[发明专利]一种安防监控设备数据智能压缩方法与系统

说明书

本发明涉及人工智能领域，具体涉及一种安防监控设备数据智能压缩方法与系统，该方法包括以下步骤：对安防监控设备视频进行预处理得到第一背景帧图像和第二背景帧图像，获取第一背景帧图像与第二背景帧图像之间的任意图像记为中间帧图像，利用变分自编码网络的编码端得到第一模型、第二模型、第三模型；获取第二模型与第三模型的差值作为中间帧图像的第一压缩数据；将从第二模型上重新采样的特征向量输入全连接网络，根据全连接网络输出的特征向量得到中间帧图像的第二压缩数据；中间帧图像的压缩结果包括第一模型、第一压缩数据、第二压缩数据。本发明能够较大程度上减少视频的存储数据量。

技术领域

本发明涉及人工智能领域，具体涉及一种安防监控设备数据智能压缩方法与系统。

背景技术

在建筑工地中由于建筑作业过程可能出现安全风险，例如高空坠物、建筑设备失控等，会造成人员和财产的损失，为了实现对建筑工地的安全管理需要在建筑工地安装安防监控设备，对施工场所进行监控，用于风险预警或安全监测。在这个过程中会产生大量的视频数据，这些视频数据会占用大量的存储空间，为了节省存储空间，简单做法是删除掉过时的视频数据，但这样会丢失以前的监控数据，不利于安全事故的回顾分析、事故取证调查与追责等。现有的方法是利用视频压缩技术对图像压缩，减少存储空间，但是现有的视频压缩技术压缩量依然不足，压缩后的视频占据存储空间依然较大。

发明内容

为了解决上述技术问题，本发明的目的在于提供一种安防监控设备数据智能压缩方法，该方法所采用的技术方案具体如下：

对安防监控设备视频进行预处理得到第一背景帧图像和第二背景帧图像，利用变分自编码网络的编码端对第一背景帧图像进行压缩处理得到第一模型；

获取第一背景帧图像与第二背景帧图像之间的任意图像记为中间帧图像，将中间帧图像的前景区域与与其前一帧图像的背景区域融合得到合成图像，利用变分自编码网络的编码端对合成图像进行压缩处理得到第二模型；

将中间帧图像的前一帧图像输入变分自编码网络得到第三模型；获取第二模型与第三模型的差值作为中间帧图像的第一压缩数据；

将从第二模型上重新采样的特征向量输入全连接网络，根据全连接网络输出的特征向量得到中间帧图像的第二压缩数据；中间帧图像的压缩结果包括第一模型、第一压缩数据、第二压缩数据。

优选地，所述第一模型、第二模型、第三模型为2*K或K*2的矩阵，其中K表示变分自编码网络编码端输出的高斯模型的个数，矩阵中元素为高斯模型的均值参数或方差参数。

优选地，所述根据全连接网络输出的特征向量得到中间帧图像的第二压缩数据包括：第二压缩数据与特征向量维度相同，若特征向量中元素大于或等于预设阈值，则第二压缩数据中对应维度的元素取值为1，否则，取值为0。

优选地，所述第二压缩数据满足以下约束条件：将中间帧图像输入变分自编码网络，得到第四模型，计算第三模型与第四模型的差值得到差值矩阵；将第二压缩数据所有维度元素作为矩阵的主对角线元素，得到特征遮罩矩阵；特征遮罩矩阵与差值矩阵的哈达玛积等于第一压缩数据。

优选地，所述变分自编码网络的损失包括：利用变分自编码网络解码端对第四模型进行解压缩处理得到中间帧图像的第一解压缩数据；根据第一压缩数据与参考高斯模型的KL散度、以及第一解压缩数据与中间帧图像的差值得到第一子损失；利用变分自编码网络解码端对合成图像进行解压缩处理得到中间帧图像的第二解压缩数据；获取特征遮罩矩阵与差值矩阵的乘积，根据所述乘积与第一压缩数据的差值、以及第二解压缩数据与中间帧图像的差值得到第二子损失；获取与中间帧图像近邻的图像的第一压缩数据，得到第一压缩数据集合，获取第一压缩数据集合内所有第一压缩数据与中间帧图像的第一压缩数据的KL散度之和得到第三子损失；第一子损失、第二子损失、以及第三子损失之和构成神经网络的整体损失。

本发明还提供了提供一种安防监控设备数据智能压缩系统，该系统包括：