一种基于AI分析的视频巡查处理方法与流程

一种基于ai分析的视频巡查处理方法
技术领域
1.本发明涉及视频处理技术领域，具体为一种基于ai分析的视频巡查处理方法。


背景技术：

2.随着视频监控系统建设的成熟，以及信息化建设的深入，安防行业公司和政府机关的视频库中储存有大量通过视频监控系统拍摄到的数据资源，如何对这么大量的数据资源进行关联，以方便进行分类管理、检索查找和数据比对等一直是一项难题。由于大数据产业的发展，数据量呈现爆炸性增长态势，而传统的计算架构又无法支撑深度学习的大规模并行计算需求，于是研究界对ai(人工智能)芯片进行了新一轮的技术研发与应用研究。
3.ai芯片是人工智能时代的技术核心之一，决定了平台的基础架构和发展生态。按照技术架构分类，现在主流的ai芯片有gpu、全定制化芯片、半定制化芯片等。而除了gpu这样的通用计算芯片之外，按照性能和支持的算法应用来说，ai芯片的种类更是多种多样，不同的ai芯片在不同的应用算法和场景下，实际的性能表现也会差异很大。目前的ai算法应用中，商业化前景最看好、实际应用算法最多的就是视频相关的ai应用，包括图像检测、图像识别、图像处理等等。
4.目前视频监控需要人员投入大量的时间去观看视频，在公共环境中因为人员众多，导致视频监控人员不能及时关注很多人员的情况，在异常发生时不能做到第一时间处理，并且观看无效的视频会消耗大量的时间，导致危险没有得到及时的处理和预警，从而引发安全事故，为此，提出一种基于ai分析的视频巡查处理方法来解决此问题。


技术实现要素：

5.本发明的目的在于提供一种基于ai分析的视频巡查处理方法，以解决上述背景技术中提出的问题。
6.为实现上述目的，本发明提供如下技术方案：一种基于ai分析的视频巡查处理方法，其方法包括如下步骤：
7.s1：获取训练视频数据集，对训练视频数据集进行预处理，建立视频检测异常模型；
8.s2：通过监控设备采集视频数据，随后监控设备通过网络总线将视频数据传输至视频处理平台，并将视频数据储存在视频库中；
9.s3：视频处理平台发送截图截流指令，进行视频图片截取，并将截取到的目标图片以及目标视频文件发送给数据处理系统，基于图像识别模型对视频图像数据进行数据处理，确定目标对象以及目标对象的坐标位置信息；
10.s4：根据目标对象的坐标位置信息确定的图像框，确定图像框在视频图像数据对应视频图像中的位置，提取视频图像数据中对应图像框的坐标像素点数据，并标注坐标像素点数据；
11.s5：综合ai视频识别模块和ai图像识别模块对坐标像素点数据进行综合分析，得
出识别结果并存储到数据处理系统中，随后显示模块提取分析结果并进行显示；
12.s6：根据视频检测异常模型，检测监控设备采集的视频数据发生异常的可能性，若检测到监控设备采集的视频数据发生异常，进行异常处理。
13.优选的，所述步骤s1中，训练视频数据集为异常场景的视频数据，对异常场景的视频数据进行预处理。
14.优选的，所述步骤s1中，通过卷积算法处理预处理后的视频数据，建立视频检测异常模型。
15.优选的，所述步骤s2中，监控设备为网络摄像机，且网络摄像机内置嵌入式芯片，采用嵌入式实时操作系统，网络摄像机将采集到的模拟视频信号编码压缩成数字信号。
16.优选的，所述步骤s2中，视频库中的视频数据转换为mpeg格式进行储存。
17.优选的，所述步骤s3中，图片截取的频率和视频文件截取的频率根据控制平台的最低支持截流频率，且截流频率分别设置有不同的频率。
18.优选的，所述步骤s3中，通过图像识别模型对视频图像数据进行深度学习计算，得到视频图像数据中对应目标对象的数据，并根据目标对象的数据确定目标对象的坐标位置信息。
19.优选的，所述步骤s5中，ai视频识别模块用于读取监控设备采集回来的视频信息，ai图像识别模块用于读取数据处理系统中的视频图像数据。
20.优选的，所述步骤s5中，数据处理系统用于将ai识别后的数据进行整理，清除过期数据。
21.优选的，所述步骤s6中，若视频数据满足视频检测异常模型，则视频数据为异常视频，若视频数据不满足视频检测异常模型，则视频数据为正常视频。
22.与现有技术相比，本发明的有益效果如下：
23.本发明提出基于ai分析的视频巡查处理方法，具有便于对视频图像数据进行分析识别，且能够及时清除过期数据，有利于检测图像和视频中的异常数据，且能够有效提升视频巡查处理效率的优点，解决了目前视频监控在异常发生时不能做到第一时间处理，导致危险没有得到及时的处理和预警，从而引发安全事故的问题，能够在异常发生时及时通知安防工作人员排除安全隐患。
附图说明
24.图1为本发明视频巡查处理方法流程图。
具体实施方式
25.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，所描述的实施例仅仅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，都属于本发明保护的范围。
26.实施例一：
27.一种基于ai分析的视频巡查处理方法，其方法包括如下步骤：
28.s1：获取训练视频数据集，对训练视频数据集进行预处理，建立视频检测异常模
型，训练视频数据集为异常场景的视频数据，对异常场景的视频数据进行预处理，通过卷积算法处理预处理后的视频数据，建立视频检测异常模型，可以根据异常场景的视频数据建立更加准确的视频检测模型，从而有利于对监控视频进行分析；
29.s2：通过监控设备采集视频数据，随后监控设备通过网络总线将视频数据传输至视频处理平台，并将视频数据储存在视频库中，监控设备为网络摄像机，且网络摄像机内置嵌入式芯片，采用嵌入式实时操作系统，网络摄像机将采集到的模拟视频信号编码压缩成数字信号，视频库中的视频数据转换为mpeg格式进行储存，可以直接将网络摄像机接入网络交换机及路由设备，有利于视频数据的传输，且能够对视频数据进行压缩，从而减少视频图像中的冗余信息；
30.s3：视频处理平台发送截图截流指令，进行视频图片截取，并将截取到的目标图片以及目标视频文件发送给数据处理系统，基于图像识别模型对视频图像数据进行数据处理，确定目标对象以及目标对象的坐标位置信息；
31.s4：根据目标对象的坐标位置信息确定的图像框，确定图像框在视频图像数据对应视频图像中的位置，提取视频图像数据中对应图像框的坐标像素点数据，并标注坐标像素点数据；
32.s5：综合ai视频识别模块和ai图像识别模块对坐标像素点数据进行综合分析，得出识别结果并存储到数据处理系统中，随后显示模块提取分析结果并进行显示；
33.s6：根据视频检测异常模型，检测监控设备采集的视频数据发生异常的可能性，若检测到监控设备采集的视频数据发生异常，进行异常处理。
34.实施例二：
35.一种基于ai分析的视频巡查处理方法，其方法包括如下步骤：
36.s1：获取训练视频数据集，对训练视频数据集进行预处理，建立视频检测异常模型，训练视频数据集为异常场景的视频数据，对异常场景的视频数据进行预处理，通过卷积算法处理预处理后的视频数据，建立视频检测异常模型，可以根据异常场景的视频数据建立更加准确的视频检测模型，从而有利于对监控视频进行分析；
37.s2：通过监控设备采集视频数据，随后监控设备通过网络总线将视频数据传输至视频处理平台，并将视频数据储存在视频库中，监控设备为网络摄像机，且网络摄像机内置嵌入式芯片，采用嵌入式实时操作系统，网络摄像机将采集到的模拟视频信号编码压缩成数字信号，视频库中的视频数据转换为mpeg格式进行储存，可以直接将网络摄像机接入网络交换机及路由设备，有利于视频数据的传输，且能够对视频数据进行压缩，从而减少视频图像中的冗余信息；
38.s3：视频处理平台发送截图截流指令，进行视频图片截取，并将截取到的目标图片以及目标视频文件发送给数据处理系统，基于图像识别模型对视频图像数据进行数据处理，确定目标对象以及目标对象的坐标位置信息，图片截取的频率和视频文件截取的频率根据控制平台的最低支持截流频率，且截流频率分别设置有不同的频率，通过图像识别模型对视频图像数据进行深度学习计算，得到视频图像数据中对应目标对象的数据，并根据目标对象的数据确定目标对象的坐标位置信息，可以对目标图像和视频进行精确定位分析，有利于检测图像和视频中的异常数据，达到提升视频巡查处理效率的目的；
39.s4：根据目标对象的坐标位置信息确定的图像框，确定图像框在视频图像数据对
应视频图像中的位置，提取视频图像数据中对应图像框的坐标像素点数据，并标注坐标像素点数据；
40.s5：综合ai视频识别模块和ai图像识别模块对坐标像素点数据进行综合分析，得出识别结果并存储到数据处理系统中，随后显示模块提取分析结果并进行显示；
41.s6：根据视频检测异常模型，检测监控设备采集的视频数据发生异常的可能性，若检测到监控设备采集的视频数据发生异常，进行异常处理。
42.实施例三：
43.一种基于ai分析的视频巡查处理方法，其方法包括如下步骤：
44.s1：获取训练视频数据集，对训练视频数据集进行预处理，建立视频检测异常模型，训练视频数据集为异常场景的视频数据，对异常场景的视频数据进行预处理，通过卷积算法处理预处理后的视频数据，建立视频检测异常模型，可以根据异常场景的视频数据建立更加准确的视频检测模型，从而有利于对监控视频进行分析；
45.s2：通过监控设备采集视频数据，随后监控设备通过网络总线将视频数据传输至视频处理平台，并将视频数据储存在视频库中，监控设备为网络摄像机，且网络摄像机内置嵌入式芯片，采用嵌入式实时操作系统，网络摄像机将采集到的模拟视频信号编码压缩成数字信号，视频库中的视频数据转换为mpeg格式进行储存，可以直接将网络摄像机接入网络交换机及路由设备，有利于视频数据的传输，且能够对视频数据进行压缩，从而减少视频图像中的冗余信息；
46.s3：视频处理平台发送截图截流指令，进行视频图片截取，并将截取到的目标图片以及目标视频文件发送给数据处理系统，基于图像识别模型对视频图像数据进行数据处理，确定目标对象以及目标对象的坐标位置信息，图片截取的频率和视频文件截取的频率根据控制平台的最低支持截流频率，且截流频率分别设置有不同的频率，通过图像识别模型对视频图像数据进行深度学习计算，得到视频图像数据中对应目标对象的数据，并根据目标对象的数据确定目标对象的坐标位置信息，可以对目标图像和视频进行精确定位分析，有利于检测图像和视频中的异常数据，达到提升视频巡查处理效率的目的；
47.s4：根据目标对象的坐标位置信息确定的图像框，确定图像框在视频图像数据对应视频图像中的位置，提取视频图像数据中对应图像框的坐标像素点数据，并标注坐标像素点数据；
48.s5：综合ai视频识别模块和ai图像识别模块对坐标像素点数据进行综合分析，得出识别结果并存储到数据处理系统中，随后显示模块提取分析结果并进行显示，ai视频识别模块用于读取监控设备采集回来的视频信息，ai图像识别模块用于读取数据处理系统中的视频图像数据，数据处理系统用于将ai识别后的数据进行整理，清除过期数据，便于对视频图像数据进行分析识别，且能够及时清除过期数据，避免占用数据处理系统的内存；
49.s6：根据视频检测异常模型，检测监控设备采集的视频数据发生异常的可能性，若检测到监控设备采集的视频数据发生异常，进行异常处理，若视频数据满足视频检测异常模型，则视频数据为异常视频，若视频数据不满足视频检测异常模型，则视频数据为正常视频，可以在异常发生时及时通知安防工作人员，达到及时排除隐患的目的，从而避免事故的发生。
50.本发明提出基于ai分析的视频巡查处理方法，具有便于对视频图像数据进行分析
识别，且能够及时清除过期数据，有利于检测图像和视频中的异常数据，且能够有效提升视频巡查处理效率的优点，解决了目前视频监控在异常发生时不能做到第一时间处理，导致危险没有得到及时的处理和预警，从而引发安全事故的问题，能够在异常发生时及时通知安防工作人员排除安全隐患。
51.需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
52.尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。