星卡口视频结构化分析检索决定安防平台未来

　　面向内容的视频检索技术

　　从组成来看，视频是一系列图像的一个特定排列，每一幅图像称为帧，帧是视频的基本视觉单位。摄像机一次拍摄所形成的帧序列，通常作为视频编辑的基本单位。场景也叫做片段，是由多个语义相关的镜头组成。关键帧是由目标引申出来的某一帧或多帧图像。视频检索是在单个或多个视频里面寻找用户感兴趣的内容并进行定位，找到特定人物所在的视频、人物在对应视频中的位置(如帧信息和时间等)或对应的图像序列。

　　基本框架及相关技术：在基于内容的视频检索中，由于视频往往长度较大，内容分布存在重复和分散的情况，因此在检索当中往往会先对视频进行处理，通过关键倾定位、镜头分割和场景分割等等进行切分，然后提取不同层次的内容，如视觉特征、语义特征等等，再存储特征到数据库中，最后根据用户的查询输入直接和数据库中的特征进行比对，得到结果以后再获取相应的视频信息返回检索结果给用户。整个过程覆盖了多方面技术，如在视频处理模块涉及：关键帖提取、镜头边缘检测、场景分类、视频优化等。在特征处理模块涉及：内容分类、目标检测、目标跟踪、目标匹配、行为分析、数据管理等。在用户查询模块涉及：检索方法、反馈方法等。

　　视频结构化模型

　　为了实现计算机智能化处理视频，需要对视频及其内容建立数据模型。视频的数据模型描述了视频的分割信息和内容信息，是对视频中记录的客观事物及其联系的一种数据表示。视频数据模型应该满足：多层次——视频是连续的图像表示，在不同层次上的划分具有不同的含义表达，因此视频数据模型应该能在多层次上对视频流进行抽象表达。时空性——视频具有时空两种特性，其记录的客观事物也应具有时空特性。独立性——独立性是视频模型的基本要求，在进行数据库存储时,独立的数据模型才可能实现共享和重用。模型索引——视频数据模型应有特定的索引以满足检索要求。现有的视频数据模型从处理内容上可以分为两类：一、视觉内容模型，通过记录视频的时空信息、图像视觉特征等进行表示,包括时间线模型、颜色纹理模型、代数模型等;二、语义内容模型，通过对视频中的客观事物进行语义关系表达来对视频进行表示，提供语义查询的接口，包括对象模型、事件模型等。例如人物结构化表示模型，它是面向对象的视频模型，其建立过程是提取基本视觉特征，并进一步组合和语义化，实现高层语义表达。在检索当中,重要的一环是如何对人物结构化表示模型进行匹配，这种匹配主要是计算人物结构化表示模型当中的视觉特征的差异程度来实现。

　　Hadoop大数据计算

　　从形式上看，数据可以分为结构化数据和非结构化数据。大数据时代，绝大部分数据是非结构化的图像和视频数据，大数据在一定程度上就是意味着视频大数据。视频大数据具有5V的特点：Volume(海量)、Variety(多样)、Velocity(高速处理)、Veracity(可信)、Value(有价值)。Hadoop是为解决大数据存储的重要解决方案，它是一个能够处理海量数据的分布式软件框架，由多个元素组成，最基本的是HDFS文件系统和MapReduce处理引擎。Hadoop具有高可靠性、高扩展性、高效性、高容错性和低成本等优点。HDFS文件系统实现了文件的创建、删除、移动和重命名等操作，它由提供元数据服务的NameNode和提供存储块服务的DataNode两大节点组成。MapReduce是针对大数据集的并行计算模型，基于HDFS分布式文件系统实现,主要包括Map(映射)阶段和Reduce(收集)阶段。