公开/公告号CN112733894A
专利类型发明专利
公开/公告日2021-04-30
原文格式PDF
申请/专利权人 广东省电信规划设计院有限公司;
申请/专利号CN202011603683.1
申请日2020-12-29
分类号G06K9/62(20060101);G06N3/04(20060101);G06T3/40(20060101);G06T7/194(20170101);H04L29/08(20060101);
代理机构44202 广州三环专利商标代理有限公司;
代理人肖宇扬
地址 510000 广东省广州市天河区中山大道华景路1号11-19层
入库时间 2023-06-19 10:48:02
技术领域
本发明涉及视频识别感知技术领域,尤其涉及一种基于无线通信技术的智能视频识别感知方法。
背景技术
视频内容识别,成为了当前研究的热点之一,日益引起人们的重视,视频识别技术在国内外的研究都十分流行,国外对于常见识别方案如动作识别有了深入的研究,随着人工智能算法设计和实现的不断进步,深度学习在工业生产以及人们生活中所扮演的角色越来越重,其应用领域也变得越来越多,其对识别领域的贡献率也越来越高。
目前人们在对视频进行识别感知时,只能够将视频先上传到电脑中,再利用电脑中的视频识别软件对视频进行识别处理,无法满足人们出门在外时对视频识别的需求。
综上所述,本发明通过设计一种基于无线通信技术的智能视频识别感知方法来解决存在的问题。
发明内容
本发明的目的在于提供一种基于无线通信技术的智能视频识别感知方法,以解决目前人们为了修复土壤的生态环境,一般都会使用化学试剂对土壤进行处理,以去除土壤中含有的重金属元素,但使用的化学试剂对土壤自身的生态环境造成损坏,土壤中残留的化学试剂也会随水流和空气进入周围的环境中,污染环境的问题。
为实现上述目的,本发明提供如下技术方案:
一种基于无线通信技术的智能视频识别感知方法,包括以下步骤:
S1,在云服务器主机中构建视频图像超分辨率重建模型,将训练集输入视频图像超分辨率重建模型中进行训练,经过视频图像超分辨率重建模型的处理得到重建结果,将获得的重建结果与对应的原始高分辨率图像进行计算处理,从而获得视频图像超分辨率重建模型的损失函数,当达到设定的训练次数,或者损失函数的值下降到标准值以下后,停止训练,并保存相应的网络参数;
S2,用户通过无线通信网络将视频输入到云服务主机内的视频图像超分辨率重建模型中,视频图像超分辨率重建模型对输入的视频进行处理分析后,得到高分辨率的视频图像;
S3,将处理后的高分辨率视频图像进行背景去除,得到没有背景图像干扰的视频图像,云服务器主机对处理后的视频图像进行识别处理。
优选的,所述S1中的视频图像超分辨率重建模型由前卷积层网络和后卷积层网络组成,并且前卷积层网络由三层卷积网络单元组成、后卷积层网络由六层卷积网络单元组成。
优选的,所述S1中利用视频图像超分辨率重建模型对输入的视频图像进行超分辨率重建步骤如下:
S11,图像提取,先将输入的视频图像使用双三次插值放大至目标尺寸,从输入的视频图像中提取图像块,组成高维的特征图;
S12,非线性映射,将经过图像块提取的低分辨率图像输入前卷积层网络中,低分辨率图像经过前卷积层网络中的第一层卷积网络处理后,输出64张特征图,低分辨率图像经过前卷积层网络中的第二层卷积网络处理后,输出32张特征图;
S13,将低分辨率图像经过前卷积层网络中的第一层卷积网络和第二层卷积网络处理后得到的特征图输入第三层卷积网络中,第三层卷积网络经过处理后输出重建地高分辨率图像;
S14,将低分辨率图像和高分辨率图像经过堆叠处理后输入后卷积网络中,经过后卷积网络处理后得到长宽与原图相同,通道数为2的一张粗糙光流图;
S15,利用粗糙光流图对高分辨率图像进仿射变换,再将低分辨率图像和高分辨率图像以及进行仿射变换得到的图像进行堆叠处理后输入后卷积层网络中,经过后卷积网络处理后得到通道数为2的一张特征图,称为精细光流图;
S16,将粗糙光流图和精细光流图相加得到联合光流图,利用联合光流图对高分辨率图像进行仿射变换,得到经过光流动作补偿的高分辨率图像。
优选的,所述S1中的损失函数的公式为:
其中N为训练集中训练样本的数量,Y
优选的,所述S15中仿射变换公式为:
(X
优选的,所述S1中的训练集包括有200张高分辨率图像和200张低分辨率图像,且高分辨率图像与低分辨率图像一一对应。
优选的,所述S3中背景去除的具体步骤为:
S21,提取N帧边缘图像F
S22,使用标准差公式计算超复数空间边缘图像标准差,标准差公式为:
S23,根据平均值公式计算出该集合中所有元素的平均值,平均值公式为:
与现有技术相比,本发明的有益效果是:
1、本发明中,通过设计在云服务器主机内构建相关的软件识别程序,使用者提供无线通信网络将需要识别的视频输入云服务器主机中,云服务器主机内的相关程序对视频进行处理和分析,并将结果再次提供无线通信网络传输到用户手中,用户可以随时随地进行视频的识别处理,能够满足用户出门在外,身边没有设备时对视频识别的需求,同时云服务主机具有响应速度更快,更安全可靠以及云主机存储更方便的优点,且云服务主机使用价格较低,能够极大地降低系统的运行成本,使用无线通信网络进行数据传输,数据传输的速度更快,系统的反应时间缩短。
2、本发明中,通过设计频图像超分辨率重建模型,可以对输入的视频图像进行超高分辨率的重建,避免了用户上传的视频分辨率过低,导致无法识别,从而提高了视频识别的效率。
2、本发明中,通过设计对视频图像进行背景去除,可以对视频图像中的背景进行消除,从而避免了背景图像干扰视频识别,提高了视频识别的质量
具体实施方式
下面将结合本发明实施例中,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例,基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明提供一种技术方案:
一种基于无线通信技术的智能视频识别感知方法,包括以下步骤:
S1,在云服务器主机中构建视频图像超分辨率重建模型,将训练集输入视频图像超分辨率重建模型中进行训练,经过视频图像超分辨率重建模型的处理得到重建结果,将获得的重建结果与对应的原始高分辨率图像进行计算处理,从而获得视频图像超分辨率重建模型的损失函数,当达到设定的训练次数,或者损失函数的值下降到标准值以下后,停止训练,并保存相应的网络参数;
S2,用户通过无线通信网络将视频输入到云服务主机内的视频图像超分辨率重建模型中,视频图像超分辨率重建模型对输入的视频进行处理分析后,得到高分辨率的视频图像;
S3,将处理后的高分辨率视频图像进行背景去除,得到没有背景图像干扰的视频图像,云服务器主机对处理后的视频图像进行识别处理。
进一步的,所述S1中的视频图像超分辨率重建模型由前卷积层网络和后卷积层网络组成,并且前卷积层网络由三层卷积网络单元组成、后卷积层网络由六层卷积网络单元组成。
进一步的,所述S1中利用视频图像超分辨率重建模型对输入的视频图像进行超分辨率重建步骤如下:
S11,图像提取,先将输入的视频图像使用双三次插值放大至目标尺寸,从输入的视频图像中提取图像块,组成高维的特征图;
S12,非线性映射,将经过图像块提取的低分辨率图像输入前卷积层网络中,低分辨率图像经过前卷积层网络中的第一层卷积网络处理后,输出64张特征图,低分辨率图像经过前卷积层网络中的第二层卷积网络处理后,输出32张特征图;
S13,将低分辨率图像经过前卷积层网络中的第一层卷积网络和第二层卷积网络处理后得到的特征图输入第三层卷积网络中,第三层卷积网络经过处理后输出重建地高分辨率图像;
S14,将低分辨率图像和高分辨率图像经过堆叠处理后输入后卷积网络中,经过后卷积网络处理后得到长宽与原图相同,通道数为2的一张粗糙光流图;
S15,利用粗糙光流图对高分辨率图像进仿射变换,再将低分辨率图像和高分辨率图像以及进行仿射变换得到的图像进行堆叠处理后输入后卷积层网络中,经过后卷积网络处理后得到通道数为2的一张特征图,称为精细光流图;
S16,将粗糙光流图和精细光流图相加得到联合光流图,利用联合光流图对高分辨率图像进行仿射变换,得到经过光流动作补偿的高分辨率图像。
进一步的,所述S1中的损失函数的公式为:
其中N为训练集中训练样本的数量,Y
进一步的,所述S15中仿射变换公式为:
(X
进一步的,所述S1中的训练集包括有200张高分辨率图像和200张低分辨率图像,且高分辨率图像与低分辨率图像一一对应。
进一步的,所述S3中背景去除的具体步骤为:
S21,提取N帧边缘图像F
S22,使用标准差公式计算超复数空间边缘图像标准差,标准差公式为:
S23,根据平均值公式计算出该集合中所有元素的平均值,平均值公式为:
具体实施案例
包括以下步骤:
在云服务器主机中构建视频图像超分辨率重建模型,视频图像超分辨率重建模型由前卷积层网络和后卷积层网络组成,并且前卷积层网络由三层卷积网络单元组成、后卷积层网络由六层卷积网络单元组成,将训练集输入视频图像超分辨率重建模型中进行训练,训练集包括有200张高分辨率图像和200张低分辨率图像,且高分辨率图像与低分辨率图像一一对应,经过视频图像超分辨率重建模型的处理得到重建结果,将获得的重建结果与对应的原始高分辨率图像进行计算处理,从而获得视频图像超分辨率重建模型的损失函数,损失函数的公式为:
其中N为训练集中训练样本的数量,Y
用户通过无线通信网络将视频输入到云服务主机内的视频图像超分辨率重建模型中,视频图像超分辨率重建模型先将输入的视频图像使用双三次插值放大至目标尺寸,从输入的视频图像中提取图像块,组成高维的特征图,得到高分辨率的视频图像,将经过图像块提取的低分辨率图像输入前卷积层网络中,低分辨率图像经过前卷积层网络中的第一层卷积网络处理后,输出64张特征图,低分辨率图像经过前卷积层网络中的第二层卷积网络处理后,输出32张特征图,将低分辨率图像经过前卷积层网络中的第一层卷积网络和第二层卷积网络处理后得到的特征图输入第三层卷积网络中,第三层卷积网络经过处理后输出重建地高分辨率图像,将低分辨率图像和高分辨率图像经过堆叠处理后输入后卷积网络中,经过后卷积网络处理后得到长宽与原图相同,通道数为2的一张粗糙光流图,利用粗糙光流图对高分辨率图像进仿射变换,再将低分辨率图像和高分辨率图像以及进行仿射变换得到的图像进行堆叠处理后输入后卷积层网络中,经过后卷积网络处理后得到通道数为2的一张特征图,称为精细光流图,将粗糙光流图和精细光流图相加得到联合光流图,利用联合光流图对高分辨率图像进行仿射变换,得到经过光流动作补偿的高分辨率图像,仿射变换公式为:
(X
将处理后的高分辨率视频图像进行背景去除,提取N帧边缘图像F
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
机译: 一种基于用户的智能天线(SBSA)单元和无线传输/接收(WTRU)管理基于用户的智能天线(SBSA)的直接方法,采用上述方法
机译: 一种基于近场通信技术的智能卡系统,可避免车辆加油
机译: 基于智能,自我感知和情境感知的基于数字有机体的电信系统的系统,体系结构和方法