(12)发明专利申请
(10)申请公布号 CN 112532938 A(43)申请公布日 2021.03.19
(21)申请号 202011357633.X(22)申请日 2020.11.26
(71)申请人 武汉宏数信息技术有限责任公司
地址 430014 湖北省武汉市江岸区解放大
道1863号长江设计院设计乙楼(72)发明人 许力 陈敏 赵志超 潘金鹤
万军 王伟 傅尤杰 梁映霞 陈晟杰 李双意 田军 (74)专利代理机构 北京高航知识产权代理有限
公司 11530
代理人 刘艳玲(51)Int.Cl.
H04N 7/18(2006.01)G06F 16/172(2019.01)G06F 16/182(2019.01)
权利要求书2页 说明书6页 附图1页
G06F 16/71(2019.01)G06K 9/00(2006.01)
CN 112532938 A(54)发明名称
一种基于大数据技术的视频监控系统(57)摘要
本发明提供了一种基于大数据技术的视频监控系统，其包括监控视频获取模块、监控视频分布式存储模块、监控视频识别模块和识别结果展示模块；所述监控视频获取模块用于对监控区域进行视频拍摄，获得监控视频；所述分布式存储模块用于将所述监控视频划分为多个视频数据块，并将所述多个视频数据块分别存储到多个数据存储节点；所述监控视频识别模块用于分别对每个数据存储节点中的存储的所述视频数据块进行识别，获得识别结果，并将所述识别结果发送至识别结果展示模块；所述识别结果展示模块用于接收并展示所述识别结果。通过大数据技术将识别任务分发到各个存储节点，多个存储节点并行进行图像识别处理，有利于提高对监控视频进行识别的速度。
CN 112532938 A
权 利 要 求 书
1/2页
1.一种基于大数据技术的视频监控系统，其特征在于，其包括监控视频获取模块、监控视频分布式存储模块、监控视频识别模块和识别结果展示模块；
所述监控视频获取模块用于对监控区域进行视频拍摄，获得监控视频，并将所述监控视频发送至所述分布式存储模块；
所述分布式存储模块用于将所述监控视频划分为多个视频数据块，并将所述多个视频数据块分别存储到多个数据存储节点；
所述监控视频识别模块用于分别对每个数据存储节点中的存储的所述视频数据块进行识别，获得识别结果，并将所述识别结果发送至识别结果展示模块；
所述识别结果展示模块用于接收并展示所述识别结果。
2.根据权利要求1所述的一种基于大数据技术的视频监控系统，其特征在于，所述分布式存储模块包括Hadoop存储单元和HDFS存储单元；
所述Hadoop存储单元用于接收并缓存来自监控视频获取模块的监控视频，形成视频缓存池；
所述HDFS存储单元用于从所述视频缓存池中获取所述监控视频，并将所述监控视频划分为多个视频数据块，以及将各个视频数据块发送至对应的数据存储节点。
3.根据权利要求1所述的一种基于大数据技术的视频监控系统，其特征在于，所述监控视频获取模块包括多个监控摄像头，所述监控摄像头用于其监控区域内的监控视频。
4.根据权利要求2所述的一种基于大数据技术的视频监控系统，其特征在于，所述对每个数据存储节点中的存储的所述视频数据块进行识别，获得识别结果，包括：
分别对所述视频数据块中的每一帧图像进行图像识别处理，判断所述图像中是否包含有预设类型的异常情况，若是，则根据所述图像的拍摄地点、拍摄时间和所述异常情况的类型生成识别结果。
5.根据权利要求4所述的一种基于大数据技术的视频监控系统，其特征在于，所述接收并展示所述识别结果，包括：
接收来自视频监控识别模块的识别结果，根据所述识别结果中包含的拍摄地点，将同一个拍摄地点的异常情况类型按照所述图像的拍摄时间进行排序后进行展示。
6.根据权利要求4所述的一种基于大数据技术的视频监控系统，其特征在于，所述对所述视频数据块中的每一帧图像进行图像识别处理，判断所述图像中是否包含有预设类型的异常情况，包括：
对于视频数据块中的第n帧图像，将其与第n‑1帧图像进行图像差分处理，判断所述第n帧图像中是否存在运动物体，若是，则对所述第n帧图像进一步进行识别处理；若否，则不对所述第n帧图像进一步进行识别处理，其中，n∈[2,numN],numN表示所述视频数据块中包含的帧的总数。
7.根据权利要求6所述的一种基于大数据技术的视频监控系统，其特征在于，所述进一步进行识别处理包括：
对所述第n帧图像进行图像预处理，获得预处理图像；提取所述预处理图像中包含的特征信息，并将所述特征信息与预存的各种类型的异常情况对应的特征信息进行匹配，若匹配成功，则所述第n帧图像中包含有预设类型的异常情况；
2
CN 112532938 A
权 利 要 求 书
2/2页
输出所述第n帧图像中包含的异常情况的类型。
3
CN 112532938 A
说 明 书
一种基于大数据技术的视频监控系统
1/6页
技术领域
[0001]本发明涉及监控领域，尤其涉及一种基于大数据技术的视频监控系统。
背景技术
[0002]现有技术中的视频监控系统，一般是将监控数据统一存储到单一的存储服务器，然后再从所述存储服务器中读取监控数据进行进一步的识别。但是，这种存储方式不利于对数据量巨大的监控视频进行快速识别处理。
发明内容
[0003]鉴于上述问题，本发明的目的在于提供一种基于大数据技术的视频监控系统及系统。
[0004]本发明提供了一种基于大数据技术的视频监控系统，其包括监控视频获取模块、监控视频分布式存储模块、监控视频识别模块和识别结果展示模块；[0005]所述监控视频获取模块用于对监控区域进行视频拍摄，获得监控视频，并将所述监控视频发送至所述分布式存储模块；
[0006]所述分布式存储模块用于将所述监控视频划分为多个视频数据块，并将所述多个视频数据块分别存储到多个数据存储节点；
[0007]所述监控视频识别模块用于分别对每个数据存储节点中的存储的所述视频数据块进行识别，获得识别结果，并将所述识别结果发送至识别结果展示模块；[0008]所述识别结果展示模块用于接收并展示所述识别结果。[0009]优选地，所述分布式存储模块包括Hadoop存储单元和HDFS存储单元；
[0010]所述Hadoop存储单元用于接收并缓存来自监控视频获取模块的监控视频，形成视频缓存池；
[0011]所述HDFS存储单元用于从所述视频缓存池中获取所述监控视频，并将所述监控视
以及将各个视频数据块发送至对应的数据存储节点。频划分为多个视频数据块，
[0012]优选地，所述监控视频获取模块包括多个监控摄像头，所述监控摄像头用于其监控区域内的监控视频。[0013]优选地，所述对每个数据存储节点中的存储的所述视频数据块进行识别，获得识别结果，包括：
[0014]分别对所述视频数据块中的每一帧图像进行图像识别处理，判断所述图像中是否包含有预设类型的异常情况，若是，则根据所述图像的拍摄地点、拍摄时间和所述异常情况的类型生成识别结果。[0015]优选地，所述接收并展示所述识别结果，包括：[0016]接收来自视频监控识别模块的识别结果，根据所述识别结果中包含的拍摄地点，将同一个拍摄地点的异常情况类型按照所述图像的拍摄时间进行排序后进行展示。[0017]优选地，所述对所述视频数据块中的每一帧图像进行图像识别处理，判断所述图
4
CN 112532938 A
说 明 书
2/6页
像中是否包含有预设类型的异常情况，包括：[0018]对于视频数据块中的第n帧图像，将其与第n‑1帧图像进行图像差分处理，判断所述第n帧图像中是否存在运动物体，若是，则对所述第n帧图像进一步进行识别处理；若否，则不对所述第n帧图像进一步进行识别处理，其中，n∈[2,numN],numN表示所述视频数据块中包含的帧的总数；[0019]优选地，所述进一步进行识别处理包括：[0020]对所述第n帧图像进行图像预处理，获得预处理图像；[0021]提取所述预处理图像中包含的特征信息，并将所述特征信息与预存的各种类型的异常情况对应的特征信息进行匹配，若匹配成功，则所述第n帧图像中包含有预设类型的异常情况；
[0022]输出所述第n帧图像中包含的异常情况的类型。[0023]与现有技术相比，本发明的优点在于：
[0024]对监控视频采用分布式存储的方式进行存储，在需要进行视频识别时，通过大数据技术将识别任务分发到各个存储节点，多个存储节点并行进行图像识别处理，有利于提高对监控视频进行识别的速度。传统的单一服务器的存储方式，当需要提高对数据量巨大的监控视频进行自动识别的速度时，往往只能通过增加处理器的方式，但是，这种提高方式所需要的成本过高，而且性能提升有上限。而本申请采用分布式存储的方式，当需要提升识别处理的速度时，只需要增加存储节点的数量即可，成本更低。附图说明[0025]利用附图对本发明作进一步说明，但附图中的实施例不构成对本发明的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。[0026]图1，为本发明一种基于大数据技术的视频监控系统的一种示例性实施例图。具体实施方式
[0027]下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。[0028]本发明提供了一种基于大数据技术的视频监控系统，其包括监控视频获取模块、监控视频分布式存储模块、监控视频识别模块和识别结果展示模块；[0029]所述监控视频获取模块用于对监控区域进行视频拍摄，获得监控视频，并将所述监控视频发送至所述分布式存储模块；
[0030]所述分布式存储模块用于将所述监控视频划分为多个视频数据块，并将所述多个视频数据块分别存储到多个数据存储节点；
[0031]所述监控视频识别模块用于分别对每个数据存储节点中的存储的所述视频数据块进行识别，获得识别结果，并将所述识别结果发送至识别结果展示模块；[0032]所述识别结果展示模块用于接收并展示所述识别结果。[0033]优选地，所述分布式存储模块包括Hadoop存储单元和HDFS存储单元；
5
CN 112532938 A[0034]
说 明 书
3/6页
所述Hadoop存储单元用于接收并缓存来自监控视频获取模块的监控视频，形成视
频缓存池；
[0035]所述HDFS存储单元用于从所述视频缓存池中获取所述监控视频，并将所述监控视频划分为多个视频数据块，以及将各个视频数据块发送至对应的数据存储节点。[0036]在一种实施例中，所述监控视频获取模块包括多个监控摄像头，所述监控摄像头用于其监控区域内的监控视频。[0037]在一种实施例中，所述对每个数据存储节点中的存储的所述视频数据块进行识别，获得识别结果，包括：
[0038]分别对所述视频数据块中的每一帧图像进行图像识别处理，判断所述图像中是否包含有预设类型的异常情况，若是，则根据所述图像的拍摄地点、拍摄时间和所述异常情况的类型生成识别结果。[0039]优选地，所述接收并展示所述识别结果，包括：[0040]接收来自视频监控识别模块的识别结果，根据所述识别结果中包含的拍摄地点，将同一个拍摄地点的异常情况类型按照所述图像的拍摄时间进行排序后进行展示。[0041]在一种实施例中，所述对所述视频数据块中的每一帧图像进行图像识别处理，判断所述图像中是否包含有预设类型的异常情况，包括：[0042]对于视频数据块中的第n帧图像的识别处理包括：[0043]将第n帧图像与第n‑1帧图像进行图像差分处理，判断所述第n帧图像中是否存在运动物体，若是，则对所述第n帧图像进一步进行识别处理；若否，则对第n+1帧图像进行图像识别处理，其中，n∈[2,numN],numN表示所述视频数据块中包含的帧的总数；[0044]所述进一步进行识别处理包括：[0045]对所述第n帧图像进行图像预处理，获得预处理图像；[0046]提取所述预处理图像中包含的特征信息，并将所述特征信息与预存的各种类型的异常情况对应的特征信息进行匹配，若匹配成功，则所述第n帧图像中包含有预设类型的异常情况；
[0047]输出所述第n帧图像中包含的异常情况的类型。
[0048]如果相邻的第n帧和第n‑1帧图像之间没有运动物体，那么，可以判断在这帧图像中大概率是没有发生任何变化的，因此，不再对第n帧进行进一步的识别处理，直接处理下一帧，即第n+1帧。这样的设计方式，显然能够极大地加快对监控视频进行自动识别的速度，有利于缩短对数据量巨大的监控视频进行自动识别处理的时间。[0049]在一种实施例中，提取所述预处理图像中包含的特征信息，包括：[0050]使用SIFT算法提取所述预处理图像中包含的特征信息。[0051]在一种实施例中，对所述第n帧图像进行图像预处理，获得预处理图像，包括：[0052]对所述第n帧图像进行灰度化处理，获得灰度图像；[0053]对所述灰度图像进行图像降噪处理，获得降噪图像；[0054]对所述降噪图像进行图像分割处理，获取前景区域图像；[0055]将所述前景区域图像作为预处理图像。[0056]在一种实施例中，对所述第n帧图像进行灰度化处理，获得灰度图像，包括：[0057]将所述第n帧图像从RGB颜色空间转换到HSV颜色空间；
6
CN 112532938 A[0058][0059]
说 明 书
4/6页
对灰度化过程进行建模，得到下述灰度化函数：
式中，f(x,y)表示第n帧图像中位置为(x，y)的像素点的灰度值，V(x,y)、S(x,y)和
H(x,y)分别表示第n帧图像中位置为(x，y)的像素点在HSV颜色空间中的亮度分量、饱和度分量和色彩分量的分量值；α和β表示两个比例参数，tp表示预设的计算参数，tp∈[0,255]，[0061]在HSV颜色空间中使用所述灰度化函数对第n帧图像的每个像素点进行灰度化处理，将所述第n帧图像转换为灰度图像。[0062]在一种实施例中，α和β通过如下方式获取：[0063]第n帧图像中位置为(x，y)的像素点记为r,将像素点r的k×k大小的邻域中的像素点的集合记为neiUr，
[0064]建立待求解的最优函数模型，
[0065]
[0060]
[0066]
[0067]
式中，d(α,β)表示待求解的最优函数模型，V(s)、S(s)、H(s)分别表示第n帧图像中
的像素点s在HSV颜色空间中的亮度分量、饱和度分量和色彩分量的分量值；V(r)、S(r)、H(r)分别表示neiUr中的像素点r在HSV颜色空间中的亮度分量、饱和度分量和色彩分量的分量值；thre表示预设的阈值参数；fh表示取值函数，
[0069]
[0068]
求取使得d(α,β)取得最小值时，α和β的取值，所述取值即为α和β的最终值。[0070]传统的图像灰度化处理方式，例如加权平均法，仅考虑R、G、B三种颜色分量的权重，而且该权重对整幅图像中所有的像素点是一样的，这样的处理方式，容易导致两个完全不同的像素点在灰度化之后，灰度值相同，导致灰度图像的细节信息丢失严重。而本申请上述灰度化方式，不同位置的像素点，其灰度化函数的权重值时随着所述像素点的邻域像素点而自适应变化的，能够在灰度化的同时，有效地保留图像的细节信息。同时，本申请是从HSV颜色空间转换到灰度图像，在转换时，重点考虑的像素点的亮度分量信息，这样子，能够进一步避免出现加权平均法中容易出现的亮度相差较大的像素点灰度化后灰度值一样，导致细节信息丢失的问题，提高灰度化的准确准确性。为后续的特征信息的提取保留更多的细节信息，从而提高对监控视频自动识别处理的准确性。[0071]在一种实施例中，对所述灰度图像进行图像降噪处理，获得降噪图像，包括：[0072]获取所述灰度图像在小波分解后得到的高频系数图像和低频系数图像；[0073]对所述高频系数图像进行如下阈值处理：
7
CN 112532938 A
说 明 书
5/6页
[0074][0075]
式中，ap表示对高频系数图像p进行阈值处理的结果，sgn表示符号函数，Thre表示
预设的处理阈值；
[0076]对所述低频系数图像，进行如下处理：
[0077]
[0078]
式中，alp表示处理后的低频系数图像，alp(a)表示alp中的像素点a的像素值，neia表示像素点a的c×c大小的邻域的像素点的集合，dis(a,b)表示像素点a和neia中的像素点b之间的空间距离，lp(a)和lp(b)分别表示在处理前的低频系数图像中像素点a和像素点b的像素值，ug(a)和ug(b)分别表示在处理前的低频系数图像中，像素点a和像素点b在HSV颜色空间中的亮度分量的分量值，
式中，
avedis(a)表示neia中的像素点与像素点a之间的空间距离的平均值，nofneia表示neia中的像素点的总数，
[0079]
获得降噪图像。将处理后得到的低频系数图像alp和高频系数图像ap进行重构，[0081]将灰度图像进行小波分解后再进一步进行处理，能够在降噪的同时，更有效地保留图像的边缘信息，为后续的识别提供高质量的降噪图像。具体地，在对低频系数图像进行处理时，不仅考虑了当前处理的像素点与其邻域像素点在空间距离、像素值上的差异，而且还考虑了两者在HSV颜色空间中的亮度分量的分量值的差异，能够有效地对亮度较大的区域进行降噪处理，即对过曝图像有较好的降噪效果。从而提高监控视频自动识别处理的宽容度，能够对不同质量的监控视频进行准确的识别处理。进一步地，在权重参数中设置了空间距离、像素值、亮度分量的标准差，所述标准差随着当前处理的像素点的改变而自动跟随改变，能够对当前处理的像素点的邻域像素点进行很好的的自适应跟随，避免出现设置全局不变的标准差导致图像细节丢失的问题。[0082]在一种实施方式中，对所述降噪图像进行图像分割处理，获取前景区域图像，包括：
[0083]将第n帧图像与第n‑1帧图像进行如下运算：
[0080]
8
CN 112532938 A
说 明 书
6/6页
[0084]
式中，ys(n,n‑1,h)表示对第n帧图像与第n‑1帧图像进行上述运算后，第n帧图像
中的像素点h的标记值，bn(n,h)表示第n帧图像中的像素点h在HSV颜色空间中的亮度分量的分量值，bnthre表示预设的亮度处理阈值，bn(n‑1,h)表示第n帧图像中的像素点h在第n‑1帧图像中对应位置的像素点在HSV颜色空间中的亮度分量的分量值[0086]对于第n帧图像中标记值为1的像素点，在所述降噪图像中对所述像素点的灰度值进行增强处理：
[0085][0087]
式中，gray(q)表示第n帧图像中第q个标记值为1像素点在所述降噪图像中的灰度
值，agray(q)表示对所述像素点进行灰度增强处理后，所述像素点的灰度值，adgray表示预设的增强参数；
[0089]将在所述降噪图像中，对第n帧图像中所有标记值为1的像素点的灰度值进行增强处理后得到的图像记为alownoi；
[0090]将alownoi划分为面积相同的numcut个子图像；
[0091]使用otsu算法分别对numcut个子图像进行阈值分割处理，获得每个子图像的前景区域；
[0092]将所有子图像的前景区域进行合并，得到前景区域图像。[0093]在进行分割时，着重对运动区域的像素点，即第n帧图像中标记为1的像素点进行了像素值增强，这样子，在后续的阈值分割过程中，运动区域的像素点能够保证被正确地划分到前景区域中。因为运动区域的像素点记载着图像的变化内容，这也是对监控视频进行自动识别处理需要重点关注的区域。为后续的特征信息的提取提供更为准确的前景区域，有利于提高识别的准确性。[0094]与现有技术相比，本发明的优点在于：
[0095]对监控视频采用分布式存储的方式进行存储，在需要进行视频识别时，通过大数据技术将识别任务分发到各个存储节点，多个存储节点并行进行图像识别处理，有利于提高对监控视频进行识别的速度。传统的单一服务器的存储方式，当需要提高对数据量巨大的监控视频进行自动识别的速度时，往往只能通过增加处理器的方式，但是，这种提高方式所需要的成本过高，而且性能提升有上限。而本申请采用分布式存储的方式，当需要提升识别处理的速度时，只需要增加存储节点的数量即可，成本更低，理论上性能提升没有上限。[0096]尽管已经示出和描述了本发明的实施例，本领域技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变形，本发明的范围由权利要求及其等同物限定。
[0088]
9
CN 112532938 A
说 明 书 附 图
1/1页
图1
10
因篇幅问题不能全部显示，请点此查看更多更全内容