CN119166589A - 一种视频处理方法、装置、设备及存储介质 - Google Patents
一种视频处理方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN119166589A CN119166589A CN202411212691.1A CN202411212691A CN119166589A CN 119166589 A CN119166589 A CN 119166589A CN 202411212691 A CN202411212691 A CN 202411212691A CN 119166589 A CN119166589 A CN 119166589A
- Authority
- CN
- China
- Prior art keywords
- video
- image
- rgb image
- processed
- generate
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 32
- 238000012545 processing Methods 0.000 claims abstract description 71
- 238000000034 method Methods 0.000 claims abstract description 40
- 238000006243 chemical reaction Methods 0.000 claims abstract description 21
- 238000012806 monitoring device Methods 0.000 claims abstract description 13
- 230000006870 function Effects 0.000 claims description 24
- 238000004458 analytical method Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 15
- 238000012544 monitoring process Methods 0.000 description 18
- 230000006835 compression Effects 0.000 description 10
- 238000007906 compression Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 230000006399 behavior Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000012163 sequencing technique Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000003086 colorant Substances 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/10—File systems; File servers
- G06F16/11—File system administration, e.g. details of archiving or snapshots
- G06F16/116—Details of conversion of file system types or formats
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/10—File systems; File servers
- G06F16/16—File or folder operations, e.g. details of user interfaces specifically adapted to file systems
- G06F16/164—File meta data generation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
- G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
- G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Bioethics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Computer Security & Cryptography (AREA)
- Software Systems (AREA)
- Signal Processing (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Image Processing (AREA)
Abstract
本发明涉及视频监控领域，公开了一种视频处理方法、装置、设备及存储介质，方法包括：连接监控设备，获取监控设备发送的视频；获取视频的视频图像，获取视频图像的数据格式；当数据格式不为预设的RGB格式，对视频图像进行格式转换，生成RGB图像；获取RGB图像出现的人体信息，人体信息包括人脸和躯干部分；对躯干部分进行模糊化处理，生成模糊部分；生成一张假脸，在RGB图像中，将人脸替换成假脸，将躯干部分替换成模糊部分，得到处理后的RGB图像，基于处理后的RGB图像，生成处理后的视频。本发明有利于提高视频的处理效率。
Description
技术领域
本发明涉及视频监控领域，尤其涉及一种视频处理方法、装置、设备及存储介质。
背景技术
监控设备的增多，不仅增强了社会安全防范能力，使得犯罪行为得到更有效的预防和打击，还促进了城市管理效率的提升，为紧急事件的快速响应提供了有力支持。
然而，现有监控设备的视频的处理过程繁琐，不利于提高视频的处理效率。其原因在于，现有技术主要采用人工处理的方式，处理监控设备的视频的人体信息，而人工处理的方式会耗费大量的人力资源和时间资源，增加视频的处理时间，且容易受到人为因素的影响，因此，不利于提高视频的处理效率。
发明内容
本发明提供一种视频处理方法、装置、边缘设备及存储介质，以解决现有监控设备的视频的处理过程繁琐，不利于提高视频的处理效率的技术问题。
第一方面，提供了一种视频处理方法，应用于边缘设备，所述视频处理方法包括：
连接监控设备，获取所述监控设备发送的视频；
获取所述视频的视频图像，获取所述视频图像的数据格式；
当所述数据格式不为预设的RGB格式，对所述视频图像进行格式转换，生成RGB图像；
获取所述RGB图像出现的人体信息，所述人体信息包括人脸和躯干部分；
采用预定义的模糊方式，对所述躯干部分进行模糊化处理，生成模糊部分；
采用预定义的生成方式，生成一张假脸，在所述RGB图像中，将所述人脸替换成所述假脸，将所述躯干部分替换成所述模糊部分，得到处理后的所述RGB图像，基于处理后的所述RGB图像，生成处理后的所述视频。
在第一方面的一种可能的实现方式中，所述获取所述视频的视频图像，获取所述视频图像的数据格式，包括：
获取所述视频的格式信息；
在所述格式信息中，获取所述视频的视频图像，获取所述视频图像的数据格式。
在第一方面的一种可能的实现方式中，所述当所述数据格式不为预设的RGB格式，对所述视频图像进行格式转换，生成RGB图像，包括：
当所述数据格式不为预设的RGB格式，调用预设的图像处理工具的格式转换函数；
通过所述格式转换函数，对所述视频图像进行格式转换，生成RGB图像。
在第一方面的一种可能的实现方式中，所述获取所述RGB图像出现的人体信息，所述人体信息包括人脸和躯干部分，包括：
对所述RGB图像进行图像识别，生成识别结果；
在所述识别结果中，获取所述RGB图像出现的人体信息。
在第一方面的一种可能的实现方式中，所述采用预定义的模糊方式，对所述躯干部分进行模糊化处理，生成模糊部分，包括：
在所述RGB图像中，对所述躯干部分进行定位，获取所述躯干部分对应的图像区域；
采用高斯模糊算法，对所述图像区域的像素进行模糊化处理，生成模糊部分。
在第一方面的一种可能的实现方式中，所述采用预定义的生成方式，生成一张假脸，在所述RGB图像中，将所述人脸替换成所述假脸，将所述躯干部分替换成所述模糊部分，得到处理后的所述RGB图像，基于处理后的所述RGB图像，生成处理后的所述视频，包括：
采用生成对抗网络中的生成器，生成一张假脸，在所述RGB图像中，将所述人脸替换成所述假脸，将所述躯干部分替换成所述模糊部分，得到处理后的所述RGB图像；
对处理后的所述RGB图像进行加密，生成第一图像，对所述第一图像进行压缩，生成第二图像，基于多张不同的所述第二图像，生成处理后的所述视频。
在第一方面的一种可能的实现方式中，在所述采用预定义的生成方式，生成一张假脸，在所述RGB图像中，将所述人脸替换成所述假脸，将所述躯干部分替换成所述模糊部分，得到处理后的所述RGB图像，基于处理后的所述RGB图像，生成处理后的所述视频之后，所述视频处理方法，包括：
读取预设的上传时间，判断当前时间是否为所述上传时间；如果当前时间为所述上传时间，连接所述监控设备对应的视频分析系统，向所述视频分析系统上传处理后的所述视频。
第二方面，提供了一种视频处理装置，应用于边缘设备，所述视频处理装置包括：
第一获取模块，用于连接监控设备，获取所述监控设备发送的视频；
第二获取模块，用于获取所述视频的视频图像，获取所述视频图像的数据格式；
转换模块，用于当所述数据格式不为预设的RGB格式，对所述视频图像进行格式转换，生成RGB图像；
第三获取模块，用于获取所述RGB图像出现的人体信息，所述人体信息包括人脸和躯干部分；
生成模块，用于采用预定义的模糊方式，对所述躯干部分进行模糊化处理，生成模糊部分；
处理模块，用于采用预定义的生成方式，生成一张假脸，在所述RGB图像中，将所述人脸替换成所述假脸，将所述躯干部分替换成所述模糊部分，得到处理后的所述RGB图像，基于处理后的所述RGB图像，生成处理后的所述视频。
第三方面，提供了一种边缘设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述视频处理方法的步骤。
第四方面，提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现上述视频处理方法的步骤。
本申请提供一种视频处理方法、装置、边缘设备及存储介质，连接监控设备，获取所述监控设备发送的视频；获取所述视频的视频图像，获取所述视频图像的数据格式；当所述数据格式不为预设的RGB格式，对所述视频图像进行格式转换，生成RGB图像；获取所述RGB图像出现的人体信息，所述人体信息包括人脸和躯干部分；采用预定义的模糊方式，对所述躯干部分进行模糊化处理，生成模糊部分；采用预定义的生成方式，生成一张假脸，在所述RGB图像中，将所述人脸替换成所述假脸，将所述躯干部分替换成所述模糊部分，得到处理后的所述RGB图像，基于处理后的所述RGB图像，生成处理后的所述视频，有益效果在于两方面，一方面，采用预定义的生成方式，生成一张假脸，在所述RGB图像中，将所述人脸替换成所述假脸，将所述躯干部分替换成所述模糊部分，得到处理后的所述RGB图像，基于处理后的所述RGB图像，生成处理后的所述视频，由于生成一张假脸去替代视频中的人脸，并将所述躯干部分替换成所述模糊部分，因此能完成匿名化的过程，达到隐私保护的目的；另一方面，由于无需人工处理，因此减少了视频的处理时间，有利于提高视频的处理效率。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一实施例中视频处理方法的一应用环境示意图；
图2为本发明一实施例提供的视频处理方法的一个流程示意图；
图3是图1中步骤S23的一具体实施方式流程示意图；
图4是图1中步骤S25的一具体实施方式流程示意图；
图5是图1中步骤S26的一具体实施方式流程示意图；
图6是本发明一实施例中视频处理装置的一结构示意图；
图7是本发明一实施例中边缘设备的一结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1，图1是本发明一实施例中视频处理方法的一应用环境示意图，本发明实施例提供的视频处理方法，可应用在如图1的应用环境中的边缘设备。
在图1中，监控设备通过网络连接边缘设备，边缘设备通过网络连接服务端，服务端通过网络连接用户端。
其中，所述网络包括以太网、4G网络、5G网络、WIFI网络中的其中一种或其组合。
其中，图1的工作流程，详述如下：
监控设备向边缘设备发送视频。
边缘设备连接监控设备，获取所述监控设备发送的视频；
获取所述视频的视频图像，获取所述视频图像的数据格式；
当所述数据格式不为预设的RGB格式，对所述视频图像进行格式转换，生成RGB图像；
获取所述RGB图像出现的人体信息，所述人体信息包括人脸和躯干部分；
采用预定义的模糊方式，对所述躯干部分进行模糊化处理，生成模糊部分；
采用预定义的生成方式，生成一张假脸，在所述RGB图像中，将所述人脸替换成所述假脸，将所述躯干部分替换成所述模糊部分，得到处理后的所述RGB图像，基于处理后的所述RGB图像，生成处理后的所述视频。
边缘设备向服务端发送处理后的所述视频，服务端存储处理后的所述视频。用户端在服务端中查看处理后的所述视频。
在上述视频处理方法、装置、设备及介质所实现的方案中，有益效果在于两方面，一方面，采用预定义的生成方式，生成一张假脸，在所述RGB图像中，将所述人脸替换成所述假脸，将所述躯干部分替换成所述模糊部分，得到处理后的所述RGB图像，基于处理后的所述RGB图像，生成处理后的所述视频，由于生成一张假脸去替代视频中的人脸，并将所述躯干部分替换成所述模糊部分，因此能完成匿名化的过程，有利于达到隐私保护的目的；另一方面，由于无需人工处理，因此减少了视频的处理时间，有利于提高视频的处理效率。
其中，用户端可以包括但不限于各种个人电脑、智能手机和便携式可穿戴设备。
服务端可以用独立的任务数据库或者是多个任务数据库组成的任务数据库集群来实现。下面通过具体的实施例对本发明进行详细的描述。
请参阅图2，图2为本发明一实施例提供的视频处理方法的一个流程示意图，包括如下步骤：
S21，连接监控设备，获取所述监控设备发送的视频；
其中，监控设备包括捉拍机和摄像机中的其中一种或其组合。
其中，抓拍机通常具备高清晰度的图像捕捉能力，以确保拍摄到的违法行为证据清晰可辨。它还具备快速响应和自动拍摄的功能，能够在短时间内完成对违法行为的捕捉和记录。
其中，摄像机按照类型可以分为传统枪机、半球、一体机、红外摄像机、高速球型摄像机、网络摄像机。
S22，获取所述视频的视频图像，获取所述视频图像的数据格式；
其中，所述获取所述视频的视频图像，获取所述视频图像的数据格式，包括：
获取所述视频的格式信息；
在所述格式信息中，获取所述视频的视频图像，获取所述视频图像的数据格式。
S23，当所述数据格式不为预设的RGB格式，对所述视频图像进行格式转换，生成RGB图像；
其中，RGB图像：这是指使用RGB色彩模式生成的图像。
其中，RGB是Red,Green,Blue的缩写，代表红、绿、蓝三种颜色，它们是色彩的基本三原色。
S24，获取所述RGB图像出现的人体信息，所述人体信息包括人脸和躯干部分；
其中，所述获取所述RGB图像出现的人体信息，所述人体信息包括人脸和躯干部分，包括：
对所述RGB图像进行图像识别，生成识别结果；
在所述识别结果中，获取所述RGB图像出现的人体信息。
其中，采用预设的图像识别方法，对所述RGB图像进行图像识别，生成识别结果。图像识别方法可以为现有的任意一种识别方法，在此不做限制。
S25，采用预定义的模糊方式，对所述躯干部分进行模糊化处理，生成模糊部分；
S26，采用预定义的生成方式，生成一张假脸，在所述RGB图像中，将所述人脸替换成所述假脸，将所述躯干部分替换成所述模糊部分，得到处理后的所述RGB图像，基于处理后的所述RGB图像，生成处理后的所述视频。
其中，在所述RGB图像中，将所述人脸替换成所述假脸，将所述躯干部分替换成所述模糊部分，得到处理后的所述RGB图像，由于生成一张新的假脸去替代原视频中的人脸，将所述躯干部分替换成所述模糊部分，从而完成匿名化的过程，能达到隐私保护的目的。
其中，采用预定义的生成方式，生成一张假脸，在所述RGB图像中，将所述人脸替换成所述假脸，将所述躯干部分替换成所述模糊部分，得到处理后的所述RGB图像，基于处理后的所述RGB图像，生成处理后的所述视频，包括：
采用生成对抗网络中的生成器，生成一张假脸，在所述RGB图像中，将所述人脸替换成所述假脸，将所述躯干部分替换成所述模糊部分，得到处理后的所述RGB图像；
对处理后的所述RGB图像进行加密，生成第一图像，对所述第一图像进行压缩，生成第二图像，基于多张不同的所述第二图像，生成处理后的所述视频。
其中，在步骤S21之前，使用LSGAN损失函数，训练生成对抗网络的生成器与判别器，训练完成后，将训练完成的生成器部署到边缘设备。
其中，生成对抗网络是指一种通过生成器和判别器相互对抗训练，以生成高质量数据的深度学习模型。生成器负责生成尽可能接近真实数据的新数据，而判别器则负责区分生成的数据和真实数据。两者在训练过程中不断优化，以提高生成数据的真实性和判别器的准确性。
其中，LSGAN损失函数为LSGAN的损失函数。
其中，LSGAN(Least Squares Generative Adversarial Networks，即最小二乘生成对抗网络)。
其中，LSGAN的损失函数将传统GAN中的交叉熵损失函数替换为最小二乘损失函数。具体来说，对于判别器，其目标是最小化真实数据与1之间的均方误差，同时最大化生成数据与0之间的均方误差。对于生成器，其目标则是最小化生成数据与1之间的均方误差，以使得生成的数据尽可能被判别器误认为是真实数据。
示例性地，基于处理后的所述RGB图像，生成处理后的所述视频，包括:
创建一个文件，将多张处理后的所述RGB图像导入到文件；
在文件中，按照每张处理后的所述RGB图像的拍摄时间，将多张处理后的所述RGB图像进行合并，生成处理后的所述视频。
其中，在文件中，按照每张处理后的所述RGB图像的拍摄时间，将多张处理后的所述RGB图像进行合并，生成处理后的所述视频，包括：
将处理前的所述RGB图像的拍摄时间设置为处理后的所述RGB图像的拍摄时间，在文件中，按照处理后的所述RGB图像的拍摄时间的先后顺序，对处理后的所述RGB图像进行排序，将排序后的所述RGB图像进行合并，生成处理后的所述视频。
其中，处理前的所述RGB图像为未将人脸替换成假脸的RGB图像且未将躯干部分替换成模糊部分的RGB图像。
其中，按照处理后的所述RGB图像的拍摄时间的先后顺序，对处理后的所述RGB图像进行排序，将排序后的所述RGB图像进行合并，生成处理后的所述视频，这样有利于确保处理后的所述视频中视频内容的连贯性。
其中，在所述采用预定义的生成方式，生成一张假脸，在所述RGB图像中，将所述人脸替换成所述假脸，将所述躯干部分替换成所述模糊部分，得到处理后的所述RGB图像，基于处理后的所述RGB图像，生成处理后的所述视频之后，所述视频处理方法，包括：
读取预设的上传时间，判断当前时间是否为所述上传时间；
如果当前时间为所述上传时间，连接所述监控设备对应的视频分析系统，向所述视频分析系统上传处理后的所述视频。
其中，所述视频分析系统是关注人体除面部以外的其他身体特征、姿态、行为或运动模式的系统。视频分析系统利用计算机视觉、机器学习、传感器技术等多种技术手段来分析人体在视频流、图像或实时传感器数据中的表现。
为便于说明，视频分析系统的种类，举例如下：
1.姿态估计系统：
姿态估计系统通过分析图像或视频中的人体关键点来估计人体的姿态和姿势。它们可以用于运动分析、虚拟现实应用等领域。
2.行为识别与分析系统：
行为识别系统专注于分析人体在视频流中的行为模式，以识别特定的动作、活动或行为序列。行为识别与分析系统：可以用于安全监控、人机交互、智能家居等领域。例如，行为识别与分析系统：可以识别出人们是否在跳舞、跑步、摔倒或进行其他活动。
在本发明实施例中，有益效果在于两方面，一方面，采用预定义的生成方式，生成一张假脸，在所述RGB图像中，将所述人脸替换成所述假脸，将所述躯干部分替换成所述模糊部分，得到处理后的所述RGB图像，基于处理后的所述RGB图像，生成处理后的所述视频，由于生成一张假脸去替代视频中的人脸，并将所述躯干部分替换成所述模糊部分，因此能完成匿名化的过程，达到隐私保护的目的；另一方面，由于无需人工处理，因此减少了视频的处理时间，有利于提高视频的处理效率。
请参阅图3，图3是图1中步骤S23的一具体实施方式流程示意图，详述如下：
S31，当所述数据格式不为预设的RGB格式，调用预设的图像处理工具的格式转换函数；
S32，通过所述格式转换函数，对所述视频图像进行格式转换，生成RGB图像。
在本发明实施例中，通过格式转换函数，可以将视频图像从一种格式转换为RGB图像，通过将所述视频图像转换为RGB图像格式，使得图像处理算法能够直作用在RGB图像上。
请参阅图4，图4是图1中步骤S25的一具体实施方式流程示意图，详述如下：
S41，在所述RGB图像中，对所述躯干部分进行定位，获取所述躯干部分对应的图像区域；
S42，采用高斯模糊算法，对所述图像区域的像素进行模糊化处理，生成模糊部分。
高斯模糊算法通过应用一个高斯核来计算每个像素的值，并将其应用于边缘像素。这种方法可以在保留图像细节的同时平滑边缘，并且不会导致明显的噪声。
在本发明实施例中，在图像处理领域，对躯干部分进行模糊处理，可以降低所述躯干部分对应的图像区域的清晰度和识别性，可以有效地防止个人的躯干部分的泄露，有利于保护躯干部分。
请参阅图5，图5是图1中步骤S26的一具体实施方式流程示意图，详述如下：
S51，采用生成对抗网络中的生成器，生成一张假脸，在所述RGB图像中，将所述人脸替换成所述假脸，将所述躯干部分替换成所述模糊部分，得到处理后的所述RGB图像；
S52，对处理后的所述RGB图像进行加密，生成第一图像，对所述第一图像进行压缩，生成第二图像，基于多张不同的所述第二图像，生成处理后的所述视频。
示例性地，所述对处理后的所述RGB图像进行加密，生成第一图像，对所述第一图像进行压缩，生成第二图像，基于多张不同的所述第二图像，生成处理后的所述视频，包括：
使用预设的秘钥和伪随机数生成器产生矩阵，利用所述矩阵重新排列处理后的所述RGB图像中的宏块的位置，将重新排列后的所述RGB图像设置为第一图像；
对所述第一图像进行压缩，生成第二图像，基于多张不同的所述第二图像，生成处理后的所述视频。
示例性地，对所述第一图像进行压缩，生成第二图像，基于多张不同的所述第二图像，生成处理后的所述视频，包括：
获取压缩算法的压缩时间和压缩率；
当所述压缩时间小于预设时间且所述压缩率高于预设值，通过所述压缩算法对所述第一图像进行压缩，生成第二图像；
基于多张不同的所述第二图像，生成处理后的所述视频。
其中，当所述压缩时间小于预设时间且所述压缩率高于预设值，通过所述压缩算法对所述第一图像进行压缩，生成第二图像，这样有利于提高所述第一图像的压缩效果。
示例性地，基于多张不同的所述第二图像，生成处理后的所述视频，包括:
创建一个文件，将多张不同的所述第二图像导入到文件，将处理前的所述RGB图像的拍摄时间设置为所述第二图像的拍摄时间，在文件中，按照所述第二图像的拍摄时间的先后顺序，对所述第二图像进行排序，将排序后的所述第二图像进行合并，生成处理后的所述视频。
其中，处理前的所述RGB图像为未将人脸替换成假脸的RGB图像且未将躯干部分替换成模糊部分的RGB图像。
其中，在文件中，按照所述第二图像的拍摄时间的先后顺序，对所述第二图像进行排序，将排序后的所述第二图像进行合并，生成处理后的所述视频，这样有利于确保处理后的所述视频中视频内容的连贯性。
在本发明实施例中，由于生成一张新的假脸去替代原视频中的人脸，将所述躯干部分替换成所述模糊部分，因此能完成匿名化的过程，有利于达到隐私保护的目的，也有利于提高视频的处理效率。
请参阅图6，图6是本发明一实施例中视频处理装置的一结构示意图,如图6所示，该视频处理装置包括第一获取模块101、第二获取模块102、转换模块103、第三获取模块104、生成模块105、处理模块106。各功能模块详细说明如下：
第一获取模块101，用于连接监控设备，获取所述监控设备发送的视频；
第二获取模块102，用于获取所述视频的视频图像，获取所述视频图像的数据格式；
转换模块103，用于当所述数据格式不为预设的RGB格式，对所述视频图像进行格式转换，生成RGB图像；
第三获取模块104，用于获取所述RGB图像出现的人体信息，所述人体信息包括人脸和躯干部分；
生成模块105，用于采用预定义的模糊方式，对所述躯干部分进行模糊化处理，生成模糊部分；
处理模块106，用于采用预定义的生成方式，生成一张假脸，在所述RGB图像中，将所述人脸替换成所述假脸，将所述躯干部分替换成所述模糊部分，得到处理后的所述RGB图像，基于处理后的所述RGB图像，生成处理后的所述视频。
在一个实施例中，所述第二获取模块102，包括：
第一获取子单元，用于获取所述视频的格式信息；
第二获取子单元，用于在所述格式信息中，获取所述视频的视频图像，获取所述视频图像的数据格式。
在一个实施例中，所述转换模块103，包括：
调用子单元，用于当所述数据格式不为预设的RGB格式，调用预设的图像处理工具的格式转换函数；
生成子单元，用于通过所述格式转换函数，对所述视频图像进行格式转换，生成RGB图像。
在一个实施例中，所述第三获取模块104，包括：
识别子单元，用于对所述RGB图像进行图像识别，生成识别结果；
第三获取子单元，用于在所述识别结果中，获取所述RGB图像出现的人体信息。
在一个实施例中，所述生成模块105，包括：
定位子单元，用于在所述RGB图像中，对所述躯干部分进行定位，获取所述躯干部分对应的图像区域；
生成子单元，用于采用高斯模糊算法，对所述图像区域的像素进行模糊化处理，生成模糊部分。
在一个实施例中，所述处理模块106，包括：
替换子单元，用于采用生成对抗网络中的生成器，生成一张假脸，在所述RGB图像中，将所述人脸替换成所述假脸，将所述躯干部分替换成所述模糊部分，得到处理后的所述RGB图像；
处理子单元，用于对处理后的所述RGB图像进行加密，生成第一图像，对所述第一图像进行压缩，生成第二图像，基于多张不同的所述第二图像，生成处理后的所述视频。
在一个实施例中，视频处理装置，还包括：
上传模块，用于读取预设的上传时间，判断当前时间是否为所述上传时间；如果当前时间为所述上传时间，连接所述监控设备对应的视频分析系统，向所述视频分析系统上传处理后的所述视频。
在本发明实施例中，有益效果在于两方面，一方面，采用预定义的生成方式，生成一张假脸，在所述RGB图像中，将所述人脸替换成所述假脸，将所述躯干部分替换成所述模糊部分，得到处理后的所述RGB图像，基于处理后的所述RGB图像，生成处理后的所述视频，由于生成一张假脸去替代视频中的人脸，并将所述躯干部分替换成所述模糊部分，因此能完成匿名化的过程，达到隐私保护的目的；另一方面，由于无需人工处理，因此减少了视频的处理时间，有利于提高视频的处理效率。
关于视频处理装置的具体限定可以参见上文中对于视频处理方法的限定，在此不再赘述。
上述视频处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于边缘设备中的处理器中，也可以以软件形式存储于边缘设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
请参阅图7，图7是本发明一实施例中边缘设备的一结构示意图,在一个实施例中，提供了一种边缘设备，该边缘设备，其内部结构图可以如图7所示。该边缘设备包括通过系统总线连接的处理器、存储器、网络接口。
其中，该边缘设备的处理器用于提供计算和控制能力。该边缘设备的存储器包括非易失性和/或易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该边缘设备的网络接口用于与外部的用户端通过网络连接通信。该计算机程序被处理器执行时以实现一种视频处理方法的功能或步骤。
优选地，该边缘设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该边缘设备的处理器用于提供计算和控制能力。该边缘设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该边缘设备的网络接口用于与外部任务数据库通过网络连接通信。该计算机程序被处理器执行时以实现一种视频处理方法的功能或步骤。
在一个实施例中，提供了一种边缘设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序。
需要说明的是，上述关于计算机可读存储介质或边缘设备所能实现的功能或步骤，可对应参阅前述方法实施例中，服务端侧以及用户端侧的相关描述，为避免重复，这里不再一一描述。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、图形处理器(Graphics Processing Unit，简称GPU)，网络处理器(NetworkProcessor，简称NP)等；还可以是数字信号处理器(Digital Signal Processing，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)、现场可编程门阵列(Field－Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
以上描述和附图充分地示出了本公开的实施例，以使本领域的技术人员能够实践它们。其他实施例可以包括结构的、逻辑的、电气的、过程的以及其他的改变。实施例仅代表可能的变化。除非明确要求，否则单独的部件和功能是可选地，并且操作的顺序可以变化。一些实施例的部分和子样本可以被包括在或替换其他实施例的部分和子样本。而且，本申请中使用的用词仅用于描述实施例并且不用于限制权利要求。如在实施例以及权利要求的描述中使用的，除非上下文清楚地表明，否则单数形式的“一个”(a)、“一个”(an)和“”(the)旨在同样包括复数形式。类似地，如在本申请中所使用的术语“和/或”是指包含一个或一个以上相关联的列出的任何以及所有可能的组合。另外，当用于本申请中时，术语“包括”(comprise)及其变型“包括”(comprises)和/或包括(comprising)等指陈述的子样本、整体、步骤、操作、元素，和/或组件的存在，但不排除一个或一个以上其它子样本、整体、步骤、操作、元素、组件和/或这些的分组的存在或添加。在没有更多限制的情况下，由语句“包括一个…”限定的要素，并不排除在包括要素的过程、方法或者设备中还存在另外的相同要素。本文中，每个实施例重点说明的可以是与其他实施例的不同之处，各个实施例之间相同相似部分可以互相参见。对于实施例公开的方法、产品等而言，如果其与实施例公开的方法部分相对应，那么相关之处可以参见方法部分的描述。
本领域技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，可以取决于技术方案的特定应用和设计约束条件。技术人员可以对每个特定的应用来使用不同方法以实现所描述的功能，但是这种实现不应认为超出本公开实施例的范围。技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本文所披露的实施例中，所揭露的方法、产品(包括但不限于装置、设备等)，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，可以仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些子样本可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例。另外，在本公开实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
附图中的流程图和框图显示了根据本公开实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这可以依所涉及的功能而定。在附图中的流程图和框图所对应的描述中，不同的方框所对应的操作或步骤也可以以不同于描述中所披露的顺序发生，有时不同的操作或步骤之间不存在特定的顺序。例如，两个连续的操作或步骤实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这可以依所涉及的功能而定。框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
Claims (10)
1.一种视频处理方法，应用于边缘设备，其特征在于，所述视频处理方法包括：
连接监控设备，获取所述监控设备发送的视频；
获取所述视频的视频图像，获取所述视频图像的数据格式；
当所述数据格式不为预设的RGB格式，对所述视频图像进行格式转换，生成RGB图像；
获取所述RGB图像出现的人体信息，所述人体信息包括人脸和躯干部分；
采用预定义的模糊方式，对所述躯干部分进行模糊化处理，生成模糊部分；
采用预定义的生成方式，生成一张假脸，在所述RGB图像中，将所述人脸替换成所述假脸，将所述躯干部分替换成所述模糊部分，得到处理后的所述RGB图像，基于处理后的所述RGB图像，生成处理后的所述视频。
2.根据权利要求1所述的视频处理方法，其特征在于，所述获取所述视频的视频图像，获取所述视频图像的数据格式，包括：
获取所述视频的格式信息；
在所述格式信息中，获取所述视频的视频图像，获取所述视频图像的数据格式。
3.根据权利要求1所述的视频处理方法，其特征在于，所述当所述数据格式不为预设的RGB格式，对所述视频图像进行格式转换，生成RGB图像，包括：
当所述数据格式不为预设的RGB格式，调用预设的图像处理工具的格式转换函数；
通过所述格式转换函数，对所述视频图像进行格式转换，生成RGB图像。
4.根据权利要求1所述的视频处理方法，其特征在于，所述获取所述RGB图像出现的人体信息，所述人体信息包括人脸和躯干部分，包括：
对所述RGB图像进行图像识别，生成识别结果；
在所述识别结果中，获取所述RGB图像出现的人体信息。
5.根据权利要求1所述的视频处理方法，其特征在于，所述采用预定义的模糊方式，对所述躯干部分进行模糊化处理，生成模糊部分，包括：
在所述RGB图像中，对所述躯干部分进行定位，获取所述躯干部分对应的图像区域；
采用高斯模糊算法，对所述图像区域的像素进行模糊化处理，生成模糊部分。
6.根据权利要求1所述的视频处理方法，其特征在于，所述采用预定义的生成方式，生成一张假脸，在所述RGB图像中，将所述人脸替换成所述假脸，将所述躯干部分替换成所述模糊部分，得到处理后的所述RGB图像，基于处理后的所述RGB图像，生成处理后的所述视频，包括：
采用生成对抗网络中的生成器，生成一张假脸，在所述RGB图像中，将所述人脸替换成所述假脸，将所述躯干部分替换成所述模糊部分，得到处理后的所述RGB图像；
对处理后的所述RGB图像进行加密，生成第一图像，对所述第一图像进行压缩，生成第二图像，基于多张不同的所述第二图像，生成处理后的所述视频。
7.根据权利要求1至6任一项所述的视频处理方法，其特征在于，在所述采用预定义的生成方式，生成一张假脸，在所述RGB图像中，将所述人脸替换成所述假脸，将所述躯干部分替换成所述模糊部分，得到处理后的所述RGB图像，基于处理后的所述RGB图像，生成处理后的所述视频之后，所述视频处理方法，包括：
读取预设的上传时间，判断当前时间是否为所述上传时间；
如果当前时间为所述上传时间，连接所述监控设备对应的视频分析系统，向所述视频分析系统上传处理后的所述视频。
8.一种视频处理装置，应用于边缘设备，其特征在于，所述视频处理装置包括：
第一获取模块，用于连接监控设备，获取所述监控设备发送的视频；
第二获取模块，用于获取所述视频的视频图像，获取所述视频图像的数据格式；
转换模块，用于当所述数据格式不为预设的RGB格式，对所述视频图像进行格式转换，生成RGB图像；
第三获取模块，用于获取所述RGB图像出现的人体信息，所述人体信息包括人脸和躯干部分；
生成模块，用于采用预定义的模糊方式，对所述躯干部分进行模糊化处理，生成模糊部分；
处理模块，用于采用预定义的生成方式，生成一张假脸，在所述RGB图像中，将所述人脸替换成所述假脸，将所述躯干部分替换成所述模糊部分，得到处理后的所述RGB图像，基于处理后的所述RGB图像，生成处理后的所述视频。
9.一种边缘设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述视频处理方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述视频处理方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202411212691.1A CN119166589A (zh) | 2024-08-30 | 2024-08-30 | 一种视频处理方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202411212691.1A CN119166589A (zh) | 2024-08-30 | 2024-08-30 | 一种视频处理方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN119166589A true CN119166589A (zh) | 2024-12-20 |
Family
ID=93889566
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202411212691.1A Pending CN119166589A (zh) | 2024-08-30 | 2024-08-30 | 一种视频处理方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN119166589A (zh) |
-
2024
- 2024-08-30 CN CN202411212691.1A patent/CN119166589A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | Generative neural networks for anomaly detection in crowded scenes | |
| Verdoliva | Media forensics and deepfakes: an overview | |
| Feng et al. | Learning generalized spoof cues for face anti-spoofing | |
| CN116803079A (zh) | 视频和相关特征的可分级译码 | |
| Xu et al. | Fully-coupled two-stream spatiotemporal networks for extremely low resolution action recognition | |
| Kong et al. | Digital and physical face attacks: Reviewing and one step further | |
| Waseem et al. | DeepFake on face and expression swap: A review | |
| Xiao et al. | Securing the socio-cyber world: Multiorder attribute node association classification for manipulated media | |
| CN117557877A (zh) | 人物异常行为图像训练样本生成方法、装置和计算机设备 | |
| JP4786547B2 (ja) | 入力画像を安全に処理する方法 | |
| Sarmah et al. | Optimization models in steganography using metaheuristics | |
| CN112115811A (zh) | 基于隐私保护的图像处理方法、装置和电子设备 | |
| Xiong et al. | ψ-net: Point structural information network for no-reference point cloud quality assessment | |
| CN113630609A (zh) | 一种视频编码方法、解码方法、存储介质以及终端设备 | |
| CN119166589A (zh) | 一种视频处理方法、装置、设备及存储介质 | |
| CN113557522A (zh) | 基于相机统计的图像帧预处理 | |
| Jegaveerapandian et al. | A survey on passive digital video forgery detection techniques. | |
| WO2023273515A1 (zh) | 目标检测方法、装置、电子设备和存储介质 | |
| Cho et al. | Face Recognition Performance Comparison of Fake Faces with Real Faces in Relation to Lighting. | |
| US20170109596A1 (en) | Cross-Asset Media Analysis and Processing | |
| Weng et al. | Reducing computational requirements of image dehazing using super-resolution networks | |
| TWI482099B (zh) | 影像處理紀錄系統及其影像處理紀錄方法 | |
| Zhu et al. | Campro: Camera-based anti-facial recognition | |
| Cichowski et al. | Visual data encryption for privacy enhancement in surveillance systems | |
| Zhang et al. | TSFF-Net: A deep fake video detection model based on two-stream feature domain fusion |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |