[發明專利]基于深度學習的重獲取視頻檢測方法、系統、設備及介質

有效

• 申請號: 202011532832.X
• 申請日: 2020-12-23
• 公開（公告）號: CN112560734B
• 公開（公告）日: 2023-10-10
• 發明（設計）人: 邊山;王叢笑;顧天己;王春桃
• 申請（專利權）人: 華南農業大學
• 主分類號: G06V20/40
• 分類號: G06V20/40;G06V10/774;G06V10/764;G06V10/82;G06N3/0464;G06N3/08
• 代理公司: 廣州市華學知識產權代理有限公司 44245
• 代理人: 李君

1.一種基于深度學習的重獲取視頻檢測方法，其特征在于，所述方法包括：

獲取原始視頻數據集和重獲取視頻數據集；其中，所述重獲取視頻數據集通過拍攝設備對成像設備顯示的原始視頻數據進行采集獲取；

根據原始視頻數據集和重獲取視頻數據集，獲取訓練數據集；

對訓練數據集中的訓練視頻數據進行預處理；

以殘差網絡作為重獲取視頻檢測模型，利用預處理后的訓練視頻數據對重獲取視頻檢測模型進行訓練，得到訓練好的重獲取視頻檢測模型；

利用訓練好的重獲取視頻檢測模型對待測視頻進行檢測，判定是否為重獲取視頻。

2.根據權利要求1所述的基于深度學習的重獲取視頻檢測方法，其特征在于，所述對訓練數據集中的訓練視頻數據進行預處理，具體包括：

對訓練數據集中的每段訓練視頻數據進行幀提取，得到幀序列圖像；

對幀序列圖像中的每幀圖像分成若干個N×N大小的不重疊圖像塊；

計算每幀圖像中每個圖像塊的方差，并按從大到小的順序進行排序，選取前M個圖像塊。

3.根據權利要求2所述的基于深度學習的重獲取視頻檢測方法，其特征在于，所述對訓練數據集中的每段訓練視頻數據進行幀提取，得到幀序列圖像之后，還包括：

對幀序列圖像中的每幀圖像進行灰度變換。

4.根據權利要求2所述的基于深度學習的重獲取視頻檢測方法，其特征在于，所述計算每個圖像塊的方差，并按從大到小的順序進行排序，選取前M個圖像塊之后，還包括：

利用高斯濾波器對每幀圖像的圖像塊進行高斯濾波。

5.根據權利要求2-4任一項所述的基于深度學習的重獲取視頻檢測方法，其特征在于，所述以殘差網絡作為重獲取視頻檢測模型，利用預處理后的訓練視頻數據對重獲取視頻檢測模型進行訓練，得到訓練好的重獲取視頻檢測模型，具體包括：

以殘差網絡作為重獲取視頻檢測模型，將每幀圖像的圖像塊輸入重獲取視頻檢測模型中進行訓練，將被預測為原始圖像塊的數量除以圖像塊的總數量作為原始圖像預測概率，將被預測為重獲取圖像塊的數量除以圖像塊的總數量作為重獲取圖像預測概率，若原始圖像預測概率大于第一設定閾值，則該幀圖像被預測為原始圖像，若重獲取圖像預測概率大于第一設定閾值，則該幀圖像被預測為重獲取圖像；

將每段訓練視頻被預測為原始圖像的幀圖像數量除以該段訓練視頻的幀圖像總數量作為原始視頻預測概率，將每段訓練視頻被預測為重獲取圖像的幀圖像數量除以該段訓練視頻的幀圖像總數量作為重獲取視頻預測概率，若原始視頻預測概率大于第二設定閾值，則該段訓練視頻被預測為原始視頻，若重獲取視頻預測概率大于第二設定閾值，則該段訓練視頻被預測為重獲取視頻；

根據訓練視頻數據的預測結果，完成重獲取視頻檢測模型的訓練，得到訓練好的重獲取視頻檢測模型。

6.根據權利要求1-4任一項所述的基于深度學習的重獲取視頻檢測方法，其特征在于，所述根據原始視頻數據集和重獲取視頻數據集，獲取訓練數據集，具體包括：

將原始視頻數據集的原始視頻數據和重獲取視頻數據集的重獲取視頻數據整合為視頻數據集；

按照預設百分比從視頻數據集中獲取訓練視頻數據，構成訓練數據集。

7.根據權利要求1-4任一項所述的基于深度學習的重獲取視頻檢測方法，其特征在于，所述殘差網絡采用ResNet50網絡。

8.一種重獲取視頻檢測系統，其特征在于，所述系統包括：

第一獲取模塊，用于獲取原始視頻數據集和重獲取視頻數據集；其中，所述重獲取視頻數據集通過拍攝設備對成像設備顯示的原始視頻數據進行采集獲取；

第二獲取模塊，用于根據原始視頻數據集和重獲取視頻數據集，獲取訓練數據集；

預處理模塊，用于對訓練數據集中的訓練視頻數據進行預處理；

訓練模塊，用于以殘差網絡作為重獲取視頻檢測模型，利用預處理后的訓練視頻數據對重獲取視頻檢測模型進行訓練，得到訓練好的重獲取視頻檢測模型；

檢測模塊，用于利用訓練好的重獲取視頻檢測模型對待測視頻進行檢測，判定是否為重獲取視頻。