一种海量视频监控点位出图状态检测方法及系统与流程

技术特征：
1.一种海量视频监控点位出图状态检测方法，其特征在于，方法包括：s1、构建数据采集机制，获取本级视频监控装置中摄像机点位特征数据；s2、对摄像机点位特征数据进行预处理；s3、构建基于深度学习的海量视频监控点位出图状态预测网络模型；s4、对预测网络模型进行训练；按预设比例划分为训练集和测试集，将训练集输入到出图状态预测网络进行训练，通过梯度反向传播进行训练，采用小批量梯度下降方式迭代优化目标函数，满足一定条件后停止训练；使用测试集对模型进行评价，优化训练参数，最终获得训练完成的出图状态预测模型；s5、使用出图状态预测模型对摄像机出图状态进行预测、分级及检测。2.根据权利要求1所述的海量视频监控点位出图状态检测方法，其特征在于， s1还包括：s11、在后台系统或数据表格中获取视频监控系统国标基础字段数据；s12、从全量视频监控点位中随机抽取预设数量的点位进行基于直播流协议的视频流抽帧抽取，记录成功抽帧的监控点位编码和抽帧时间；统计并存储视频监控点位历史成功出图次数和最近出图时间对应的两个字段数据；s13、在全量点位中随机抽取10%以上的点位，循环反复进行视频流抽帧检测，获得并记录点位id和抽帧检测结果；根据本次抽样检测结果计算全量点位总体出图率的点估计值和在95%置信水平下的置信区间。3.根据权利要求2所述的海量视频监控点位出图状态检测方法，其特征在于，s12中24小时循环随机抽取预设数量的点位进行基于直播流协议的视频流抽帧检测；将抽帧时间划分成预设个时间段，对每段时间的抽帧结果进行统计，获得点位历史成功出图次数和最近出图时间。4.根据权利要求2所述的海量视频监控点位出图状态检测方法，其特征在于，字段数据包括：国标id、组织编码、摄像机类型、录像存储位置、经纬度坐标、点位创建时间、点位更新时间以及心跳状态。5.根据权利要求2所述的海量视频监控点位出图状态检测方法，其特征在于，s2还包括：s21、对分类变量进行编码；s22、对数值变量进行预处理；s23、采用z-score对所有特征数据进行标准化。6.根据权利要求5所述的海量视频监控点位出图状态检测方法，其特征在于，s21的分类方式包括：经纬度编码：添加经纬度字段，通过缺失值过滤和空间分析，将经纬度坐标缺失和与行政区划不一致的点位编码为0，其余编码为1；组织编码：将点位组织编码进行字符串排序，并进行整数编码，如此编码可体现视频监控点位所属组织的邻近关系；其他分类变量编码：摄像机类型、存储位置、心跳状态、抽帧检测结果均采用整数编码；
心跳状态在编码前设置为更新一次。7.根据权利要求5所述的海量视频监控点位出图状态检测方法，其特征在于，s22的预处理方式包括：设置点位创建时长：当前时间与点位创建时间的差值，单位为小时；设置点位更新时差：点位更新时间与创建时间的差值，单位为小时；设置点位最近出图时差：当前时间与步骤12）所述最近出图时间的差值，单位为小时。8.根据权利要求1或2所述的海量视频监控点位出图状态检测方法，其特征在于，s3还包括：构建前馈神经网络，模型预测的目标数据为是否出图；输出层采用sigmoid激活函数；隐层采用relu激活函数；损失函数采用二值交叉熵。9.根据权利要求2所述的海量视频监控点位出图状态检测方法，其特征在于，s5还包括：s51、将预处理后的全量视频监控点位数据输入至出图状态预测模型中，进行前向的计算，得到出图概率的预测值；s52、将全量点位按出图概率的预测值降序排序，按比率截取点位，比率为s13所计算的全量点位总体出图率的点估计值，而后将截取的点位预测为可出图点位，其余预测为不可出图点位；s53、将全量点位按出图概率的预测值降序排序，按比率截取点位，比率的下界和上界分别为s13所计算的置信区间的左右端点，对截取的点位再进行视频抽帧检测，并对预测结果进行修正；s54、输出点位编码和预测出图结果。10.一种海量视频监控点位出图状态检测系统，其特征在于，系统采用如权利要求1至9任意一项所述的海量视频监控点位出图状态检测方法；系统包括：数据采集模块、数据预处理模块、网络构建模块、模型训练模块以及状态检测模块；数据采集模块，用于获取本级视频监控装置中摄像机点位特征数据；数据预处理模块，用于对摄像机点位特征数据进行预处理；网络构建模块，用于构建基于深度学习的海量视频监控点位出图状态预测网络模型；模型训练模块，用于对预测网络模型进行训练；按预设比例划分为训练集和测试集，将训练集输入到出图状态预测网络进行训练，通过梯度反向传播进行训练，采用小批量梯度下降方式迭代优化目标函数，满足一定条件后停止训练；使用测试集对模型进行评价，优化训练参数，最终获得训练完成的出图状态预测模型；状态检测模块，用于使用出图状态预测模型对摄像机点位特征数据进行预测、分级及检测。

技术总结
本发明提供一种海量视频监控点位出图状态检测方法及系统，涉及视频监控技术领域，包括：获取本级视频监控装置中摄像机点位特征数据；对摄像机点位特征数据进行预处理；构建基于深度学习的海量视频监控点位出图状态预测网络模型；对预测网络模型进行训练；使用测试集对模型进行评价，优化训练参数，最终获得训练完成的出图状态预测模型；使用出图状态预测模型对摄像机点位特征数据进行预测、分级及检测。本发明实现对海量视频监控点位出图状态的预测和分级，而后根据分级结果制定检测策略，再采用传统检测方式进行精细化检测，从而提高大规模联网视频监控系统监控点位出图状态检测的质量效率，同时降低资源占用。同时降低资源占用。同时降低资源占用。


技术研发人员：宋健 刘子谦 张增瑞
受保护的技术使用者：智慧齐鲁（山东）大数据科技有限公司
技术研发日：2022.10.14
技术公布日：2022/11/11