【技术实现步骤摘要】
本专利技术涉及一种视频场景分析，特别是一种ai智能视频场景分析系统和方法。
技术介绍
1、随着大量视频数据的产生，视频分析技术的需求迅速增加。采用深度学习技术分析视频内容是近年来视频分析的主流趋势。
2、例如公开号为cn110853032a的基于多模态深度学习的无人机视频美学质量评价方法，建立无人机视频美学评价数据集，通过多模态神经网络对无人机视频进行分析并提取高维特征，然后融合，从而实现无人机视频美学质量的评价。主要包括四大步骤，步骤一：建立无人机视频美学评价数据集，根据视频拍摄质量分为正样本和负样本；步骤二：利用slam技术，恢复无人机的飞行轨迹并重建出稀疏的场景三维结构；步骤三：通过多模态神经网络对输入无人机视频分别在图像分支、运动分支、结构分支上提取特征；步骤四：对多个分支上的特征进行融合，得到最终的视频美学标签和视频场景类型。本专利技术实验验证，具有可行性、准确性和通用性，可用于无人机视频的美学评价、拍摄轨迹推荐等。
3、尽管这一方法在无人机视频美学评价方面取得了一定的成果，但在实际应用中可能面临以下问题：
4、slam技术的应用，导致整个系统的计算复杂度较高，影响方法在实时性要求较高的场景中的应用，如实时视频流的处理；slam技术用于恢复无人机的飞行轨迹和重建场景三维结构，但slam本身可能面临在复杂环境下的误差积累、实时性要求等问题。
技术实现思路
1、本专利技术的目的在于，提供一种ai智能视频场景分析系统和方法。本专利技术具有提高
2、本专利技术的技术方案：ai智能视频场景分析系统，包括输入模块、深度学习模型和输出模块，所述输出模块用于获取视频流数据；所述深度学习模型用于经场景分类、动态分析、人物识别、视频流标签、单帧图片检测、视频鉴黄、画面精选、小视频生成、片头检测、镜头分割实时分析、处理视频流数据并识别场景中的对象和动作；所述输出模块用于呈现分析结果。
3、前述的ai智能视频场景分析系统中，所述深度学习模型包括卷积神经网络模型，卷积神经网络模型包括卷积层、池化层和全连接层，卷积神经网络模型用于进行图像特征提取。
4、前述的ai智能视频场景分析系统中，所述深度学习模型包括循环神经网络模型，循环神经网络模型采用序列填充方法进行时间序列数据建模。
5、前述的ai智能视频场景分析系统中，所述深度学习模型是经过预训练模型预训练并进行在线微调后的深度学习模型。
6、前述的ai智能视频场景分析系统中，所述输入模块包括摄像头接口、视频文件读取接口或网络视频流接口，用于采集或者接收视频流数据。
7、前述的ai智能视频场景分析系统中，所述输出模块包括管理系统或api接口，用于向用户提供实时分析结果。
8、ai智能视频场景分析方法，采用上述的分析系统，包括以下步骤：
9、s1、获取视频流数据；
10、s2、采用深度学习模型，经场景分类、动态分析、人物识别、视频流标签、单帧图片检测、视频鉴黄、画面精选、小视频生成、片头检测、镜头分割实时分析、处理视频流数据，识别场景中的对象和动作；
11、s3、呈现分析结果。
12、前述的ai智能视频场景分析方法中，s2中，深度学习模型采用卷积神经网络模型进行图像特征提取，深度学习模型采用循环神经网络模型进行时间序列数据建模。
13、前述的ai智能视频场景分析方法中，时间序列数据建模过程中，采用序列填充进行序列数据预处理，包括以下步骤：a、确定最大序列长度：通过遍历数据集，并找到最长的序列；b、填充序列：对于每个序列，将其长度扩展到最大长度。
14、前述的ai智能视频场景分析方法中，s2中，深度学习模型在预训练后进行在线微调，以适应不同的场景和环境。
15、与现有技术相比，本专利技术的有益效果为：
16、本专利技术使用人工智能和计算机视觉技术对视视频场景中的内容信息进行自动识别、分析和理解，包括场景分类、动态分析、人物识别、视频流标签、单帧图片检测、视频鉴黄、画面精选、小视频生成、片头检测、镜头分割等。不仅提高了视频分析的准确性和效率，以帮助自动化处理和理解视频内容，节省时间和人力成本，并提供实时决策支持，扩大了其在各种行业中的应用范围，在各种应用领域中具有广泛的应用。
本文档来自技高网...【技术保护点】
1.AI智能视频场景分析系统，其特征在于：包括输入模块、深度学习模型和输出模块，所述输出模块用于获取视频流数据；所述深度学习模型用于经场景分类、动态分析、人物识别、视频流标签、单帧图片检测、视频鉴黄、画面精选、小视频生成、片头检测、镜头分割实时分析、处理视频流数据并识别场景中的对象和动作；所述输出模块用于呈现分析结果。
2.根据权利要求1所述的AI智能视频场景分析系统，其特征在于：所述深度学习模型包括卷积神经网络模型，卷积神经网络模型包括卷积层、池化层和全连接层，卷积神经网络模型用于进行图像特征提取。
3.根据权利要求1所述的AI智能视频场景分析系统，其特征在于：所述深度学习模型包括循环神经网络模型，循环神经网络模型采用序列填充方法进行时间序列数据建模。
4.根据权利要求1所述的AI智能视频场景分析系统，其特征在于：所述深度学习模型是经过预训练模型预训练并进行在线微调后的深度学习模型。
5.根据权利要求1所述的AI智能视频场景分析系统，其特征在于：所述输入模块包括摄像头接口、视频文件读取接口或网络视频流接口，用于采集或者接收视频流数
6.根据权利要求1所述的AI智能视频场景分析系统，其特征在于：所述输出模块包括管理系统或API接口，用于向用户提供实时分析结果。
7.AI智能视频场景分析方法，采用权利要求1-6任意一项所述的分析系统，其特征在于：包括以下步骤：
8.根据权利要求7所述的AI智能视频场景分析方法，其特征在于：S2中，深度学习模型采用卷积神经网络模型进行图像特征提取，深度学习模型采用循环神经网络模型进行时间序列数据建模。
9.根据权利要求8所述的AI智能视频场景分析方法，其特征在于：时间序列数据建模过程中，采用序列填充进行序列数据预处理，包括以下步骤：a、确定最大序列长度：通过遍历数据集，并找到最长的序列；b、填充序列：对于每个序列，将其长度扩展到最大长度。
10.根据权利要求7所述的AI智能视频场景分析方法，其特征在于：S2中，深度学习模型在预训练后进行在线微调，以适应不同的场景和环境。
...【技术特征摘要】
1.ai智能视频场景分析系统，其特征在于：包括输入模块、深度学习模型和输出模块，所述输出模块用于获取视频流数据；所述深度学习模型用于经场景分类、动态分析、人物识别、视频流标签、单帧图片检测、视频鉴黄、画面精选、小视频生成、片头检测、镜头分割实时分析、处理视频流数据并识别场景中的对象和动作；所述输出模块用于呈现分析结果。
2.根据权利要求1所述的ai智能视频场景分析系统，其特征在于：所述深度学习模型包括卷积神经网络模型，卷积神经网络模型包括卷积层、池化层和全连接层，卷积神经网络模型用于进行图像特征提取。
3.根据权利要求1所述的ai智能视频场景分析系统，其特征在于：所述深度学习模型包括循环神经网络模型，循环神经网络模型采用序列填充方法进行时间序列数据建模。
4.根据权利要求1所述的ai智能视频场景分析系统，其特征在于：所述深度学习模型是经过预训练模型预训练并进行在线微调后的深度学习模型。
5.根据权利要求1所述的ai智能视频场景分析系统，其特征在于：所述输入模块...
【专利技术属性】
技术研发人员：胡超，危明，
申请(专利权)人：易视腾科技股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。