一种基于人工智能的视频分析方法及系统技术方案

本发明专利技术涉及视频分析技术领域，公开了一种基于人工智能的视频分析方法及系统，获取多个视频分析任务，提取视频分析任务中对应摄像头拍摄的初始监控视频，对初始监控视频进行预处理，得到待分析视频；获取视频分析任务中的跟踪目标，基于跟踪目标对待分析视频中进行识别处理，确定目标分析对象；从待分析视频中分割出包含目标分析对象的待处理影像数据，其中待处理影像数据包括待分析视频数据和/或待处理图像数据；将待处理影像数据输入任务分析模型中，通过任务分析模型对待处理影像数据中目标分析对象进行行为分析，并由任务分析模型输出视频分析任务对应的分析结果；本发明专利技术基于人工智能技术实现对视频针对性分析，提高视频分析效率。效率。效率。

【技术实现步骤摘要】
一种基于人工智能的视频分析方法及系统


[0001]本专利技术涉及视频分析
，具体涉及一种基于人工智能的视频分析方法及系统。

技术介绍

[0002]视频监控是安全防范的重要手段，传统的视频监控系统包括前端摄像机、传输线缆和视频监控平台，监控人员可以在监控室中通过视频监控平台查看由前端摄像机拍摄的监控区域的视频，解决了现场盯防的人力成本问题。随着摄像头数量的增加以及视频监控任务的复杂度增加，人工查看视频的成本也越来越高，因此我们提出一种基于物联网的视频监控安全管理方法及系统。

技术实现思路

[0003]本专利技术的目的是为了解决上述问题，设计了一种基于人工智能的视频分析方法及系统。
[0004]本专利技术第一方面提供一种基于人工智能的视频分析方法，所述基于人工智能的视频分析方法包括以下步骤：获取多个视频分析任务，提取所述视频分析任务中对应摄像头拍摄的初始监控视频，对所述初始监控视频进行预处理，得到待分析视频；获取所述视频分析任务中的跟踪目标，基于所述跟踪目标对所述待分析视频中进行识别处理，确定目标分析对象；从所述待分析视频中分割出包含所述目标分析对象的待处理影像数据，其中所述待处理影像数据包括待分析视频数据和/或待处理图像数据；将所述待处理影像数据输入任务分析模型中，通过所述任务分析模型对所述待处理影像数据中所述目标分析对象进行行为分析，并由所述任务分析模型输出所述视频分析任务对应的分析结果。
[0005]可选的，在本专利技术第一方面的第一种实现方式中，对所述初始监控视频进行预处理，得到待分析视频，包括：将所述初始监控视频分解成多个视频帧，利用Wrapping算法对所述视频帧进行曲波变换，获得曲波系数集；对所述曲波系数集进行归一化，得到标准曲波系数集；在拟合优度检验框架内，对所述标准曲波系数集中的部分进行计算，得到检验统计量；将所述检验统计量与预设阈值进行比较，以确定为噪声系数还是信号系数；对拟合优度检验后的所述标准曲波系数集中剩余部分进行逆归一化，得到去噪后的曲波系数；利用曲波逆变换运算重构去噪后的曲波系数，得到待分析视频。
[0006]可选的，在本专利技术第一方面的第二种实现方式中，所述获取所述视频分析任务中的跟踪目标，基于所述跟踪目标对所述待分析视频中进行识别处理，确定目标分析对象，包括：获取所述视频分析任务中的跟踪目标，基于所述跟踪目标对所述待分析视频中进行识别处理，确定目标分析对象；采用区域生长法分割所述待分析视频的帧图像，计算当前帧图像的灰度均值后将上一帧图像目标中心作为种子，在区域内生长，通过腐蚀运算处理生长结束的二值图像；当图像目标中心像素值为1时，在该目标像素窗中，检测像素的横纵坐标都为1的点，获取横坐标最大值、横坐标最小值、坐标最大值和坐标最小值；根据横坐标最大值、横坐标最小值、坐标最大值和坐标最小值获取目标中心位置横、纵坐标，从而确定目标分析对象。
[0007]可选的，在本专利技术第一方面的第三种实现方式中，从所述待分析视频中分割出包含所述目标分析对象的待处理影像数据，包括：获取所述待分析视频的视频序列图像，将所述视频序列图像从RGB颜色空间转换成灰度图，得到灰度图像数据；对所述灰度图像数据进行去均值及白化处理，使用独立成分分析法分离出包含所述目标分析对象的疑似区域；对包含所述目标分析对象的疑似区域进行图像形态学处理，得到包含所述目标分析对象的目标区域；提取包含所述目标分析对象的目标区域，并生成待处理影像数据。
[0008]可选的，在本专利技术第一方面的第四种实现方式中，所述任务分析模型的生成过程包括以下步骤：获取历史视频数据，对所述历史视频数据进行预处理后，按一定比例将所述历史视频数据划分为训练集和测试集，采用由四个残差模块组成的ResNeXt101残差网络为卷积网络主体，获得初始分析模型；将训练集输入所述初始分析模型中进行训练，得到所述初始分析模型的参数；调整所述初始分析模型中的参数，得到所述初始分析模型的最优模型参数后，构建训练分析模型；通过所述测试集以及损失函数计算所述训练分析模型的误差，将误差最小的训练分析模型作为任务分析模型。
[0009]可选的，在本专利技术第一方面的第五种实现方式中，所述将训练集输入所述初始分析模型中进行训练，包括：ResNeXt网络结构采用拓扑相同的平行块重叠起来，所述训练集通过1*1的卷积进行降维，再升维到3*3，在输出前再降维到1*1，将所述训练集分为多个小特征图，每次卷积操作结束后，进行批量归一化运算，加入ＲＥＬＵ激活函数，在完成恒等捷径后，重新利用激活函数对数据进行处理；将残差块和恒等捷径连接的输出聚合起来。
[0010]可选的，在本专利技术第一方面的第六种实现方式中，将所述待处理影像数据输入任务分析模型中，通过所述任务分析模型对所述待处理影像数据中所述目标分析对象进行行为分析，并由所述任务分析模型输出所述视频分析任务对应的分析结果，包括：
对所述待处理影像数据进行稀疏采样，抽取8帧图像堆叠组成所述任务分析模型的网络输入；使用多个卷积层对输入的图像进行特征提取，将卷积层输出的特征平铺为一维向量输入到全连接层中；将所述全连接层的输出相加并按帧数取均值得到所述视频分析任务对应的分析结果。
[0011]本专利技术第二方面提供了一种基于人工智能的视频分析系统，所述基于人工智能的视频分析系统包括预处理模块、识别处理模块、图像分割模块和行为分析模块，其中：预处理模块，用于获取多个视频分析任务，提取所述视频分析任务中对应摄像头拍摄的初始监控视频，对所述初始监控视频进行预处理，得到待分析视频；识别处理模块，用于获取所述视频分析任务中的跟踪目标，基于所述跟踪目标对所述待分析视频中进行识别处理，确定目标分析对象；图像分割模块，用于从所述待分析视频中分割出包含所述目标分析对象的待处理影像数据，其中所述待处理影像数据包括待分析视频数据和/或待处理图像数据；行为分析模块，用于将所述待处理影像数据输入任务分析模型中，通过所述任务分析模型对所述待处理影像数据中所述目标分析对象进行行为分析，并由所述任务分析模型输出所述视频分析任务对应的分析结果。
[0012]可选的，在本专利技术第二方面的第一种实现方式中，所述预处理模块包括曲波变换子模块、归一化子模块、计算子模块、比较子模块、逆归一化子模块和重构去噪子模块，其中：曲波变换子模块，用于将所述初始监控视频分解成多个视频帧，利用Wrapping算法对所述视频帧进行曲波变换，获得曲波系数集；归一化子模块，用于对所述曲波系数集进行归一化，得到标准曲波系数集；计算子模块，用于在拟合优度检验框架内，对所述标准曲波系数集中的部分进行计算，得到检验统计量；比较子模块，用于将所述检验统计量与预设阈值进行比较，以确定为噪声系数还是信号系数；逆归一化子模块，用于对拟合优度检验后的所述标准曲波系数集中剩余部分进行逆归一化，得到去噪后的曲波系数；重构去噪子模块，用于利用曲波逆变换运算重构去噪后的曲波系数，得到待分析视频。
[0013]可选的，在本专利技术第二方面的第二种实现方式中，所述图像分割模块包括转换子模块、去均值子模块、形态学处理本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能的视频分析方法，其特征在于，所述基于人工智能的视频分析方法包括以下步骤：获取多个视频分析任务，提取所述视频分析任务中对应摄像头拍摄的初始监控视频，对所述初始监控视频进行预处理，得到待分析视频；获取所述视频分析任务中的跟踪目标，基于所述跟踪目标对所述待分析视频中进行识别处理，确定目标分析对象；从所述待分析视频中分割出包含所述目标分析对象的待处理影像数据，其中所述待处理影像数据包括待分析视频数据和/或待处理图像数据；将所述待处理影像数据输入任务分析模型中，通过所述任务分析模型对所述待处理影像数据中所述目标分析对象进行行为分析，并由所述任务分析模型输出所述视频分析任务对应的分析结果。2.如权利要求1所述的一种基于人工智能的视频分析方法，其特征在于，对所述初始监控视频进行预处理，得到待分析视频，包括：将所述初始监控视频分解成多个视频帧，利用Wrapping算法对所述视频帧进行曲波变换，获得曲波系数集；对所述曲波系数集进行归一化，得到标准曲波系数集；在拟合优度检验框架内，对所述标准曲波系数集中的部分进行计算，得到检验统计量；将所述检验统计量与预设阈值进行比较，以确定为噪声系数还是信号系数；对拟合优度检验后的所述标准曲波系数集中剩余部分进行逆归一化，得到去噪后的曲波系数；利用曲波逆变换运算重构去噪后的曲波系数，得到待分析视频。3.如权利要求1所述的一种基于人工智能的视频分析方法，其特征在于，所述获取所述视频分析任务中的跟踪目标，基于所述跟踪目标对所述待分析视频中进行识别处理，确定目标分析对象，包括：获取所述视频分析任务中的跟踪目标，基于所述跟踪目标对所述待分析视频中进行识别处理，确定目标分析对象；采用区域生长法分割所述待分析视频的帧图像，计算当前帧图像的灰度均值后将上一帧图像目标中心作为种子，在区域内生长，通过腐蚀运算处理生长结束的二值图像；当图像目标中心像素值为1时，在该目标像素窗中，检测像素的横纵坐标都为1的点，获取横坐标最大值、横坐标最小值、坐标最大值和坐标最小值；根据横坐标最大值、横坐标最小值、坐标最大值和坐标最小值获取目标中心位置横、纵坐标，从而确定目标分析对象。4.如权利要求1所述的一种基于人工智能的视频分析方法，其特征在于，从所述待分析视频中分割出包含所述目标分析对象的待处理影像数据，包括：获取所述待分析视频的视频序列图像，将所述视频序列图像从RGB颜色空间转换成灰度图，得到灰度图像数据；对所述灰度图像数据进行去均值及白化处理，使用独立成分分析法分离出包含所述目标分析对象的疑似区域；对包含所述目标分析对象的疑似区域进行图像形态学处理，得到包含所述目标分析对
象的目标区域；提取包含所述目标分析对象的目标区域，并生成待处理影像数据。5.如权利要求1所述的一种基于人工智能的视频分析方法，其特征在于，所述任务分析模型的生成过程包括以下步骤：获取历史视频数据，对所述历史视频数据进行预处理后，按一定比例将所述历史视频数据划分为训练集和测试集，采用由四个残差模块组成的ResNeXt101残差网络为卷积网络主体，获得初始分析模型；将训练集输入所述初始分析模型中进行训练，得到所述初始分析模型的参数；调整所述初始分析模型中的参数，得到所述初始分析模型的最优模型参数后，构建训练分析模型；通过所述测试集以及损失函数计算所述训练分析模型的误差，将误差最小的训练分析模型作为任务分析模型。6.如权利要求5所述的一种基于人工智能的视频分析...

【专利技术属性】
技术研发人员：李晓果，
申请(专利权)人：天津畅玩网络科技有限公司，
类型：发明
国别省市：