[发明专利]一种基于多任务特征学习的对象表示方法

说明书

本发明公开了一种基于多任务特征学习的对象表示方法。本发明的方法，在终端采用深度神经网络对特征进行提取，减少了传输视频的数据量，加快了传输速度，减少了存储空间占有量；在云端由计算机进行对象的分析和恢复，减少了人力成本的投入，同时提高了事件处理效率；且能够实现多个任务同时进行，联合优化的效果。本发明本发明采用人工智能神经网络方法，通过对原视频图像进行特征提取，减少传输数据量，再通过特征计算，实现智能分析，并且利用转置卷积技术，实现图像的还原，大大提高了事件的处理速度，并节省了资金。

技术领域

本发明涉及计算机图形学与多媒体领域，尤其涉及大数据下视频对象的传输和分析。

背景技术

近年来，随着我国经济的迅速发展，城市公共安全建设显得尤为重要，视频监控摄像头已经在全国范围内大规模部署，并且其规模仍在进一步飞速增长，智慧安检成为实现公共安全防范的一个重要手段。据统计，我国“平安城市”建设工程已在全国660多个城市建成了全世界上最大的涵盖我国主要街道、区、市、省和中央在内的五级安防监控网络。

尽管如此，我国主要人口密集的大城市在面临日益严峻的重大刑事犯罪、公共安全危险事件或者复杂民事纠纷时，由于存在的视频数据量巨大、数据类型繁多且价值密度低等问题，造成事件处理速度过慢等严重问题，难以满足公共安防的实时报警和快速响应的需求。故急需从“人工取证，低效传输”的小范围被动监控转型为“智能分析，高效编码”主动监控的根本性转变。

随着科技的发展，深度神经网络已经在对象检测、区域分割、超分辨率图像恢复和场景理解等领域取得了显著的成果，深度学习的方法，灵感来源于人脑的神经元和深层感知机制，通过多层卷积核自动生成更具判别力的图像区域特征描述，相比传统人为构建描述符提取特征，能得到更为全面的特征表示，现已在各个领域研究中，逐步替代了人为构建特征描述符。

因此，利用深度神经网络，设计一种基于多任务特征的对象表示，使大规模视频数据能够实现终端(摄像机)到云端(中心数据库)的快速传输以及智能分析显得尤为重要。

发明内容

本发明提出一种基于多任务特征学习的对象表示方法。该方法可以提高端云之间视频数据传输速度，并且实现视频的智能分析。

本发明的输入为所要分析的视频的显著前景对象，其由终端设备采集并经过处理传入云端，在云端对对象数据进行复原和分析等多任务操作。

传统方法对于多任务，一般采用分步处理的方式，首先将所有视频数据通过传统的视频编码方式传入云端数据库，后由人为进行观察和判断，这样既增加了人力成本，又增加了物力成本，且效率较低。相比于传统方法，本发明的方法，在终端采用深度神经网络对特征进行提取，减少了传输视频的数据量，加快了传输速度，减少了存储空间占有量；在云端由计算机进行对象的分析和恢复，减少了人力成本的投入，同时提高了事件处理效率；且能够实现多个任务同时进行，联合优化的效果。

本发明方法的网络主要由三个部分组成：

(1)首先是视频显著性对象特征提取网络，此网络又由两个子网络构成：一个浅层卷积网络，此网络在减少图像大小的同时，可以保证丰富的空间信息，更有利于图像在云端的重构；另一个为深层残差网络，此网络提取的高维度特征更有利于图像在云端的分析。

(2)其次是自监督转置卷积图像生成网络，由于图片对象在终端进行了特征提取等操作，使对象在主要特征存留的同时，局部细节特征损失严重，以不足以进行直观可视化，此网络采用上采样的手段为实现重要视频数据的可视化存档提供重要保障。

(3)最后是视频对象分析网络，此网络对输入视频中是显著性对象进行快速智能分析，以提高事件处理速度。

一种基于多任务的特征对象表示方法，该方法具体包括以下步骤：