多区域动态视频流切换与存储的NVR与IPC管理方法与流程

本技术属于视频网络应用，更具体地说，涉及多区域动态视频流切换与存储的nvr与ipc管理方法。

背景技术：

1、在现代视频监控系统中，随着城市化进程和安防需求的增加，多区域监控已成为必不可少的部分。特别是在城市安防、交通监控、智能建筑等领域，大量的视频监控设备（ipc，网络摄像机）和网络视频记录器（nvr）被广泛部署。这些设备通过网络互联，实现对多个区域的视频数据的实时采集、存储和管理。然而，随着监控区域数量的增加和监控需求的复杂化，传统的nvr与ipc管理方法面临着一些技术挑战；即在多区域视频监控系统中，不同监控区域的活动密度变化频繁，可能会出现某些区域在特定时段内活动密度较高，而其他区域较为安静的情况。如果各个区域的视频流都以相同的带宽传输，这将导致网络资源的浪费，或者在高活动密度区域无法及时传输高清图像，影响监控效果。因此，如何根据监控区域的活动密度动态调整ipc视频流的传输带宽，成为视频监控系统管理中的重要技术问题。

技术实现思路

1、本发明提供了多区域动态视频流切换与存储的nvr与ipc管理方法，拟解决实现基于监控区域的活动密度动态调整ipc视频流的传输带宽。

2、多区域动态视频流切换与存储的nvr与ipc管理方法，包括以下步骤：

3、步骤1：从多个ipc获取实时视频流，得到视频帧数据，并对得到的视频帧数据进行帧提取和预处理，得到连续图像帧序列；

4、步骤2：基于连续图像帧序列进行活动检测，识别视频中的运动目标，得到运动目标的相关信息；

5、步骤3：基于运动目标的相关信息，计算每个监控区域的活动密度，得到每个监控区域的活动密度值；

6、步骤4：根据活动密度的变化，动态调整ipc视频流的传输带宽和nvr的存储策略；

7、步骤5：对带宽和存储策略调整后的效果进行实时反馈，分析实际效果与预期的差距，得到反馈数据，基于反馈数据采用优化算法提高活动检测、带宽管理以及存储策略的准确性。

8、本发明从多个ipc获取实时视频流，并通过帧提取和预处理得到连续的图像帧序列，基于连续图像帧进行活动检测，识别并提取视频中的运动目标信息，通过对运动目标信息的分析，计算各监控区域的活动密度值，在获取到活动密度后，系统根据每个区域的活动密度动态调整ipc视频流的传输带宽和nvr的存储，确保高活动密度区域的存储资源得到合理分配；最后，系统通过实时反馈机制分析带宽和存储策略调整后的实际效果，与预期效果进行对比，并基于反馈数据采用优化算法不断提高活动检测、带宽管理及存储策略的准确性，从而实现对动态变化的自适应调整。

9、优选的，所述步骤2包括以下步骤：

10、步骤2.1：基于背景差分法计算当前帧与背景模型的差异，得到差分图像；

11、步骤2.2：对差分图像进行自适应二值化处理，将像素转化为二进制格式，区分静止区域和运动区域，并采用自适应阈值法，确保不同光照条件下准确识别运动区域；

12、步骤2.3：在二值化图像中，采用connected components检测算法识别出独立的运动目标区域；

13、步骤2.4：对识别出的每个运动目标区域，计算质心在运动目标区域的位置；

14、基于运动目标区域类的像素点计数计算每个运动目标区域的面积；

15、通过流光法、kalman滤波结合联合概率数据关联算法计算目标的速度。

16、优选的，计算所述质心在运动目标区域的位置采用加权法进行计算：

17、；

18、式中：表示像素点的权重；表示运动目标区域的质心坐标；和分别表示像素点在图像中的横向和纵向坐标；

19、其中所述像素点的权重基于亮度和前景概率进行计算：

20、；

21、式中：表示当前帧t中像素点的亮度；表示像素点属于前景的概率；表示亮度项的权重系数；表示前景概率项的权重系数。

22、优选的，计算目标的速度的步骤如下：

23、目标位置预测及更新：对每个目标i使用kalman滤波器进行位置预测和更新：

24、目标位置预测：

25、；

26、；

27、式中：和分别为目标i在时间t的质心位置预测值；和为目标i在时间 t-1的实际质心位置；和分别为目标i在时间t-1的速度分量；

28、位置更新：

29、；

30、；

31、式中：和为目标i在时间t时刻的观测值；和为kalman增益；

32、目标速度计算：基于每个目标在连续帧之间的质心位置变化量来估算速度：

33、；

34、式中：表示目标i在时间t时刻的速度；为帧时间间隔；

35、基于联合概率数据关联算法计算每个观测值与所有观测值之间的联合概率来确定最佳目标-观测对：

36、；

37、式中：表示目标i与观测值j之间的关联概率；表示协方差矩阵的逆矩阵；n表示所有目标的总数；表示高斯分布函数的指数项；表示差异向量的转置；其中的表示如下：

38、；

39、式中：表示时间t观测值j的横坐标；表示时间t观测值j的纵坐标；

40、在进行目标关联后，计算每个目标的最终速度：

41、；

42、式中：表示目标i的最终速度；表示目标i与观测值j的速度向量；n表示在时间t时刻的所有观测值的总数。

43、优选的，所述步骤3包括以下步骤：

44、计算运动目标对活动密度的共享：将运动目标的位置映射到对应的监控区域，确定运动目标所述的监控区域，对每个监控区域遍历属于该区域的所有运动目标，计算运动目标在该区域活动密度的贡献：

45、；

46、式中：表示监控区域j的活动密度；表示运动目标i的面积；表示运动目标的速度；和表示权重系数；

47、将每个区域的活动密度与其最大值进行归一化处理：

48、；

49、式中：表示归一化后的第j个监控区域的活动密度值；表示所有监控区域中的最大活动密度值；表示一个小数值，防止除以零的情况；

50、当所述小于预设的最低活动密度阈值时，认为该区域没有活动，将密度值设置为0；最终得到每个监控区域j的活动密度值。

51、优选的，所述步骤4包括以下步骤：

52、基于活动密度值计算每个监控区域的带宽和存储分配：

53、；

54、；

55、式中：表示每个监控区域的最低带宽；表示归一化后的第j个监控区域的活动密度值；表示归一化后的第k个监控区域的活动密度值；表示总带宽；表示nvr的总存储空间；表示每个监控区域的最低存储空间；和表示拉格朗日乘数；表示监控区域的数量；表示监控区j的带宽分配；表示监控区域的存储分配；

56、基于所计算的带宽和存储分配计算目标函数：

57、；

58、式中：和表示权重系数；

59、在计算所述目标函数的同时，需要满足如下约束条件：

60、；

61、；

62、基于目标函数和约束条件进行调整：若目标函数未达到期望的最优值，或约束条件未被满足，则调整参数、或权重系数、，重新计算带宽和存储分配，直到目标函数达到最优值，同时满足所有约束条件。

63、优选的，所述步骤5的具体步骤如下：

64、初始化：采用上一步计算的、、、作为初始值；

65、偏差最小化：通过梯度下降法对参数、、、进行微调，目标是最小化目标函数，使得偏差率接近0，其中目标函数为：

66、；

67、式中：表示每个区域的实际带宽使用量与期望带宽之间的相对偏差；表示每个区域的实际使用存储量与期望存储量之间的相对偏差，其中表示存储冗余系数；表示最小化对应目标函数的值；

68、在每一轮迭代中，重新计算每个监控区域的带宽和存储分配值，再一次进行反馈数据的收集和处理，直到目标函数达到最优值或者满足收敛条件。

69、优选的，所述步骤4中采用如下目标函数执行监控区域的带宽和存储分配：

70、；

71、式中：和表示调节参数；表示每个区域的实际带宽使用量与期望带宽之间的相对偏差；表示每个区域的实际使用存储量与期望存储量之间的相对偏差，其中表示存储冗余系数；表示总带宽；表示nvr的总存储空间；表示监控区域j的带宽分配；表示监控区域j的存储分配；和表示权重系数；表示归一化后的第j个监控区域的活动密度值；表示最小化对应目标函数的值；表示监控区域j的实际带宽使用量与期望带宽之间的差值；表示监控区域j的实际存储使用量与期望存储量之间的差值。

72、本发明的有益效果包括：

73、本发明从多个ipc获取实时视频流，并通过帧提取和预处理得到连续的图像帧序列，基于连续图像帧进行活动检测，识别并提取视频中的运动目标信息，通过对运动目标信息的分析，计算各监控区域的活动密度值，在获取到活动密度后，系统根据每个区域的活动密度动态调整ipc视频流的传输带宽和nvr的存储，确保高活动密度区域的存储资源得到合理分配；最后，系统通过实时反馈机制分析带宽和存储策略调整后的实际效果，与预期效果进行对比，并基于反馈数据采用优化算法不断提高活动检测、带宽管理及存储策略的准确性，从而实现对动态变化的自适应调整。