素点的邻域范围内，与该像素点的灰度值相同的邻域像素点的位置信息作为编码对象，邻域范围内邻域像素点的位置信息的种类数量少，则编码对象的种类数量少，使得编码对象的频率较大，能够缩短每个像素点的平均编码长度，提高参考帧的编码效率，进而提高监控视频的压缩效率。

S4：对实时的监控视频的编码结果进行解码，确定实时的监控视频，通过训练好的二分类神经网络对实时的监控视频进行识别，根据识别结果对设备进行智能控制。

具体的，对实时的监控视频的编码结果进行解码，确定实时的监控视频，将实时的监控视频显示在监视器上，同时，通过训练好的二分类神经网络对实时的监控视频进行识别，根据识别结果对设备进行智能控制。

本发明通过提高监控视频的压缩效率，实时获取监控视频，使得在紧急情况下，能够迅速识别操作人员的状态和紧急情况，从而更快速的紧急关停操作，更大程度地保证了操作人员的人身安全。

所述对实时的监控视频的编码结果进行解码，确定实时的监控视频，包括：先根据霍夫曼编码表对参考帧的编码结果进行解码，确定参考帧，再根据参考帧利用帧间压缩技术按照时间顺序依次对前向参考帧进行解码，确定前向参考帧；参考帧和所有前向参考帧组成实时的监控视频。

所述根据霍夫曼编码表对参考帧的编码结果进行解码，确定参考帧，包括：根据霍夫曼编码表利用霍夫曼编码进行解码，在解码的过程中，若解码结果为位置信息，则将像素点的邻域范围中，位置信息对应的邻域像素点的灰度值作为该像素点的灰度值，若解码结果为标识符，则对剩余编码结果中的前8位组成的8位二进制数进行定长解码，定长解码的解码结果作为该像素点的灰度值。

所述通过训练好的二分类神经网络对实时的监控视频进行识别，根据识别结果对设备进行智能控制，包括：将实时的监控视频输入训练好的二分类神经网络，输出实时的监控视频的分类结果，若实时的监控视频的分类结果为第一类别，则训练样本存在紧急情况，若实时的监控视频的分类结果为第二类别，则训练样本不存在紧急情况。

所述二分类神经网络的训练过程，包括：将历史的监控视频作为训练样本，所述训练样本的数量等于预设数量，人为确定训练样本的标签，所述标签用来表示训练样本是否存在紧急情况，若存在，则训练样本属于第一类别，其标签为1，若不存在，则训练样本属于第二类别，其标签为0；通过所有训练样本及其标签训练二分类神经网络，二分类神经网络采用RNN网络结构，输入数据为训练样本，输出数据为训练样本的标签，即训练样本是否存在紧急情况的识别结果，若标签为0，则训练样本不存在紧急情况，若标签为1，则训练样本存在紧急情况。

在本说明书的描述中，“多个”、“若干个”的含义是至少两个，例如两个，三个或更多个等，除非另有明确具体的限定。

虽然本说明书已经示出和描述了本发明的多个实施例，但对于本领域技术人员显而易见的是，这样的实施例只是以示例的方式提供的。本领域技术人员会在不偏离本发明思想和精神的情况下想到许多更改、改变和替代的方式。应当理解的是在实践本发明的过程中，可以采用对本文所描述的本发明实施例的各替代方案。

Claims (9)

1.一种基于视频监测的设备智能控制方法，其特征在于，包括：

实时采集设备运行环境的监控视频，将实时的监控视频的初始帧作为参考帧，将其他帧作为前向参考帧；

在参考帧中，判断各像素点的邻域范围内是否存在与所述像素点的灰度值相同的灰度匹配像素点，将存在灰度匹配像素点的像素点作为第一像素点，将不存在灰度匹配像素点的像素点作为第二像素点；将第一像素点的灰度匹配像素点的位置信息作为第一像素点的编码对象；将第二像素点的预设标识符作为第二像素点的编码对象，将第二像素点的灰度值作为第二像素点的补充编码对象；

根据所有像素点的编码对象中所有位置信息的频率以及预设标识符的频率，构建霍夫曼树；根据霍夫曼树对各像素点的编码对象进行编码，通过定长编码对第二像素点的补充编码对象进行编码；将第一像素点的编码对象的编码结果，作为第一像素点的编码结果，将第二像素点的编码对象和补充编码对象的编码结果，作为第二像素点的编码结果；所有像素点的编码结果组成参考帧的编码结果；

根据参考帧利用帧间压缩技术按照时间顺序依次对前向参考帧进行编码，确定前向参考帧的编码结果；将参考帧和所有前向参考帧的编码结果，作为实时的监控视频的编码结果；

对实时的监控视频的编码结果进行解码，确定实时的监控视频，通过训练好的二分类神经网络对实时的监控视频进行识别，根据识别结果对设备进行智能控制。

2.根据权利要求1所述的一种基于视频监测的设备智能控制方法，其特征在于，所述判断各像素点的邻域范围内是否存在与所述像素点的灰度值相同的灰度匹配像素点，包括：

将任意一个像素点记为目标像素点；

若目标像素点的邻域范围内只存在一个与目标像素点的灰度值相同的邻域像素点，目标像素点为存在灰度匹配像素点的像素点，则将该邻域像素点作为目标像素点的灰度匹配像素点；

若目标像素点的邻域范围内存在多个与目标像素点的灰度值相同的邻域像素点，目标像素点为存在灰度匹配像素点的像素点，则从多个与目标像素点的灰度值相同的邻域像素点中任意选取一个邻域像素点，作为目标像素点的灰度匹配像素点；

若目标像素点的邻域范围内不存在与目标像素点的灰度值相同的邻域像素点，目标像素点为不存在灰度匹配像素点的像素点。

3.根据权利要求2所述的一种基于视频监测的设备智能控制方法，其特征在于，所述各像素点的邻域范围的获取方法，包括：

将目标像素点的坐标记为(x,y)，x表示目标像素点的横坐标，y表示目标像素点的纵坐标，分别将坐标为(x-2,y-2)、(x-1,y-2)、(x,y-2)、(x+1,y-2)、(x+2,y-2)、(x-2,y-1)、(x-1,y-1)、(x,y-1)、(x+1,y-1)、(x+2,y-1)、(x-2,y)、(x-1,y)的像素点，作为目标像素点的邻域像素点，按照预设顺序，所有邻域像素点的序号依次为1到12，作为所有邻域像素点的位置信息，目标像素点的所有邻域像素点组成目标像素点的邻域范围。

4.根据权利要求1所述的一种基于视频监测的设备智能控制方法，其特征在于，所述所有位置信息的频率以及预设标识符的频率的获取方法，包括：

所有位置信息包括所有第一像素点的灰度匹配像素点的位置信息，将任意一个位置信息记为目标位置信息，将所述目标位置信息对应的第一像素点的数量与所有像素点的数量的比值，作为所述目标位置信息的频率，以此获得所有位置信息的频率；

所述标识符的频率是指不存在灰度匹配像素点的像素点的数量与所有像素点的数量的比值。

5.根据权利要求1所述的一种基于视频监测的设备智能控制方法，其特征在于，所述根据霍夫曼树对各像素点的编码对象进行编码，包括：

根据霍夫曼树构建霍夫曼编码表，所述霍夫曼编码表中包括每种位置信息的编码结果以及标识符的编码结果，所述编码结果是根节点到每种位置信息或者标识符对应的节点之间所有路径的标记；根据霍夫曼编码表对各像素点的编码对象进行编码。

6.根据权利要求1所述的一种基于视频监测的设备智能控制方法，其特征在于，所述所有像素点的编码结果组成参考帧的编码结果，包括：

将参考帧中所有像素点的编码结果按照从左到右、自上而下的顺序组成参考帧的编码结果。

7.根据权利要求1所述的一种基于视频监测的设备智能控制方法，其特征在于，所述对实时的监控视频的编码结果进行解码，确定实时的监控视频，包括：

根据霍夫曼编码表对参考帧的编码结果进行解码，确定参考帧；

根据参考帧利用帧间压缩技术按照时间顺序依次对前向参考帧进行解码，确定前向参考帧；

参考帧和所有前向参考帧组成实时的监控视频。

8.根据权利要求7所述的一种基于视频监测的设备智能控制方法，其特征在于，所述根据霍夫曼编码表对参考帧的编码结果进行解码，确定参考帧，包括：

根据霍夫曼编码表利用霍夫曼编码进行解码，在解码的过程中，若解码结果为位置信息，则将像素点的邻域范围中，位置信息对应的邻域像素点的灰度值作为该像素点的灰度值，若解码结果为标识符，则对剩余编码结果中的前8位组成的8位二进制数进行定长解码，定长解码的解码结果作为该像素点的灰度值。

9.根据权利要求1所述的一种基于视频监测的设备智能控制方法，其特征在于，所述通过训练好的二分类神经网络对实时的监控视频进行识别，根据识别结果对设备进行智能控制，包括：

将实时的监控视频输入训练好的二分类神经网络，输出实时的监控视频的分类结果，若实时的监控视频的分类结果为第一类别，则训练样本存在紧急情况，若实时的监控视频的分类结果为第二类别，则训练样本不存在紧急情况。