本發(fā)明涉及視頻切片，特別涉及一種機場航班視頻切片生成方法和裝置。

背景技術：

1、在現(xiàn)代機場管理中，機場航班的視頻監(jiān)控和記錄變得愈加重要，已成為保障航班安全、提升服務質量不可或缺的重要工具。

2、傳統(tǒng)的航班視頻監(jiān)控系統(tǒng)通常采用固定的攝像機進行全局7*24小時的監(jiān)控，雖然能夠提供連續(xù)的視頻流，但在信息存儲、查找、處理和利用等方面存在諸多不足。

3、具體而言，傳統(tǒng)方法通常采用固定分辨率和時間窗口進行視頻存儲，導致存儲資源浪費且檢索效率低下。例如，對于長時間無異常事件的視頻片段，采用高分辨率存儲會占用大量存儲空間；而在需要快速檢索特定事件時，由于時間窗口固定，可能無法準確定位事件發(fā)生的具體時段。

4、傳統(tǒng)機場管理依賴人工監(jiān)控視頻數(shù)據(jù)，響應被動且效率低下。人工監(jiān)控難以實時捕捉所有異常事件，且長時間監(jiān)控易導致疲勞和疏忽。此外，人工響應速度較慢，無法及時應對突發(fā)情況，影響機場的安全性和運營效率。

5、傳統(tǒng)系統(tǒng)無法有效地將航班的實時數(shù)據(jù)與視頻進行關聯(lián)，導致了信息孤島問題的出現(xiàn)。這使得機場運營人員在處理航班異常、結算計費、旅客投訴等情況時，難以迅速獲取針對特定航班的相關視頻信息。

技術實現(xiàn)思路

1、基于此，本發(fā)明的目的是提出一種機場航班視頻切片生成方法和裝置，以解決上述提到的問題。

2、根據(jù)本發(fā)明提出的一種機場航班視頻切片生成方法，所述方法包括：

3、獲取當前航班信息，包括航班號、預計起飛時間、預計到達時間、登機口和行李轉盤號；

4、獲取關鍵區(qū)域的視頻源地址，所述關鍵區(qū)域包括飛行區(qū)、登機口、行李轉盤和候機區(qū)；

5、將航班信息與視頻源地址進行關聯(lián)，并調用實時視頻數(shù)據(jù)；

6、對航班的實時視頻數(shù)據(jù)進行特征提取，得到目標特征向量；

7、構建聚類模型，將當前的目標特征向量加入到聚類模型，并通過脈沖神經(jīng)網(wǎng)絡構建事件認知超曲面，優(yōu)化聚類模型對實時視頻數(shù)據(jù)的動態(tài)劃分與基準切片參數(shù)匹配；

8、根據(jù)匹配的基準切片參數(shù)對實時視頻數(shù)據(jù)進行切片，生成視頻切片。

9、更進一步的，所述通過脈沖神經(jīng)網(wǎng)絡構建事件認知超曲面，優(yōu)化聚類模型對實時視頻數(shù)據(jù)的動態(tài)劃分與基準切片參數(shù)匹配，包括：

10、計算當前的目標特征向量到每個已知事件簇超曲面的脈沖距離；

11、若脈沖距離小于距離閾值，則將當前的目標特征向量分配至最近簇，并觸發(fā)簇中心的脈沖可塑性更新；

12、若脈沖距離大于距離閾值，則創(chuàng)建新的事件簇并初始化基準切片參數(shù)；

13、根據(jù)新加入的脈沖模式識別事件邊界，以調整事件認知超曲面的形狀。

14、更進一步的，所述計算當前的目標特征向量到每個已知事件簇超曲面的脈沖距離，包括：

15、通過snn脈沖響應核函數(shù)計算當前的目標特征向量xt到第i個事件簇超曲面的脈沖距離di，公式為：

16、，

17、其中，di為第i個事件簇的脈沖距離，k為神經(jīng)元數(shù)量，wij為第i個事件簇的第j個神經(jīng)元的突觸權重，δ為脈沖響應函數(shù)，σj為第j個神經(jīng)元的感受野寬度，為當前時間窗口結束時刻t與神經(jīng)元j脈沖發(fā)放時刻tj的絕對差值。

18、更進一步的，所述觸發(fā)簇中心的脈沖可塑性更新，包括：

19、對于匹配的事件簇，按脈沖時序依賴可塑性規(guī)則調整突觸權重，調整公式為：

20、，

21、其中，為突觸權重wij的調整量，η為學習率，τ為時間常數(shù)，δt為突觸后神經(jīng)元與突觸前神經(jīng)元脈沖發(fā)放的時間差，sign(δt)為符號函數(shù)，當δt>0時為1，增強權重，當δt<0時為-1，減弱權重。

22、更進一步的，所述根據(jù)新加入的脈沖模式識別事件邊界，以調整事件認知超曲面的形狀，包括：

23、以最小化簇內(nèi)脈沖距離方差與模型復雜度作為目標函數(shù)，目標函數(shù)為：

24、，

25、其中，l為目標函數(shù)，用于衡量聚類質量，λ為正則化系數(shù)，為突觸權重矩陣的弗羅貝尼烏斯范數(shù)。

26、通過脈沖梯度下降，迭代更新突觸權重，更新公式為：

27、，

28、其中，為更新后的第i個事件簇的突觸權重矩陣，為更新前的第i個事件簇的突觸權重矩陣，為目標函數(shù)對突觸權重矩陣wi的梯度，γ為步長，β為動量系數(shù)為前一次權重更新的動量項。

29、更進一步的，所述構建聚類模型，包括：

30、采集機場場景的歷史視頻流及關聯(lián)航班狀態(tài)數(shù)據(jù)，生成歷史的目標特征向量；

31、將歷史的目標特征向量轉換為脈沖序列，輸入脈沖神經(jīng)網(wǎng)絡，并通過自組織映射算法初始化聚類中心；

32、基于脈沖梯度下降算法優(yōu)化聚類中心，定義事件簇的超曲面參數(shù)，使簇內(nèi)樣本的脈沖距離方差最小化；

33、根據(jù)優(yōu)化后的超曲面參數(shù)，計算并存儲每個事件簇的基準切片參數(shù)，包括時間窗口長度、分辨率閾值及感興趣區(qū)域坐標。

34、更進一步的，所述根據(jù)匹配事件簇的基準切片參數(shù)對實時視頻數(shù)據(jù)進行切片，包括：

35、從匹配事件簇的基準切片參數(shù)庫中讀取預定義的切片的時間窗口長度t、分辨率閾值r和感興趣區(qū)域roi；

36、根據(jù)切片的時間窗口長度t、分辨率閾值r和感興趣區(qū)域roi生成切片指令；

37、根據(jù)切片指令對視頻流進行切片，生成與事件類型匹配的片段；

38、通過snn的脈沖頻率監(jiān)測切片內(nèi)容的穩(wěn)定性，若檢測到異常，觸發(fā)參數(shù)重評估機制。

39、更進一步的，所述將航班信息與視頻源地址進行關聯(lián)，并調用實時視頻數(shù)據(jù)，包括：

40、創(chuàng)建一個數(shù)據(jù)結構，以建立并存儲航班信息與對應的視頻數(shù)據(jù)源地址之間的映射關系；

41、設置一個定時器，每隔預設時間調用航班信息api來獲取最新的航班數(shù)據(jù)，并解析航班信息api返回的航班數(shù)據(jù)，以實時更新航班信息狀態(tài)及在所述數(shù)據(jù)結構中的映射關系；

42、根據(jù)實時航班信息，從更新后的所述數(shù)據(jù)結構的映射關系中動態(tài)匹配并切換到對應的視頻數(shù)據(jù)源，獲取實時視頻流數(shù)據(jù)。

43、更進一步的，所述根據(jù)實時航班信息，從更新后的所述數(shù)據(jù)結構的映射關系中動態(tài)匹配并切換到對應的視頻數(shù)據(jù)源，獲取實時視頻流數(shù)據(jù)，包括：

44、當航班信息更新時，則立即查找所述數(shù)據(jù)結構的映射關系中對應的新視頻數(shù)據(jù)源，并切換到新視頻數(shù)據(jù)源，從新視頻數(shù)據(jù)源獲取實時視頻流數(shù)據(jù)。

45、本發(fā)明還提出一種機場航班視頻切片生成裝置，用于實現(xiàn)上述的機場航班視頻切片生成方法，所述裝置包括：

46、第一數(shù)據(jù)模塊：用于獲取當前航班信息，包括航班號、預計起飛時間、預計到達時間、登機口和行李轉盤號；

47、第二數(shù)據(jù)模塊：用于獲取關鍵區(qū)域的視頻源地址，所述關鍵區(qū)域包括飛行區(qū)、登機口、行李轉盤和候機區(qū)；

48、關聯(lián)模塊：用于將航班信息與視頻源地址進行關聯(lián)，并調用實時視頻數(shù)據(jù)；

49、特征提取模塊：用于對航班的實時視頻數(shù)據(jù)進行特征提取，得到目標特征向量；

50、分類模塊：用于構建聚類模型，將當前的目標特征向量加入到聚類模型，并通過脈沖神經(jīng)網(wǎng)絡構建事件認知超曲面，優(yōu)化聚類模型對實時視頻數(shù)據(jù)的動態(tài)劃分與基準切片參數(shù)匹配；

51、切片模塊：用于根據(jù)匹配的基準切片參數(shù)對實時視頻數(shù)據(jù)進行切片，生成視頻切片。

52、綜上，本發(fā)明的機場航班視頻切片生成方法，獲取當前航班信息，并與關鍵區(qū)域的視頻源地址進行精準關聯(lián)，以確保能夠根據(jù)航班信息實時快速調用對應的視頻數(shù)據(jù)，對調用的實時視頻數(shù)據(jù)進行特征提取，得到目標特征向量。隨后，通過脈沖神經(jīng)網(wǎng)絡構建事件認知超曲面，動態(tài)優(yōu)化聚類模型對實時視頻數(shù)據(jù)的劃分能力，實現(xiàn)事件簇的精準識別與基準切片參數(shù)的自動匹配，從而適應機場場景的快速變化，如突發(fā)客流、航班延誤等；最終根據(jù)事件簇匹配的切片參數(shù)對視頻進行精準切割，生成與事件類型高度匹配的結構化視頻切片，如航班起降片段、行李轉盤異常片段，以支持多粒度分析與高效存儲。

53、本發(fā)明的附加方面和優(yōu)點將在下面的描述中部分給出，部分將從下面的描述中變得明顯，或通過本發(fā)明的實施例了解到。