[发明专利]一种边缘计算视频数据结构化方法及系统

说明书

本发明公开的边缘计算视频数据结构化方法及系统，涉及图像处理技术领域，利用图像识别技术，获取边缘计算视频数据中的目标图像，按照设定的缩小比例P对该目标图像进行缩小，产生S个图像并保存该S个图像，按照设定的放大比例Q对该目标图像进行放大，产生L个图像并保存L个图像，利用卷积神经网络对目标图像、S个图像及L个图像进行计算，分别得到目标图像、S个图像中各个目标图像及L个图像中各个目标图像的类别、坐标位置及类别概率，根据坐标位置，分别计算目标图像、S个图像及L个图像中具有相同类别的目标图像所在边界框的重叠面积，当重叠面积大于设定的阈值时，保留类别概率大于设定阈值的目标图像，提高了对边缘计算视频数据中的目标图像检测的效率及准确度。

技术领域

本发明涉及图像处理技术领域，具体涉及一种边缘计算视频数据结构化方法及系统。

背景技术

视频数据结构化即通过对原始视频数据进行智能分析，从原始视频数据中提取出关键信息并对该关键信息并进行文本的语义描述。目前主要是对人和车的结构化。例如对人的结构化包括提取人的性别、年龄、发型、是否佩戴眼镜、是否戴帽子、衣着颜色、衣着类型等信息，对车的结构化包括提取车的车牌号、品牌、车型、车身颜色等信息。

视频结构化在实现上，一般分为2个阶段。第一个阶段首先从视频数据中找到目标图像，也就是找到人或者找到车。第二个阶段是对检测出的人或者车做识别分类。所以，检测的准确程度是影响视频结构化性能的关键指标。当前随着深度学习的广泛应用，视频结构化普遍采用神经网络对目标图像进行检测和识别分类。

在利用神经网络对目标图像进行检测时，都需要对输入的图像进行预处理，把图像缩放到神经网络的输入大小。但是这种处理方式会产生对高清大尺寸图像中的小目标检测效率低的问题。例如，在1920像素宽、1080像素高的图像中，如果存在60像素宽、40像素高的目标(例如笔记本电脑)，在图像被缩放到500像素宽、500像素高，甚至300像素宽、300像素高时，目标图像的尺寸仅为10像素宽、10像素高时，该目标图像很难被检测出来。

同样，这种设定固定输入大小的处理方式也产生了对小尺寸图像中的目标图像放大后检测效率低的问题。例如，在100像素宽、100像素高的图像中，如果存在60像素宽、40像素高的目标图像(例如笔记本电脑)，在图像缩放到500像素宽、500像素高时，目标图像被放大至300像素宽、200像素高，此时该目标图像也很难被检测出来。

发明内容

为解决现有技术的不足，本发明实施例提供了一种边缘计算视频数据结构化方法及系统。

第一方面，本发明实施例提供的边缘计算视频数据结构化方法包括以下步骤：

利用图像识别技术，获取边缘计算视频数据中的目标图像；

按照设定的缩小比例P，对所述目标图像进行缩小，产生S个图像并保存所述S个图像，其中，0<P<1；

按照设定的放大比例Q，对所述目标图像进行放大，产生L个图像并保存所述L个图像，其中，1<Q<3；

利用所述卷积神经网络对所述目标图像、所述S个图像及所述L个图像进行计算，分别得到所述目标图像、所述S个图像中各个目标图像及所述L个图像中各个目标图像的类别、坐标位置及类别概率；

根据所述坐标位置，分别计算目标图像、S个图像及L个图像中具有相同类别的目标图像所在边界框的重叠面积，当所述重叠面积大于设定的阈值时，保留类别概率大于设定阈值的目标图像。

优选地，所述卷积神经网络为改进过的卷积神经网络，改进过程包括：

将卷积神经网络的全连接层修改为卷积层。

优选地，L＝S＝1，P＝0.5，Q＝1.5。

第二方面，本发明实施例提供的边缘计算视频数据结构化系统包括：