基于人工智能的数字视频监控处理系统的制作方法

本发明涉及监控视频处理，具体为基于人工智能的数字视频监控处理系统。

背景技术：

1、随着人工智能技术的快速发展，特别是深度学习在图像识别和视频分析领域的突破，为视频监控系统的智能化升级提供了新的可能性；ai技术能够通过训练学习大量的数据，自动识别和分类视频中的目标和行为，显著提高监控系统的准确性和响应速度；然而，将人工智能技术有效地集成到视频监控系统中，仍面临着技术实现复杂、计算资源要求高、系统整合难度大等挑战；

2、随着人工智能技术的快速发展，特别是深度学习在图像识别和视频分析领域的突破，为视频监控系统的智能化升级提供了新的可能性，ai技术能够通过训练学习大量的数据，自动识别和分类视频中的目标和行为，显著提高监控系统的准确性和响应速度，然而，将人工智能技术有效地集成到视频监控系统中，仍面临着技术实现复杂、计算资源要求高、系统整合难度大等挑战。

3、为了解决上述缺陷，现提供技术方案。

技术实现思路

1、本发明的目的在于解决现有视频监控系统在准确性、智能化水平以及环境适应性方面的不足，而提出基于人工智能的数字视频监控处理系统。

2、本发明的目的可以通过以下技术方案实现：

3、基于人工智能的数字视频监控处理系统，包括：

4、视频采集模块，用于从多个监控摄像头中实时获取视频数据；

5、视频预处理模块，用于对采集的视频数据进行预处理；

6、智能分析模块，用于利用深度学习算法对视频内容进行实时分析；

7、异常检测模块，用于根据应用场景，设置检测阈值，包括运动检测及异常行为识别；

8、关联模块，用于根据检测的异常行为视频数据结合所有监控摄像头的地理位置和覆盖范围，确定与异常行为数据相关联的监控视频数据，具体步骤如下：

9、接收异常检测模块输出的异常行为数据，包括时间戳、监控摄像头id及异常类型信息，集成地理信息系统，用于存储和查询监控摄像头的地理位置信息；

10、通过gis数据或摄像头的视场角定义每个监控摄像头的覆盖范围，根据异常行为发生的地理位置，确定哪些监控摄像头的覆盖范围与对应的监控摄像头的位置距离小于预设关联距离，并对该类监控摄像头进行标记，记为关联监控摄像头；再次对所有监控摄像头的时间戳进行同步，用于进行准确的时间关联分析；

11、从关联监控摄像头检索异常行为发生时间点前后预设时间段的视频数据，将检索到的多路视频数据进行融合；整合异常行为数据和关联监控摄像头的数据，提供异常事件的完整上下文，并追踪异常行为在不同摄像头覆盖范围内的移动轨迹；

12、再为每个位于预设关联距离范围内的关联监控摄像头视频数据的相关性进行评估，评估关联监控摄像头与异常行为的关联程度。

13、进一步的，所述关联模块中评估关联监控摄像头与异常行为的关联程度的具体步骤如下：

14、通过采集视频数据中的评关参数进行综合分析，其中评关参数包括：

15、时间同步性：异常行为发生的时间戳与关联摄像头视频数据的时间戳差异，将此差异通过时差值进行量化；

16、空间距离：异常行为发生位置与关联摄像头的地理距离，并通过直线距离进行量化；

17、视角覆盖：摄像头的视场角与异常行为发生区域的重叠程度，将重叠程度通过重叠百分比进行量化，当不存在重叠时，则记为0；

18、目标出现频率：在关联摄像头的视频数据中，异常行为主体，包括人或车辆出现的次数，并将出现次数作为量化目标出现频率的标准；

19、停留时间：异常行为主体在摄像头视野中的停留时间，将此停留时间记为留时值；

20、再将得到的时差值、直线距离、重叠百分比、出现次数及留时值分别标定为cs、zj、cb、cc及ls，归一化处理后代入以下公式：以得到关评值gpz，式中ρ1、ρ2、ρ3、ρ4、ρ5分别为时差值、直线距离、重叠百分比、出现次数及留时值的预设权重系数；并将计算得到的关评值作为衡量关联监控摄像头与异常行为的关联程度的标准。

21、进一步的，所述关联模块还用于：

22、将所有关联监控摄像头分析得到关评值按照大小进行排序，并在将关联视频通过用户界面向用户进行展示时按照关评值大小排序进行依次展示；同时将关联分析的结果发送警报及通知相关人员；

23、对异常行为及关联的监控视频数据进行记录，用于事后分析和审计提供资料；

24、提供用户配置选项，用于允许用户根据具体需求调整关联分析的具体参数，设计冗余和容错机制，用于在部分摄像头或系统组件故障时，关联模块保持正常工作，并根据用户反馈和性能表现，不断优化关联模块的算法和逻辑。

25、进一步的，所述视频采集模块从多个监控摄像头中实时获取视频数据的具体操作步骤如下：

26、对监控摄像头使用的信号进行确定，包括模拟信号或数字信号，再确定监控摄像头的技术参数，包括分辨率及帧率；

27、根据需要采集的视频路数和质量，选择对应的视频采集卡或视频服务器，并对选择的视频采集卡及视频服务器安装兼容的驱动程序和软件，配置软件以识别和控制连接的监控摄像头；

28、再对所有的监控摄像头通过网络时间协议服务进行时间戳的同步调节，针对时间戳的同步调节通过计算时间戳同步误差；

29、针对ip摄像头，通过软件添加摄像头的ip地址，建立连接并开始接收视频流，针对模拟摄像头，确保视频信号通过采集卡正确捕获；

30、配置视频数据的存储路径和存储策略，包括循环录像及事件触发录像，配置用户权限，用于确保只有授权用户才能访问视频数据。

31、进一步的，所述视频预处理模块对采集的视频数据进行预处理具体操作步骤如下：

32、接收从视频采集模块传输的原始视频数据，根据处理需求和系统性能，调整视频的帧率和分辨率；

33、应用去噪算法减少视频中的噪声，调整视频的对比度和亮度，使用边缘检测算法增强视频中的边缘信息，应用直方图均衡化技术来改善视频的对比度；

34、利用背景减除算法以分离前景目标和背景，并将视频数据的格式进行转换，用于后续处理后存储，再对视频数据进行编码压缩。

35、进一步的，所述智能分析模块利用深度学习算法对视频内容进行实时分析的具体操作步骤如下：

36、对需要识别的目标类型及行为进行设置，目标类型包括人或车，行为包括运动或入侵，选择对应的深度学习框架，包括tensorflow或pytorch，进行模型的开发和训练；

37、收集现有视频数据进行标注，包括目标检测框及行为标签，选择对应的深度学习模型架构，包括卷积神经网络或循环神经网络，使用标注好的数据训练模型，优化模型参数；

38、对训练好的模型进行优化，并将训练好的模型部署到视频分析服务器或边缘设备上，将视频预处理模块输出的视频数据流接入智能分析模块；

39、通过模型实时监测视频中的目标，包括人及车，并输出目标的位置和属性。

40、进一步的，所述异常检测模块根据应用场景，设置检测阈值，进行运动检测及异常行为识别的具体操作步骤如下：

41、确定监控场景的具体需求，包括需要检测的异常类型，包括运动、入侵及遗留物；根据应用场景配置检测参数，包括敏感度及时间窗口；

42、收集正常和异常场景下的视频数据，用于算法训练和测试，使用收集的数据训练模型，使模型区分正常行为和异常行为，并设置检测阈值，确定何种程度的变化或行为构成异常；

43、通过基于背景减除及光流技术的运动检测算法，集成异常行为识别算法，包括基于行为模式分析的算法，将实时视频流接入异常检测模块，进行实时分析；

44、预设逻辑判断代码，根据模型输出和阈值判断是否发生异常事件，当监测到异常事件时，生成预警，并对相关人员进行警示通知。

45、与现有技术相比，本发明的有益效果是：

46、(1)本发明，通过集成先进的人工智能技术，显著提升了视频监控系统的智能化水平，与传统的监控系统相比，本系统能够自动进行目标检测、行为识别和异常行为分析，减少了对人工监控的依赖，深度学习算法的应用极大地增强了系统对复杂场景的适应能力和对异常事件的响应速度，从而提高了监控效率和准确性；

47、(2)本发明，通过视频采集、预处理、智能分析和异常检测模块，可以更加精确地识别和响应监控视频中的异常行为，不仅优化了监控资源的配置，避免了无效监控和资源浪费，而且通过快速准确的异常检测和警报机制，提高了监控区域的安全性，关联模块的引入使得系统能够跨摄像头进行事件关联分析，为用户提供了更全面的安全视角；

48、(3)本发明，考虑了实际应用中的各种挑战，如计算资源限制、系统整合难度等，采用了冗余和容错机制，确保了系统的稳定运行和高可靠性，用户配置选项的提供，使用户能够根据具体需求调整系统参数，增强了系统的灵活性和适用性，同时，用户界面的优化设计，使得用户能够直观地获取和处理监控信息，极大提升了用户体验。