云环境下监控视频结构化分析方法研究与实现

摘  要：在实际场景中应用视频分析算法难以准确地进行视频结构化分析，由此产生的视频元数据错漏百出，对我国环境监控工作的开展十分不利。当单机的视频非结构化分析方法不能有效地处理海量的监控视频数据时，就需要基于海量环境监控视频，开发出一种基于云平台的结构化分析方法。对云环境下监控视频进行结构化分析的方法主要包含元数据提取和元数据校正两部分。以供相关从业人员思考。

关键词：云环境;环保监控;元数据;视频结构化

中图分类号：TN948.6      文献标识码：A 文章编号：2096-4706（2019）23-0074-03

Research and Implementation of Monitoring Video Structure

Analysis Method in Cloud Environment

LI Wenyan

（Chengdu Mingjiu High-tech Co.，Ltd.，Chengdu  610041，China）

Abstract：The application of video analysis algorithm in the actual scene can not accurately carry out video structure analysis，resulting in video metadata errors，it is disadvantageous to the development of environmental monitoring in China. When the single video unstructured analysis method can not effectively handle the massive monitoring video data，it is necessary to develop a structural analysis method based on cloud platform based on the massive environment monitored video. The structural analysis method of monitoring video in cloud environment mainly includes metadata extraction and metadata correction. The research of this paper is for the relevant practitioners to study.

Keywords：cloud environment;environmental monitoring;metadata;video structuring

0  引  言

近年来，对环境监控系统的应用生成了大量数据可用于我国环保事业当中。然而，这些所采集的环境监控视频数据大多是非结构化的，因此需要使用大量的元数据进行丰富以允许有效的数据索引和查询[1]。本文针对这项工作中视频监控的结构化进行了研究，并通过考虑元数据来扩展传统的元数据提取技术，以便能够有效提升数据分析的工作效率。为此，提出了一种通过识别算法从视频中自动提取元数据的方法。

1  监控视频元数据提取方法

在过去的几十年中，随着电子技术的发展以及信息技术的革命，视频监控数量大幅度增加。与此同时，监控视频信息超载成为一个严重的问题，它降低了视频监控的有效性。现代研究中，监控设施通过智能工具，提出相似和相关的视频数据，促进了对监控视频元数据的提取的研究。由于实际上并非总是可获得高质量的元数据，因此强烈需要一种可靠的自动方法，即直接从源文档中提取机器可读的元数据的算法来解决这些问题，该算法可提取的信息包括基本视频元数据、结构化元数据和视频检索部分。通过对解决方案的应用，提出的算法能够以高精度处理各种监控布局，因此非常适合用来分析环境监控视频。

在元数据的提取上，是以编程方式从多种文件格式（如PDF文档、图像文件、声音文件、Microsoft Office文档等）中提取保存元数据。以标准格式（XML）输出该元数据以用于保存活动。使环境监控视频可以通过批处理实现自动化，也可以根据需要进行单独处理。该方法以只读方式打开所有文件，从而确保原始文件的完整性。该方法仅读取标头信息，因此提取过程很快[2]。

该研究中提出用于视频流的时间过渡印象的元数据提取方法。此方法的主要特征是自动提取时间序列印象元數据，该时间序列印象元数据根据颜色信息表示时间过渡印象。在监控视频元数据提取方法中，用户可以根据抽象印象偏好直观地搜索有关颜色信息的各种视频流。

进行监控视频的元数据提取时，最好显示当前播放的视频的封面图像（或预览）。这会显示在Android中的多个位置，例如通知图标、扩展控件的屏幕背景、微型控制器的侧面图标、投射设备选择对话框上的锁定屏幕背景等[3]。监控视频元数据提取使用Media Metadata Retriever程序完成。这样，就将提取的图像作为位图获取。具体程序代码如下：

// file file = new

// file（"c：/users/yunxun/desktop//format/66_635142_271cb2f6a8550e7.raw"）;

// file file = new file（"c：/users/yunxun/desktop/测试文档/format/1.bmp"）;

// file file = new file（"c：/users/yunxun/desktop/测试文档/format/1.gif"）;

// file file = new file（"c：/users/yunxun/desktop/测试文档/format/1.tif"）;

// file file = new file（"c：/users/yunxun/desktop/测试文档/format/1.png"）;

file file = new file（"c：/users/yunxun/desktop/测试文档/format/1.jpg"）;

//file file = new

//file（"c：/users/yunxun/desktop//format/chichen.mp4"）;

//file file = new file（"c：/users/yunxun/desktop/

/format/d54a57d5bfa88b517f04776eb4122250.avi"）;

// file file = new

// file（"c：/users/yunxun/desktop/

/format/samplevideo_320x240_30mb.3gp"）;

// //

metadata data = imagemetadatareader.readmetadata （file）;

// mp4metadatareader.readmetadata（file）;

for （directory di ：data.getdirectories（）） {

for （com.drew.metadata.tag tag ：di.gettags（）） {

if （tag.gettagname（）.contains（"unknown"）） {

system.err.println

system.out.println（tag.tostring（））;

}

}

}

}

2  监控视频元数据校正方法

在现有数据库中，传统图像识别算法难以准确地描述真实的环境污染，在对环境监控视频进行分析的时候，其中所夹杂的错误元数据不仅干扰从业人员的正常工作，而且加大了从业人员的工作量。在环境监控视频中，污染源是十分重要的元数据。因此，对环境监控视频元数据的校正可以通过对污染源的校正来实现。例如，出现在多个监控视频当中的同一个污染地点，污染源有空气污染、废水排放污染等[4]。在对环境监控视频数据进行校正时，需要先校正污染来源。那么，需要解决的问题有两个：其一，怎么自动检测污染源？其二，如何正确确定污染源？

本文提出了元数据校正算法来解决以上问题。提取元数据并存储于元数据库后，首先，检测每个摄像头下可疑的污染源集合;其次，遍历污染所在地的污染轨迹，检测出现断点，也即出现污染源的视频节点;再次，生成节点处的所有可疑污染来源;最后，基于可疑污染来源得出图像相似度足够高的可疑污染源，进行校正。

在研究中，提出了一种在大数据基础上集中有效和稳健地估计照片捕获设备的确切位置和方向的技术，所提供的数据集包括一组照片以及来自GPS和方位传感器的相关信息。修正这种不确定数据的策略是基于测量模型、传感器数据和计算机视觉算法给出的信号模型之间的数据融合。

基于从一个场景的多个视图中检索到的信息，可以建立一个图像网格。强大的特征检测和图像之间的匹配导致找到一个可靠的转换。因此，数据集的相对位置和方向构成了信号模型。另一方面，从单个图像中提取的信息与测量数据相结合，建立了测量模型。最后，利用卡尔曼滤波器对这两个模型进行迭代融合，增强了对基真点位置和方位的估计。实际上，这种方法可以从大量的环境监控视频中设计出一个视频浏览系统，使3D导航和探索巨大的数据集成为可能。

3  监控视频结构化实现

有别于数据，环境监控视频数据更加的复杂，在进行元数据提取的时候，不仅需要将压缩的视频数据解压，还需要依据视频种类进行编码。目的是更好地提取到视频当中的某一帧，进而依据视频存储对在不同的节点上的数据块进行处理，而不是在分布式文件系统上独立处理视频文件的每个数据块。

首先，将环境监控视频按字母顺序排序。不要任意排序图像，要在監控视频前要添加数字前缀。将图像放在文件夹中进行整理。文件夹可以嵌套多次，也可以按字母顺序排序。文件夹结构用于生成嵌套的html菜单。不要任意新建文件夹，需要在文件夹名称中添加数字前缀。在元数据提取后，所有带有“_”前缀的文件夹、图像或视频都将被忽略，并从构建中被排除。

其次，系统主要使用HVPI中的视频读写接口VRWI。在接口VRWI的具体实现中，定义一个视频文件作为一个InputSplit，这确保一个Mapper处理一个视频文件。

最后，单击视频图像以全屏模式显示。请注意，在该主题中，视频位于其关联的图像上方，但第一个用作标头的图像除外。CSS类可以通过“class”属性传递给模板。例如：用于class：textafter添加一个CSS类，使视频位于图像之后。具体实现过程如图1所示。

在实践中，输入所有提取的帧，并对整个队列进行扫描，进而计算所选帧的中心点同队列的中心点的距离。当阈值大于距离时，则可以将所选帧同队列中的对象看作同一个。反之，当阈值小于距离时，则需要在范围距离内再次提取并加入新的队列，一直到目标同结果相同为止。同时，对这个对象进行目标分类，根据它的类别再进行进一步的目标元数据提取。例如，提取的污水排放，则除污水之外，植被、动物等元数据信息存储在该跟踪队列中。

4  结  论

综上所述，在实践工作当中，结构化分析环境监控视频是十分困难的，其难点主要集中在非结构化的环境监控视频缺乏必要的数据模型，难以进行线性分析。而一旦使用结构化的环境监控视频分析，则可以通过数据库中所存储的元数据，在云平台技术的支持下，将非结构化的监控视频数据转换为结构化的监控视频元数据，以供从业人员进行下一步的分析。这对于将环境监控人员从海量的环境监控视频中解放出来，具有十分重要的意义，值得持续推广。

参考文献：

[1] 植柯霖.多摄像机环境下的视频目标结构化与再识别研究 [D].深圳：深圳大学，2018.

[2] 巩珏.视频结构化分析助推智慧城市物联网新时代 [J].中国安防，2017（12）：100-103.

[3] 朱烽.跨视域摄像头网络下的监控视频结构化与检索 [D].合肥：中国科学技术大学，2017.

[4] 杨特春.视频结构化处理技术解析及应用 [J].中国公共安全，2016（18）：134-136.

作者简介：李文琰（1970.11-），男，汉族，四川冕宁人，机电工程二级建造师，研究方向：视频结构化。