[发明专利]一种基于场景的视频识别方式优化及推送方法

说明书

本发明涉及视频识别及处理技术领域，具体涉及一种基于场景的视频识别方式优化及推送方法。包括如下步骤：S1：根据视频内容对视频进行场景分类；S2：分类后的视频传输至与该类视频相匹配的处理设备进行处理，以得到处理结果。本发明通过对视频监控场景的半监督学习，达到智能识别和算力调度的优化和推送。通过对视频内容的自动识别，将不同视频内容进行标注，同时自动将不同的视频内容分配给不同的处理设备进行处理。识别速度快，资源占用少，同时起到削峰填谷，算力优化的作用。

技术领域

本发明涉及视频识别及处理技术领域，具体涉及一种基于场景的视频识别方式优化及推送方法。

背景技术

传统视频监控系统智能化程度较低，一般不具备机器学习的能力，是由摄像、传输、控制、显示、记录登记5大部分组成。摄像机通过同轴视频电缆将视频图像传输到控制主机，控制主机再将视频信号分配到各监视器及录像设备，同时可将需要传输的语音信号同步录入到录像机内。通过控制主机，操作人员可发出指令，对云台的上、下、左、右的动作进行控制及对镜头进行调焦变倍的操作，并可通过控制主机实现在多路摄像机及云台之间的切换。利用特殊的录像处理模式，可对图像进行录入、回放、处理等操作，使录像效果达到最佳。

监控视频处理技术可分为三个层次，从低到高分别为视频处理、视频分析和智能视频分析，三个层次都很重要，都有继续发展的空间，但智能分析这一层的技术成熟度相对较低，目前视频分析技术正处于在向智能化分析发展的阶段。

视频信号处理是基础部分，处理对象为像素或像块，不涉及视频内容，为视频分析提供清晰、连续的高质量信源，除了比较成熟的视频采集、滤波、压缩、存储、去噪、增强、传输等常规处理技术外，为了有助于视频分析，还有不少处理工作必须改进，例如：提供更多图像细节的高动态范围(HDR)视频图像的均衡；提高视频图像空间分辨率的超分辨率重建；对雾天、暗光、遮挡等多种受损图像的处理；去除传输引起的帧间抖动等等。

监控视频分析(VA)处理涉及到视频内容。由于应用的场合和H标的不同.监控视频分析包含的内容十分繁杂，如：

1)场景分割，特征提取，前后景分离等；

2)目标检测和跟踪，人脸/车牌识别等；

3)行为识别，异常行为检测，群体行为识别；

4)人流/车流统计，人侵检测等。

智能监控视频分析，不仅和视频内容有关，还和视频所表达的语义有关，希望从视频内容分析中得到场景状态、目标类别、动作或场景的含义等信息。总之，希望通过智能分析，由计算机自主得到视频内容的语义结论，或者说用人工智能的方法为人们提供多种“视觉服务”。智能视频分析技术属于人工智能的范畴，实现智能分析的方法有多种，机器学习的方法是普遍采用的分析方法。

机器学习模型包含大量学习算法，例如KMeans、朴素贝叶斯、人工神经网络等等，但不论哪种学习模型都可泛化成一个通用模型。

机器学习四个基本组成部分为输入、学习过程、知识存储和知识评价。输入又称为环境，是机器学习算法要处理的外部信息源，主要为机器学习过程提供训练数据和测试样本，输入数据抽象程度对模型计算性能以及模型使用场景有较大影响，一般情况下高具化信息适用于特定具化分析场景，而高度抽象化信息由于其抽象化程度较高，所以适合解决泛化问题；而输入数据质量也决定着学习效果和模型性能，因此对输入数据通常都会进行预处理操作，来消除输入信息的缺失值、噪点等数据障碍，如果输入数据完整准确，由此模型归纳总结知识过程较为容易，能够达到预期效果，如果数据格式缺失或者异常，则其效果较差。

学习过程是通过外部输入信息来进行学习，模型在学习过程中发现归纳总结出知识，将知识存储在系统中，并且通过知识评价反馈来不断地完善知识。学习过程以输入数据为基础，经过构建模型分析，归纳能够得到训练模型，学习模型训练过程是机器学习步骤中最为重要环节，涉及大量参数配置和参数调整。