一种基于内容满意度的推送式云视频监控方法

文档序号:10539212阅读:808来源:国知局
一种基于内容满意度的推送式云视频监控方法
【专利摘要】本发明提供了一种基于内容满意度的推送式云视频监控方法,首先将该内容满意度智能评价模型部署在云视频监控数据中心的管理服务器上,在节点与云视频监控数据中心通信后,并加载初始的评价模型,同时节点获知不同类型用户的网络通信地址,生成用户地址映射表,在每个推送周期进行满意度评价、选择节点、推送数据等操作直至物体离开监控区域。本发明针对不同的监控场景类型对不同用户的重要性,提出一种基于内容满意度的推送式云视频监控方法,实现推送给不同用户的监控视频始终是这些用户所满意的,从而有效提高视频监控系统的服务质量。
【专利说明】
一种基于内容满意度的推送式云视频监控方法
技术领域
[0001]本发明属于云视频监控领域,涉及一种基于内容满意度的推送式云视频监控方法。
【背景技术】
[0002]云视频监控系统是一种“视频监控即服务”的全新的云计算服务模式,近些年来云视频监控系统已逐渐投入商业运营。但从这些云视频监控系统所具有的功能和性能来看,当前的云视频监控仍存在以下问题:
[0003]a.视频监控服务的模式还有待改进。当前投入商业运营的大部分系统中,主要的模式是进行长期的监视或用户主动进行查询操作。例如,对企业用户而言,一般使用大屏幕同时播放多个监控场景的视频,如前所述,此时可用信息量不大,而且当监控节点很多时,大屏幕往往不够用,因此很多时候依赖人工进行显示节点的切换;对个人用户而言,往往是用户主动通过手机等终端去查看历史视频或监控节点的实时视频,当布置的节点较多时,用户很难知道应该在什么时间去查看哪个监控节点的视频。
[0004]b.实时视频监控服务质量有待进一步提高。尽管端到端的实时视频传输取得了较好的研究和应用效果,但是由于视频数据的数据量较大,当一个无线网络下的监控场景节点较多时,将使得上行网络成为系统的瓶颈;而且各个节点的物理位置、节点之间的相互竞争、干扰等现象也将影响视频监控的效果。由于实时视频的服务质量主要取决于视频体验质量(QoE,Quality of Experience),而不是网络服务质量(QoS,Quality of Service),普遍使用的根据可用带宽和视频码率来估计最终的视频服务质量的方式往往不准确。
[0005]目前国内外的视频监控系统并没有从内容满意度出发,能够智能地在合适的时间,推送合适的视频,给合适的用户,从而实现用户的个性化视频推送服务。另外,目前并没有相关的标准或方法可用于确保多视点情况下实时视频监控的视频质量,因此在实时视频监控服务质量方面还有很大的提升空间。

【发明内容】

[0006]为了解决现有技术的不足,本发明提供了一种基于内容满意度的推送式云视频监控方法,直接应用于云视频监控系统,实现推送给不同用户的监控视频始终是这些用户所满意的,从而有效提高视频监控系统的服务质量。
[0007]本发明为解决其技术问题所采用的技术方案是:提供了一种基于内容满意度的推送式云视频监控方法,包括以下步骤:
[0008](I)首先在云视频监控数据中心的管理服务器上构建内容满意度智能评价模型,构建方法为:针对不同的应用场景类型,分别建立视频监控内容满意度评价专家知识库,所述专家知识库由专家规则集合而成,每条专家规则都对应有决策因素和推导因素,所述决策因素包括物体所占的显示比例、物体运动趋势、物体的相对位置信息,推导因素拟定为监控者类型及其内容满意度等级;监控节点在对物体进行基本的轮廓识别之后,计算出相关决策因素,输入专家知识库,通过模糊推理的方法,得出该监控节点在当前对于不同类型的监控者所对应的视频监控内容满意度等级;
[0009](2)监控节点与云视频监控数据中心通信,并加载初始的智能评价模型;
[0010](3)监控节点获知不同类型用户的网络通信地址,生成用户地址映射表;
[0011](4)当移动物体进入到监控区域时,监控节点被唤醒后,视频监控开始启动,并开始视频推送,具体为:
[0012](4-1)监控节点先提取相关决策因素输入智能评价模型后得出评价结果,并在由活动监控节点组成的网络内广播评价结果;
[0013](4-2)收到所有监控节点的评价结果或者评价定时器超时后,获得满意度等级最高的监控节点开始发送视频到此时满意度等级符合要求的用户;
[0014](4-3)经过一个推送时间周期后,返回(4-1)开始第二轮满意度评价、选择监控节点、推送数据的操作,以此循环直至物体离开监控区域。
[0015]步骤(I)中智能评价模型能够根据内容满意度进行在线自学习和更新,并保持和监控节点中的评价模型周期性同步。
[0016]步骤(2)中对于不同的监控场景类型,在初始时监控节点选择加载不同的评价模型。
[0017]步骤(3)中可以有多种类型的用户,每一个类型也可以有多个用户。
[0018]步骤(4)中第一次推送周期的长短根据场景的特点以及物体移动速度的快慢来设定,之后的推送周期的长短根据用户的满意度进行修正。
[0019]步骤(4)中当出现某个监控节点向多个用户推送相同的视频数据时,使用组播的方式,对于暂不支持组播的网络,可将该监控节点的视频数据发往云视频数据中心,然后由该中心的专用服务器进行组播推送。
[0020]本发明基于其技术方案所具有的有益效果在于:
[0021](I)本发明针对不同的监控场景类型,可以在初始时监控节点加载不同的评价模型,具有较好的可扩充性和普适性;
[0022](2)本发明充分考虑了云视频监控系统中图像或视频中物体的位置、观察角度和内容特征等信息对不同用户的重要性,从而实现用户的个性化视频推送服务,提高图像和视频的监控服务质量;
[0023](3)本发明针对监控场景的不同需求,分别建立视频监控内容满意度评价知识库,该专家知识库不要求监控节点拥有高度智能性,因此通用性能和可扩充性较好;
[0024](4)本发明对云视频监控系统中于具有智能特征识别或语义识别能力的监控节,点,可以通过在专家库中增加决策因素的方式来进行扩充,具有更好的应用效果。
【附图说明】
[0025]图1是云视频监控内容满意度评价机理分析示意图。
[0026]图2是基于内容满意度的推送式云视频监控方法流程示意图。
【具体实施方式】
[0027]下面结合附图和实施例对本发明作进一步说明。
[0028]本发明提供了一种基于内容满意度的推送式云视频监控方法,具体的步骤流程如下:
[0029]首先在云视频监控数据中心的管理服务器上构建内容满意度智能评价模型,构建方法为:针对不同的应用场景类型,分别建立视频监控内容满意度评价专家知识库,所述专家知识库由专家规则集合而成,每条专家规则都对应有决策因素和推导因素,决策因素是指确定每条专家规则的关键性信息,推导因素是指可以推导得到专家规则的信息。决策因素和推导因素都能影响和决定专家规则的确定。所述决策因素包括物体所占的显示比例、物体运动趋势、物体的相对位置信息,推导因素拟定为监控者类型及其内容满意度等级;监控节点在对物体进行基本的轮廓识别之后,计算出相关决策因素,输入专家知识库,通过模糊推理的方法,得出该监控节点在当前对于不同类型的监控者所对应的视频监控内容满意度等级。
[0030]本实施例中云视频监控内容满意度评价机理分析如图1所示,设三角形物体同时处于8个监控节点的有效监视距离内,(a)?(h)是8个监控节点采集的某一时刻的视频画面。由于物体轮廓识别技术已经基本成熟应用,因此可假设视频监控节点具有基本的物体轮廓特征识别能力,从而也可识别出物体的运动方向。分析可以发现,(a)中的物体所占显示区域面积最大,图像可能最清晰,但是遮挡住了背景区域,因此难以直观的发现其在场景中的具体物理位置;(b)中显示的物体虽然背景区域可见,但是物体轮廓不全,也并没有处于视场中心位置;(C)和(d)中监视到了物体的整个轮廓,但是所占比例太小,也未处于画面中心,难以清晰的观察,且(c)中物体有移动出该节点有效监控范围的趋势;类似分析容易发现,按照大多数用户对于视频监控的需求,可认为(f)中节点的视频监控服务质量相对较尚O
[0031]但是当监控场景的需求不同,以及同一场景中观察者的需求角度不同时,对于视频监控质量高低的定义有时也并不完全相同。例如在智能大厦的监控中,安保人员可能会更关心闯入者所在的具体方位和移动路线,则(d)中节点的监控质量较高,而部分人则更关心闯入者的个人身份,如果节点有面部识别功能,则(a)图中节点采集的视频可能是较好的选择,条件允许的情况下可以直接将(a)中的节点接入云视频监控中心,在视频特征库中进行进一步的特征匹配搜索和身份识别。由此可见,除了常规视频质量评价方法所关心的视觉体验因素外(视频QoE),视频监控服务质量还与场景的类型、监控者关心的重点、物体的视觉大小、位置、运动趋势等因素都有关系,在视频编码和网络传输等基础设施能够提供常规视频质量保证时,这些因素就成为影响视频监控服务质量的重点。
[0032]以上关于内容满意度智能评价模型的构建以及如何使用和部署评价模型获取用户对该视频的内容满意度是本申请的核心内容,在完成上述内容后,继续按照以下步骤进行,如图2所示:
[0033]监控节点与云视频监控数据中心通信,并加载初始的智能评价模型。对于不同的监控场景类型,在初始时监控节点选择加载不同的评价模型。
[0034]监控节点获知不同类型用户的网络通信地址,生成用户地址映射表。此处可以有多种类型的用户,如图2中的甲、乙等;而每一个类型也可以有多个用户,如图2中的甲-1等。
[0035]当有移动物体进入监控场景时,在能量有效的情况下将会至少被一个值守监控节点所发现并激活其他监控节点,从而场景由值守状态转换为激活状态,也就是当移动物体进入到监控区域时,会有监控节点被唤醒,视频监控开始启动,并开始视频推送,具体为:
[0036]1、监控节点先提取相关决策因素输入智能评价模型后得出评价结果,并在由活动监控节点组成的网络内广播评价结果。
[0037]2、收到所有监控节点的评价结果或者评价定时器超时后,获得满意度等级最高的监控节点开始发送视频到此时满意度等级符合要求的用户,如图2中的X和Y节点被选中,分别向“甲-1”和“乙-1”用户推送视频数据。
[0038]3、经过一个推送时间周期后,返回(I)开始第二轮满意度评价、选择监控节点、推送数据的操作,以此循环直至物体离开监控区域。第一次推送周期的长短根据场景的特点以及物体移动速度的快慢来设定,之后的推送周期的长短根据用户的满意度进行修正。
[0039]当出现某个监控节点向多个用户推送相同的视频数据时,例如图2中属于同一个类型的“丙-1”和“丙-2”用户,可以使用组播的方式,新一代的LTE网络已经实现了对多媒体组播功能的支持,因而更加适合于系统的应用。对于暂不支持组播的网络,可将该监控节点的视频数据发往云视频数据中心,然后由该中心的专用服务器进行组播推送,从而减少节点的处理任务。
[0040]不同类型的用户可以反馈使用的结果,因而云视频监控数据中心的智能评价模型可以根据内容满意度进行在线自学习和更新,并保持和监控节点中的评价模型周期性同步。随着运行时间和场景及用户的增加,评价模型将逐步更新完善,并且更新后的模型能够及时的用于新建立的监控系统中;此外,对于不同的监控场景类型,只需要在初始时监控节点加载不同的评价模型即可,因此该方法具有较好的可扩充性和普适性。
【主权项】
1.一种基于内容满意度的推送式云视频监控方法,其特征在于包括以下步骤: (1)首先在云视频监控数据中心的管理服务器上构建内容满意度智能评价模型,构建方法为:针对不同的应用场景类型,分别建立视频监控内容满意度评价专家知识库,所述专家知识库由专家规则集合而成,每条专家规则都对应有决策因素和推导因素,所述决策因素包括物体所占的显示比例、物体运动趋势、物体的相对位置信息,推导因素拟定为监控者类型及其内容满意度等级;监控节点在对物体进行基本的轮廓识别之后,计算出相关决策因素,输入专家知识库,通过模糊推理的方法,得出该监控节点在当前对于不同类型的监控者所对应的视频监控内容满意度等级; (2)监控节点与云视频监控数据中心通信,并加载初始的智能评价模型; (3)监控节点获知不同类型用户的网络通信地址,生成用户地址映射表; (4)当移动物体进入到监控区域时,监控节点被唤醒后,视频监控开始启动,并开始视频推送,具体为: (4-1)监控节点先提取相关决策因素输入智能评价模型后得出评价结果,并在由活动监控节点组成的网络内广播评价结果; (4-2)收到所有监控节点的评价结果或者评价定时器超时后,获得满意度等级最高的监控节点开始发送视频到此时满意度等级符合要求的用户; (4-3)经过一个推送时间周期后,返回(4-1)开始第二轮满意度评价、选择监控节点、推送数据的操作,以此循环直至物体离开监控区域。2.根据权利要求1所述的基于内容满意度的推送式云视频监控方法,其特征在于:步骤(1)中智能评价模型能够根据内容满意度进行在线自学习和更新,并保持和监控节点中的评价模型周期性同步。3.根据权利要求1所述的基于内容满意度的推送式云视频监控方法,其特征在于:步骤(2)中对于不同的监控场景类型,在初始时监控节点选择加载不同的评价模型。4.根据权利要求1所述的基于内容满意度的推送式云视频监控方法,其特征在于:步骤(4)中第一次推送周期的长短根据场景的特点以及物体移动速度的快慢来设定,之后的推送周期的长短根据用户的满意度进行修正。5.根据权利要求1所述的基于内容满意度的推送式云视频监控方法,其特征在于:步骤(4)中当出现某个监控节点向多个用户推送相同的视频数据时,使用组播的方式,对于暂不支持组播的网络,可将该监控节点的视频数据发往云视频数据中心,然后由该中心的专用服务器进行组播推送。
【文档编号】H04N21/25GK105898223SQ201610268120
【公开日】2016年8月24日
【申请日】2016年4月27日
【发明人】熊永华, 吴敏, 曹卫华, 何勇, 佘锦华, 王静
【申请人】中国地质大学(武汉)
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1