[发明专利]一种面向监控的视频图谱构建和挖掘方法、设备

说明书

本发明实施例提供一种面向监控的视频图谱构建和挖掘方法、设备，通过构建图数据库和键值型数据库作为知识图谱的数据持久化存储，利用深度卷积神经网络自动化地进行人脸识别，大幅减少人工审查的力度，使用共享的卷积神经网络和深度反卷积网络结合自动化地标注行人对象的属性，将非结构化的视频数据转化成结构化的图数据存储，能很好地满足以审查监控视频为基础的人物检索、轨迹挖掘、团伙中心挖掘等安防方面的需求，能够高效地查询节点的属性信息，能够高效地可视化展示节点之间的关联关系，使用主干信息数据库和详细信息数据库存储方式，发挥各自的优势，数据存储和检索效率高。

技术领域

本发明实施例涉及计算机视觉技术领域，更具体地，涉及一种面向监控的视频图谱构建和挖掘方法、设备。

背景技术

随着技术的发展，智能安防出现在人们生活的方方面面，住宅小区、道路监控、机动车辆、银行学校等都布有监控摄像头。并且随着智能安防的数字化和大规模化，监控视频的数据量不断增长，呈现出数据量大、数据非结构化、获取有价值的信息困难的特点。因此，研发一种自动地将监控视频结构化的框架在监控视频大数据分析应用方面具有极高的现实意义。

知识图谱是人工智能的一个关键的技术分支，被广泛应用于智能搜索、智能问答、个性化推荐、内容分发等领域。目前有两种知识图谱构建方式，一种是自顶向下的方法，一种是自底向上的方法。无论哪种方法都会构建一个包含大量知识的知识库作为知识图谱的结构化基础。现有的知识库大部分都是基于文字构建的，也有很少的基于图片来构建，基于监控视频构建的知识库几乎是一片空白，而且，原始视频中的关键信息，如人、车、物等信息，以更为精简的视频图谱存储，将原本的在视频上获取信息转化成在视频图谱上操作的方式，为后续的数据分析和数据挖掘提供了一个稳定可行的基础。所以，将知识图谱衍化至面向监控视频的视频图谱是很有价值的。

目前的关系型数据库很难处理这些海量非结构化的监控视频数据，依赖关系型数据库中的表来维护这些信息以及实现后续的数据分析并不理想。

发明内容

本发明实施例提供一种克服上述问题或者至少部分地解决上述问题的一种面向监控的视频图谱构建和挖掘方法、设备。

根据本发明实施例的第一个方面，提供一种面向监控的视频图谱构建和挖掘方法，包括：

基于重识别获取不同监控视频中的同一监控对象，获取所述监控对象的属性信息；

基于图形数据库存储所述监控对象的对象编号，基于键值型数据库的行健存储所述监控对象的对象编号，基于键值型数据库的子健存储所述监控对象的属性信息及对应的监控视频编号，建立监控对象视频图谱；

基于所述监控对象视频图谱获取监控对象的轨迹信息。

作为优选的，所述监控对象为监控视频中的任意物体，包括行人、车辆。

作为优选的，在步骤S1中，基于重识别获取不同监控视频中的同一监控对象，具体包括：

基于计算机集群对所有监控视频进行预处理，并将监控视频流按帧分割成图片流，获取含有完整监控对象信息的图片流中监控对象的唯一特征向量；

基于所述唯一特征向量建立分段哈希索引，并基于所述分段哈希索引进行监控对象重识别，获取含有监控对象的监控视频信息，并得到监控对象在所述监控视频中的进入时间、离开时间。

作为优选的，基于所述唯一特征向量建立分段哈希索引，并基于所述分段哈希索引进行监控对象重识别，具体包括：

将所述唯一特征向量转换为哈希码，并将所述哈希码均分为m段，每段的长度为位，其中b为所述哈希码的长度；

在m段中查询与所述哈希码的汉明距离为r的候选哈希码，并基于已训练的联合贝叶斯分类器判断所述候选哈希码对应的对象是否与所述监控对象相同。