一种视频浓缩方法、系统、存储介质及电子设备技术方案

一种视频浓缩方法、系统、存储介质及电子设备，涉及视频处理技术领域。该方法包括：获取待处理视频，并在所述待处理视频中确定待检测的目标区域视频；基于深度学习目标检测模型以及所述待处理视频对应的跳帧间隔数，对所述目标区域视频中的目标对象进行检测，得到至少一帧包含所述目标对象的视频帧图像；根据各所述视频帧图像生成浓缩视频。实施本申请提供的技术方案，具有提升对视频信息处理的效率的效果。果。果。

【技术实现步骤摘要】
一种视频浓缩方法、系统、存储介质及电子设备


[0001]本申请涉及视频处理
，具体涉及一种视频浓缩方法、系统、存储介质及电子设备。

技术介绍

[0002]监控摄像头记录了特定场景每一分每一秒所经历的变化，其拍摄的监控视频包含丰富的信息。因此，监控视频被广泛应用于国防军事、智能安防、交通管控、居家监测等领域，为相关技术提供重要的数据支持，是一种极其重要的数据形式。
[0003]随着智慧社区建设和智慧安防行业的快速发展，智能视频监控技术被广泛应用于智慧社区的安防建设工程中。大量的安防监控摄像头布设在社区的公共场所，尤其是社区的卡口，对社区进出的行人、车辆等重要事件目标进行全天候监控。通过视频监控可以直观的获取信息，但是随着社会迈入信息化时代与大数据时代，监控视频的数量正呈几何倍数增长，且视频监控中亦包含着大量冗余的背景信息，所以当人们对海量的视频数据进行存储、检索时会存在一定问题，比如在对社区监控的查看和检索时，需要耗费大量的人力成本和工作时间，降低了对视频信息处理的效率。

技术实现思路

[0004]本申请提供了一种视频浓缩方法、系统、存储介质及电子设备，具有提升对视频信息处理的效率的效果。
[0005]第一方面，本申请提供了一种视频浓缩方法，采用如下技术方案：获取待处理视频，并在所述待处理视频中确定待检测的目标区域视频；基于深度学习目标检测模型以及所述待处理视频对应的跳帧间隔数，对所述目标区域视频中的目标对象进行检测，得到至少一个包含所述目标对象的视频帧图像；根据各所述视频帧图像生成浓缩视频。
[0006]通过采用上述技术方案，在原始的待处理视频中确定出待检测的目标区域视频，减少了对目标区域外的对象的检测，提高了对视频浓缩效果，再基于深度学习目标检测模型以及跳帧间隔数对目标区域视频中的目标对象进行检测，可以得到至少一个包含目标对象的视频帧图像，根据各视频帧图像生成浓缩视频，使得浓缩视频包含了目标区域视频中的所有目标对象对应的视频帧图像，减小了原始视频的文件大小且缩短了原始视频的时长，进而提升了对视频信息处理的效率。
[0007]可选的，所述获取待处理视频之前，还包括：构建初始的深度学习目标检测模型；将视频样本输入至所述初始的深度学习目标检测模型中进行训练；基于损失函数计算训练过程中的损失值，当所述损失值低于损失阈值时停止训练，得到训练完成的深度学习目标检测模型。
[0008]通过采用上述技术方案，对初始的深度学习目标检测模型进行训练，并计算训练过程中的损失值，当失值低于损失阈值时停止训练，以训练出准确度更高的深度学习目标
检测模型，从而提高对目标对象的检测。
[0009]可选的，所述获取待处理视频，并在所述待处理视频中确定待检测的目标区域视频，包括：获取监控终端发送的待处理视频；根据预置的有效区域，确定所述待处理视频中每帧图像的待检测的目标区域；在所述待处理视频中将所述目标区域对应的每帧图像缩小至第一分辨率，得到目标区域视频。
[0010]通过采用上述技术方案，由于原始的待处理视频可能拍摄较大范围的区域，但是实际情况可能只需要关注一个目标区域，比如目标区域可以是一个小区门口的卡口门禁区域，划分出目标区域可以减少对目标区域外的对象的检测，提高了对视频浓缩效果，同时将待处理视频中目标区域对应的每帧图像缩放至第一分辨率，可以减少在深度学习目标检测模型中的计算量。
[0011]可选的，所述基于深度学习目标检测模型以及所述待处理视频对应的跳帧间隔数，对所述目标区域视频中的目标对象进行检测之前，还包括：获取所述待处理视频对应的拍摄时间；根据所述拍摄时间所属的时间段确定所述目标区域视对应的跳帧间隔数。
[0012]通过采用上述技术方案，根据待处理的视频对应的拍摄时间所属时间段来确定目标区域视对应的跳帧间隔数，比如根据白天夜晚来确定跳帧间隔数，通过灵活调整跳帧间隔数，可以进一步提高对原始视频进行浓缩的效率。
[0013]可选的，所述基于深度学习目标检测模型以及所述待处理视频对应的跳帧间隔数，对所述目标区域视频中的目标对象进行检测，得到至少一个包含所述目标对象的视频帧图像，包括：读取所述目标区域视频中的视频帧图像；基于深度学习目标检测模型，将当前读取到的包含目标对象的视频帧图像进行保存，并根据所述跳帧间隔数，读取下一视频帧图像；判断所述下一视频帧图像是否读取成功；若所述下一视频帧图像读取成功，则将所述下一视频帧图像作为所述当前读取到的视频帧图像，并执行所述将当前读取到的包含目标对象的视频帧图像进行保存的步骤，直至将所述目标区域视频读取完，并保存至少一个包含所述目标对象的视频帧图像；若所述下一视频帧图像读取失败，则结束对所述目标区域视频的检测。
[0014]通过采用上述技术方案，依次读取目标区域视频中的视频帧图像，将当前帧读取到的包含目标对象的视频帧图像进行保存，直至将目标区域视频读取完，即可将包含目标对象的视频帧图像全部进行保存，为后续的视频浓缩提供了基础。
[0015]可选的，所述基于深度学习目标检测模型，将当前帧读取到的包含目标对象的视频帧图像进行保存，包括：将所述当前读取到的视频帧图像输入至所述深度学习目标检测模型中，判断当前读取到的视频帧图像是否存在目标对象；若当前帧读取到的视频帧图像存在目标对象，将所述当前帧读取到的视频帧图像作为有效帧，将所述有效帧对应的视频帧图像以及所述有效帧的拖尾帧对应的视频帧图像进行保存，所述拖尾帧为所述有效帧后的预置次数帧；若当前读取到的视频帧图像不存在目标对象，则不保存所述当前读取到的视频帧图像，并执行所述根据所述跳帧间隔数，读取下一视频帧图像的步骤。
[0016]通过采用上述技术方案，将有效帧对应的视频帧图像以及有效帧的拖尾帧对应的视频帧图像进行保存，保证了在浓缩视频中目标对象消失后的帧图像画面的连续性。
[0017]可选的，所述根据各所述视频帧图像生成浓缩视频，包括：将各所述视频帧图像按
照存储顺序进行计数编号；将所述第一分辨率对应的视频帧图像转换成第二分辨率，并按照所述编号生成浓缩视频，所述第二分辨率大于所述第一分辨率。
[0018]通过采用上述技术方案，将第一分辨率对应的视频帧图像转换成第二分辨率，并按照编号生成浓缩视频，可以保证浓缩视频画面显示的质量。
[0019]在本申请的第二方面提供了一种视频浓缩系统，所述系统包括：目标区域视频确定模块，用于获取待处理视频，并在所述待处理视频中确定待检测的目标区域视频；视频帧图像获取模块，用于基于深度学习目标检测模型以及所述待处理视频对应的跳帧间隔数，对所述目标区域视频中的目标对象进行检测，得到至少一个包含所述目标对象的视频帧图像；浓缩视频生成模块，用于根据各所述视频帧图像生成浓缩视频。
[0020]在本申请的第三方面提供了一种计算机存储介质，所述计算机存储介质存储有多条指令，所述指令适于由处理器加载并执行上述的方法步骤。
[0021]在本申请的第四方面提供了一种电子设备，包括：处理器和存储器；其中，所述本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种视频浓缩方法，其特征在于，所述方法包括：获取待处理视频，并在所述待处理视频中确定待检测的目标区域视频；基于深度学习目标检测模型以及所述待处理视频对应的跳帧间隔数，对所述目标区域视频中的目标对象进行检测，得到至少一帧包含所述目标对象的视频帧图像；根据各所述视频帧图像生成浓缩视频。2.根据权利要求1所述的视频浓缩方法，其特征在于，所述获取待处理视频之前，还包括：构建初始的深度学习目标检测模型；将视频样本输入至所述初始的深度学习目标检测模型中进行训练；基于损失函数计算训练过程中的损失值，当所述损失值低于损失阈值时停止训练，得到训练完成的深度学习目标检测模型。3.根据权利要求1所述的视频浓缩方法，其特征在于，所述获取待处理视频，并在所述待处理视频中确定待检测的目标区域视频，包括：获取监控终端发送的待处理视频；根据预置的有效区域，确定所述待处理视频中每帧图像的待检测的目标区域；在所述待处理视频中将所述目标区域对应的每帧图像缩小至第一分辨率，得到目标区域视频。4.根据权利要求1所述的视频浓缩方法，其特征在于，所述基于深度学习目标检测模型以及所述待处理视频对应的跳帧间隔数，对所述目标区域视频中的目标对象进行检测之前，还包括：获取所述待处理视频对应的拍摄时间；根据所述拍摄时间所属的时间段确定所述目标区域视对应的跳帧间隔数。5.根据权利要求3所述的视频浓缩方法，其特征在于，所述基于深度学习目标检测模型以及所述待处理视频对应的跳帧间隔数，对所述目标区域视频中的目标对象进行检测，得到至少一个包含所述目标对象的视频帧图像，包括：读取所述目标区域视频中的视频帧图像；基于深度学习目标检测模型，将当前读取到的包含目标对象的视频帧图像进行保存，并根据所述跳帧间隔数，读取下一视频帧图像；判断所述下一视频帧图像是否读取成功；若所述下一视频帧图像读取成功，则将所述下一视频帧图像作为所述当前读取到的视频帧图像，并执行所述将当前读取到的包含目标对象的视频帧图像进行保存的步骤，直至将...

【专利技术属性】
技术研发人员：蒋铭，梅雨，杨广学，段红伟，孙禄明，杨海松，周成，
申请(专利权)人：全景智联武汉科技有限公司，
类型：发明
国别省市：