一种基于深度学习的视频抽帧方法和系统技术方案

本发明专利技术实施例提供一种基于深度学习的视频抽帧方法和系统，通过人工和深度学习模型的辅助，对按设定的时间间隔对相应帧数图像进行模糊、过曝、敏感信息、目标识别，将识别的相应帧数信息存储每16帧生成一个4

【技术实现步骤摘要】
一种基于深度学习的视频抽帧方法和系统


[0001]本专利技术实施例涉及视频图像分析
，尤其涉及一种基于深度学习的视频抽帧方法和系统。

技术介绍

[0002]智能化是汽车行业发展的重要趋势，自动驾驶技术是汽车智能化的一个重要分枝，也是目前各大厂商着重研究的方向。自动驾驶系统按智能化程度由低到高分为L0
‑
L5六个等级，目前驾驶技术已发展至开发允许自动驾驶系统代替驾驶员独立驾驶车辆的L3等级。由于L3等级需要自动驾驶系统独立驾驶车辆，因此系统应用场景更加复杂，需要大量的样本数据进行自动驾驶模型的训练和验证。
[0003]为了进一步提升自动驾驶汽车上摄像头对目标的精准识别能力，常需采集到各种场景下的道路的大量视频图片对模型进行训练，训练前对采集到视频数据的抽帧预处理也属于重要的环节之一，传统视频预处理方法为人工在视频中手动标记需要抽帧的时间段，或在数据采集时人工打点，记录目标时刻。之后根据记录的时间段将视频中对应的帧数转换成图片后人工对每张图片进行筛选，通过人工审核过滤掉包含敏感信息、模糊、过曝、和不含目标物的图片，筛本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的视频抽帧方法，其特征在于，包括：步骤S1、对检测视频中每一帧图像进行亮度检测和模糊检测，确定每一帧图像的色偏度值和灰度图方差值，并计算检测视频的视频平均灰度图方差值；步骤S2、基于预先训练好的深度学习模型识别每一帧图像中的敏感目标，并对敏感目标进行预标注；所述预标注包括敏感目标位置和敏感目标类型；步骤S3、基于每相邻若干帧图像的色偏度值、灰度图方差值、视频平均灰度图方差值、敏感目标位置、敏感目标类型、图像对应的时间生成二维码，并依次插入检测视频最后一帧；步骤S4、基于预设抽帧间隔、脱敏目标类型、灰度图方差值范围和时间范围抽取目标图像，并基于预设规则对目标图像中的敏感目标进行模糊化处理。2.根据权利要求1所述的基于深度学习的视频抽帧方法，其特征在于，所述敏感目标包括限高标识、限重标识、军事区域、发电站、连续密集高压线、人脸、车道线、障碍物、预设特殊类型车辆和交通标志牌。3.根据权利要求1所述的基于深度学习的视频抽帧方法，其特征在于，所述步骤S1具体包括：基于计算机视觉和机器学习软件库opencv中的brightnessException对检测视频中每一帧图像进行亮度检测，得到每一帧图像的色偏度值cast和色偏方向值da；将每一帧图像转换为灰度图，并基于计算机视觉和机器学习软件库opencv中的Laplacian算子计算灰度图方差值，并计算视频平均灰度图方差值。4.根据权利要求3所述的基于深度学习的视频抽帧方法，其特征在于，若所述色偏度值cast＞1，则表示亮度异常；若色偏度值cast＞1，且色偏方向值da＞0，则表示图像亮度过亮，若色偏度值cast＞1，且色偏方向值da＜0，则表示图像亮度过暗；否则表示图像亮度正常。5.根据权利要求1所述的基于深度学习的视频抽帧方法，其特征在于，所述步骤S3具体包括：步骤S31、根据检测视频开始时间戳和当前帧图像的帧数，确定...

【专利技术属性】
技术研发人员：程德心，周风明，付玥，姚曦煜，
申请(专利权)人：武汉光庭信息技术股份有限公司，
类型：发明
国别省市：