摘? 要：在實際場景中應用視頻分析算法難以準確地進行視頻結構化分析，由此產生的視頻元數據錯漏百出，對我國環(huán)境監(jiān)控工作的開展十分不利。當單機的視頻非結構化分析方法不能有效地處理海量的監(jiān)控視頻數據時，就需要基于海量環(huán)境監(jiān)控視頻，開發(fā)出一種基于云平臺的結構化分析方法。對云環(huán)境下監(jiān)控視頻進行結構化分析的方法主要包含元數據提取和元數據校正兩部分。以供相關從業(yè)人員思考。

關鍵詞：云環(huán)境;環(huán)保監(jiān)控;元數據;視頻結構化

中圖分類號：TN948.6? ? ? 文獻標識碼：A 文章編號：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

近年來，對環(huán)境監(jiān)控系統(tǒng)的應用生成了大量數據可用于我國環(huán)保事業(yè)當中。然而，這些所采集的環(huán)境監(jiān)控視頻數據大多是非結構化的，因此需要使用大量的元數據進行豐富以允許有效的數據索引和查詢[1]。本文針對這項工作中視頻監(jiān)控的結構化進行了研究，并通過考慮元數據來擴展傳統(tǒng)的元數據提取技術，以便能夠有效提升數據分析的工作效率。為此，提出了一種通過識別算法從視頻中自動提取元數據的方法。

1? 監(jiān)控視頻元數據提取方法

在過去的幾十年中，隨著電子技術的發(fā)展以及信息技術的革命，視頻監(jiān)控數量大幅度增加。與此同時，監(jiān)控視頻信息超載成為一個嚴重的問題，它降低了視頻監(jiān)控的有效性?，F代研究中，監(jiān)控設施通過智能工具，提出相似和相關的視頻數據，促進了對監(jiān)控視頻元數據的提取的研究。由于實際上并非總是可獲得高質量的元數據，因此強烈需要一種可靠的自動方法，即直接從源文檔中提取機器可讀的元數據的算法來解決這些問題，該算法可提取的信息包括基本視頻元數據、結構化元數據和視頻檢索部分。通過對解決方案的應用，提出的算法能夠以高精度處理各種監(jiān)控布局，因此非常適合用來分析環(huán)境監(jiān)控視頻。

在元數據的提取上，是以編程方式從多種文件格式（如PDF文檔、圖像文件、聲音文件、Microsoft Office文檔等）中提取保存元數據。以標準格式（XML）輸出該元數據以用于保存活動。使環(huán)境監(jiān)控視頻可以通過批處理實現自動化，也可以根據需要進行單獨處理。該方法以只讀方式打開所有文件，從而確保原始文件的完整性。該方法僅讀取標頭信息，因此提取過程很快[2]。

該研究中提出用于視頻流的時間過渡印象的元數據提取方法。此方法的主要特征是自動提取時間序列印象元數據，該時間序列印象元數據根據顏色信息表示時間過渡印象。在監(jiān)控視頻元數據提取方法中，用戶可以根據抽象印象偏好直觀地搜索有關顏色信息的各種視頻流。

進行監(jiān)控視頻的元數據提取時，最好顯示當前播放的視頻的封面圖像（或預覽）。這會顯示在Android中的多個位置，例如通知圖標、擴展控件的屏幕背景、微型控制器的側面圖標、投射設備選擇對話框上的鎖定屏幕背景等[3]。監(jiān)控視頻元數據提取使用Media Metadata Retriever程序完成。這樣，就將提取的圖像作為位圖獲取。具體程序代碼如下：

// file file = new

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

// file file = new file（"c：/users/yunxun/desktop/測試文檔/format/1.bmp"）;

// file file = new file（"c：/users/yunxun/desktop/測試文檔/format/1.gif"）;

// file file = new file（"c：/users/yunxun/desktop/測試文檔/format/1.tif"）;

// file file = new file（"c：/users/yunxun/desktop/測試文檔/format/1.png"）;

file file = new file（"c：/users/yunxun/desktop/測試文檔/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? 監(jiān)控視頻元數據校正方法

在現有數據庫中，傳統(tǒng)圖像識別算法難以準確地描述真實的環(huán)境污染，在對環(huán)境監(jiān)控視頻進行分析的時候，其中所夾雜的錯誤元數據不僅干擾從業(yè)人員的正常工作，而且加大了從業(yè)人員的工作量。在環(huán)境監(jiān)控視頻中，污染源是十分重要的元數據。因此，對環(huán)境監(jiān)控視頻元數據的校正可以通過對污染源的校正來實現。例如，出現在多個監(jiān)控視頻當中的同一個污染地點，污染源有空氣污染、廢水排放污染等[4]。在對環(huán)境監(jiān)控視頻數據進行校正時，需要先校正污染來源。那么，需要解決的問題有兩個：其一，怎么自動檢測污染源？其二，如何正確確定污染源？

本文提出了元數據校正算法來解決以上問題。提取元數據并存儲于元數據庫后，首先，檢測每個攝像頭下可疑的污染源集合;其次，遍歷污染所在地的污染軌跡，檢測出現斷點，也即出現污染源的視頻節(jié)點;再次，生成節(jié)點處的所有可疑污染來源;最后，基于可疑污染來源得出圖像相似度足夠高的可疑污染源，進行校正。

在研究中，提出了一種在大數據基礎上集中有效和穩(wěn)健地估計照片捕獲設備的確切位置和方向的技術，所提供的數據集包括一組照片以及來自GPS和方位傳感器的相關信息。修正這種不確定數據的策略是基于測量模型、傳感器數據和計算機視覺算法給出的信號模型之間的數據融合。

基于從一個場景的多個視圖中檢索到的信息，可以建立一個圖像網格。強大的特征檢測和圖像之間的匹配導致找到一個可靠的轉換。因此，數據集的相對位置和方向構成了信號模型。另一方面，從單個圖像中提取的信息與測量數據相結合，建立了測量模型。最后，利用卡爾曼濾波器對這兩個模型進行迭代融合，增強了對基真點位置和方位的估計。實際上，這種方法可以從大量的環(huán)境監(jiān)控視頻中設計出一個視頻瀏覽系統(tǒng)，使3D導航和探索巨大的數據集成為可能。

3? 監(jiān)控視頻結構化實現

有別于數據，環(huán)境監(jiān)控視頻數據更加的復雜，在進行元數據提取的時候，不僅需要將壓縮的視頻數據解壓，還需要依據視頻種類進行編碼。目的是更好地提取到視頻當中的某一幀，進而依據視頻存儲對在不同的節(jié)點上的數據塊進行處理，而不是在分布式文件系統(tǒng)上獨立處理視頻文件的每個數據塊。

首先，將環(huán)境監(jiān)控視頻按字母順序排序。不要任意排序圖像，要在監(jiān)控視頻前要添加數字前綴。將圖像放在文件夾中進行整理。文件夾可以嵌套多次，也可以按字母順序排序。文件夾結構用于生成嵌套的html菜單。不要任意新建文件夾，需要在文件夾名稱中添加數字前綴。在元數據提取后，所有帶有“_”前綴的文件夾、圖像或視頻都將被忽略，并從構建中被排除。

其次，系統(tǒng)主要使用HVPI中的視頻讀寫接口VRWI。在接口VRWI的具體實現中，定義一個視頻文件作為一個InputSplit，這確保一個Mapper處理一個視頻文件。

最后，單擊視頻圖像以全屏模式顯示。請注意，在該主題中，視頻位于其關聯(lián)的圖像上方，但第一個用作標頭的圖像除外。CSS類可以通過“class”屬性傳遞給模板。例如：用于class：textafter添加一個CSS類，使視頻位于圖像之后。具體實現過程如圖1所示。

在實踐中，輸入所有提取的幀，并對整個隊列進行掃描，進而計算所選幀的中心點同隊列的中心點的距離。當閾值大于距離時，則可以將所選幀同隊列中的對象看作同一個。反之，當閾值小于距離時，則需要在范圍距離內再次提取并加入新的隊列，一直到目標同結果相同為止。同時，對這個對象進行目標分類，根據它的類別再進行進一步的目標元數據提取。例如，提取的污水排放，則除污水之外，植被、動物等元數據信息存儲在該跟蹤隊列中。

4? 結? 論

綜上所述，在實踐工作當中，結構化分析環(huán)境監(jiān)控視頻是十分困難的，其難點主要集中在非結構化的環(huán)境監(jiān)控視頻缺乏必要的數據模型，難以進行線性分析。而一旦使用結構化的環(huán)境監(jiān)控視頻分析，則可以通過數據庫中所存儲的元數據，在云平臺技術的支持下，將非結構化的監(jiān)控視頻數據轉換為結構化的監(jiān)控視頻元數據，以供從業(yè)人員進行下一步的分析。這對于將環(huán)境監(jiān)控人員從海量的環(huán)境監(jiān)控視頻中解放出來，具有十分重要的意義，值得持續(xù)推廣。

參考文獻：

[1] 植柯霖.多攝像機環(huán)境下的視頻目標結構化與再識別研究 [D].深圳：深圳大學，2018.

[2] 鞏玨.視頻結構化分析助推智慧城市物聯(lián)網新時代 [J].中國安防，2017（12）：100-103.

[3] 朱烽.跨視域攝像頭網絡下的監(jiān)控視頻結構化與檢索 [D].合肥：中國科學技術大學，2017.

[4] 楊特春.視頻結構化處理技術解析及應用 [J].中國公共安全，2016（18）：134-136.

作者簡介：李文琰（1970.11-），男，漢族，四川冕寧人，機電工程二級建造師，研究方向：視頻結構化。