一种视频监控分析方法、系统及存储介质

本申请涉及一种视频监控分析方法、系统及存储介质，属于视频分析与处理技术领域。本申请通过获取待分析的视频文件，并对视频文件进行抽帧处理，得到视频帧数据；使用深度学习模型提取视频帧数据中的视觉特征；对用户输入的文本提示进行文本特征提取，生成对应的文本特征；将视觉特征以及文本特征输入到预训练的深度学习模型中，生成多模态融合数据，最终输出自然语言描述的文本信息。本申请能够将视频分析从检测提升到理解，使系统能够分析事件因果关系，视频内容可以文字形式进行总结和输出。相关工作人员不再需要面对冗长的原始视频，而是能够快速掌握监控视频的核心信息，不仅大大节省了人工参与，还显著提高了效率。