一种视频分析方法以及智能分析服务器技术

本发明专利技术公开了一种视频分析方法，其包括如下步骤：S10，接入监控设备存储的历史数据，通过openCV和ffmpeg将历史数据进行分帧处理为帧队列；其中，历史数据为监控设备记录的过去发生的视频数据；S20，通过现场的监控设备采集实时数据，通过ffmpeg对实时数据进行解码，并分帧处理为帧队列；其中，实时数据为监控设备实时采集的监控视频数据；S30，根据历史数据的帧队列与实时数据的帧队列建立多层卷积分神经网络，对帧队列中的每帧图片进行检测分析，识别图片中的对象目标。本发明专利技术的有益效果在于可提高对视频中的对象目标识别的准确性，降低监控平台或系统的误报率。

A video analysis method and an intelligent analysis server

The invention discloses a video analysis method, which comprises the following steps: S10, historical data access monitoring equipment storage, through openCV and ffmpeg to the historical data of the sub frame to frame queue; among them, the historical data for monitoring records of past video data; S20, real-time data acquisition through monitoring equipment the scene, through the ffmpeg to decode the real-time data, and frame processing for frame queue; the real-time data of video surveillance data real-time monitoring equipment; S30, according to the frame queue frame queue historical data and real-time data to establish multi volume integral neural network, analysis of each frame picture frame queue the picture of the target object recognition. The beneficial effect of the invention is that it can improve the accuracy of object recognition in the video, and reduce the false alarm rate of the monitoring platform or system.

【技术实现步骤摘要】
一种视频分析方法以及智能分析服务器
本专利技术涉及视频分析的
，特别涉及一种视频分析方法以及智能分析服务器。
技术介绍
安防监控在预防和打击犯罪，维护社会秩序，预防灾害事故，减少个人和集体人身伤害和财产损失等方面起到了非常积极的作用。如利用安防监控和智能视频分析技术对重要区域进行有效监控，一方面能够在一定程度上威慑犯罪分子的行动，起到预防性；另一方面，一旦发生入侵等犯罪活动，能够及时发现并报警，自动记录犯罪现场，协助工作人员及时破案，大大提高效率，同时节省大量的人力、物力和财力。其中，智能视频分析是安防监控中一项重要的技术，其是指通过将场景中背景和目标分离，进而分析并追踪在摄像机场景内出现的关注目标。运用智能视频分析在一些重要区域进行目标检测，能够代替值守人员24小时工作，实现无人值守。但在现实应用中，智能视频分析服务器都是使用传统算法，而实际环境中的光照变化、目标运动的复杂性、目标受到遮挡、目标与背景颜色相似、背景杂乱等情况都会增加目标检测与跟踪算法设计的难度，从而导致大量错误报警，显得一般的传统算法无法满足使用需要，同时一般的传统算法都是针对性检测目标，关注目标变化，同时需要对算法进行更改，并不能普及。
技术实现思路
为解决上述问题，本专利技术的主要目的是提供一种视频分析方法，皆在提高对视频中的对象目标识别的准确性，降低监控平台或系统的误报率。为实现上述目的，本专利技术提出的视频分析方法，其包括如下步骤：S10，接入监控设备存储的历史数据，通过openCV和ffmpeg将历史数据进行分帧处理为帧队列。其中，历史数据为监控设备记录的过去发生的视频数据。S20，通过现场的监控设备采集实时数据，通过ffmpeg对实时数据进行解码，并分帧处理为帧队列。其中，实时数据为监控设备实时采集的监控视频数据。S30，根据历史数据的帧队列与实时数据的帧队列建立多层卷积分神经网络，对帧队列中的每帧图片进行检测分析，识别图片中的对象目标。优选地，在步骤S30中，多层卷积神经网络的分析检测的过程如下：S31，将帧队列中的每帧图像数据以多个不同权重的过滤器叠加为卷积层。S32，扫描每帧图像数据，并在局部连接时进行卷积加偏置运算，提取局部特征，获得图像的特征映射数组。S33，通过非线性函数去除冗余信息以得到新的输出数组，并将在池化层生成特征数据作为下一卷积层的输入源。S34，重复步骤S32～步骤S33，直至提取到组合抽象特征或全局特征映射的特征数据。S35，采用全连接方式，将最后提取的深层的特征数据数组送至分类器，识别图片中的对象目标。优选地，步骤S30中，在对帧队列中的每帧图片进行检测分析时，根据监控设备所处的场景以及应用场合，选择与其场景对应的目标特征模型对帧队列进行分析检测。优选地，该视频分析方法还包括：S40，通过时间序列和连续多帧关系对多层卷积神经网络识别到的对象目标进行过滤。优选地，在步骤S40中，对多层卷积神经网络识别到的对象目标进行过滤过程为：S41，判断相邻两帧之间的识别到的对象目标是否均为关注目标，若是，则进行下一步，若不是，则排除识别到的对象目标。S42，判断相邻两帧之间的重叠率是否合理，若合理，则进行下一步，若不合理，则排除识别到的对象目标。S43，判断识别到的对象目标的最大值与最小值是否合理，若最大值与最小值均合理，则保留识别到的对象目标。否则，排除识别到的对象目标。本专利技术还提出一种智能分析服务器，其包括：历史数据接入模块、实时数据接入模块、数据分析检测模块以及输出模块。历史数据接入模块与数据分析检测模块的第一输入端连接，其用于接收监控设备存储的历史数据，并将历史数据进行分帧处理，以帧队列的形式输出至数据分析检测模块。实时数据接入模块与数据分析检测模块的第二输入端连接，其用于接收监控设备实时采集的实时数据，并将实时数据进行解码、分帧处理，以帧队列的形式输出至数据分析检测模块。数据分析检测模块内设有多层卷积神经网络算法程序，用于对帧队列中的每帧图片进行检测分析并识别出图片中的对象目标。识别目标输出模块与数据分析检测模块的输出端连接，其用于将从历史数据与实时数据中识别到的对象目标发送给监控平台或系统。优选地，数据分析检测模块分析检测的过程如下：S51，将帧队列中的每帧图像数据以多个不同权重的过滤器叠加为卷积层。S52，扫描每帧图像数据，并在局部连接时进行卷积加偏置运算，提取局部特征，获得图像的特征映射数组。S53，通过非线性函数去除冗余信息以得到新的输出数组，并将在池化层生成特征数据作为下一卷积层的输入源。S54，重复步骤S52～步骤S53，直至提取到组合抽象特征或全局特征映射的特征数据。S55，采用全连接方式，将最后提取的深层的特征数据数组送至分类器，识别图片中的对象目标。优选地，该智能分析服务器还包括目标特征模型匹配模块，其与数据分析检测模块的第三输入端连接，用于根据监控设备所处的场景以及应用场合，选择与其场景对应的目标特征模型对帧队列进行分析检测。优选地，该智能分析服务器还包括数据过滤模块，其输入端与数据分析检测模块的输出端连接，其输出端与识别目标输出模块的输入端连接，用于对数据分析检测模块识别到的对象目标进行过滤。优选地，数据过滤模块的过滤过程如下:S61，判断相邻两帧之间的识别到的对象目标是否均为关注目标，若是，则进行下一步，若不是，则排除识别到的对象目标。S62，判断相邻两帧之间的重叠率是否合理，若合理，则进行下一步，若不合理，则排除识别到的对象目标。S63，判断识别到的对象目标的最大值与最小值是否合理，若最大值与最小值均合理，则保留识别到的对象目标。否则，排除识别到的对象目标。本专利技术提供的视频分析方法及智能分析服务器，可以对已经发生并保存为相关格式文件的音视频历史数据进行分析检测，也可实时分析检测当前正在发生的数据流；采用了卷积神经网络算法，相对于传统算法，分析检测能力更高，误报率更低；目标特征模型可根据不同场景及应用环境自行选择匹配，而无需对系统进行修改或者升级，使分析检测更具明确性和精准性，且使用方便性；通过对识别到的对象目标进行多重过滤，降低了误报率。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图示出的结构获得其他的附图。图1为本专利技术视频分析方法一实施例的流程示意图；图2为本专利技术智能分析服务器一实施例的结构示意图；本专利技术目的实现、功能特点及优点将结合实施例，参照附图做进一步说明。具体实施方式本专利技术提出一种视频分析方法。参照图1，图1为本专利技术视频分析方法一实施例的流程示意图。如图1所示，在本专利技术实施例中，该视频分析方法包括以下步骤：S10，接入监控设备存储的历史数据，通过openCV和ffmpeg将历史数据进行分帧处理为帧队列。其中，历史数据为监控设备记录的或者存放于局域网内其他存储设备存储的过去发生的视频数据，如AVI、WMV、MPEG或MP4等格式的视频数据。在本实施例中，先对历史数据进行视频格式识别，然后通过openCV和ffmpeg分帧压缩成一帧一帧相对独立的图片，并存于帧队列本文档来自技高网...

【技术保护点】
一种视频分析方法，其特征在于，包括如下步骤：S10，接入监控设备存储的历史数据，通过openCV和ffmpeg将历史数据进行分帧处理为帧队列；其中，所述历史数据为监控设备记录的过去发生的视频数据；S20，通过现场的监控设备采集实时数据，通过ffmpeg对实时数据进行解码，并分帧处理为帧队列；其中，所述实时数据为监控设备实时采集的监控视频数据；S30，根据历史数据的帧队列与实时数据的帧队列建立多层卷积分神经网络，对帧队列中的每帧图片进行检测分析，识别图片中的对象目标。

【技术特征摘要】
1.一种视频分析方法，其特征在于，包括如下步骤：S10，接入监控设备存储的历史数据，通过openCV和ffmpeg将历史数据进行分帧处理为帧队列；其中，所述历史数据为监控设备记录的过去发生的视频数据；S20，通过现场的监控设备采集实时数据，通过ffmpeg对实时数据进行解码，并分帧处理为帧队列；其中，所述实时数据为监控设备实时采集的监控视频数据；S30，根据历史数据的帧队列与实时数据的帧队列建立多层卷积分神经网络，对帧队列中的每帧图片进行检测分析，识别图片中的对象目标。2.如权利要求1所述的视频分析方法，其特征在于，在步骤S30中，多层卷积神经网络的分析检测的过程如下：S31，将帧队列中的每帧图像数据以多个不同权重的过滤器叠加为卷积层；S32，扫描每帧图像数据，并在局部连接时进行卷积加偏置运算，提取局部特征，获得图像的特征映射数组；S33，通过非线性函数去除冗余信息以得到新的输出数组，并将在池化层生成特征数据作为下一卷积层的输入源；S34，重复步骤S32～步骤S33，直至提取到组合抽象特征或全局特征映射的特征数据；S35，采用全连接方式，将最后提取的深层的特征数据数组送至分类器，识别图片中的对象目标。3.如权利要求1所述的视频分析方法，其特征在于，所述步骤S30中，在对帧队列中的每帧图片进行检测分析时，根据监控设备所处的场景以及应用场合，选择与其场景对应的目标特征模型对帧队列进行分析检测。4.如权利要求1～3任意一项所述的视频分析方法，还包括：S40，通过时间序列和连续多帧关系对多层卷积神经网络识别到的对象目标进行过滤。5.如权利要求4所述的视频分析方法，在所述步骤S40中，对多层卷积神经网络识别到的对象目标进行过滤过程为：S41，判断相邻两帧之间的识别到的对象目标是否均为关注目标，若是，则进行下一步，若不是，则排除识别到的对象目标；S42，判断相邻两帧之间的重叠率是否合理，若合理，则进行下一步，若不合理，则排除识别到的对象目标；S43，判断识别到的对象目标的最大值与最小值是否合理，若最大值与最小值均合理，则保留识别到的对象目标；否则，排除识别到的对象目标。6.一种智能分析服务器，其特征在于，包括：历史数据接入模块、实时数据接入模块、数据分析检测模块以及输出模块；所述历史数据接入模块与...

【专利技术属性】
技术研发人员：邓先明，欧阳艳，宋家毅，
申请(专利权)人：深圳市信海通科技有限公司，
类型：发明
国别省市：广东,44