(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211256836.9 (22)申请日 2022.10.14 (71)申请人 智慧齐鲁 （山东） 大数据科技有限公 司 地址 250000 山东省济南市 市中区旅游路 29666号国华广场6幢A座6 05室 (72)发明人 宋健　刘子谦　张增瑞　 (74)专利代理 机构 济南舜源专利事务所有限公 司 37205 专利代理师 李舜江 (51)Int.Cl. G06V 20/40(2022.01) G06V 20/52(2022.01) G06V 10/20(2022.01) G06V 10/774(2022.01)G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种海量视频监控点位出图状态检测方法 及系统 (57)摘要 本发明提供一种海量视频监控点位出图状 态检测方法及系统， 涉及视频监控技术领域， 包 括： 获取本级视频监控装置中摄像机点位特征数 据； 对摄像机点位特征数据进行预处理； 构建基 于深度学习的海量视频监控点位出图状态预测 网络模型； 对预测网络模型进行训练； 使用测试 集对模型进行评价， 优化训练参数， 最终获得训 练完成的出图状态预测模型； 使用出图状态预测 模型对摄像机点位特征数据进行预测、 分级及检 测。 本发明实现对海量视频监控点位出图状态的 预测和分级， 而后根据分级结果制定检测策略， 再采用传统检测方式进行精细化检测， 从而提高 大规模联网视频监控系统监控点位出图状态检 测的质量效率， 同时降低资源占用。 权利要求书2页 说明书8页 附图2页 CN 115331155 A 2022.11.11 CN 115331155 A 1.一种海量视频监控点 位出图状态检测方法， 其特 征在于， 方法包括： S1、 构建数据采集机制， 获取本级视频监控 装置中摄 像机点位特征数据； S2、 对摄像机点位特征数据进行 预处理； S3、 构建基于深度学习的海量视频监控点 位出图状态预测网络模型； S4、 对预测网络模型进行训练； 按预设比例划分为训练集和测试集， 将训练集输入到出图状态预测网络进行训练， 通 过梯度反向传播进行训练， 采用小批量梯度下降方式迭代优化 目标函数， 满足一定条件后 停止训练； 使用测试集对模型进 行评价， 优化训练参数， 最 终获得训练完成的出图状态预测 模型； S5、 使用出图状态预测模型对摄 像机出图状态进行 预测、 分级及检测。 2.根据权利要求1所述的海量视频监控点位出图状态检测方法， 其特征在于，  S1还包 括： S11、 在后台系统或数据表格中获取视频监控系统国标基础字段 数据； S12、 从全量视频监控点位中随机抽取预设数量的点位进行基于直播流协议的视频流 抽帧抽取， 记录成功抽帧的监控点位编码和抽帧时间； 统计并存储视频监控点位历史成功 出图次数和最近出图时间对应的两个字段 数据； S13、 在全量点位中随机抽取10%以上的点位， 循环反复进行视频流抽帧检测， 获得并记 录点位ID和抽帧检测结果； 根据本次抽样检测结果计算全量点位总体出图率的点估计值和在95%置信水平下的置 信区间。 3.根据权利要求2所述的海量视频监控点 位出图状态检测方法， 其特 征在于， S12中24小时循环随机抽取 预设数量的点 位进行基于直 播流协议的视频流抽帧检测； 将抽帧时间划分成预设个时间段， 对每段时间的抽帧结果进行统计， 获得点位历史成 功出图次数和最近出图时间。 4.根据权利要求2所述的海量视频监控点 位出图状态检测方法， 其特 征在于， 字段数据包括： 国标ID、 组织编码、 摄像机类型、 录像存储位置、 经纬度坐标、 点位创建 时间、 点位更新时间以及心跳状态。 5.根据权利要求2所述的海量视频监控点 位出图状态检测方法， 其特 征在于， S2还包括： S21、 对分类 变量进行编码； S22、 对数值变量进行 预处理； S23、 采用Z ‑Score对所有特 征数据进行 标准化。 6.根据权利要求5所述的海量视频监控点 位出图状态检测方法， 其特 征在于， S21的分类方式包括： 经纬度编码： 添加经纬度字段， 通过缺失值过滤和空间分析， 将经纬度坐标缺失和与行 政区划不 一致的点位编码为0， 其 余编码为1； 组织编码： 将点位组织编码进行字符串排序， 并进行整数编码， 如此编码可体现视频监 控点位所属组织的邻近关系； 其他分类变量编码： 摄 像机类型、 存 储位置、 心跳状态、 抽帧检测结果均采用整数编码；权　利　要　求　书 1/2 页 2 CN 115331155 A 2心跳状态在编码前设置为更新 一次。 7.根据权利要求5所述的海量视频监控点 位出图状态检测方法， 其特 征在于， S22的预处理方式包括： 设置点位创建时长： 当前时间与点 位创建时间的差值， 单位 为小时； 设置点位更新时差： 点 位更新时间与创建时间的差值， 单位 为小时； 设置点位最近出图时差： 当前时间与步骤12） 所述 最近出图时间的差值， 单位 为小时。 8.根据权利要求1或2所述的海量视频监控点 位出图状态检测方法， 其特 征在于， S3还包括： 构建前馈神经网络， 模型 预测的目标 数据为是否出图； 输出层采用Sigmo id激活函数； 隐层采用ReLU激活函数； 损失函数采用二 值交叉熵。 9.根据权利要求2所述的海量视频监控点 位出图状态检测方法， 其特 征在于， S5还包括： S51、 将预处理后的全量视频监控点位数据输入至出图状态预测模型中， 进行前向的计 算， 得到出图概 率的预测值； S52、 将全量点位按出图概率的预测值降序排序， 按比率截取点位， 比率为S13所计算的 全量点位总体出图率的点估计值， 而后将截取 的点位预测 为可出图点位， 其余预测 为不可 出图点位； S53、 将全量点位按出图概率的预测值降序排序， 按比率截取点位， 比率的下界和上界 分别为S13所计算的置信区间的左右端点， 对截 取的点位再进 行视频抽帧检测， 并对预测结 果进行修 正； S54、 输出点 位编码和预测出图结果。 10.一种海量视频监控点位出图状态检测系统， 其特征在于， 系统采用如权利要求1至9 任意一项所述的海量视频监控点 位出图状态检测方法； 系统包括： 数据采集模块、 数据预处理模块、 网络构建模块、 模型训练模块以及状态检 测模块； 数据采集模块， 用于获取本级视频监控 装置中摄 像机点位特征数据； 数据预处 理模块， 用于对摄 像机点位特征数据进行 预处理； 网络构建模块， 用于构建基于深度学习的海量视频监控点 位出图状态预测网络模型； 模型训练模块， 用于对预测网络模型进行训练； 按预设比例划分为训练集和测试集， 将 训练集输入到出图状态预测网络进行训练， 通过梯度反向传播进行训练， 采用小批量梯度 下降方式迭代优化目标函数， 满足一定条件后停止训练； 使用测试集对模型进 行评价， 优化 训练参数， 最终 获得训练完成的出图状态预测模型； 状态检测模块， 用于使用出图状态预测模型对摄像机点位特征数据进行预测、 分级及 检测。权　利　要　求　书 2/2 页 3 CN 115331155 A 3