[发明专利]基于分类对象的视频识别方法、系统、设备及存储介质

说明书

本发明提供了基于分类对象的视频识别方法、系统、设备及存储介质，该方法包括以下步骤：预设至少一主体对象标签，分别对应至少一子对象标签，训练第一类神经网络模型用于识别主体对象标签和第二类神经网络模型用于识别对应子对象标签的参数值；自视频码流中获得原始图片，并压缩为压缩图片；将压缩图片逐张输入第一类神经网络模型进行识别，当得到主体对象标签以及对应的子对象标签；根据压缩图片中子对象标签对应的局部图像区域在对应的原始图片进行抠图；输入第二类神经网络模型，获得每个子对象标签对应的参数值。本发明能够同步运行多路的视频分析任务，大大减少视频分析的运算量，从而降低带宽需求和服务器的线程消耗。

背景技术

目前，集装箱码头闸口等场景广泛使用摄像头协助工作人员检验车辆相关信息，其中存在一部分信息需要工作人员能直观的全面的看到车辆及集装箱的完整情况。

传统方案将提供给工作人员连续的多张独立的车辆截图，然后令工作人员人工的检查这多张图片。传统方法会增大工作人员的工作量且增大检查中可能存在的误差。

鉴于无人码头模式的推广，无人集卡无法自行识别集装箱，为了避免运输过程中发生错误，可以通过码头的视频比对集卡的车牌和集装箱的箱号，与预设的任务安排进行比对，但这种方式需要人力监控，而且及时性难以保证。现有技术采用机器视觉来进行辅助，主要通过两种来实现图形机器学习方式，第一种是使用CPU解码，再通过CPU资源实现识别分类任务，对CPU资源消耗大，一旦资源消耗过多，会较低其它业务的运行速度，且成本高；第二种是使用显卡实现识别分类任务，显卡的成本比较高，且功耗比较高。

因此，本发明提供了一种基于分类对象的视频识别方法、系统、设备及存储介质。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本实用新型的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

针对现有技术中的问题，本发明的目的在于提供基于分类对象的视频识别方法、系统、设备及存储介质，克服了现有技术的困难，能够同步运行多路的视频分析任务，大大减少视频分析的运算量，从而降低带宽需求和服务器的线程消耗。

本发明的实施例提供一种基于分类对象的视频识别方法，包括以下步骤：

S110、预设至少一主体对象标签，每个所述主体对象标签对应至少一子对象标签，训练第一类神经网络模型用于自输入的图片中识别出所述主体对象标签和第二类神经网络模型用于自输入的图片中识别出对应所述子对象标签的参数值；

S120、采集视频码流，自所述视频码流中获得原始图片，将所述原始图片的尺寸压缩获得压缩图片，并建立所述压缩图片与所述原始图片的映射关系；

S130、将所述压缩图片逐张输入第一类神经网络模型进行识别，当得到所述主体对象标签以及所述主体对象标签对应的子对象标签，执行步骤S140；

S140、将该所述压缩图片中所述子对象标签对应的局部图像区域映射到原始图片的相关图像区域抠图作为待识别图案；以及

S150、将所述待识别图案输入第二类神经网络模型，获得每个所述子对象标签对应的参数值。

优选地，每个所述子对象标签分别对应一独立的第二类神经网络模型，将每个所述子对象标对应的待识别图案输入到各自的所述第二类神经网络模型中，获得对应的参数值。

优选地，所述子对象标签的参数值至少包括车辆车型、箱体号码、车牌号码、驾驶员人脸、驾驶员行为中的至少一种。

优选地，所述主体对象标签中至少包括空车集卡、带箱集卡、轿车、吊车中的至少一种；

所述带箱集卡对应的所述子对象标签包括箱体号码、车牌号码。