[发明专利]一种无损视频加速分析方法

说明书

技术领域

本发明涉及视频分析技术领域，尤其涉及一种无损视频加速分析方法。

背景技术

目前，监控已成为各行各业重点场所进行实时监控的物理基础，视频监控系统能够实时监控并录制监控点的视频数据，管理部门可通过监控系统获得有效数据、图像视频监控系统原理图，对突发性异常事件的过程进行及时记忆，用以提供高效及时地指挥和高度布置警力、处理案件等。随着视频监控系统的快速发展，大街小巷都遍布监控摄像头，且随着摄像头的清晰度越来越高，录制海量的高清视频数据，不仅有效遏制一些安全隐患，同时也提供了犯罪的证据，给警方破案带来了很大的便利。然而，一天二十四小时，每人每天仅仅能看一个摄像头的二十四小时录制视频，如何从这些海量高清视频数据中快速地查找、分析内容通常耗费大量的时间和人力。

传统的快速视频浏览技术主要有快放和视频摘要两种，其中快放技术是以正常速度的几倍甚至十几倍的速度回放原始高清视频，但是为了提高速度，通常需要降低分辨率或者丢帧；而视频摘要是通过一定的算法提取视频的关键帧或者视频关键片段，实现静态或动态的视频摘要，这两种技术都是以损失大量视频帧或有用信息为代价实现提速，均是有损视频快速浏览。

在监控的重要场所，通常回放高清监控视频是为探查某一事件的前因后果，在回放过程中进行智能分析，自动检测感兴趣区域的目标，可大大减少人力资源的占用，由此可见如何快速无损地对高清视频进行回放浏览至关重要，同时在视频快速播放过程中对感兴趣区域的目标进行检测和分析。

发明内容

本发明所解决的技术问题在于提供一种无损视频加速分析方法，以解决上述背景技术中的缺点。

本发明所解决的技术问题采用以下技术方案来实现：

一种无损视频加速分析方法，具体步骤如下：

1）对采集的高清监控视频进行解析，以获取视频流中的视频帧压缩数据；

2）将步骤1）中获取的视频帧压缩数据使用基于CUDA架构并行化的硬解码技术进行并行化解码，解码后的YUV图像存储在显存中，其速度比常有的非并行化解码的解码速度更快；

3）将步骤2）中存储在显存中的YUV视频帧图像，使用GPU并行化的颜色空间快速转换算法从YUV空间转换到RGB空间，然后将转换后的RGB视频帧图像存储在共享数据缓存区；

4）使用OPENGL渲染技术对步骤3）中存储在共享数据缓存区的RGB视频帧图像进行渲染显示；

5）读取步骤1）中获得的视频帧压缩数据，在确定视频帧压缩数据是第一帧后，初始化监控视频的背景模型，并采用基于增强VIBE的背景建模算法建立背景模型；

6）对步骤3）中获得的RGB视频帧图像使用基于GPU并行化的目标检测算法，提取感兴趣区域的前景目标，再针对前景目标使用特征提取算法提取其特征值；

7）在使用基于机器学习的目标分类并行化算法对步骤6）中提取的前景目标特征进行分类，若是感兴趣目标类别，则使用高亮色边框标记出目标；若不是，则重新开始处理下一帧视频图像；

8）根据用户需求，使用目标跟踪、目标入侵检测的智能分析并行化算法对目标进行分析，并保存分析结果，给工作人员查看。

在本发明中，步骤1）中，采用FFmpeg工具中的软解码功能对采集的高清监控视频进行解析以获取视频帧压缩数据。

在本发明中，步骤2）中，同时再利用GPU基于多核的硬件加速功能模块对硬解码技术进行硬加速功能，进一步加速硬解码过程；基于并行化和多核的双重加速逻辑计算的解码方式，有效提升视频解码速度。

在本发明中，对步骤5）中采用基于增强VIBE的背景建模算法建立背景模型进行GPU并行化优化。

在本发明中，步骤5）中，为适应动态背景的不断变化，采用背景更新策略对背景模型进行更新。

在本发明中，步骤6）中，对前景目标采用并行化的特征提取算法提取其特征值。

有益效果：本发明采用CUDA硬解码技术，有效降低CPU资源的占用率，CUDA硬解码技术基于GPU实现，故解码后的视频图像存储于显存中，解码速度快；并对获得的RGB视频帧图像使用基于GPU并行化的目标检测算法，提取感兴趣区域的前景目标特征值，由基于机器学习的目标识别并行化算法对提取的前景目标特征进行分类识别出感兴趣目标类别，在不丢失视频帧、不降低分辨率的前提下，以十几倍的速度加快了高清监控视频回放速度，在快速回放的同时，还能检测出感兴趣区域的感兴趣目标，并对目标进行特定的分析，有效减少分析时间消耗。

附图说明