基于深度学习的海底观测视频中鱼类的识别方法

针对海底环境恶劣、海底观测视频品质差导致视频中的海洋鱼类识别难的问题,提出一种基于深度学习的海洋鱼类识别方法。首先,将海底观测视频分解为图片,由于海底观测视频中存在较大比例的空白数据,使用背景差分法过滤不包含鱼类的图片,缩短处理全部数据的时间;然后,考虑到海底拍摄环境亮度低、场景模糊的实际情况,对图片基于暗通道先验算法进行预处理提高品质;最后,以卷积神经网络(CNN)为基础构建深度学习模型,并且提出了权重化特征的卷积过程,提高模型的鲁棒性。实验结果表明:面对较差品质的海底观测视频图片,在深度学习模型结构相同的条件下,与普通卷积神经网络模型相比,使用权重化卷积作为隐层并且加入预处理过程后,对海洋鱼类识别准确率的提升幅度达到23%,有助于实现对海底观测视频图片中海洋鱼类的精准识别。

基于Hbase的海底监测视频大数据存储方法

海底观测会产生规模大、稀疏性强的视频数据,目前的存储方案效率较低。为此,本文提出一种基于Hbase的海底监测视频大数据存储方法。首先,采用运动目标检测方法对视频中的稀疏空白部分和内容密集部分进行分段,对稀疏空白段进行重度压缩,并对密集内容部分进行特征提取,为基于内容的视频检索做准备。接着,设计一种能统一存储上述两部分视频的大数据表,它能在插入稀疏视频段时动态添加压缩信息列,在插入密集内容视频时动态添加特征列,并用行键键尾对两种视频进行了区分,方便查询过滤。实验分析表明:本文方法相比传统方式能节约近75%的存储资源,并能实现基于特征的检索,极大的方便了视频数据的管理。