买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：哈尔滨师范大学

摘要：本申请涉及视频监控技术领域，具体涉及基于深度学习的冰雪项目场地监控图像高效通信方法，该方法包括：采集冰雪项目场地监控视频中的各视频帧；基于视频帧各采样点在不同通道下的强度值以及与任一光流向量的位置、距离分布，确定视频帧各采样点的雪地运动赛道能量函数值；基于雪地运动赛道能量函数值以及矢量点在迭代过程中寻找质心的移动位置，确定矢量点的雪地信息密度分裂权重；优化VQ‑LGB压缩算法，得到压缩后的视频帧，输入神经网络实现冰雪项目场地的高效通信。本申请旨在获得更高质量的冰雪项目场地视频压缩数据，提高通信效率。

主权项：1.基于深度学习的冰雪项目场地监控图像高效通信方法，其特征在于，该方法包括以下步骤：采集冰雪项目场地监控视频中的各视频帧；基于视频帧各采样点在不同通道下的强度值，确定各采样点的雪地色彩突出分割权重；采用稀疏光流算法获取相邻视频帧的光流向量；基于视频帧中各采样点与任一光流向量的位置分布，确定各采样点与任一光流向量的方向吻合度；基于相邻视频帧中光流向量的距离分布确定任一光流向量的光流向量非震荡度；基于连续参考帧在相同采样点的雪地色彩突出分割权重、光流向量非震荡度以及方向吻合度，确定视频帧各采样点的雪地运动赛道能量函数值；随机生成视频帧中的矢量点，采用VQ-LGB算法中的LGB算法对视频帧的任意一次迭代过程中，基于雪地运动赛道能量函数值以及矢量点在迭代过程中寻找质心的移动位置，确定矢量点的雪地信息密度分裂权重；基于雪地信息密度分裂权重优化VQ-LGB压缩算法，得到压缩后的视频帧，输入神经网络实现冰雪项目场地的高效通信；所述基于连续参考帧在相同采样点的雪地色彩突出分割权重、光流向量非震荡度以及方向吻合度，确定视频帧各采样点的雪地运动赛道能量函数值，包括：将任一视频帧相邻的前预设数量个视频帧，记为任一视频帧的参考帧；对于参考帧中的任一光流向量，计算任一光流向量的长度与参考帧中各采样点的雪地色彩突出分割权重的乘积，作为分子；计算任一光流向量的光流向量非震荡度、参考帧中各采样点与任一光流向量的方向吻合度、参考帧中各采样点与任一光流向量的欧式距离的三项乘积，将所述三项乘积与预设调参因子的和值作为分母；计算分子与分母的比值；将所有参考帧中所有的光流向量的所述比值的和值，作为任一视频帧各采样点的雪地运动赛道能量函数值；所述基于雪地运动赛道能量函数值以及矢量点在迭代过程中寻找质心的移动位置，确定矢量点的雪地信息密度分裂权重，包括：对于任意一次迭代过程前的任一矢量点，基于任一矢量点及其所有关联采样点确定任一矢量点的传统矢量点分裂系数；所述关联采样点为任一矢量点所在区域内的采样点；对于任一矢量点在所述迭代过程中的各次移动，计算各次移动前任一矢量点的所有关联采样点的雪地运动赛道能量函数值的均值，记为任一矢量点各次移动前的矢量点能量值；将所有移动前的所述矢量点能量值组成任一矢量点的能量函数变化向量；将所述能量函数变化向量的一阶倒数向量的均值，记为任一矢量点的雪地运动赛道能量变化倾向；基于任一矢量点在所述迭代过程中的各次移动位置之间的欧式距离确定任一矢量点各次移动的质心移动位置权重；基于质心移动位置权重、雪地运动赛道能量变化倾向以及传统矢量点分裂系数，确定任一矢量点的雪地信息密度分裂权重；所述基于任一矢量点及其所有关联采样点确定任一矢量点的传统矢量点分裂系数，包括：将任一矢量点的所有关联采样点灰度值的标准差，记为任一矢量点的失真度；将任一矢量点的关联采样点数量与所述失真度的乘积作为任一矢量点的传统矢量点分裂系数；所述基于任一矢量点在所述迭代过程中的各次移动位置之间的欧式距离确定任一矢量点各次移动的质心移动位置权重，表达式为： 式中，是第h个矢量点第g次移动的质心移动位置权重，是第h个矢量点第g次移动前的位置，是第h个矢量点G次移动后的位置，是与之间的欧式距离，是第h个矢量点的所有移动次数的所述欧式距离的最大值；所述基于质心移动位置权重、雪地运动赛道能量变化倾向以及传统矢量点分裂系数，确定任一矢量点的雪地信息密度分裂权重，包括：计算任一矢量点各次移动前的矢量点能量值与任一矢量点各次移动的质心移动位置权重的乘积，计算任一矢量点所有移动次数下的所述乘积的和值；获取所有矢量点的雪地运动赛道能量变化倾向中的最大值，计算所述最大值与任一矢量点的雪地运动赛道能量变化倾向的和值；将两个和值与任一矢量点的传统矢量点分裂系数三项的乘积，作为任一矢量点的雪地信息密度分裂权重；所述基于雪地信息密度分裂权重优化VQ-LGB压缩算法，得到压缩后的视频帧，输入神经网络实现冰雪项目场地的高效通信，包括：将任一矢量点的雪地信息密度分裂权重代替传统矢量点分裂系数，改进VQ-LGB压缩算法获取压缩后的视频帧；将压缩后的视频帧在数据处理中心进行解压，得到解压后的视频帧；对解压后的视频帧人为设置标签值，标签值为1代表有人员摔倒，0代表没有人员摔倒；将所有解压后的视频帧以及对应标签值输入卷积网络，输出CNN卷积网络决策函数；将实时传输的解压后的视频帧作为CNN卷积网络决策函数的输入，输出标签值；当输出标签值为1，发出警报；否则不发出警报。

全文数据：

权利要求：

百度查询： 哈尔滨师范大学 基于深度学习的冰雪项目场地监控图像高效通信方法