安防监控摄像头接入云端实现直播、录像和大屏展示

应用背景

LiveGBS是通过GB28181协议接入各种安防摄像头、NVR、视频监控平台并实现物联网直播的流媒体服务软件。
LiveQing云平台则是可以接入多个LiveGBS,实现统一管理、直播、录像、大屏展示等功能。
LiveGBS接入LiveQing流媒体服务实现云端录像和大屏展示,将能力进一步延伸,支持云端录像,云直播的相关业务及场景。

安装包下载

方案架构

在这里插入图片描述

一步一步操作

1. 启动LiveQing流媒体服务

LiveQing需要开放的TCP端口:10080 (web HTTP) ,10085(cdn),10191(iot)

当然如上端口都可以在liveqing.ini中修改

在这里插入图片描述
在这里插入图片描述

2. 登录服务默认用户密码(admin/admin)

在这里插入图片描述

3. 设备接入菜单-添加设备

在这里插入图片描述

4. 获取LiveGBS接入配置在这里插入图片描述

在这里插入图片描述

5. 配置livecms.ini

在这里插入图片描述
在这里插入图片描述

6. 重启LiveCMS服务

在这里插入图片描述
在这里插入图片描述

7. 接入设备状态查询(上线约15s)

在这里插入图片描述

8. 国标设备查询(注册上来约60秒)

这个时间间隔可以在liveqing.ini 中配置,iot_sync_duration= 60, 默认是60秒
在这里插入图片描述

9. 开启云端录像

默认是不开启的,可以点击开启
在这里插入图片描述
开启后会自动在直播间中创建
在这里插入图片描述

10. 云端录像查看

在这里插入图片描述

11. 大屏展示

在这里插入图片描述

12. 云端录像配置

0表示不录像,-1表示永久录像,其它表示录像保留的天数
在这里插入图片描述

13. 停止云端录像

在这里插入图片描述

获取更多信息

邮件:support@liveqing.com

技术交流QQ群:947137753

咨询电话:15156896292

试用下载:https://gitee.com/liveqing/ReleaseVersion/

LiveQing视频流媒体无插件直播方案:www.liveqing.com:8080

Copyright © LiveQing Team 2016-2019

  • 1
    点赞
  • 17
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
安防监控是一个广泛的领域,可以使用多种技术和方法来实现。在这里,我们将介绍一种基于深度学习的视频监控系统,该系统可以检测和识别人类活动,并在发现异常行为时向安全人员发送警报。 实现这个系统需要以下步骤: 1. 数据采集。我们需要一个包含正常和异常行为的视频数据集。可以通过在公共场所安装摄像头来收集此类数据集。 2. 数据预处理。我们需要将视频转换为图像序列,并根据需要进行裁剪和缩放。 3. 训练模型。我们将使用深度学习模型来分析视频中的图像序列,并检测异常行为。可以使用任何深度学习框架,如TensorFlow、PyTorch等。 4. 部署模型。我们将把模型部署到云端服务器或本地服务器上,以便实时监控视频流并检测异常行为。 下面是一个基于深度学习的视频监控系统的Python代码示例: ``` import cv2 import numpy as np from keras.models import load_model # 加载训练好的深度学习模型 model = load_model('model.h5') # 定义预处理函数 def preprocess(frame): # 将图像缩放到指定大小 frame = cv2.resize(frame, (224, 224)) # 归一化像素值 frame = frame.astype('float32') / 255.0 # 添加批次维度 frame = np.expand_dims(frame, axis=0) return frame # 捕获视频流 cap = cv2.VideoCapture(0) while True: # 读取视频帧 ret, frame = cap.read() if not ret: break # 预处理图像 frame = preprocess(frame) # 使用深度学习模型检测异常行为 prediction = model.predict(frame)[0] if prediction < 0.5: # 发现异常行为,发送警报 print('发现异常行为!') # 显示视频帧 cv2.imshow('Video', frame) # 按下q键退出 if cv2.waitKey(1) & 0xFF == ord('q'): break # 释放资源 cap.release() cv2.destroyAllWindows() ``` 在上面的代码中,我们首先加载训练好的深度学习模型,然后定义了一个预处理函数,该函数将缩放和归一化输入图像。接下来,我们使用OpenCV库捕获视频流,并在每个视频帧上运行模型以检测异常行为。如果模型检测到异常行为,则会发送警报。最后,我们使用OpenCV库显示视频流,并在按下q键时退出循环。 需要注意的是,这只是一个简单的示例,实际上实现一个真正的视频监控系统需要更多的工作和细节。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值