[发明专利]视频云录像的方法、装置、计算机设备和存储介质

说明书

本发明提供一种视频云录像方法，包括获取当前时间点对应的特征向量，所述特征向量包括当前时间点、用户行为特征和当前画面的变化特征；将所述特征向量输入预设码率模型中，得到码率向量；根据所述码率向量得到码率，根据所述码率进行录像，并将录制的视频传送至服务器。能够提供最佳录像码率，降低服务器带宽消耗与存储空间。还提供了一种视频云录像的装置、存储介质和计算机设备。

技术领域

本发明涉及互联网技术领域，特别是涉及一种视频云录像的方法、装置、计算机设备和存储介质。

背景技术

视频云录像提供云端录像存储与录像回放服务，是互联网视频监控和智能家居产品的核心功能。当接入服务器的录像设备数规模很大时，录像设备一直工作时，会消耗大量的服务器带宽，以及存储服务器的存储空间。

传统的解决方案一般是采用根据图像的变化信息来自适应的调整码率，以达到降低带宽消耗与存储空间的目的，但是只是简单的根据图像的变化信息来自适应的调整码率，画面变化多的时候并不一定是需要高质量录像的时候，而且自适应的调整码率确定的录像码率准确率低，并不能真正的起到有效的作用。

发明内容

基于此，有必要针对上述技术问题，提供一种能够提供最佳录像码率，降低带宽消耗与存储空间的视频云录像的方法、装置、计算机设备和存储介质。

一种视频云录像方法，包括：

获取当前时间点对应的特征向量，所述特征向量包括当前时间点、用户行为特征和当前画面的变化特征；

将所述特征向量输入预设码率模型中，得到码率向量；

根据所述码率向量得到码率，根据所述码率进行录像，并将录制的视频传送至服务器。

在其中一个实施例中，在获取当前时间点对应的特征向量之前，还包括：

从历史视频记录中，获取每个时间点及每个时间点对应的用户行为特征、当前画面的变化特征，根据所述每个时间点、每个时间点对应的用户行为特征、当前画面的变化特征组成每个时间点对应的特征向量；

根据所述每个时间点对应的特征向量获取预设码率，获取所述预设码率对应的预设量化等级，对所述预设码率对应的预设量化等级和除所述预设码率对应的预设量化等级外的预设量化等级进行编码，得到码率向量；

将所述特征向量和所述码率向量在多层神经网络中进行训练，得到预设码率模型。

在其中一个实施例中，所述降所述特征向量和所述码率向量在多层神经网络中进行训练，得到预设码率模型，包括：

将所述特征向量作为多层前馈神经网络的输入，将所述多层前馈神经网络的输入层神经元个数设置为等于所述特征向量的维数，将所述码率向量作为多层前馈神经网络的输出进行训练，得到预设码率模型。

在其中一个实施例中，所述获取当前时间点对应的特征向量，包括：

获取当前时间点，根据所述当前时间点查找对应的预设时间区间，所述预设时间区间是指预先将每天划分为等分的时间区间；

对所述当前时间点对应的预设时间区间和除所述当前时间点对应的预设时间区间外的其他预设时间区间进行编码，组成所述当前时间点的特征向量。

在其中一个实施例中，所述获取当前时间点对应的特征向量，包括：

获取每个预设时间区间的历史视频记录，统计每个所述预设时间区间内所述历史视频记录回放的频率；

对所述频率超过预设阈值的预设时间区间和除所述频率超过预设阈值的预设时间区间外的其他预设时间区间进行编码，组成所述用户行为特征的特征向量。

在其中一个实施例中，所述获取当前时间点对应的特征向量，包括：