本发明是ai超高清视频检测算法，属于视频检测。
背景技术：
1、现有技术中，互联网上图像和视频的规模日益庞大，各视频网站每分钟就有数百小时的视频产生，这使得急切需要研究视频相关算法帮助人们更加容易地找到感兴趣内容的视频。这些视频分类算法能实现自动分析视频所包含的语义信息、理解其内容，对视频进行自动标注、分类和描述，达到与人媲美的准确率。大规模视频分类是继图像分类问题解决后下一个急需解决的关键问题。
2、视频分类的主要目标是理解视频中包含的内容，确定视频对应的几个关键主题。视频分类(video classification)算法将基于视频的语义内容如人类行为和复杂事件等，将视频片段自动分类至单个或多个类别[1]。视频分类不仅仅是要理解视频中的每一帧图像，更重要的是要识别出能够描述视频的少数几个最佳关键主题。视频分类的研究内容主要包括多标签的通用视频分类和人类行为识别等，但是现有技术中针对超高清视频的分类方法存在泛化能力不足的问题，所以需要一种新的算法来解决该问题。
技术实现思路
1、针对现有技术存在的不足，本发明目的是提供ai超高清视频检测算法，以解决上述背景技术中提出的问题。
2、为了实现上述目的，本发明是通过如下的技术方案来实现：ai超高清视频检测算法，其包括如下步骤：
3、s1：超高清视频分类，通过ai训练数据模型对超高清视频类别分筛，将分筛后的超高清视频打上标签，并生成test和train的列表文件；
4、s2：数据读取，通过数据预处理模型读取超高清视频，选取目标视频中随机起点并将读取的图片帧缩放到固定大小，提取模块读取列表中的图片帧，并将得到的新的特征保存为新的列表，并归一化存入一个数组中；
5、s3：数据归类，将存入数组中的特征送入网络模块中对超高清视频结果进行判定。
6、进一步地，步骤s1中视频类别分筛包括如下步骤：从超高清视频中获取l个视频帧m1,m2,...,ml以及l个相邻帧q1,q2,...,ql，其中l为正整数，相邻帧q1为视频帧m1的相邻视频帧，相邻帧q2为视频帧m2的相邻视频帧，...，相邻帧ql为视频帧ml的相邻视频帧；确定l个超高清视频距离d1,d2,...,dl，视频距离dl是视频帧ml和相邻帧ql之间的汉明距离，将l个视频距离d1,d2,...,dl分别与阈值进行比较，从而获得比较结果
7、{h1,h2,...,hl}；根据比较结果{h1,h2,...,hl}确定视频所属的分类结果；根据分类结果对视频打上标签。
8、进一步地，所述ai训练数据模型用于根据视频的类别，进行区分是否拥堵，从单个超高清视频中提取若干个不同帧图片，其中每个超高清视频提取出的图片名格式为“视频名+序号”。
9、进一步地，所述ai训练数据模型用于将卷积神经网络提取出来的模型，送入lstm模型中进行训练，在训练过程中选择更新卷积神经网络权重一并训练，或只更新lstm中的权重。
10、进一步地，步骤s1中，超高清视频类别分筛使用数据预处理模型读取视频流，并将连续帧信息送到神经网络中进行拥堵结果判定，用于将图片中的深层信息通过卷积神经网络提取出来。
11、进一步地，所述数据预处理模型用于读取图片，将图片尺寸缩放为固定大小，为训练模型的训练进行预处理。
12、本发明的有益效果：本发明的ai超高清视频检测算法，有效的提高了检测的准确率，并且针对低分辨率、噪音大、人物混杂、个体行为难以描述的样本数据中具有较强的泛化能力，可以有效的提取连续视频帧的局部空间和全时序的特征，更为准确的对视频中的暴力行为作出判断，以此减少人工筛选的压力，适用于不同的类型的超高清视频，具有良好的泛化能力。
1.ai超高清视频检测算法，其特征在于包括如下步骤：
2.根据权利要求1所述的ai超高清视频检测算法，其特征在于步骤s1中视频类别分筛包括如下步骤：从超高清视频中获取l个视频帧m1,m2,...,ml以及l个相邻帧q1,q2,...,ql，其中l为正整数，相邻帧q1为视频帧m1的相邻视频帧，相邻帧q2为视频帧m2的相邻视频帧，...，相邻帧ql为视频帧ml的相邻视频帧；确定l个超高清视频距离d1,d2,...,dl，视频距离dl是视频帧ml和相邻帧ql之间的汉明距离，将l个视频距离d1,d2,...,dl分别与阈值进行比较，从而获得比较结果{h1,h2,...,hl}；根据比较结果{h1,h2,...,hl}确定视频所属的分类结果；根据分类结果对视频打上标签。
3.根据权利要求1所述的ai超高清视频检测算法，其特征在于：所述ai训练数据模型用于根据视频的类别，进行区分是否拥堵，从单个超高清视频中提取若干个不同帧图片，其中每个超高清视频提取出的图片名格式为“视频名+序号”。
4.根据权利要求1所述的ai超高清视频检测算法，其特征在于：所述ai训练数据模型用于将卷积神经网络提取出来的模型，送入lstm模型中进行训练，在训练过程中选择更新卷积神经网络权重一并训练，或只更新lstm中的权重。
5.根据权利要求1所述的ai超高清视频检测算法，其特征在于步骤s1中，超高清视频类别分筛使用数据预处理模型读取视频流，并将连续帧信息送到神经网络中进行拥堵结果判定，用于将图片中的深层信息通过卷积神经网络提取出来。
6.权利要求5所述的ai超高清视频检测算法，其特征在于：所述数据预处理模型用于读取图片，将图片尺寸缩放为固定大小，为训练模型的训练进行预处理。