一种视频数据分析方法及系统技术方案

本发明专利技术公开了一种视频数据分析方法及系统，所述方法包括：在视频采集设备上将采集到的原始图像

【技术实现步骤摘要】
一种视频数据分析方法及系统


[0001]本专利技术涉及数据分析
，尤其是涉及一种视频数据分析方法及系统
。

技术介绍

[0002]随着现代社会的发展，人们对安全的需求也越迫切，安防系统的选择往往与其警情发现和处理的效率高低有关
。
在现有的系统中，大部分视频仍然采用被动式的监控方案
。
例如，在服务中心由专门人员监视显示器图像来进行行为的判断，或者事后调取存储的视频片段进行人工分析视频的方式
。
毫无疑问，上述监控方式的工作量较大，易疲劳，容易导致视频行为的漏报或误报
。
近年来，系统正在由数字化
、
网络化逐步走向智能化
。
智能化解决方案是未来安全的重要组成部分和迫切要求
。
[0003]安防系统是指采用图像处理
、
模式识别和计算机视觉技术，通过在系统中增加智能视频分析模块，借助计算机强大的数据处理能力过滤掉视频画面无用或干扰信息，自动识别不同物体，分析抽取视频源中的关键有用信息，快速准确定位事故现场，判断监控画面中的异常情况，并以最快速度和最佳方式发出警报或触发其它动作，从而有效进行事前预警
、
事中处理
、
事后及时取证的全自动实时智能监控系统
。
简单地说，智能化就是由计算机替代部分人脑的工作，对监控的图像自动进行分析并作出判断，出现异常时及时发出预警
。
简言之，智能化是指采用计算机视觉
、<br/>人工智能等专业知识对视频图像进行技术处理，分析目标的属性
、
特征
、
运动方向等信息来判断目标是否符合设定的规则，是否发送报警信号等，从而对事件进行及时处理，提高应急事件的反应速度
。
[0004]目前的视频数据海量且冗杂，其中无效的数据高达
70
％以上，占用大量存储，在监控硬件建设资金上占比较高，同时有效数据对比分析运算速度较慢，不能适用于一些长期监控区域的监控使用，不能实现提高数据对比分析速度，降低硬件成本，无法达到在提高数据分析能力的同时，来节省大量时间的目的，不能实现对监控图像数据进行任务化和资源化对比处理，来更加精准的进行数据比对，还无法保证监控具有较高时效性，从而对正常工作十分不利
。
[0005]一般来说，当前的智能视频分析技术在系统中的实现，主要分为两种方式：一种是基于后端服务纯软件处理分析，另一种是在前端设备即时分析
。
前一种方案的不足之处在于，当视频流通路数量大时，服务器端需要分析的视频数据量也极大，纯软件的分析效率会明显下降，无法满足实时分析的需求
。
后一种方案在面对高清视频
、
多目标
、
多规则的视频分析时，效率和灵活度受限
。
[0006]有鉴于此，如何设计一种智能视频数据分析的方法和系统，提高视频流信号的数据处理能力，是相关技术人员亟待解决的一项课题
。

技术实现思路

[0007]为克服相关技术中存在的问题，本专利技术提供一种视频数据分析方法及系统，用以解决相关技术中的缺陷
。
[0008]根据本专利技术的第一方面，提供一种视频数据分析方法，所述方法包括：
[0009]在视频采集设备上将采集到的原始图像
b
k
进行编码，获得编码信号
x
k
，并将所述编码信号
x
k
通过无线链路发送到后台服务器；
[0010]所述后台服务器在接收到对应所述编码信号
x
k
的观测信号
y
k
后，采用因子图表示观测信号模型，并在所述因子图上通过预设的消息传递算法推断出目标信号的近似后验分布，并通过预设的卷积神经网络计算获得所述目标信号的估计值
[0011]在所述后台服务器上将所述目标信号的估计值进行解码，获得所述原始图像
b
k
的估计值
[0012]优选地，所述视频采集设备通过预设的双向
LSTM
全连接神经网络对所述原始图像
b
k
进行编码，获得所述编码信号
x
k
；
[0013]其中，所述双向
LSTM
全连接神经网络包括一个输入层
、
若干个
LSTM
层
、
一个全连接层以及一个输出层；
[0014]其中，所述
LSTM
层用于进行以下计算：
[0015]i
k
＝
sigmoid(W
i
[b
k
‑1,b
k
]+a
i
)
[0016][0017][0018]其中，
W
i
和
a
i
分别为遗忘门全连接层的权重以及偏置，
b
k
为当前时刻的特征向量，
W
c
和
a
c
分别为状态更新层的权重以及偏置
。
[0019]优选地，所述在所述因子图上通过预设的消息传递算法推断出目标信号的近似后验分布，并通过预设的卷积神经网络计算获得所述目标信号的估计值包括：
[0020]在所述因子图中，将观测矩阵
H、
观测信号
y
k
以及转移概率
p(y
k
|z
k
)
输入所述消息传递算法，并初始化和
[0021]在所述消息传递算法中进行迭代计算，包括：通过置信传播规则将消息投影到高斯分布上，以推断出所述目标信号的近似后验分布；以及通过所述卷积神经网络计算获得所述目标信号的估计值
[0022]当达到预设的迭代结束条件时，输出最后一次迭代计算获得的所述目标信号的估计值
[0023]优选地，所述通过置信传播规则将消息投影到高斯分布上，以推断出所述目标信号的近似后验分布，具体为：
[0024]通过
KL
散度
d[p(x)||q(x)]表示分布
p(x)
和
q(x)
之间的距离；
[0025]通过一个高斯分布
q(x)
去近似
p(x)
，其表示为：
[0026][0027]其中，
[0028][0029][0030]Φ
为高斯分布族
。
[0031]优选地，所述消息传递算法为迭代算法，其输入为和输出为迭代次数为：
1≤t≤T
；其中，
T
为预设的最大迭代次数；
[0032]在每次迭代过程中，进行以下运算：
[0033][0034][003本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种视频数据分析方法，其特征在于，所述方法包括：在视频采集设备上将采集到的原始图像
b
k
进行编码，获得编码信号
x
k
，并将所述编码信号
x
k
通过无线链路发送到后台服务器；所述后台服务器在接收到对应所述编码信号
x
k
的观测信号
y
k
后，采用因子图表示观测信号模型，并在所述因子图上通过预设的消息传递算法推断出目标信号的近似后验分布，并通过预设的卷积神经网络计算获得所述目标信号的估计值在所述后台服务器上将所述目标信号的估计值进行解码，获得所述原始图像
b
k
的估计值
2.
根据权利要求1所述的方法，其特征在于，所述视频采集设备通过预设的双向
LSTM
全连接神经网络对所述原始图像
b
k
进行编码，获得所述编码信号
x
k
；其中，所述双向
LSTM
全连接神经网络包括一个输入层
、
若干个
LSTM
层
、
一个全连接层以及一个输出层；其中，所述
LSTM
层用于进行以下计算：
i
k
＝
sigmoid(W
i
[b
k
‑1,b
k
]+a
i
))
其中，
W
i
和
a
i
分别为遗忘门全连接层的权重以及偏置，
b
k
为当前时刻的特征向量，
W
c
和
a
c
分别为状态更新层的权重以及偏置
。3.
根据权利要求1所述的方法，其特征在于，所述在所述因子图上通过预设的消息传递算法推断出目标信号的近似后验分布，并通过预设的卷积神经网络计算获得所述目标信号的估计值包括：在所述因子图中，将观测矩阵
H、
观测信号
y
k
以及转移概率
p(y
k
|z
k
)
输入所述消息传递算法，并初始化和在所述消息传递算法中进行迭代计算，包括：通过置信传播规则将消息投影到高斯分布上，以推断出所述目标信号的近似后验分布；以及通过所述卷积神经网络计算获得所述目标信号的估计值当达到预设的迭代结束条件时，输出最后一次迭代计算获得的所述目标信号的估计值
4.
根据权利要求3所述的方法，其特征在于，所述通过置信传播规则将消息投影到高斯分布上，以推断出所述目标信号的近似后验分布，具体为：通过
KL
散度
d[p(x)||q(x)]
表示分布
p(x)
和
q(x)
之间的距离；通过一个高斯分布
q(x)
去近似
p(x)
，其表示为：其中，
Φ
为高斯分布族
。5.
根据权利要求4所述的方法，其特征在于，所述消息传递算法为迭代算法，其输入为和输出为迭代次数为：
1≤t≤T

【专利技术属性】
技术研发人员：文述生，丁永祥，潘伟锋，董蕾，闫少霞，张和坤，
申请(专利权)人：中国移动通信集团广东有限公司广州分公司，
类型：发明
国别省市：