本發(fā)明涉及視頻分析技術(shù)領(lǐng)域，特別涉及一種智能視頻分析方法。

背景技術(shù)：

隨著我國(guó)信息化進(jìn)程的推進(jìn)，不可否認(rèn)，大量的前端高清視頻設(shè)備的建設(shè)使得整個(gè)視頻監(jiān)控質(zhì)量有了很大提高，已形成了全覆蓋的三級(jí)監(jiān)控體系，實(shí)現(xiàn)了視頻的大聯(lián)網(wǎng)，滿足了各級(jí)人員對(duì)前端視頻的觀看需要。大量的監(jiān)管工作中常面臨各類(lèi)突發(fā)事件，在實(shí)際運(yùn)行中，由于視頻監(jiān)控應(yīng)用系統(tǒng)技術(shù)相對(duì)落后，且與業(yè)務(wù)系統(tǒng)相互獨(dú)立，極大的制約了危機(jī)處理機(jī)制的實(shí)施效果。

當(dāng)前視頻監(jiān)控系統(tǒng)主要存在以下一些問(wèn)題：

1、實(shí)時(shí)監(jiān)控畫(huà)面眾多，全靠人工識(shí)別。

2、海量視頻錄像，無(wú)法快速定位。

3、視頻監(jiān)控資源整合效率低，無(wú)法形成統(tǒng)一的資源池。

4、視頻監(jiān)控與業(yè)務(wù)系統(tǒng)相對(duì)獨(dú)立，無(wú)法聯(lián)動(dòng)。

5、視頻監(jiān)控只用于時(shí)候取證，事前預(yù)警困難。

6、沒(méi)有把圖像資源轉(zhuǎn)換為信息資料，起到的實(shí)戰(zhàn)輔助作用不夠。

中國(guó)專(zhuān)利公開(kāi)號(hào)為CN 104581037A的發(fā)明專(zhuān)利，該發(fā)明專(zhuān)利提供一種智能視頻分析方法服務(wù)器結(jié)構(gòu)，它結(jié)構(gòu)緊湊，操作方便，然而，該發(fā)明通實(shí)時(shí)監(jiān)控畫(huà)面眾多，全靠人工識(shí)別。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的旨在至少解決所述技術(shù)缺陷之一。

為此，本發(fā)明的目的在于提出一種不用考人工就可以識(shí)別的智能視頻分析方法。

為了實(shí)現(xiàn)上述目的，本發(fā)明提供一種智能視頻分析方法，包括以下步驟：

步驟S1，根據(jù)獲取的視頻圖像，創(chuàng)建訓(xùn)練樣本；

步驟S2，根據(jù)訓(xùn)練樣本，提取特征；

步驟S3，根據(jù)所提取的特征，建立訓(xùn)練分類(lèi)模型；

步驟S4，根據(jù)訓(xùn)練分類(lèi)模型，檢測(cè)目標(biāo)。

進(jìn)一步的，在步驟S1中，所述訓(xùn)練樣本包括正樣本和負(fù)樣本，其中，所述正樣本是指用于某類(lèi)別檢測(cè)的目標(biāo)樣本；所述負(fù)樣本指不包含目標(biāo)的視頻圖像或部分視頻圖像。

進(jìn)一步的，在步驟S2中，所述特征至少包括目標(biāo)姿態(tài)、形狀、色彩、位置。

進(jìn)一步的，在步驟S2中，在提取特征之前，根據(jù)不同的周?chē)鸂顩r選擇，對(duì)視頻圖像是否進(jìn)行場(chǎng)景重建和恢復(fù)。

進(jìn)一步的，在步驟S2中，提取特征前，將非結(jié)構(gòu)化的視頻圖像數(shù)據(jù)進(jìn)行結(jié)構(gòu)化處理。

進(jìn)一步的，在步驟S2中，視頻圖像數(shù)據(jù)結(jié)構(gòu)化處理后，在鏡頭檢測(cè)和聚類(lèi)的基礎(chǔ)上，進(jìn)一步提取有意義的視頻圖像對(duì)象，建立多個(gè)維度的索引信息，并進(jìn)行存儲(chǔ)。

進(jìn)一步的，在步驟S3中，建立訓(xùn)練分類(lèi)模型包括以下步驟：

首先，對(duì)原始視頻的進(jìn)行背景建模，提取出背景和檢測(cè)出運(yùn)動(dòng)物體；

然后，通過(guò)運(yùn)動(dòng)目標(biāo)跟蹤模塊，提取出運(yùn)動(dòng)物體的軌跡；

接著，通過(guò)能量最小化來(lái)進(jìn)行運(yùn)動(dòng)物體軌跡的平移和組合優(yōu)化；

最后，通過(guò)圖像拼接技術(shù)，將優(yōu)化后的運(yùn)動(dòng)物體軌跡拼接在背景圖像上，形成視頻摘要的一幀。

進(jìn)一步的，在步驟S3中，所述訓(xùn)練分類(lèi)模型的算法為：

Y＝f(X)

X是用于訓(xùn)練的已標(biāo)記的樣本數(shù)據(jù)，Y是類(lèi)別集，f是參數(shù)，需要通過(guò)經(jīng)驗(yàn)學(xué)習(xí)來(lái)確定。

進(jìn)一步的，在步驟S4中，檢測(cè)目標(biāo)時(shí)，根據(jù)關(guān)鍵幀提取特征的方式檢索，并輸出檢索結(jié)果。

進(jìn)一步的，在步驟S4中，所述關(guān)鍵幀的特征至少包括紋理特征、形狀特征、顏色特征。

本發(fā)明具有大規(guī)模多樣化基礎(chǔ)視頻智能分析采集、存儲(chǔ)、傳遞能力；圖像大數(shù)據(jù)管理能力；與其他業(yè)務(wù)系統(tǒng)互聯(lián)互通等集成能力?？蓪⑻卣髅枋鲂畔⒋鎯?chǔ)形成索引，通過(guò)有效利用并管理存儲(chǔ)的視頻文件資源，能從海量的視頻文件中迅速定位、播放所關(guān)注事件的視頻，提高視頻錄像倒查的效率，實(shí)現(xiàn)對(duì)視頻數(shù)據(jù)的智能化管理。

本發(fā)明附加的方面和優(yōu)點(diǎn)將在下面的描述中部分給出，部分將從下面的描述中變得明顯，或通過(guò)本發(fā)明的實(shí)踐了解到。

附圖說(shuō)明

本發(fā)明的上述和/或附加的方面和優(yōu)點(diǎn)從結(jié)合下面附圖對(duì)實(shí)施例的描述中將變得明顯和容易理解，其中：

圖1為本發(fā)明的工作流程圖；

圖2為本發(fā)明的結(jié)構(gòu)流程圖；

圖3為本發(fā)明的應(yīng)用領(lǐng)域架構(gòu)圖。

具體實(shí)施方式

下面詳細(xì)描述本發(fā)明的實(shí)施例，所述實(shí)施例的示例在附圖中示出，其中自始至終相同或類(lèi)似的標(biāo)號(hào)表示相同或類(lèi)似的元件或具有相同或類(lèi)似功能的元件。下面通過(guò)參考附圖描述的實(shí)施例是示例性的，旨在用于解釋本發(fā)明，而不能理解為對(duì)本發(fā)明的限制。

本發(fā)明提供一種智能視頻分析方法，參考附圖1-2，包括以下步驟：

步驟S1，根據(jù)獲取的視頻圖像，創(chuàng)建訓(xùn)練樣本。

訓(xùn)練樣本包括正樣本和負(fù)樣本，其中，正樣本是指用于某類(lèi)別檢測(cè)的目標(biāo)樣本(例如人臉識(shí)別中的人臉樣本、行人檢測(cè)中的行人樣本、車(chē)輛檢測(cè)中的汽車(chē)樣本等)。負(fù)樣本指不包含目標(biāo)的視頻圖像或部分視頻圖像(如背景等)。為了方便處理，一般把所有的訓(xùn)練樣本圖片都?xì)w一化為統(tǒng)一大小的尺寸(例如，30x30)。

步驟S2，根據(jù)訓(xùn)練樣本，提取特征；

特征至少包括目標(biāo)姿態(tài)、形狀、色彩、位置。

一幅圖像的信息量是巨大的。例如，一個(gè)文字圖像可以有幾千個(gè)數(shù)據(jù)，有幾萬(wàn)個(gè)像素灰度值。為了實(shí)現(xiàn)準(zhǔn)確的分類(lèi)和匹配，必須提取出原始圖像數(shù)據(jù)中最能夠反映圖像本質(zhì)的特征，即圖像特征選擇和提取。把用于分類(lèi)識(shí)別的圖像特征空間叫做特征空間，這些特征在同類(lèi)物體之間相似度最大，不同類(lèi)別之間差異最大。

常見(jiàn)的幾種具有強(qiáng)大優(yōu)勢(shì)的特征有適合檢測(cè)人臉的Haar特征、LBP特征、檢測(cè)行人HOG特征及具有不變性的SIFT特征等。

Haar特征是基于"塊"的特征。Haar特征值反映了圖像的灰度變化情況。

LBP特征(Local Binary Pattern,局部二值模式)是一種用來(lái)描述圖像局部紋理特征的算子；它的作用是進(jìn)行特征提取，提取圖像的局部紋理特征。

HOG特征為方向梯度直方圖(Histogram of Oriented Gradient,HOG)特征是一種在計(jì)算機(jī)視覺(jué)和圖像處理中用來(lái)進(jìn)行物體檢測(cè)的特征描述子，它通過(guò)計(jì)算和統(tǒng)計(jì)圖像局部區(qū)域的梯度方向直方圖來(lái)構(gòu)成特征。

SIFT的全稱(chēng)是Scale Invariant Feature Transform，尺度不變特征變換。SIFT特征對(duì)旋轉(zhuǎn)、尺度縮放、亮度變化等保持不變性，是一種非常穩(wěn)定的局部特征。

在提取特征之前，根據(jù)不同的周?chē)鸂顩r選擇，對(duì)視頻圖像是否進(jìn)行場(chǎng)景重建和恢復(fù)。

視頻監(jiān)控所獲得圖像是否能真實(shí)反映現(xiàn)場(chǎng)情況呢？攝像機(jī)的位置、現(xiàn)場(chǎng)的光線、天氣情況、場(chǎng)景中的目標(biāo)運(yùn)動(dòng)等都可能會(huì)對(duì)監(jiān)控中心獲得的圖像產(chǎn)生影響，從而使最終分析結(jié)果產(chǎn)生差異。因此，最大可能恢復(fù)和重建真實(shí)現(xiàn)場(chǎng)是智能識(shí)別的關(guān)鍵。在此過(guò)程中，需要根據(jù)不同的周?chē)鸂顩r選擇合適的算法對(duì)得到的視頻圖像進(jìn)行處理，以獲得最佳的期望效果。

下面對(duì)背景建模進(jìn)行描述：

在視頻摘要技術(shù)中，對(duì)象要重新嵌入背景圖像中形成最終的摘要視頻，所以背景建模的目的不僅僅是為了運(yùn)動(dòng)目標(biāo)的檢測(cè)，也要獲得準(zhǔn)確的背景圖像。

背景模型適用于攝像頭相對(duì)靜止的場(chǎng)合，如監(jiān)控場(chǎng)景。通過(guò)為背景建立模型、比較當(dāng)前視頻幀與背景模型的差異，變化不大的區(qū)域?yàn)楸尘皡^(qū)域，可得到背景圖像，同時(shí)，變化較大的區(qū)域即為前景區(qū)域，該方法可用于對(duì)象檢測(cè)。

常用的背景建模方法主要包括幀間差分模型、線性預(yù)測(cè)模型、時(shí)間中值、均值模型、單高斯模型等方法。為了有效克服噪聲干擾、光線變化、陰影等外界因素的影響，同時(shí)考慮到安防監(jiān)控視頻中主要出現(xiàn)的是緩慢移動(dòng)的物體，針對(duì)高斯混合背景建模的特性，我們實(shí)驗(yàn)中采用混合高斯背景建模的算法來(lái)進(jìn)行背景建模。

提取特征前，將非結(jié)構(gòu)化的視頻圖像數(shù)據(jù)進(jìn)行結(jié)構(gòu)化處理。

視頻結(jié)構(gòu)化技術(shù)包括兩層含義：

1)視頻內(nèi)容語(yǔ)義化，即在標(biāo)準(zhǔn)化的視頻內(nèi)容描述規(guī)范組織下，把視頻中各個(gè)感興趣的目標(biāo)和其特征及行為識(shí)別出來(lái)，以文本的方式來(lái)描述視頻內(nèi)容，這是一個(gè)視頻信息情報(bào)化提取的過(guò)程。

2)視頻資源關(guān)聯(lián)化，建立單(跨)攝像頭視頻資源的語(yǔ)義互聯(lián)，使得利用數(shù)據(jù)挖掘手段進(jìn)行高效分析和語(yǔ)義檢索成為可能，也使得視頻資源同其它信息系統(tǒng)資源進(jìn)行語(yǔ)義互聯(lián)成為可能，這是一個(gè)視頻信息組織、管理與挖掘，并輔助業(yè)務(wù)需求的過(guò)程。

視頻圖像數(shù)據(jù)結(jié)構(gòu)化處理后，在鏡頭檢測(cè)和聚類(lèi)的基礎(chǔ)上，進(jìn)一步提取有意義的視頻圖像對(duì)象，建立多個(gè)維度的索引信息，并進(jìn)行存儲(chǔ)。

在視頻結(jié)構(gòu)化技術(shù)為基礎(chǔ)，在鏡頭檢測(cè)和聚類(lèi)的基礎(chǔ)上，進(jìn)一步提取有意義的視頻對(duì)象，使視頻數(shù)據(jù)從非結(jié)構(gòu)數(shù)據(jù)轉(zhuǎn)化成容易進(jìn)行高層處理的結(jié)構(gòu)數(shù)據(jù)，對(duì)實(shí)現(xiàn)基于內(nèi)容的視頻檢索十分重要。因此要利用高效的特征庫(kù)索引技術(shù)，為用戶提供快速的特征查詢。其中，索引根據(jù)特定屬性對(duì)數(shù)據(jù)庫(kù)中數(shù)據(jù)進(jìn)行排序，從而可提高對(duì)庫(kù)中數(shù)據(jù)訪問(wèn)的效率。

與傳統(tǒng)的字符型數(shù)據(jù)庫(kù)系統(tǒng)相比，主題視頻數(shù)據(jù)庫(kù)索引要相對(duì)困難。首先，在傳統(tǒng)的數(shù)據(jù)庫(kù)管理系統(tǒng)中，通常選擇多個(gè)或一個(gè)能夠識(shí)別數(shù)據(jù)的關(guān)鍵字，但在主題視頻數(shù)據(jù)庫(kù)中，存在多個(gè)維度的索引信息，如注釋、視頻特征、業(yè)務(wù)數(shù)據(jù)索引等。此外在視頻中還大量存在難以用字符和數(shù)字符號(hào)描述的內(nèi)容線索，如視頻中的圖像的運(yùn)動(dòng)、幀圖像中的顏色、紋理和形狀等。當(dāng)用戶要利用這些線索對(duì)數(shù)據(jù)進(jìn)行檢索時(shí)，就必須首先將其人工轉(zhuǎn)化為文本或關(guān)鍵詞形式，但這種轉(zhuǎn)換具有一定的主觀性，而且相當(dāng)耗時(shí)?，F(xiàn)在，數(shù)據(jù)庫(kù)和網(wǎng)絡(luò)中的視頻數(shù)據(jù)量非常龐大，人們?cè)趹?yīng)用中不但要求數(shù)據(jù)庫(kù)能對(duì)視頻進(jìn)行存儲(chǔ)以及進(jìn)行基于關(guān)鍵字的檢索，而且要求對(duì)結(jié)構(gòu)化的視頻數(shù)據(jù)進(jìn)行語(yǔ)義分析、表達(dá)和檢索。然而，雖然視頻數(shù)據(jù)包含豐富的語(yǔ)義內(nèi)容，但在物理層次上，視頻是二維象素陣列的時(shí)間序列，與語(yǔ)義內(nèi)容有一定得區(qū)別。因此，要實(shí)現(xiàn)基于內(nèi)容的檢索，必須突破傳統(tǒng)的基于多個(gè)或一個(gè)關(guān)鍵域建立索引的局限，直接對(duì)視頻內(nèi)容進(jìn)行分析，抽取語(yǔ)義和內(nèi)容特征，并利用這些內(nèi)容特征建立索引。

步驟S3，根據(jù)所提取的特征，建立訓(xùn)練分類(lèi)模型；

建立訓(xùn)練分類(lèi)模型包括以下步驟：

首先，對(duì)原始視頻的進(jìn)行背景建模，提取出背景和檢測(cè)出運(yùn)動(dòng)物體；

在視頻處理領(lǐng)域，運(yùn)動(dòng)對(duì)象檢測(cè)是一個(gè)重要的研究?jī)?nèi)容。運(yùn)動(dòng)對(duì)象檢測(cè)是指在背景相對(duì)靜止的視頻中檢測(cè)出與運(yùn)動(dòng)物體相關(guān)的像素點(diǎn)，濾除圖像中與運(yùn)動(dòng)對(duì)象無(wú)關(guān)的信息。對(duì)運(yùn)動(dòng)對(duì)象的正確檢測(cè)是后續(xù)運(yùn)動(dòng)物體跟蹤和運(yùn)動(dòng)物體軌跡準(zhǔn)確提取的重要保障。

然后，通過(guò)運(yùn)動(dòng)目標(biāo)跟蹤模塊，提取出運(yùn)動(dòng)物體的軌跡；

運(yùn)動(dòng)目標(biāo)跟蹤模塊的功能就是在連續(xù)的視頻圖像幀之間，建立被跟蹤目標(biāo)的對(duì)應(yīng)匹配問(wèn)題，把被跟蹤的運(yùn)動(dòng)目標(biāo)在圖像視頻序列中對(duì)應(yīng)起來(lái)，獲得被跟蹤運(yùn)動(dòng)目標(biāo)諸如位置、速度、運(yùn)動(dòng)軌跡、加速度等運(yùn)動(dòng)信息，從而進(jìn)一步對(duì)這些運(yùn)動(dòng)信息進(jìn)行分析和處理，實(shí)現(xiàn)對(duì)運(yùn)動(dòng)目標(biāo)行為的理解。

最常用的運(yùn)動(dòng)目標(biāo)跟蹤的典型算法有：均值偏移(Meanshift)、粒子濾波和卡爾曼濾波，它們是運(yùn)動(dòng)目標(biāo)跟蹤中的三大主流算法。

接著，通過(guò)能量最小化來(lái)進(jìn)行運(yùn)動(dòng)物體軌跡的平移和組合優(yōu)化；

軌跡組合優(yōu)化是基于對(duì)象的視頻摘要中的核心步驟，其通過(guò)將不同時(shí)間段的運(yùn)動(dòng)軌跡平移到相同時(shí)間段中來(lái)，達(dá)到同時(shí)播放的目的。通過(guò)定義能量函數(shù)，綜合考慮各目標(biāo)體損失的像素值、不同目標(biāo)體時(shí)間一致性以及不同目標(biāo)間遮擋損失的像素值等因素，運(yùn)用貪心算法進(jìn)行能量最小化，確定各目標(biāo)體在視頻中的起始時(shí)間位置。在避免運(yùn)動(dòng)物體丟失的同時(shí)，避免了之間的碰撞，保證了視頻播放的流暢性。

最后，通過(guò)圖像拼接技術(shù)，將優(yōu)化后的運(yùn)動(dòng)物體軌跡拼接在背景圖像上，形成視頻摘要的一幀。

即將提取的目標(biāo)體嵌入到背景中，為了避免圖像拼接時(shí)候出現(xiàn)不同物體之間的顏色融合，可采用諸如泊松編輯等圖像拼接技術(shù)。

訓(xùn)練分類(lèi)模型的算法為：

Y＝f(X)， (1)

X是用于訓(xùn)練的已標(biāo)記的樣本數(shù)據(jù)，Y是類(lèi)別集，f是參數(shù)，需要通過(guò)經(jīng)驗(yàn)學(xué)習(xí)來(lái)確定，達(dá)到最好的分類(lèi)效果。

常用的分類(lèi)模型有SVM(支持向量機(jī))、AdaBoost算法、Randomforest(隨機(jī)森林)、神經(jīng)網(wǎng)絡(luò)等。訓(xùn)練分類(lèi)器就是尋找這些參數(shù)，使得達(dá)到最好的分類(lèi)效果。

Adaboost是一種迭代算法，其核心思想是針對(duì)同一個(gè)訓(xùn)練集訓(xùn)練不同的分類(lèi)器(弱分類(lèi)器)，然后把這些弱分類(lèi)器集合起來(lái)，構(gòu)成一個(gè)更強(qiáng)的最終分類(lèi)器(強(qiáng)分類(lèi)器)。

Randomforest(隨機(jī)森林)指的是利用多棵樹(shù)對(duì)樣本進(jìn)行訓(xùn)練并預(yù)測(cè)的一種分類(lèi)器。

步驟S4，根據(jù)訓(xùn)練分類(lèi)模型，檢測(cè)目標(biāo)。

檢測(cè)目標(biāo)時(shí)，根據(jù)關(guān)鍵幀提取特征的方式檢索，并輸出檢索結(jié)果。

如何提取與人們視頻相符合的視覺(jué)特征，如何使提取的視覺(jué)特征與實(shí)際人們的視覺(jué)感受相吻合，是基于內(nèi)容的視頻檢索所必須解決的問(wèn)題。另外，針對(duì)不同應(yīng)用場(chǎng)合選擇合適的視頻特征和靈活的查詢手段也是十分重要。在基于內(nèi)容的視頻檢索系統(tǒng)中，主要是針對(duì)關(guān)鍵幀進(jìn)行特征提取,關(guān)鍵幀的特征包括紋理特征、形狀特征以及最常用的顏色特征等。

檢測(cè)目標(biāo)時(shí)，通過(guò)分類(lèi)器對(duì)上述檢測(cè)目標(biāo)的區(qū)域特征進(jìn)行篩選，判斷該區(qū)域特征是否為目標(biāo)的。

本發(fā)明通過(guò)智能視頻分析方法可以建立資源池，通過(guò)資源池將視頻中各類(lèi)資源作為服務(wù)對(duì)外提供，通過(guò)集中管理和彈性資源調(diào)度，將原本靜態(tài)分配的多媒體資源抽象為可管理、易于調(diào)度、按需分配的資源池，提供按需靈活使用各類(lèi)視頻資源的服務(wù)。對(duì)于各類(lèi)后端應(yīng)用系統(tǒng)，當(dāng)其部署環(huán)境與地理位置無(wú)關(guān)時(shí)，則可以在資源池中進(jìn)行部署，借助資源池提供的靈活的各類(lèi)資源服務(wù)實(shí)現(xiàn)應(yīng)用系統(tǒng)的靈活擴(kuò)展。

由于各個(gè)應(yīng)用系統(tǒng)品牌各異，對(duì)數(shù)據(jù)的存儲(chǔ)方式也不盡相同，因此資源集成模塊應(yīng)能識(shí)別不同應(yīng)用系統(tǒng)的存儲(chǔ)內(nèi)容，并可對(duì)其進(jìn)行分類(lèi)管理。各個(gè)應(yīng)用系統(tǒng)與綜合業(yè)務(wù)多媒體視頻融合應(yīng)用云平臺(tái)間存在一定的邏輯關(guān)系，諸如資源命名、存儲(chǔ)路徑等，因此需構(gòu)建一套專(zhuān)門(mén)的業(yè)務(wù)對(duì)象轉(zhuǎn)換引擎，根據(jù)預(yù)定義規(guī)則對(duì)應(yīng)用系統(tǒng)和綜合業(yè)務(wù)多媒體視頻融合應(yīng)用云平臺(tái)的業(yè)務(wù)對(duì)象數(shù)據(jù)進(jìn)行翻譯轉(zhuǎn)換。業(yè)務(wù)對(duì)象訪問(wèn)引擎包括業(yè)務(wù)對(duì)象訪問(wèn)調(diào)度器、對(duì)象關(guān)系轉(zhuǎn)換服務(wù)等主要功能模塊。

本發(fā)明采用先進(jìn)的Plug&Play(即插即用)技術(shù)，具備國(guó)內(nèi)領(lǐng)先的網(wǎng)絡(luò)穿透能力，適用于各種復(fù)雜性網(wǎng)絡(luò)，無(wú)需對(duì)網(wǎng)關(guān)、防火墻進(jìn)行設(shè)置調(diào)整，即可由前端設(shè)備主動(dòng)發(fā)起連接，向后端云平臺(tái)進(jìn)行設(shè)備注冊(cè)、按需轉(zhuǎn)發(fā)。

本發(fā)明采用分布式文件系統(tǒng)、分布式數(shù)據(jù)庫(kù)實(shí)現(xiàn)統(tǒng)一的存儲(chǔ)架構(gòu)，保證了系統(tǒng)的擴(kuò)展性、可用性和性能。同時(shí)可結(jié)合用戶實(shí)際業(yè)務(wù)應(yīng)用需求，為視頻應(yīng)用定制一套適用于視頻應(yīng)用的存儲(chǔ)系統(tǒng)。視頻云存儲(chǔ)的優(yōu)勢(shì)在于視頻資源的有效管理和訪問(wèn)，同時(shí)支持海量小文件的高效存儲(chǔ)。

本發(fā)明運(yùn)行在視頻云計(jì)算平臺(tái)之上，實(shí)現(xiàn)了資源虛擬化技術(shù)、網(wǎng)格化計(jì)算技術(shù)、虛擬化存儲(chǔ)技術(shù)、分布式媒體接入與轉(zhuǎn)發(fā)技術(shù)在視頻實(shí)戰(zhàn)中的應(yīng)用等。

本發(fā)明視頻云檢索為視頻應(yīng)用系統(tǒng)提供了多種檢索方式，并將檢索結(jié)果融合后輸出檢索結(jié)果。通過(guò)視頻結(jié)構(gòu)化處理分析和高效的檢索引擎，實(shí)現(xiàn)多語(yǔ)義的查詢檢索，可根據(jù)用戶具體業(yè)務(wù)數(shù)據(jù)檢索相應(yīng)視頻錄像，使視頻切實(shí)符合業(yè)務(wù)應(yīng)用需求，同時(shí)提供類(lèi)似互聯(lián)網(wǎng)的全文檢索，實(shí)現(xiàn)所查即所得，支撐基于實(shí)戰(zhàn)應(yīng)用模型的數(shù)據(jù)挖掘。

本發(fā)明可對(duì)云中視頻進(jìn)行后臺(tái)自動(dòng)轉(zhuǎn)換，將之統(tǒng)一轉(zhuǎn)換為通用的視頻格式，供網(wǎng)頁(yè)端、客戶端訪問(wèn)。云視頻轉(zhuǎn)碼服務(wù)提供了云端的極速視頻轉(zhuǎn)碼功能，支持輸出視頻的視頻格式、視頻寬高、視頻碼率、視頻幀率等參數(shù)的自由設(shè)定。

本發(fā)明能夠提供了多種觀看和錄影管理方式，可滿足各級(jí)管理人員不同的應(yīng)用需求，如遠(yuǎn)程實(shí)時(shí)并發(fā)觀看、遠(yuǎn)程實(shí)時(shí)回放、移動(dòng)用戶訪問(wèn)、運(yùn)營(yíng)服務(wù)管理情況查詢等。

本發(fā)明可將前端視頻進(jìn)行相應(yīng)的分類(lèi)、轉(zhuǎn)儲(chǔ)并建立標(biāo)簽，使視頻能夠成為結(jié)構(gòu)化數(shù)據(jù)，為監(jiān)管執(zhí)法快速地提供有效依據(jù)。

本發(fā)明通過(guò)自動(dòng)化和智能化手段對(duì)視頻圖像內(nèi)容進(jìn)行“行為識(shí)別”、“行為檢測(cè)”、“行為分析”、“事件檢測(cè)”，以滿足視頻綜合應(yīng)用的監(jiān)測(cè)、預(yù)警、防控能力，減輕監(jiān)控操作人員監(jiān)視負(fù)擔(dān)等業(yè)務(wù)需求。

本發(fā)明通過(guò)協(xié)議或SDK的方式接入各個(gè)廠家的視頻設(shè)備，各廠家設(shè)備的功能、接口方式、流程、參數(shù)都會(huì)存在差異，通常使得設(shè)備接入部分的代碼變得異常臃腫、難以維護(hù)、穩(wěn)定性差。我們采用了虛擬化的訪問(wèn)技術(shù)，將各廠家的設(shè)備抽象成統(tǒng)一功能、統(tǒng)一接口的虛擬化設(shè)備，然后在云平臺(tái)中采用相同的流程對(duì)其進(jìn)行接入。

數(shù)據(jù)是綜合業(yè)務(wù)視頻智能化云處理平臺(tái)的基礎(chǔ)，與突發(fā)事件相關(guān)的基礎(chǔ)數(shù)據(jù)及業(yè)務(wù)數(shù)據(jù)經(jīng)過(guò)采集、處理、標(biāo)準(zhǔn)化、傳輸后存儲(chǔ)到綜合業(yè)務(wù)視頻智能化云處理平臺(tái)數(shù)據(jù)庫(kù)，經(jīng)過(guò)抽取、重新組合、加工、轉(zhuǎn)換和匯總，形成多個(gè)面向主題的數(shù)據(jù)集合或面向決策的數(shù)據(jù)集合，這些數(shù)據(jù)集合將存儲(chǔ)到綜合業(yè)務(wù)視頻智能化云處理平臺(tái)數(shù)據(jù)庫(kù)中。

參考圖3所示，本發(fā)明結(jié)合業(yè)務(wù)應(yīng)用系統(tǒng)，可以進(jìn)行事前預(yù)警、事中處理、事后取證、決策支撐等功能；本發(fā)明結(jié)合應(yīng)用目標(biāo)系統(tǒng)，可以進(jìn)行自動(dòng)識(shí)別監(jiān)管目標(biāo)、自動(dòng)分析異常行為、西東報(bào)警存儲(chǔ)取證、自動(dòng)業(yè)務(wù)標(biāo)簽關(guān)聯(lián)等功能；本發(fā)明結(jié)合海關(guān)職能系統(tǒng)，可以進(jìn)行監(jiān)督進(jìn)出境貨物、行郵以及其它物品、監(jiān)督進(jìn)出境運(yùn)輸工具、查緝走私、參與國(guó)際防恐、通關(guān)口岸管理等功能。

本發(fā)明具有大規(guī)模多樣化基礎(chǔ)視頻智能分析采集、存儲(chǔ)、傳遞能力；圖像大數(shù)據(jù)管理能力；與其他業(yè)務(wù)系統(tǒng)互聯(lián)互通等集成能力?？蓪⑻卣髅枋鲂畔⒋鎯?chǔ)形成索引，通過(guò)有效利用并管理存儲(chǔ)的視頻文件資源，能從海量的視頻文件中迅速定位、播放所關(guān)注事件的視頻，提高視頻錄像倒查的效率，實(shí)現(xiàn)對(duì)視頻數(shù)據(jù)的智能化管理。

本發(fā)明的智能視頻分析方法具有以下有益效果：

1、本發(fā)明的智能視頻分析方法對(duì)加強(qiáng)海關(guān)對(duì)監(jiān)管場(chǎng)所的有效監(jiān)管，提高海關(guān)實(shí)際監(jiān)管效能和監(jiān)控能力，完善海關(guān)管理手段，提升海關(guān)監(jiān)管科技應(yīng)用水平，實(shí)現(xiàn)數(shù)據(jù)流和物流監(jiān)管的結(jié)合，科學(xué)優(yōu)化配置人力，推動(dòng)和促進(jìn)海關(guān)監(jiān)管場(chǎng)所業(yè)務(wù)的發(fā)展起到舉足輕重的作用。著力加強(qiáng)監(jiān)管基層基礎(chǔ)建設(shè)、著力加強(qiáng)實(shí)際監(jiān)管、著力提升監(jiān)管效能、著力防范“三大風(fēng)險(xiǎn)”的思路，進(jìn)一步提升綜合監(jiān)管合力，進(jìn)一步夯實(shí)監(jiān)管基層基礎(chǔ)，進(jìn)一步發(fā)揮綜合監(jiān)管作用，進(jìn)一步健全完善監(jiān)管工作機(jī)制和制度，形成綜合監(jiān)管大格局。

2、本發(fā)明的智能視頻分析方法可以結(jié)合預(yù)警技術(shù)及時(shí)發(fā)現(xiàn)海面、路面異常運(yùn)輸工具，如船舶、車(chē)輛等，減少監(jiān)管盲點(diǎn)，擴(kuò)大監(jiān)管范圍，加強(qiáng)打擊走私及逃跑等非法活動(dòng)。可通過(guò)人臉識(shí)別，有效識(shí)別水客，使水客無(wú)所遁形，加大對(duì)重點(diǎn)口岸“水客”團(tuán)伙走私的打擊力度。

3、本發(fā)明的智能視頻分析方法可整合海關(guān)內(nèi)外信息資源，根據(jù)海關(guān)輯私任務(wù)形成豐富預(yù)案，可抓住要害、突出特點(diǎn)、看住底線，集中力量打擊重點(diǎn)地區(qū)、重點(diǎn)渠道、重點(diǎn)商品的走私活動(dòng)，構(gòu)建新形勢(shì)下的緝私執(zhí)法輔助平臺(tái)，提高反走私戰(zhàn)斗力。

4、本發(fā)明的智能視頻分析方法可通過(guò)“制度+科技”手段，提高風(fēng)險(xiǎn)防控能力?？杉訌?qiáng)視頻分析，利用監(jiān)控視頻與業(yè)務(wù)情況進(jìn)行比對(duì)，發(fā)揮監(jiān)控系統(tǒng)在防控執(zhí)法風(fēng)險(xiǎn)和廉政風(fēng)險(xiǎn)方面的重要作用；加強(qiáng)對(duì)特殊時(shí)段監(jiān)控記錄的調(diào)閱，加強(qiáng)對(duì)非通關(guān)時(shí)段口岸及各場(chǎng)所動(dòng)態(tài)的關(guān)注，提高視頻監(jiān)控系統(tǒng)在執(zhí)法監(jiān)督和風(fēng)險(xiǎn)防控方面的應(yīng)用實(shí)效。

盡管上面已經(jīng)示出和描述了本發(fā)明的實(shí)施例，可以理解的是，上述實(shí)施例是示例性的，不能理解為對(duì)本發(fā)明的限制，本領(lǐng)域的普通技術(shù)人員在不脫離本發(fā)明的原理和宗旨的情況下在本發(fā)明的范圍內(nèi)可以對(duì)上述實(shí)施例進(jìn)行變化、修改、替換和變型。本發(fā)明的范圍由所附權(quán)利要求極其等同限定。