CN111510724A - 基于图像特征提取的等效视频压缩存储方法及系统 - Google Patents
基于图像特征提取的等效视频压缩存储方法及系统 Download PDFInfo
- Publication number
- CN111510724A CN111510724A CN201910095305.8A CN201910095305A CN111510724A CN 111510724 A CN111510724 A CN 111510724A CN 201910095305 A CN201910095305 A CN 201910095305A CN 111510724 A CN111510724 A CN 111510724A
- Authority
- CN
- China
- Prior art keywords
- feature
- frame
- video
- sequence
- characteristic
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000605 extraction Methods 0.000 title claims abstract description 85
- 238000007906 compression Methods 0.000 title claims abstract description 35
- 230000006835 compression Effects 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 title claims abstract description 20
- 230000000007 visual effect Effects 0.000 claims abstract description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 239000000284 extract Substances 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000012217 deletion Methods 0.000 claims description 3
- 230000037430 deletion Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 16
- 238000012545 processing Methods 0.000 description 8
- 238000011161 development Methods 0.000 description 7
- 230000018109 developmental process Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000012356 Product development Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
- H04N19/48—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using compressed domain processing techniques other than decoding, e.g. modification of transform coefficients, variable length coding [VLC] data or run-length data
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
- H04N19/42—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals characterised by implementation details or hardware specially adapted for video compression or decompression, e.g. dedicated software implementation
- H04N19/423—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals characterised by implementation details or hardware specially adapted for video compression or decompression, e.g. dedicated software implementation characterised by memory arrangements
- H04N19/426—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals characterised by implementation details or hardware specially adapted for video compression or decompression, e.g. dedicated software implementation characterised by memory arrangements using memory downsizing methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
- H04N19/85—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using pre-processing or post-processing specially adapted for video compression
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于图像特征提取的等效视频压缩存储方法及系统，包括视频获取端，该视频获取端与待提取存储模块连接，待提取存储模块与特征提取与对比模块连接，在特征提取与对比模块内设置有帧发送单元和特征序列接收单元，在特征提取与对比模块上设置有第三方视觉库连接端，该第三方视觉库连接端用于所述帧发送单元、特征序列接收单元分别与第三方视觉库连接，在特征提取与对比模块上还连接有特征序列存储模块。有益效果：利用图像特征提取技术，对视频中的每一帧的进行特征提取的相互对比，并剔除重复的出现的帧特征序列。实现低占用内存，由于视频压缩后，内存占用减少，相对于现有技术，加快了以图搜影检索速度，并且定位精确。
Description
技术领域
本发明涉及视频存储与搜索技术领域，具体涉及一种基于图像特征提取的等效视频压缩存储方法及系统。
背景技术
随着影视产业的发展，为了记录人类文化和艺术遗产，或者一些以营利为目的影视观看平台或者广电集团，均保存有大量的视频，并且日积月累的视频即使按照现有技术，在进行归类保存后，仍然存在庞大的数据。
随着人们对视频资料大量的使用和信息化技术智能化的发展，人们开始寻找更便捷、快速、准确的视频搜索方法。在现有技术中，在进行视频保存时，通常是给每一个视频通过关键字进行命名或者设置记录时间等文字信息进行保存。人们通过输入关键字或者时间进行搜索，但是由于数据量大，关键字往往存在重复，即使缩小范围检索，仍存在很多数据，在进行查找时，人们只能通过观看相关视频内容进行对应查找，数据量大、查找速度慢、浪费时间。
随着发展，人们开始提出采用图片进行影视视频靶向搜索，即通过随机获取的任意一个视频内的图片，从庞大的数据库中进行查找是属于哪一个视频的，在现有技术中，还停留在对每个视频的帧与获取的图片进行逐一对比，耗时时间长，并且服务器要求高，内存占用大，适用性低。
故在现有技术中，针对上述以图搜影的技术还存在改进方向，并有必要提出一种视频压缩保存技术，来降低视频查找占用内存，节约搜索视频的时间。
发明内容
针对上述问题，本发明提供了一种基于图像特征提取的等效视频压缩存储方法及系统，对视频进行图像特征提取，进行特征简洁保存。
为达到上述目的，本发明采用的具体技术方案如下：
一种基于图像特征提取的等效视频压缩存储方法，其关键技术在于具体步骤包括：
步骤1：视频获取端任意获取一段视频A，并保存在待提取存储模块内；
步骤2：待提取存储模块得到视频A的总帧数N，并将视频A中的每一帧依次发送至特征提取与对比模块；
步骤3：特征提取与对比模块用于指定基准帧，并根据基准帧对视频A进行预处理、图像特征提取、对比、筛选、删除、压缩后，得到视频特征点集合，具体内容为：
S1：特征提取与对比模块获取第一帧，令该第一帧为基准帧，提取第一帧图像特征后对提取的特征进行排序，得到基准帧特征序列，并将该基准帧特征序列保存在特征序列存储模块内；
S2：特征提取与对比模块获取下一帧，并令该帧为待对比帧，提取待对比帧图像特征后对提取的特征进行排序，得到待对比帧特征序列；
S3：将待对比帧特征序列与所述基准帧特征序列进行对比；
若二者相似度大于等于设定的相似度阈值，则抛弃该待对比帧特征序列，进入步骤S4；
若相似度小于设定的相似度阈值，则令该待对比帧特征序列为新的基准帧特征序列，即：令对应的待对比帧为基准帧；并将新的基准帧特征序列依次保存在特征序列存储模块内；
S4：判断视频A中的第N帧是否已经对比完毕；若是，特征序列存储模块将保存的所有基准帧特征序列组成视频特征点集合，并输出该视频特征点集合；否则返回步骤S2；
步骤4：对视频特征点集合进行压缩包压缩，得到视频特征点压缩包。
由于视频是由依次排列的帧组成，并且要组成动画的过程，相邻的帧的图像相似度大。通过上述设计，在实现以图搜影功能时，为了精简视频数据库，提取视频每一帧的图像特征，将相邻的帧进行逐一对比，删除重复出现的帧，最后保留下来的为重复率低的视频特征点集合。在进行以图搜影功能时，提取到该图片的图像特征后，与视频数据库中的所有视频特征点集合进行特征对比，可以快速找到对应的视频特征点集合。通过视频特征点集合得到对应的完整视频。相对于现有技术，查找过程周期短，便于大众推广使用。图片出现的在视频的时间位置都能够较为精确的定位。
所述特征提取与对比模块在获取到任意帧的图片时，均需要先对图片进行预处理，其中预处理内容包括：图片大小重置处理和灰度处理，其中，图片大小重置处理即将图片重置成统一大小，其中图片大小可根据系统自定义设定。其中，进行灰度处理的灰度值也自定义设定，灰度值在0～255。
其中相似度阈值自定义设定，将待对比帧特征序列与基准帧特征序列进行对比后，若相似度大于相似度阈值，则认为两帧只需要保存基准帧即可，依次类推，一段视频进行视频特征提取，并只保存部分特征序列后，视频容量大大降低，且不影响实现以图搜影，并且加快了搜索速度。
其中，视频A可以是一个单独的视频，也可以是多个视频组成的视频组。
进一步的，所述特征提取与对比模块与第三方视觉库连接；所述特征提取与对比模块至少设置有帧发送单元和特征序列接收单元；该帧发送单元用于将所述待对比帧发送至所述第三方视觉库进行待对比帧图像特征提取，并将得到的待对比帧特征序列反馈给特征序列接收单元。
第三方视觉库为计算机视觉开源库，可以是OpenCV、JavaCV、Torch3Vision、ImLab、CIMG、Generic Image Library(GIL)-boost integration等等。
再进一步的技术方案为：所述特征提取与对比模块设置有特征点提取工具，该特征点提取工具设置有视频读取功能块、取帧功能块、调用AKAZE算法功能块、特征点归一化功能块、写文件功能块；
所述特征提取与对比模块内还设置有视频特征参数，其中视频特征参数包括所述相似度阈值、视频输入路径、视频输出路径。
通过上述设计，结合视频输入路径，实现视频提取、取帧功能，并且可以从第三方视觉库调用AKAZE算法进行特征提取。特征提取后，根据设定的相似度阈值进行对比，对于需要输出的特征序列，根据视频输出路径进行输出。
再进一步的技术方案为：所述第三方视觉库为OpenCV视觉库。
OpenCV是一个开放源代码的计算机视觉应用平台，由英特尔公司下属研发中心俄罗斯团队发起该项目，开源BSD证书，OpenCV的目标是实现实时计算机视觉，，是一个跨平台的计算机视觉库。从开发之日起就得到了迅猛发展，获得了众多公司和业界大牛的鼎力支持与贡献，因为是BSD开源许可，因此可以免费应用在科研和商业应用领域。OpenCV作为强大的计算机视觉开源库，很大程度上参考了MatLab的实现细节和风格，比如说，在OpenCV2.x版本以后，越来越多的函数实现了MatLab具有的功能，甚至干脆连函数名都一模一样(如imread,imshow,imwriter等)。这一做法，不仅拉近了产品开发与学术研究的距离，并极大程度的提高了开发人员的研发效率，不得不说，Intel公司真的是一个伟大的公司。在计算机内存中，数字图像以矩阵的形式存储和运算，比如，在MatLab中，图像读取之后对应一个矩阵，在OpenCV中，同样也是如此。在早期的OpenCV1.x版本中，图像的处理是通过IplImage(该名称源于Intel的另一个开源库Intel Image Processing Library，缩写成IplImage)结构来实现的。早期的OpenCV是用C语言编写，因此提供的借口也是C语言接口，其源代码完全是C的编程风格。IplImage结构是OpenCV矩阵运算的基本数据结构。到OpenCV2.x版本，OpenCV开源库引入了面向对象编程思想，大量源代码用C++重写，Mat类(Matrix的缩写)是OpenCV用于处理图像而引入的一个封装类。从功能上讲，Mat类在IplImage结构的基础上进一步增强，并且，由于引入C++高级编程特性，Mat类的扩展性大大提高，Mat类的内容在后期的版本中不断丰富，通过查看Mat类的定义，会发现其设计实现十分全面而具体，基本覆盖计算机视觉对于图像处理的基本要求。
OpenCV中已经包含如下应用领域功能：二维和三维特征工具箱、运动估算、人脸识别系统、姿势识别、人机交互、移动机器人、运动理解、对象鉴别、分割与识别、立体视觉、运动跟踪、增强现实(AR技术)。
基于上述功能实现需要，OpenCV中还包括以下基于统计学机器学习库：Boosting算法、Decision Tree(决策树)学习、Gradient Boosting算法、EM算法(期望最大化)、KNN算法、朴素贝叶斯分类、人工神经网络、随机森林、支掌向量机。
OpenCV中多数模块是基于C++实现，其中有少部分是基于C语言实现，当前OpenCV提供的SDK已经支持C++、Java、Python等语言应用开发。当前OpenCV本身新开发的算法和模块接口都是基于C++产生。OpenCV支持几乎所有主流的OS系统上应用开发，包括Windows、Mac、Linux、FreeBSD、OpenBSD等。移动平台支持Android、IOS、BlackBerray等平台。用户可以从OpenCV官方获取相关SDK下载，开发文档和环境配置信息。OpenCV自从1.0版本发布以来，立刻吸引许多公司目光，被广泛应用在许多领域的产品研发与创新上，相关应用包括卫星地图与电子地图拼接、医学中图像噪声处理、对象检测、安防监控领域安全与入侵检测、自动监视报警、制造业与工业中的产品质量检测、摄像机标定。军事领域的无人机飞行、无人驾驶与水下机器人等众多领域。
再进一步描述，所述帧特征序列中帧特征的独特特征属性包括特征横坐标、特征纵坐标、特征角度、特征尺寸、特征权重、特征扩展、特征金字塔层。
根据独特特征属性，可以将不同拍摄角度、不同放大尺寸等属性的相同特征提取出来，特征提取不易丢失，提取完整性好，方便不同角度
再进一步描述，所述视频特征点集合中的所有基准帧特征序列按照保存的先后顺序依次排列。
当待对比帧特征序列与基准帧特征序列对比后，相似度小于设定的相似度阈值，将该待对比帧特征序列保存至特征序列存储模块内，并排列在前一个基准帧特征序列后面。当在使用最终保存好的视频特征点集合后，通过任意一个未知位置的特征序列，对比后就可得到该特征序列出现的大致位置，进行定位。
再进一步的，任一帧特征序列均包括依次连接的帧序号、特征序列开始标号、特征序列内容、特征序列结束标号。
为了对每一帧进行标记，设置帧序号、特征序列开始标号、特征序列结束标号，通过标记可以对每一帧进行区分，对其起始和结束进行数字化识别和标记。
再进一步描述，所述特征序列开始标号由X个字节的整数组成；所述特征序列结束标号由Y个字节的整数组成。X、Y为正整数。
再进一步描述，为了使排列有序，两两所述基准帧特征序列经特征连接符连接。
再进一步描述，所述视频特征点集合起点连接有起始标号。即对于视频A，其视频特征点集合起始标号为：视频A特征序列。
再进一步描述，为了进一步压缩，缩小视频特征点所占用的内存，所述视频特征点压缩包为经过gzip压缩行程的二进制序列的存储文件。
一种基于图像特征提取的等效视频压缩存储系统，包括视频获取端，该视频获取端与待提取存储模块连接，所述待提取存储模块与特征提取与对比模块连接，在该特征提取与对比模块内设置有帧发送单元和特征序列接收单元，在特征提取与对比模块上设置有第三方视觉库连接端，该第三方视觉库连接端用于所述帧发送单元、特征序列接收单元分别与第三方视觉库连接，在所述特征提取与对比模块上还连接有特征序列存储模块。
通过该系统，实现从视频获取、保存、生成特征序列、对视频帧进行提取、视频帧删除功能，并且输出最为精简的视频特征点集合，在进行以图搜影时，缩短了视频查找的时间，并且精确定位。
本发明的有益效果：利用图像特征提取技术，对视频中的每一帧的进行特征提取的相互对比，并剔除重复的出现的帧特征序列。实现低占用内存，由于视频压缩后，数据量减少，则在进行以图搜影时，可以提高对比搜索速度，并可以对图片出现在视频的大致帧数进行定位。相对于现有技术，本发明可以加快检索速度，并且定位精确。
附图说明
图1是本发明的系统结构框图；
图2是本发明的等效视频压缩存储方法流程图。
图3是检测视频列表图；
图4是等效视频压缩运算瞬时状态图。
具体实施方式
下面结合附图对本发明的具体实施方式以及工作原理作进一步详细说明。
从图1和2可以看出，一种基于图像特征提取的等效视频压缩存储方法，具体步骤包括：
步骤1：视频获取端任意获取一段视频A，并保存在待提取存储模块内；
步骤2：待提取存储模块得到视频A的总帧数N，并将视频A中的每一帧依次发送至特征提取与对比模块；
步骤3：特征提取与对比模块用于指定基准帧，并根据基准帧对视频A进行预处理、图像特征提取、对比、筛选、删除、压缩后，得到视频特征点集合，具体内容为：
S1：特征提取与对比模块获取第一帧，令该第一帧为基准帧，提取第一帧图像特征后对提取的特征进行排序，得到基准帧特征序列，并将该基准帧特征序列保存在特征序列存储模块内；
S2：特征提取与对比模块获取下一帧，并令该帧为待对比帧，提取待对比帧图像特征后对提取的特征进行排序，得到待对比帧特征序列；
S3：将待对比帧特征序列与所述基准帧特征序列进行对比；
若二者相似度大于等于设定的相似度阈值，则抛弃该待对比帧特征序列，进入步骤S4；
若相似度小于设定的相似度阈值，则令该待对比帧特征序列为新的基准帧特征序列，即：令对应的待对比帧为基准帧；并将新的基准帧特征序列依次保存在特征序列存储模块内；
S4：判断视频A中的第N帧是否已经对比完毕；若是，特征序列存储模块将保存的所有基准帧特征序列组成视频特征点集合，并输出该视频特征点集合；否则返回步骤S2；
步骤4：对视频特征点集合进行压缩包压缩，得到视频特征点压缩包。
在本实施例中，对视频A中每一帧图片进行预处理时，图片大小重置处理后，将图片重置成400X300的大小，并且灰度值设置为50％。
在本实施例中，相似度阈值为90％。
在本实施例中，所述特征提取与对比模块与第三方视觉库OpenCV连接；在本实施例中，OpenCV视觉库内设置有AKAZE算法。
所述特征提取与对比模块至少设置有帧发送单元和特征序列接收单元；
该帧发送单元用于将所述待对比帧发送至所述第三方视觉库进行待对比帧图像特征提取，并将得到的待对比帧特征序列反馈给特征序列接收单元。
在本实施例中，将特征点提取后输出为指定格式的csv文件；然后打包成jar文件。
在本实施例中，所述特征提取与对比模块设置有特征点提取工具，该特征点提取工具设置有视频读取功能块、取帧功能块、调用AKAZE算法功能块、特征点归一化功能块、写文件功能块；所述特征提取与对比模块内还设置有视频特征参数，其中视频特征参数包括所述相似度阈值、视频输入路径、视频输出路径。
其中，采用编写的shell脚本来依次调用特征点提取工具，根据特征点提取工具结合相似度阈值为90％、视频输入路径、视频输出路径进行特征对比和输入输出。其中特征提取时，运行环境在docker容器，并结合编写的shell脚本依次调用特征点提取工具开始特征提取。
在本实施例中，所述帧特征序列中帧特征的独特特征属性包括特征横坐标、特征纵坐标、特征角度、特征尺寸、特征权重、特征扩展、特征金字塔层。
在本实施例中，所述视频特征点集合中的所有基准帧特征序列按照保存的先后顺序依次排列；任一帧特征序列均包括依次连接的帧序号、特征序列开始标号、特征序列内容、特征序列结束标号。
在本实施例中，所述特征序列开始标号由X个字节的整数组成；所述特征序列结束标号由Y个字节的整数组成。在本实施例中，X＝Y＝4。
在本实施例中，所述视频特征点集合起点连接有起始标号；两两所述基准帧特征序列经特征连接符连接。
在本实施例中，视频特征点集合起点的起始标号为：视频A特征序列。
则视频A形成的特征序列为：
视频A特征序列+特征连接符+第1帧的帧序号+第1帧特征序列开始标号+第1帧特征序列内容+第1帧特征序列结束标号+特征连接符+第i1帧的帧序号+第i1帧特征序列开始标号+第i1帧特征序列内容+第i1帧特征序列结束标号+特征连接符+第i2帧的帧序号+第i2帧特征序列开始标号+第i2帧特征序列内容+第i2帧特征序列结束标号+……
其中i1、i2为大于1的整数，且i1>i2。
再进一步的，所述视频特征点压缩包为经过gzip压缩行程的二进制序列的存储文件。
结合图1可以看出，一种基于图像特征提取的等效视频压缩存储系统，包括视频获取端，该视频获取端与待提取存储模块连接，所述待提取存储模块与特征提取与对比模块连接，在该特征提取与对比模块内设置有帧发送单元和特征序列接收单元，在特征提取与对比模块上设置有第三方视觉库连接端，该第三方视觉库连接端用于所述帧发送单元、特征序列接收单元分别与第三方视觉库连接，在所述特征提取与对比模块上还连接有特征序列存储模块。
获取电视栏目《大声说出来》的18个视频和随机获取的任意两个小视频进行视频压缩，《大声说出来》的18个视频下载地址为：
http://qjcq.cbg.cn/dsscl/1.shtml。
利用爬虫技术，采集下载上述网页中第一页中的部分视频，共18个。其中，大部分视频30分钟左右，有一个45分钟，还有一个1小时时长。另外两个视频大概在3-5分钟左右。共计20个视频。视频列表图详见附图3。
结合图3，命名说明：其中170101001和170101002为3-5分钟短视频，其余名称为《大声说出来》某期视频的播出时间+编号组成。如170524001表示的是17年5月24日播出的按照自然顺序的一期节目《猜疑》。其余命名皆符合上述规则。上述视频文件总大小为：2.49GB
将等效视频压缩存储系统安装在机器配置为2U、4核、共16线程、32G内存的上位机内，采用cpu进行的提取，算力有限，运算过程中平均负载在30％+。运算瞬时状态详见图4。对整个视频进行特征点提取后，得到的csv文件所占用磁盘空间为1.4GB。再打包成tar.gz文件，最终得到的视频特征点压缩包所占用磁盘空间为480MB。
应当指出的是，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的普通技术人员在本发明的实质范围内所做出的变化、改性、添加或替换，也应属于本发明的保护范围。
Claims (10)
1.一种基于图像特征提取的等效视频压缩存储方法，其特征在于具体步骤包括：
步骤1：视频获取端任意获取一段视频A，并保存在待提取存储模块内；
步骤2：待提取存储模块得到视频A的总帧数N，并将视频A中的每一帧依次发送至特征提取与对比模块；
步骤3：特征提取与对比模块用于指定基准帧，并根据基准帧对视频A进行预处理、图像特征提取、对比、筛选、删除、压缩后，得到视频特征点集合，具体内容为：
S1：特征提取与对比模块获取第一帧，令该第一帧为基准帧，提取第一帧图像特征后对提取的特征进行排序，得到基准帧特征序列，并将该基准帧特征序列保存在特征序列存储模块内；
S2：特征提取与对比模块获取下一帧，并令该帧为待对比帧，提取待对比帧图像特征后对提取的特征进行排序，得到待对比帧特征序列；
S3：将待对比帧特征序列与所述基准帧特征序列进行对比；
若二者相似度大于等于设定的相似度阈值，则抛弃该待对比帧特征序列，进入步骤S4；
若相似度小于设定的相似度阈值，则令该待对比帧特征序列为新的基准帧特征序列，即：令对应的待对比帧为基准帧；并将新的基准帧特征序列依次保存在特征序列存储模块内，进入步骤S4；
S4：判断视频A中的第N帧是否已经对比完毕；若是，特征序列存储模块将保存的所有基准帧特征序列组成视频特征点集合，并输出该视频特征点集合；否则返回步骤S2；
步骤4：对视频特征点集合进行压缩包压缩，得到视频特征点压缩包。
2.根据权利要求1所述的基于图像特征提取的等效视频压缩存储方法，其特征在于：所述特征提取与对比模块与第三方视觉库连接；
所述特征提取与对比模块至少设置有帧发送单元和特征序列接收单元；
该帧发送单元用于将所述待对比帧发送至所述第三方视觉库进行待对比帧图像特征提取，并将得到的待对比帧特征序列反馈给特征序列接收单元。
3.根据权利要求1或2所述的基于图像特征提取的等效视频压缩存储方法，其特征在于：所述特征提取与对比模块设置有特征点提取工具，该特征点提取工具设置有视频读取功能块、取帧功能块、调用AKAZE算法功能块、特征点归一化功能块、写文件功能块；
所述特征提取与对比模块内还设置有视频特征参数，其中视频特征参数包括所述相似度阈值、视频输入路径、视频输出路径。
4.根据权利要求2所述的基于图像特征提取的等效视频压缩存储方法，其特征在于：所述第三方视觉库为OpenCV视觉库。
5.根据权利要求2所述的基于图像特征提取的等效视频压缩存储方法，其特征在于：所述帧特征序列中帧特征的独特特征属性包括特征横坐标、特征纵坐标、特征角度、特征尺寸、特征权重、特征扩展、特征金字塔层。
6.根据权利要求1或2或5所述的基于图像特征提取的等效视频压缩存储方法，其特征在于：所述视频特征点集合中的所有基准帧特征序列按照保存的先后顺序依次排列；
任一帧特征序列均包括依次连接的帧序号、特征序列开始标号、特征序列内容、特征序列结束标号。
7.根据权利要求6所述的基于图像特征提取的等效视频压缩存储方法，其特征在于：所述特征序列开始标号由X个字节的整数组成；所述特征序列结束标号由Y个字节的整数组成。
8.根据权利要求7所述的基于图像特征提取的等效视频压缩存储方法，其特征在于：所述视频特征点集合起点连接有起始标号；两两所述基准帧特征序列经特征连接符连接。
9.根据权利要求1所述的基于图像特征提取的等效视频压缩存储方法，其特征在于：所述视频特征点压缩包为经过gzip压缩行程的二进制序列的存储文件。
10.一种基于图像特征提取的等效视频压缩存储系统，其特征在于：包括视频获取端，该视频获取端与待提取存储模块连接，所述待提取存储模块与特征提取与对比模块连接，在该特征提取与对比模块内设置有帧发送单元和特征序列接收单元，在特征提取与对比模块上设置有第三方视觉库连接端，该第三方视觉库连接端用于所述帧发送单元、特征序列接收单元分别与第三方视觉库连接，在所述特征提取与对比模块上还连接有特征序列存储模块。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910095305.8A CN111510724A (zh) | 2019-01-31 | 2019-01-31 | 基于图像特征提取的等效视频压缩存储方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910095305.8A CN111510724A (zh) | 2019-01-31 | 2019-01-31 | 基于图像特征提取的等效视频压缩存储方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111510724A true CN111510724A (zh) | 2020-08-07 |
Family
ID=71877321
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910095305.8A Pending CN111510724A (zh) | 2019-01-31 | 2019-01-31 | 基于图像特征提取的等效视频压缩存储方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111510724A (zh) |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101060624A (zh) * | 2007-05-08 | 2007-10-24 | 杭州华三通信技术有限公司 | 视频数据的处理方法及存储设备 |
| US20070253623A1 (en) * | 2006-04-28 | 2007-11-01 | Sharp Kabushiki Kaisha | Image processing apparatus, image forming apparatus, image reading apparatus and image processing method |
| CN101464909A (zh) * | 2009-01-20 | 2009-06-24 | 清华大学 | 一种快速鲁棒的近相同视频检测和排除方法 |
| CN103886013A (zh) * | 2014-01-16 | 2014-06-25 | 陈守辉 | 一种基于网络视频监控中的智能图像检索系统 |
| CN103902553A (zh) * | 2012-12-25 | 2014-07-02 | 北大方正集团有限公司 | 一种视频对比方法及装置 |
| CN104063883A (zh) * | 2014-07-07 | 2014-09-24 | 杭州银江智慧医疗集团有限公司 | 一种基于对象和关键帧相结合的监控视频摘要生成方法 |
| CN105468755A (zh) * | 2015-11-27 | 2016-04-06 | 东方网力科技股份有限公司 | 一种视频筛选存储方法和装置 |
| CN106203277A (zh) * | 2016-06-28 | 2016-12-07 | 华南理工大学 | 基于sift特征聚类的固定镜头实时监控视频特征提取方法 |
| CN106780429A (zh) * | 2016-11-16 | 2017-05-31 | 重庆金山医疗器械有限公司 | 基于感知颜色空间和关键角点的wce视频时序冗余图像数据的关键帧提取方法 |
| CN107223344A (zh) * | 2017-01-24 | 2017-09-29 | 深圳大学 | 一种静态视频摘要的生成方法及装置 |
| CN107633023A (zh) * | 2017-08-25 | 2018-01-26 | 北京奇艺世纪科技有限公司 | 一种图像去重方法和装置 |
| CN107958351A (zh) * | 2017-12-26 | 2018-04-24 | 重庆大争科技有限公司 | 教学质量评估云服务平台 |
| CN108596225A (zh) * | 2018-04-12 | 2018-09-28 | 广州杰赛科技股份有限公司 | 目标相似度识别方法、目标的停留时间记录方法及装置 |
-
2019
- 2019-01-31 CN CN201910095305.8A patent/CN111510724A/zh active Pending
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070253623A1 (en) * | 2006-04-28 | 2007-11-01 | Sharp Kabushiki Kaisha | Image processing apparatus, image forming apparatus, image reading apparatus and image processing method |
| CN101060624A (zh) * | 2007-05-08 | 2007-10-24 | 杭州华三通信技术有限公司 | 视频数据的处理方法及存储设备 |
| CN101464909A (zh) * | 2009-01-20 | 2009-06-24 | 清华大学 | 一种快速鲁棒的近相同视频检测和排除方法 |
| CN103902553A (zh) * | 2012-12-25 | 2014-07-02 | 北大方正集团有限公司 | 一种视频对比方法及装置 |
| CN103886013A (zh) * | 2014-01-16 | 2014-06-25 | 陈守辉 | 一种基于网络视频监控中的智能图像检索系统 |
| CN104063883A (zh) * | 2014-07-07 | 2014-09-24 | 杭州银江智慧医疗集团有限公司 | 一种基于对象和关键帧相结合的监控视频摘要生成方法 |
| CN105468755A (zh) * | 2015-11-27 | 2016-04-06 | 东方网力科技股份有限公司 | 一种视频筛选存储方法和装置 |
| CN106203277A (zh) * | 2016-06-28 | 2016-12-07 | 华南理工大学 | 基于sift特征聚类的固定镜头实时监控视频特征提取方法 |
| CN106780429A (zh) * | 2016-11-16 | 2017-05-31 | 重庆金山医疗器械有限公司 | 基于感知颜色空间和关键角点的wce视频时序冗余图像数据的关键帧提取方法 |
| CN107223344A (zh) * | 2017-01-24 | 2017-09-29 | 深圳大学 | 一种静态视频摘要的生成方法及装置 |
| CN107633023A (zh) * | 2017-08-25 | 2018-01-26 | 北京奇艺世纪科技有限公司 | 一种图像去重方法和装置 |
| CN107958351A (zh) * | 2017-12-26 | 2018-04-24 | 重庆大争科技有限公司 | 教学质量评估云服务平台 |
| CN108596225A (zh) * | 2018-04-12 | 2018-09-28 | 广州杰赛科技股份有限公司 | 目标相似度识别方法、目标的停留时间记录方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10885100B2 (en) | Thumbnail-based image sharing method and terminal | |
| CN104050247B (zh) | 实现海量视频快速检索的方法 | |
| CN108681746B (zh) | 一种图像识别方法、装置、电子设备和计算机可读介质 | |
| CN107729809B (zh) | 一种自适应生成视频摘要的方法、装置及其可读存储介质 | |
| CN113177518B (zh) | 一种利用弱监督区域推荐的车辆重识别方法 | |
| CN109871490B (zh) | 媒体资源匹配方法、装置、存储介质和计算机设备 | |
| CN113378710A (zh) | 图像文件的版面分析方法、装置、计算机设备和存储介质 | |
| Yu et al. | Stratified pooling based deep convolutional neural networks for human action recognition | |
| CN110866491A (zh) | 目标检索方法、装置、计算机可读存储介质和计算机设备 | |
| CN111506772A (zh) | 基于图像特征提取的以图搜影方法及系统 | |
| CN114139015A (zh) | 基于关键事件识别的视频存储方法、装置、设备及介质 | |
| CN112257801A (zh) | 图像的增量聚类方法、装置、电子设备及存储介质 | |
| CN110381392A (zh) | 一种视频摘要提取方法及其系统、装置、存储介质 | |
| KR101675785B1 (ko) | 특징점을 이용한 영상 검색 방법 및 상기 방법을 수행하는 장치 | |
| Khan et al. | FALKON: large-scale content-based video retrieval utilizing deep-features and distributed in-memory computing | |
| CN113570635B (zh) | 目标运动轨迹还原方法、装置、电子设备、存储介质 | |
| CN112686314B (zh) | 基于远距离拍摄场景的目标检测方法、装置及存储介质 | |
| CN109325539B (zh) | 绝缘子掉串检测方法及装置 | |
| CN115359492A (zh) | 文本图像匹配模型训练方法、图片标注方法、装置、设备 | |
| CN111401482B (zh) | 特征点匹配方法及装置、设备、存储介质 | |
| CN111510724A (zh) | 基于图像特征提取的等效视频压缩存储方法及系统 | |
| CN117851632A (zh) | 基于人工智能的图像检索方法、装置、设备及存储介质 | |
| Zhang et al. | Generally boosting few-shot learning with handcrafted features | |
| CN111401317B (zh) | 视频分类方法、装置、设备及存储介质 | |
| Saber et al. | Deepfake video detection |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200807 |