基于视频的健康度监测方法及系统与流程

1.本发明涉及视频处理技术领域，具体为一种基于视频的健康度监测方法及系统。


背景技术：

2.目前视频监测只能够实现对视频的完整性和视频的基础参数进行监测，而对于视频的质量无法监测；如果出现静帧、黑场、彩条等异常图像，都需要进行快速准确处理，以保障高质量、连续不断的视频输出，特定场景中黑场、彩场、彩条等画面，其图像结构相对单一，在处理方法上较为容易。可以结合电视图像帧中出现黑场画面、持续时间等进行判断，来完成识别并处理。黑场画面，其信号、图像具有显著的特征，一般的，采用一些特定的软件即可完成。
3.例如，windows系统中使用opencv 视频处理软件，可以利用mfc 调试窗口，来实现对c 语言函数库的调用和设计，可以对图像边缘化、反色、人脸识别等进行处理，还能利用opencv 工具库中cvmatchtemplate 函数，通过对给定模板图像信息与整幅视频图像信息进行比对匹配，但是采用软件也只能获取视频中的异常图像，不能对整体的图像进行评估，且这些软件中需要复杂的算法才能够进行异常监测，也只对特定格式的视频文件能够进行处理，对于其他格式的视频文件则需要经过转化后才能进行处理。


技术实现要素：

4.本发明的目的在于提供一种基于视频的健康度监测方法及系统，以解决上述背景技术中提出的问题。
5.为实现上述目的，本发明提供如下技术方案：基于视频的健康度监测方法，包括：从客户端实时获取视频流；检测所述视频流的编码和文件属性；基于所述编码和文件属性将所述视频流分割成多个连续的视频单元；控制部将连续的视频单元基于设定的连续码依次输入至分配模块中，所述分配模块将每一视频单元分解成若干组连续的帧频单元；控制部将若干组连续的帧频单元依次输入至处理矩阵，所述处理矩阵的每一处理单元将帧频单元分解成连续的帧，并依次监测每一帧的质量及质量参数；基于监测的结果在所述帧的属性值中写入设定标记并进行记录；以及机器学习系统，所述机器学习系统被配置成基于接收到的处理矩阵监测每一帧的质量参数输入至神经网络模型中进行迭代训练并进行连续评估，以获取视频流的健康度；健康度评估完毕后利用融合模块将视频单元按照连续码融合并存储。
6.进一步地，基于所述编码和文件属性将所述视频流分割成多个连续的视频单元方法包括：
获取视频流所述编码以及和文件属性，从所述文件属性中提取视频文件参数信息，基于提取的所述参数信息来决定视频流的分割以及分割后每一视频单元的帧频总量；在分割时，按照视频流的分割时序在每一视频单元中写入连续码，并将所述连续码对应的输入至追溯模块中用于视频流监测过程中的追踪。
7.进一步地，所述追溯模块在视频流监测过程中进行追踪的方法包括：追溯模块接收到连续码后选择用追踪路径表示视频单元的处理过程，通过第一路径来表示分配模块中的分解追踪，通过与第一路径连续顺延的第二路径表示处理矩阵中的监测追踪，以及通过与第二路径连续顺延的第三路径表示设定标记中的标记追踪；在进行融合时，通过监测每一连续码对应的视频单元的追踪路径的完整性来判断是否具备融合条件。
8.进一步地，所述处理矩阵具有：n
✖
m个处理单元，其中n、m为大于3的整数；每一处理单元具有分解单元，该分解单元用于将帧频单元分解成连续的帧；监测单元，用于对每一帧的图像信号电平进行监测，并与设定的基准电平进行比对，基于比对的结果来判断每一帧的质量及质量参数。
9.进一步地，所述质量参数由监测到的每一帧的图像信号电平的模拟值表示；每一帧的质量基于所述模拟值和基准电平之间的差值来确定。
10.进一步地，所述基准电平由视频流的文件参数信息对应的确定。
11.本发明还提供了一种基于视频的健康度监测系统，包括采集器，用于从客户端实时获取视频流至服务器；所述服务器具有：检测模块，用于检测所述视频流的编码和文件属性，从所述文件属性中提取视频文件参数信息；分割模块，用于基于所述编码和视频文件参数信息来决定视频流的分割以及分割后每一视频单元的帧频总量，控制部按照视频流的分割时序在每一视频单元中写入连续码，并将所述连续码对应的输入至追溯模块中用于视频流监测过程中的追踪；分配模块，用于在控制部的控制下将连续的视频单元基于设定的连续码依次输入并将每一视频单元分解成若干组连续的帧频单元；处理矩阵，用于在控制部的控制下将若干组连续的帧频单元依次输入至处理矩阵，所述处理矩阵包括 n
✖
m个处理单元，其中n、m为大于3的整数，每一处理单元具有分解单元，该分解单元用于将帧频单元分解成连续的帧，监测单元，用于对每一帧的图像信号电平进行监测，并与设定的基准电平进行比对，基于比对的结果来判断每一帧的质量及质量参数；标定模块，用于基于每一帧的质量及质量参数在所述帧的属性值中写入设定标记并进行记录；以及机器学习系统，所述机器学习系统被配置成基于接收到的处理矩阵监测每一帧的质量参数输入至神经网络模型中进行迭代训练并进行连续评估，以获取视频流的健康度；融合模块，健康度评估完毕后利用融合模块将视频单元按照连续码融合并存储服
务器的存储模块中。
12.进一步地，所述追溯模块接收到连续码后选择用追踪路径表示视频单元的处理过程，通过第一路径来表示分配模块中的分解追踪，通过与第一路径连续顺延的第二路径表示处理矩阵中的监测追踪，以及通过与第二路径连续顺延的第三路径表示设定标记中的标记追踪。
13.进一步地，所述标定模块由监测到的每一帧的图像信号电平的模拟值来表示所述质量参数；基于所述模拟值和基准电平之间的差值来确定每一帧的质量。
14.本技术中，从客户端采集到视频流后，只需要对应的监测其编码和视频流的文件属性，从中提取视频流的格式信息、视频码率信息、视频大小信息等，基于视频流的格式信息、视频码率信息、视频大小信息可以将所述视频流按照设定的帧数分割成多个连续的等额视频单元，每一视频单元包含了确定数量的帧数，在处理矩阵下，每一处理处理单元将帧频单元分解成连续的帧；对每一帧的图像信号电平进行监测，并与设定的基准电平进行比对，基于比对的结果来判断每一帧的质量及质量参数。其中，所述质量参数由监测到的每一帧的图像信号电平的模拟值表示；每一帧的质量基于所述模拟值和基准电平之间的差值来确定。基于接收到的处理矩阵监测每一帧的质量参数输入至神经网络模型中进行迭代训练并进行连续评估，以获取视频流的健康度。因此本方案可以将视频流分解成等额的帧数，通过监测每一帧的质量来评估整体的视频流的质量（也就是健康度），监测过程只需要对每一帧的图像信号电平进行监测即可，无需使用复杂的函数和计算工具。
附图说明
15.图1是本发明的方法流程图；图2为本发明的系统框架原理示意图；图3为本发明中处理矩阵的框架原理示意图。
具体实施方式
16.以下结合附图对本发明进行详细的描述，参照图1至图3。
17.基于视频的健康度监测方法，包括：1）从客户端实时获取视频流；2）检测所述视频流的编码和文件属性，其中，编码可以获取格式信息，文件属性可以获取视频码率信息、视频大小信息等，3）基于所述编码和文件属性将所述视频流分割成多个连续的视频单元；基于所述编码和文件属性将所述视频流分割成多个连续的视频单元方法包括：a:获取视频流所述编码以及和文件属性，b:从所述文件属性中提取视频文件参数信息，c:基于提取的所述参数信息来决定视频流的分割以及分割后每一视频单元的帧频总量；d:在分割过程中，按照视频流的分割时序在每一视频单元中写入连续码，并将所述连续码对应的输入至追溯模块中用于视频流监测过程中的追踪；
4）控制部将连续的视频单元基于设定的连续码依次输入至分配模块中，所述分配模块将每一视频单元分解成若干组连续的帧频单元；5）控制部将若干组连续的帧频单元依次输入至处理矩阵，所述处理矩阵的每一处理单元将帧频单元分解成连续的帧，并依次监测每一帧的质量及质量参数；6）基于监测的结果在所述帧的属性值中写入设定标记并进行记录；基于记录的结果，可以形成一个记录文件，记录文件中标记了每一视频单元中的哪个帧具有缺陷，便于后期和机器学习系统进行对比分析。
18.7）以及机器学习系统，所述机器学习系统被配置成基于接收到的处理矩阵监测每一帧的质量参数输入至神经网络模型中进行迭代训练并进行连续评估，以获取视频流的健康度；8）健康度评估完毕后利用融合模块将视频单元按照连续码融合并存储。
19.申请中，从客户端采集到视频流后，只需要对应的监测其编码和视频流的文件属性，从中提取视频流的格式信息、视频码率信息、视频大小信息等，基于视频流的格式信息、视频码率信息、视频大小信息可以将所述视频流按照设定的帧数分割成多个连续的等额视频单元，每一视频单元包含了确定数量的帧数，在处理矩阵下，每一处理处理单元将帧频单元分解成连续的帧；对每一帧的图像信号电平进行监测，并与设定的基准电平进行比对，基于比对的结果来判断每一帧的质量及质量参数。其中，所述质量参数由监测到的每一帧的图像信号电平的模拟值表示；每一帧的质量基于所述模拟值和基准电平之间的差值来确定。基于接收到的处理矩阵监测每一帧的质量参数输入至神经网络模型中进行迭代训练并进行连续评估，以获取视频流的健康度。因此本方案可以将视频流分解成等额的帧数，通过监测每一帧的质量来评估整体的视频流的质量（也就是健康度），监测过程只需要对每一帧的图像信号电平进行监测即可，无需使用复杂的函数和计算工具。
20.在上述中，所述追溯模块在视频流监测过程中进行追踪的方法包括：追溯模块接收到连续码后选择用追踪路径表示视频单元的处理过程，通过第一路径来表示分配模块中的分解追踪，通过与第一路径连续顺延的第二路径表示处理矩阵中的监测追踪，以及通过与第二路径连续顺延的第三路径表示设定标记中的标记追踪；在进行融合时，通过监测每一连续码对应的视频单元的追踪路径的完整性来判断是否具备融合条件。
21.在上述中，追溯模块具有多个追溯单元，每一追溯单元用于对应每一视频单元，每一追溯单元中具有一追踪记录单元，追踪记录单元用于将追踪路线进行记录，比如通过第一路径来表示分配模块中的分解追踪，通过与第一路径连续顺延的第二路径表示处理矩阵中的监测追踪，以及通过与第二路径连续顺延的第三路径表示设定标记中的标记追踪；追踪记录单元将第一路径、第二路径以及第三路径进行有机的合成，以使得通过第一路径、第二路径以及第三路径来完整的反应视频单元在被处理过程中的过程记录，并通过这些过程记录是否完整来作为否能够进行视频融合的重要依据。
22.在上述中，在进行视频单元的融合时，按照连续码将视频单元对接，并通过程记录是否完整来作为否能够进行视频融合的重要依据。如果过程记录不完整，则证明该视频单元在进行处理时具有错误，需要将出现错误的视频单元重新在处理矩阵中进行处理，以保证结果的正确性。
23.在上述中，所述处理矩阵具有：n✖
m个处理单元，其中n、m为大于3的整数；每一处理单元具有分解单元，该分解单元用于将帧频单元分解成连续的帧；监测单元，用于对每一帧的图像信号电平进行监测，并与设定的基准电平进行比对，基于比对的结果来判断每一帧的质量及质量参数。
24.在一些实施例中，处理矩阵可以同时完成多个视频单元的处理工作，一般的处理矩阵可以设置成20行20列处理单元，在进行视频单元的分配时，具有一个控制单元和加载单元，所述加载单元按照视频单元的总帧量将视频单元加载到多个处理单元中，比如在矩阵单元中形成一个由4行4列处理单元组成的处理组块，该处理组块用于处理其中一个视频单元，依次类推，还包括一个任务监控模块，该任务监控模块在控制单元的控制下监控每一处理组块的任务完成情况，若处理组块已经对应的完成了视频单元中所有帧的质量监测，则控制单元触发加载单元加载在排队中的视频单元到处理组块中，其中，处理组块可以通过视频单元的总帧量来决定，也可以通过设置规定其组合形式。无论时哪种方式，都属于本发明的保护范围。
25.在上述中，所述质量参数由监测到的每一帧的图像信号电平的模拟值表示；每一帧的质量基于所述模拟值和基准电平之间的差值来确定。
26.所述基准电平由视频流的文件参数信息对应的确定。
27.本发明还提供了一种基于视频的健康度监测系统，包括采集器，用于从客户端实时获取视频流至服务器；所述服务器具有：检测模块，用于检测所述视频流的编码和文件属性，从所述文件属性中提取视频文件参数信息；分割模块，用于基于所述编码和视频文件参数信息来决定视频流的分割以及分割后每一视频单元的帧频总量，控制部按照视频流的分割时序在每一视频单元中写入连续码，并将所述连续码对应的输入至追溯模块中用于视频流监测过程中的追踪；分配模块，用于在控制部的控制下将连续的视频单元基于设定的连续码依次输入并将每一视频单元分解成若干组连续的帧频单元；处理矩阵，用于在控制部的控制下将若干组连续的帧频单元依次输入至处理矩阵，所述处理矩阵包括 n
✖
m个处理单元，其中n、m为大于3的整数，每一处理单元具有分解单元，该分解单元用于将帧频单元分解成连续的帧，监测单元，用于对每一帧的图像信号电平进行监测，并与设定的基准电平进行比对，基于比对的结果来判断每一帧的质量及质量参数；标定模块，用于基于每一帧的质量及质量参数在所述帧的属性值中写入设定标记并进行记录；以及机器学习系统，所述机器学习系统被配置成基于接收到的处理矩阵监测每一帧的质量参数输入至神经网络模型中进行迭代训练并进行连续评估，以获取视频流的健康度；融合模块，健康度评估完毕后利用融合模块将视频单元按照连续码融合并存储服务器的存储模块中。
28.所述追溯模块接收到连续码后选择用追踪路径表示视频单元的处理过程，通过第
一路径来表示分配模块中的分解追踪，通过与第一路径连续顺延的第二路径表示处理矩阵中的监测追踪，以及通过与第二路径连续顺延的第三路径表示设定标记中的标记追踪。
29.所述标定模块由监测到的每一帧的图像信号电平的模拟值来表示所述质量参数；基于所述模拟值和基准电平之间的差值来确定每一帧的质量。
30.本身申请的原理为：从客户端采集到视频流后，只需要对应的监测其编码和视频流的文件属性，从中提取视频流的格式信息、视频码率信息、视频大小信息等，基于视频流的格式信息、视频码率信息、视频大小信息可以将所述视频流按照设定的帧数分割成多个连续的等额视频单元，每一视频单元包含了确定数量的帧数，在处理矩阵下，每一处理处理单元将帧频单元分解成连续的帧；对每一帧的图像信号电平进行监测，并与设定的基准电平进行比对，基于比对的结果来判断每一帧的质量及质量参数。在一些实施例中，处理矩阵可以同时完成多个视频单元的处理工作，一般的处理矩阵可以设置成20行20列处理单元，在进行视频单元的分配时，具有一个控制单元和加载单元，所述加载单元按照视频单元的总帧量将视频单元加载到多个处理单元中，比如在矩阵单元中形成一个由4行4列处理单元组成的处理组块，该处理组块用于处理其中一个视频单元，依次类推，还包括一个任务监控模块，该任务监控模块在控制单元的控制下监控每一处理组块的任务完成情况，若处理组块已经对应的完成了视频单元中所有帧的质量监测，则控制单元触发加载单元加载在排队中的视频单元到处理组块中，其中，处理组块可以通过视频单元的总帧量来决定，也可以通过设置规定其组合形式。无论时哪种方式，都属于本发明的保护范围。
31.所述质量参数由监测到的每一帧的图像信号电平的模拟值表示；每一帧的质量基于所述模拟值和基准电平之间的差值来确定。基于接收到的处理矩阵监测每一帧的质量参数输入至神经网络模型中进行迭代训练并进行连续评估，以获取视频流的健康度。因此本方案可以将视频流分解成等额的帧数，通过监测每一帧的质量来评估整体的视频流的质量（也就是健康度），监测过程只需要对每一帧的图像信号电平进行监测即可，无需使用复杂的函数和计算工具。
32.本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实例的说明只是用于帮助理解本发明的方法及其核心思想。以上所述仅是本发明的优选实施方式，应当指出，由于文字表达的有限性，而客观上存在无限的具体结构，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进、润饰或变化，也可以将上述技术特征以适当的方式进行组合；这些改进润饰、变化或组合，或未经改进将发明的构思和技术方案直接应用于其它场合的，均应视为本发明的保护范围。