一种基于DeepLearning的视频识别技术的系统的制作方法

技术特征：
1.一种基于deeplearning的视频识别技术的系统，包括图像采样器、时序分段处理器和分支处理器，所述时序分段处理器连接于图像采样器的输出端，所述分支处理器连接于时序分段处理器的输出端，其特征在于：所述分支处理器的输出端连接有帧信息处理器。2.根据权利要求1所述的一种基于deeplearning的视频识别技术的系统，其特征在于：所述帧信息处理器通过对每帧视频的清晰度进行对比，将所有帧视频分为正确数据，冗余数据和错误数据，正确数据指清晰度较高的视频帧数，冗余数据指清晰度较低的视频帧数，错误数据指不清晰的视频帧数。3.根据权利要求1所述的一种基于deeplearning的视频识别技术的系统，其特征在于：所述帧信息处理器的输出端连接有新数据库，所述新数据库具备分支结果预测功能，所述时序分段处理器具有特征融合功能，所述融合后的特征向量作为视频的分量。4.根据权利要求1所述的一种基于deeplearning的视频识别技术的系统，其特征在于：所述时序分段处理器的输出端连接有优化器，所述优化器采用3d卷积，低秩近似模型和vgg算法对视频的分量进行建模。5.根据权利要求1所述的一种基于deeplearning的视频识别技术的系统，其特征在于：基于deeplearning的视频识别方法，包括以下步骤：s1：图像采样器将采集到的视频信息传递给时序分段处理器，时序分段处理器将一个视频分为多个小段，每段均匀的采集一帧图像与多帧光流；s2：时序分段处理器多小段的视频传递给帧信息处理器，帧信息处理器根据视频的清晰度分为正确数据，冗余数据和错误数据，三种数据经过处理后全部导入到新数据库中；s3：所有帧数的视频图像在新数据库中集合，然后传递给分支处理器，分支处理器利用双流法，每视频小段获取图像分支与光流分支的特征后，融合所有的特征作为整个视频的特征向量进行处理，时序分段网络对于不同段之间的特征向量直接进行平均融合处理,在针对不同的分支进行分类预测；s4：预测的结果结合视频的时序信息进行vlad融合，对一个视频的各个帧特征进行聚类得到多个聚类中心，将所有的特征分配到指定的聚类中心中，对于每个聚类区域中的特征向量取平均，最终合并所有的聚类区域的特征向量作为整个视频的特征向量；s5：将s4中的特征向量利用优化器直接使用3d卷积构建网络，利用低秩近似模型实现参数量的减少，最后利用vgg算法进行建模，建模后的结果即为视频识别结果。

技术总结
本发明涉及视频识别技术领域，尤其涉及了一种基于DeepLearning的视频识别技术，包括图像采样器、时序分段处理器和分支处理器，所述时序分段处理器连接于图像采样器的输出端，所述分支处理器连接于时序分段处理器的输出端，所述分支处理器的输出端连接有帧信息处理器，帧信息处理器通过对每帧视频的清晰度进行对比，将所有帧视频分为正确数据，冗余数据和错误数据，经过处理后全部导入到新数据库中。该基于DeepLearning的视频识别技术，帧信息处理器对冗余数据进行重新标定，导入临近时间帧数的图像，留下清晰度最高的一帧视频导入到新数据库中，去除了临近的视频帧信息存在的大量冗余，可以更加高效的从视频中采样图像。可以更加高效的从视频中采样图像。可以更加高效的从视频中采样图像。


技术研发人员：许国庆 齐转风
受保护的技术使用者：开利科技股份有限公司
技术研发日：2022.02.09
技术公布日：2022/5/31