一种基于深度学习的视频抽帧方法和系统与流程

技术特征：
1.一种基于深度学习的视频抽帧方法，其特征在于，包括：步骤s1、对检测视频中每一帧图像进行亮度检测和模糊检测，确定每一帧图像的色偏度值和灰度图方差值，并计算检测视频的视频平均灰度图方差值；步骤s2、基于预先训练好的深度学习模型识别每一帧图像中的敏感目标，并对敏感目标进行预标注；所述预标注包括敏感目标位置和敏感目标类型；步骤s3、基于每相邻若干帧图像的色偏度值、灰度图方差值、视频平均灰度图方差值、敏感目标位置、敏感目标类型、图像对应的时间生成二维码，并依次插入检测视频最后一帧；步骤s4、基于预设抽帧间隔、脱敏目标类型、灰度图方差值范围和时间范围抽取目标图像，并基于预设规则对目标图像中的敏感目标进行模糊化处理。2.根据权利要求1所述的基于深度学习的视频抽帧方法，其特征在于，所述敏感目标包括限高标识、限重标识、军事区域、发电站、连续密集高压线、人脸、车道线、障碍物、预设特殊类型车辆和交通标志牌。3.根据权利要求1所述的基于深度学习的视频抽帧方法，其特征在于，所述步骤s1具体包括：基于计算机视觉和机器学习软件库opencv中的brightnessexception对检测视频中每一帧图像进行亮度检测，得到每一帧图像的色偏度值cast和色偏方向值da；将每一帧图像转换为灰度图，并基于计算机视觉和机器学习软件库opencv中的laplacian算子计算灰度图方差值，并计算视频平均灰度图方差值。4.根据权利要求3所述的基于深度学习的视频抽帧方法，其特征在于，若所述色偏度值cast＞1，则表示亮度异常；若色偏度值cast＞1，且色偏方向值da＞0，则表示图像亮度过亮，若色偏度值cast＞1，且色偏方向值da＜0，则表示图像亮度过暗；否则表示图像亮度正常。5.根据权利要求1所述的基于深度学习的视频抽帧方法，其特征在于，所述步骤s3具体包括：步骤s31、根据检测视频开始时间戳和当前帧图像的帧数，确定每一帧图像对应的时间；步骤s32、基于所述色偏度值、灰度图方差值、视频平均灰度图方差值、敏感目标位置、敏感目标类型、图像对应的时间生成每一帧图像的检测二维码；s33、将与检测视频相同分辨率的二维码图像等分为16等份，将所述检测二维码按对应每一帧图像在检测视频中的先后顺序，依次插入二维码图像中对应位置。6.根据权利要求4所述的基于深度学习的视频抽帧方法，其特征在于，所述步骤s4中，当前帧图像的模糊阈值小于设定值，且与视频平均阈值差的绝对值大于设定值时，以该帧图像前后设定时间段的模糊阈值平均值进行比较，如果设定时间段的模糊阈值平均值小于设定值，则认为该帧图像清晰，否则判断为该帧图像模糊。7.一种基于深度学习的视频抽帧系统，其特征在于，包括：亮度及模糊检测模块，用于对检测视频中每一帧图像进行亮度检测和模糊检测，确定每一帧图像的色偏度值和灰度图方差值，并计算视频平均灰度图方差值；目标自动识别模块，用于基于预先训练好的深度学习模型识别每一帧图像中的敏感目
标，并对敏感目标进行预标注；所述预标注包括敏感目标位置和敏感目标类型；数据融合模块，用于基于每相邻若干帧图像的色偏度值、灰度图方差值、视频平均灰度图方差值、敏感目标位置、敏感目标类型、图像对应的时间生成二维码，并依次插入检测视频最后一帧；数据抽取模块，用于基于预设抽帧间隔、脱敏目标类型、灰度图方差值范围和时间范围抽取目标图像，并基于预设规则对目标图像中的敏感目标进行模糊化处理。8.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至6任一项所述基于深度学习的视频抽帧方法的步骤。9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至6任一项所述基于深度学习的视频抽帧方法的步骤。

技术总结
本发明实施例提供一种基于深度学习的视频抽帧方法和系统，通过人工和深度学习模型的辅助，对按设定的时间间隔对相应帧数图像进行模糊、过曝、敏感信息、目标识别，将识别的相应帧数信息存储每16帧生成一个4


技术研发人员：程德心 周风明 付玥 姚曦煜
受保护的技术使用者：武汉光庭信息技术股份有限公司
技术研发日：2021.08.10
技术公布日：2021/12/13