ما هي بنية GOP في الكاميرا، ولماذا تؤثر في البحث داخل جهاز تسجيل الفيديو الشبكي (NVR) وتحليل الذكاء الاصطناعي؟

مجموعة GOP في الكاميرا هي مجموعة مرتبة من إطارات الفيديو المشفّرة بشكل مستقل والمتنبأ بها، ويحدد هيكلها الضغط والبحث واستعادة عمل وحدة فك الترميز.

عادةً لا يستطيع جهاز NVR فك ترميز إطار متنبأ به عشوائيًا بمفرده، لأن ذلك الإطار يعتمد على صور مرجعية. ولِفتح مقطع أو بدء التحليل، قد تعود وحدة فك الترميز أولًا إلى إطار مناسب للوصول العشوائي وتعالج البيانات الفاصلة. غالبًا ما توفر مجموعات GOP الأطول معدل بت أقل، لكنها قد تزيد العمل والتأخير قبل إتاحة الصورة المطلوبة.

تنظم مجموعة GOP الصور المستقلة والمتنبأ بها

توفر الصورة المشفّرة داخليًا أو صورة الوصول العشوائي نقطة ارتكاز لفك الترميز، بينما تخزن صور P وB التغييرات مقارنةً بصور أخرى. يعتمد الهيكل الدقيق على إعدادات برنامج الترميز والمشفّر؛ فلا تكون صورة I تلقائيًا نقطة وصول عشوائي نظيفة إذا كانت الإطارات اللاحقة لا تزال تشير إلى مواد خارج الحدود المقصودة.

يوضح عرض AWS عن ضغط GOP الضغط الزمني باعتباره إطارات رئيسية كاملة تتبعها معلومات الفروقات. ولهذا الاعتماد يمكن لتصميم GOP تقليل مساحة التخزين، مع جعل الوصول العشوائي مختلفًا عن فتح سلسلة من الصور الثابتة المستقلة.

يمكن فك ترميز مجموعة GOP مغلقة دون مراجع من مجموعة GOP سابقة، بينما قد تحسن الهياكل المفتوحة الكفاءة من خلال المراجع العابرة للحدود. لذلك تعتمد توافقية NVR على أكثر من الفاصل الزمني المعروض بين الإطارات الرئيسية. ويظل هذا التمييز ظاهرًا أثناء الاختبارات المنزلية اللاحقة.

يبدأ البحث من نقطة وصول قابلة لفك الترميز

عندما ينتقل المستخدم إلى طابع زمني لحدث ما، يحدد المشغّل إطارًا رئيسيًا سابقًا أو نقطة تحديث لوحدة فك الترميز، ويهيئ حالة برنامج الترميز، ثم يفك الترميز إلى الأمام حتى وقت العرض المستهدف. وقد يجعل الفاصل المتباعد بين الإطارات الرئيسية المعاينة تبدو متأخرة، حتى عندما تكون مساحة التخزين وسرعة الشبكة مرتفعتين.

يصف مرجع أنواع الإطارات في AWS MediaConvert مجموعات GOP بأنها ترتيبات من أنواع إطارات I وP وB، ويربط هذه الخيارات بالجودة والتوافقية. وتؤثر الاعتمادات نفسها في استخراج الصور المصغرة والتنقل الدقيق حسب الإطار في جهاز NVR منزلي.

يمكن للفهارس تسريع تحديد نقاط الوصول، لكنها لا تلغي فك ترميز المراجع الذي يتطلبه تدفق البتات. وقد تبدو قاعدة بيانات الصور المصغرة فورية لأنها تخزن صورًا مستقلة، بينما يظل التدفق المسجل بحاجة إلى فك ترميز GOP.

تتحمل مسارات الذكاء الاصطناعي تكاليف فك الترميز والاستعادة

غالبًا ما يأخذ الذكاء الاصطناعي للفيديو عينات من الإطارات بدلًا من تحليل كل صورة، ومع ذلك قد تظل وحدة فك الترميز تعالج المراجع بين العينات المطلوبة. وقد يؤدي فقدان الحزم أيضًا إلى إتلاف الصور المتنبأ بها حتى وصول نقطة تحديث سليمة، مما ينشئ سلسلة من المدخلات غير القابلة للاستخدام أو المتضررة بصريًا.

تعرّف عناصر التحكم في حجم GOP في AWS Elemental حجم GOP بأنه الفاصل بين إطارات I، وتوثق معلمات المرمّز التي تشكل النمط. وهذا يجعل حجم GOP مدخلًا قابلًا للقياس لكل من كفاءة التخزين وزمن الاستعادة.

تتمثل نقطة الفشل في أداة أخذ عينات للذكاء الاصطناعي تفترض أن كل طابع زمني مطلوب ينتج صورة مستقلة وصالحة. وقد يؤدي معدل الإطارات المتغير، ومجموعات GOP المفتوحة، وصور B المعاد ترتيبها، والمراجع التالفة إلى تغيير الطوابع الزمنية أو تقديم إطارات غير مكتملة، ما لم تُبلغ وحدة فك الترميز عن الحالة بوضوح.

Featured

ZimaCube 2 سحابة شخصية منزلية NAS

ZimaCube2

$799.00 - $2,499.00

Buy Now

قِس تأخير البحث وتوافر إطارات الذكاء الاصطناعي

شفّر المشهد نفسه من الكاميرا أو اجمعه باستخدام عدة فواصل زمنية للإطارات الرئيسية، مع الحفاظ على الدقة ومعدل الإطارات وبرنامج الترميز والجودة التقريبية ثابتة. اختبر عمليات البحث العشوائية عند إزاحات عديدة، وبدء تشغيل مقاطع الأحداث، واستخراج الصور المصغرة، واستهلاك وحدة المعالجة المركزية لوحدة فك الترميز، ومعدل البت، وأول إطار صالح للذكاء الاصطناعي بعد فقدان الحزم.

اربط النتائج بمسار تلخيص الأحداث في مسار تلخيص الأحداث. سجّل ما إذا كان جهاز NVR يبحث عن إطار رئيسي سابق، وما إذا ظلت الطوابع الزمنية متزامنة، وما إذا تركزت فجوات الاكتشاف قبل وصول وحدة فك الترميز إلى نقطة وصول سليمة.

اختر أطول مجموعة GOP لا تزال تحقق أهداف المراجعة والاستعادة والتحليل على وحدة فك الترميز الفعلية. لا تستنتج الأداء من معدل البت وحده، وأعد الاختبار بعد تغيير البرنامج الثابت للكاميرا أو برنامج الترميز أو إعدادات تحويل الترميز في NVR. يجب أن تظل النتيجة الوسيطة قابلة للفحص قبل أن تتبعها الأتمتة.