CN119418252A 基于车辆远程摄像监控系统的数据处理方法及系统 （成都车晓科技有限公司）

由贸易试验区成都高新区天府三街基于车辆远程摄像监控系统的数据处理方本发明提供一种基于车辆远程摄像监控系含基础视角向量和补充视角向量的候选视频分络参数则依据预先学习的通用视频分析模型进2获取由第一车辆监控视频和与所述第一车辆监控视频相关联的目标车辆监控视频组获取候选视频分析模型，所述候选视频分析模型的空间特征映射空间向量进行补充使得所述空间特征映射空间的视角范围从所述基础视角范围补充到目标视对所述候选视频分析模型的网络参数信息进行还原设置，生成基础视频分析模型中余下网络参数信息的还原参数数据是依据预先进行学习的通用视频分析模基于所述第一样例车辆监控视频数据，对所述基础视频分析模获取待评估车辆的远程监控视频数据，将获取的待评估车辆的基于所述第一样例车辆监控视频数据，对所述基础视频分析模获取由第二车辆监控视频和与所述第二车辆监控视频相关联的目标车辆监控视频组基于所述第二样例车辆监控视频数据对所述临时视频分析模型的所有网络参数信息遍历每个所述第一样例车辆监控视频数据中的第一车辆监控视频，获取所第一车辆监控视频的消极样例数据为与所述第一车辆监控视频对应于不同的第一样例车3遍历每个第一车辆监控视频，基于所述基础视频分析模型生成所述第依据所述第一视频语义特征和所述第二视频语义特征，计算所述第依据所述第一训练误差参数对所述基础视频分析模型的补充视角向遍历每个所述第二样例车辆监控视频数据中的第二车辆监控视频，获取所第二车辆监控视频的消极样例数据为与所述第二车辆监控视频对应于不同的第二样例车遍历每个第二车辆监控视频，基于所述临时视频分析模型生成所述第依据所述第四视频语义特征和所述第五视频语义特征，计算所述第基于所述第三特征距离和所述第四特征距离确定第依据所述目标训练误差参数对所述临时视频分析模型的所有网络参数信息进行更新，依据所述余下网络参数信息的还原参数数据和更新后的参数数据，6.根据权利要求1_5中任意一项所述的基于车辆远程摄像监控系统的数据处理方法，4从视频视角范围大于所述基础视角范围的车辆监控视频中确定所述目标车辆监控视依据所述第一车辆监控视频和与所述第一车辆监控视频相关联的目标车辆监控视频，述从视频视角范围大于所述基础视角范围的车辆监控视频中确定所述目标车辆监控视频，从共享车辆监控视频序列中提取视频视角范围大于所述基础视角范围的车辆监控视将所述共享车辆监控视频序列中与所述目标车辆监控视遍历每个所述参考车辆监控视频，确定所述参考车辆监控视频的监如果所述视角为目标视角，从多个所述参考车辆监控分别计算所述多个视角视频片段与所述参考车辆监控视频对应的第一车辆监控视频将第五特征距离最小的视角视频片段输出为所述参考车辆监控视频的监控语义元素5获取由第一车辆监控视频和与所述第一车辆监控视频相关联的目标车辆监控视视角向量进行补充使得所述空间特征映射空间的视角范围从所述基础视角范围补充到目对所述候选视频分析模型的网络参数信息进行还原设置，生成基础视频分析模基础视频分析模型中余下网络参数信息的还原参数数据是依据预先进行学习的通用视频6[0005]在第一方面的一种可能的实施方式中，所述基于所述第一样例车辆监控视频数获取由第二车辆监控视频和与所述第二车辆监控视频相关联的目标车辆监控视基于所述第二样例车辆监控视频数据对所述临时视频分析模型的所有网络参数[0006]在第一方面的一种可能的实施方式中，所述第一样例车辆监控视频数据包括多与所述第一车辆监控视频对应于同一个第一样例车辆监控视频数据的目标车辆监控视频，所述第一车辆监控视频的消极样例数据为与所述第一车辆监控视频对应于不同的第一样所述第一车辆监控视频的消极样例数据的第三视依据所述第一训练误差参数对所述基础视频分析模型的补充视角向量进行学习，[0007]在第一方面的一种可能的实施方式中，所述第二样例车辆监控视频数据包括多与所述第二车辆监控视频对应于同一个第二样例车辆监控视频数据的目标车辆监控视频，所述第二车辆监控视频的消极样例数据为与所述第二车辆监控视频对应于不同的第二样7所述第二车辆监控视频的消极样例数据的第六视基于所述第三特征距离和所述第四特征距离确定第依据所述目标训练误差参数对所述临时视频分析模型的所有网络参数信息进行述第一车辆监控视频相关联的目标车辆监控视频组成的第一样例车辆监控视频数据，包从视频视角范围大于所述基础视角范围的车辆监控视频中确定所述目标车辆监依据所述第一车辆监控视频和与所述第一车辆监控视频相关联的目标车辆监控从共享车辆监控视频序列中提取视频视角范围大于所述基础视角范围的车辆监将所述共享车辆监控视频序列中与所述目标车辆监控视频相关联的车辆监控视8分别计算所述多个视角视频片段与所述参考车辆监控视频对应的第一车辆监控将第五特征距离最小的视角视频片段输出为所述参考车辆监控视频的监控语义[0013]再一方面，本发明实施例还提供一种基于车辆远程摄像监控系统的数据处理系[0015]图1是本发明实施例提供的基于车辆远程摄像监控系统的数据处理方法的执行流[0016]图2是本发明实施例提供的基于车辆远程摄像监控系统的数据处理系统硬件架构[0017]下面结合说明书附图对本发明进行具体说明，图1是本发明一种实施例提供的基9[0020]首先从这个数据库中筛选出那些视频视角范围大于基础视角范围的车辆监控视车辆监控视频数据。假设在这个十字路口找到了5组这样的第一车辆监控视频和目标车辆对所述基础视角向量进行补充使得所述空间特征映射空间的视角范围从所述基础视角范[0028]这个候选视频分析模型的构建是基于大量的车辆监控视频数据的统计分析和深[0030]在一个视频分析算法研发的实验室环境中，已经获取了上述的候选视频分析模[0040]然后依据第一视频语义特征和第二视频语义特征，计算两者之间的第一特征距[0041]假设第一特征距离为0.3（表示积极样较为接近第二特征距离为0.8（表示消极样例数据与第一车辆监控视频在语义特征上差[0043]经过多轮对第一样例车辆监控视频数据中的所有第一车辆监控视频进行这样的[0047]计算第三特征距离和第四特征距[0050]最后依据这个目标训练误差参数对临时视频分析模型的所有网络参数信息进行将这个远程监控视频数据输入到目标视频分[0055]然后对这些视频语义特征数据进行风险特征提取。对于一定时间内超过3次风险等级加1；如果跟车距离过近（平均跟车距离小于安全距离标视频分析模型是预先经过训练和优化的模型，具备对车辆监控视频进行深度分析的能力。通过特征提取模块对图像帧序列进行特征提取，这些特征包括但不限于车辆的外观特征建好的车辆保险风险评估体系中。评估体系根据预先设定的权重分配和风险等级划分标第一样例车辆监控视频数据中包括第一车辆监控视频和与所述第一车辆监控视频相关联样例数据为与所述第一车辆监控视频对应于同一个第一样例车辆监控视频数据的目标车同的第一样例车辆监控视频数据的目标车辆语义特征和所述第一车辆监控视频的消极样例数据的第三[0070]步骤S1414，基于所述第一特征距离和所述第二特征距离，确定第一训练误差参[0071]步骤S1415，依据所述第一训练误差参数对所述基础视频分析模型的补充视角向第二样例车辆监控视频数据中包括第二车辆监控视频和与所述第二车辆监控视频相关联样例数据为与所述第二车辆监控视频对应于同一个第二样例车辆监控视频数据的目标车同的第二样例车辆监控视频数据的目标车辆语义特征和所述第二车辆监控视频的消极样例数据的第六[0077]步骤S1436，依据所述目标训练误差参数对所述临时视频分析模型的所有网络参[0079]在基于第一样例车辆监控视频数据对基础视频分析模型的补充视角向量进行学监控系统中的监控视频为例，对于每个第一车辆监控视频，存在积极样例数据和消极样例数据。积极样例数据是与该第一车辆监控视频属于同一个第一样例车辆监控视频数据标车辆监控视频。消极样例数据则是与该第一车辆监控视频对应于不同的第一样例车辆监视频记录了一辆汽车在特定车道上的行驶情况，与之对应的同一组中的目标车辆监控视频[0084]接着获取由第二车辆监控视频和与第二车辆监控视频相关联的目标车辆监控视始值为0.5，经过对第二样例车辆监控视频数据的初步处理后，该参数的更新后的值为[0090]最后依据目标训练误差参数对临时视频分析模型的所有一些安装在高楼顶部或者特殊位置的全景摄像头，这些摄像头能够拍摄到车辆的正前方、全景摄像头所拍摄的众多车辆监控视频中，根据特定的筛选标准确定目标车辆监控视频。[0095]最后，依据第一车辆监控视频和与第一车辆监控视频相关联的目标车辆监控视步骤S1111，从共享车辆监控视频序列中提取视频视角范围大于所述基础视角范[0098]步骤S1113，将所述共享车辆监控视频序列中与所述目标车辆监控视频相关联的频的监控语义元素在所述参考车辆监控视频中的视[0106]接着分别计算多个视角视频片段与参考车辆监控视频对应的第一车辆监控视频时刻位于车道的左侧三分之一处，而视角视频片段中车辆的位置在车道左侧二分之一处，[0107]之后将第五特征距离最小的视角视频片段输出为参考车辆监控视频的监控语义的这5个参考车辆监控视频就构成了目标车辆[0110]图2示出了本发明实施例提供的用于实现上述的基于车辆远程摄像监控系统的数