[发明专利]基于深度学习的重获取视频检测方法、系统、设备及介质

权利要求书

1.一种基于深度学习的重获取视频检测方法，其特征在于，所述方法包括：

获取原始视频数据集和重获取视频数据集；其中，所述重获取视频数据集通过拍摄设备对成像设备显示的原始视频数据进行采集获取；

根据原始视频数据集和重获取视频数据集，获取训练数据集；

对训练数据集中的训练视频数据进行预处理；

以残差网络作为重获取视频检测模型，利用预处理后的训练视频数据对重获取视频检测模型进行训练，得到训练好的重获取视频检测模型；

利用训练好的重获取视频检测模型对待测视频进行检测，判定是否为重获取视频。

2.根据权利要求1所述的基于深度学习的重获取视频检测方法，其特征在于，所述对训练数据集中的训练视频数据进行预处理，具体包括：

对训练数据集中的每段训练视频数据进行帧提取，得到帧序列图像；

对帧序列图像中的每帧图像分成若干个N×N大小的不重叠图像块；

计算每帧图像中每个图像块的方差，并按从大到小的顺序进行排序，选取前M个图像块。

3.根据权利要求2所述的基于深度学习的重获取视频检测方法，其特征在于，所述对训练数据集中的每段训练视频数据进行帧提取，得到帧序列图像之后，还包括：

对帧序列图像中的每帧图像进行灰度变换。

4.根据权利要求2所述的基于深度学习的重获取视频检测方法，其特征在于，所述计算每个图像块的方差，并按从大到小的顺序进行排序，选取前M个图像块之后，还包括：

利用高斯滤波器对每帧图像的图像块进行高斯滤波。

5.根据权利要求2-4任一项所述的基于深度学习的重获取视频检测方法，其特征在于，所述以残差网络作为重获取视频检测模型，利用预处理后的训练视频数据对重获取视频检测模型进行训练，得到训练好的重获取视频检测模型，具体包括：

以残差网络作为重获取视频检测模型，将每帧图像的图像块输入重获取视频检测模型中进行训练，将被预测为原始图像块的数量除以图像块的总数量作为原始图像预测概率，将被预测为重获取图像块的数量除以图像块的总数量作为重获取图像预测概率，若原始图像预测概率大于第一设定阈值，则该帧图像被预测为原始图像，若重获取图像预测概率大于第一设定阈值，则该帧图像被预测为重获取图像；

将每段训练视频被预测为原始图像的帧图像数量除以该段训练视频的帧图像总数量作为原始视频预测概率，将每段训练视频被预测为重获取图像的帧图像数量除以该段训练视频的帧图像总数量作为重获取视频预测概率，若原始视频预测概率大于第二设定阈值，则该段训练视频被预测为原始视频，若重获取视频预测概率大于第二设定阈值，则该段训练视频被预测为重获取视频；

根据训练视频数据的预测结果，完成重获取视频检测模型的训练，得到训练好的重获取视频检测模型。

6.根据权利要求1-4任一项所述的基于深度学习的重获取视频检测方法，其特征在于，所述根据原始视频数据集和重获取视频数据集，获取训练数据集，具体包括：

将原始视频数据集的原始视频数据和重获取视频数据集的重获取视频数据整合为视频数据集；

按照预设百分比从视频数据集中获取训练视频数据，构成训练数据集。

7.根据权利要求1-4任一项所述的基于深度学习的重获取视频检测方法，其特征在于，所述残差网络采用ResNet50网络。

8.一种重获取视频检测系统，其特征在于，所述系统包括：

第一获取模块，用于获取原始视频数据集和重获取视频数据集；其中，所述重获取视频数据集通过拍摄设备对成像设备显示的原始视频数据进行采集获取；

第二获取模块，用于根据原始视频数据集和重获取视频数据集，获取训练数据集；

预处理模块，用于对训练数据集中的训练视频数据进行预处理；

训练模块，用于以残差网络作为重获取视频检测模型，利用预处理后的训练视频数据对重获取视频检测模型进行训练，得到训练好的重获取视频检测模型；

检测模块，用于利用训练好的重获取视频检测模型对待测视频进行检测，判定是否为重获取视频。