博客
关于我
RTSP协议视频结构化平台EasyNVR指定时间段录像时间缺失问题排查
阅读量:574 次
发布时间:2019-03-10

本文共 963 字,大约阅读时间需要 3 分钟。

在实际项目中,我们遇到了一个关于EasyNVR录像时间缺失的问题。客户反馈了以下情况:

问题描述

用户尝试调用录像回看接口,指定获取2021040816040520210408160422之间的录像文件,但最终生成的录像是从20210408160406开始的,缺少了2s的录像时间。

截图如下:

![截图内容未可见,描述仅供参考]

技术分析

通过查看代码,我们发现问题出现在文件遍历的判断逻辑中。具体代码如下:

if secFileTime >= start && secFileTime <= end {   readSecFile = true}

问题根源

由于HLS流的特性,上一个TS文件的时间是20210408160402,这条记录低于开始时间20210408160405,因此被排除在外。结果导致最终组合的时间从20210408160406开始,跳过了2s的录像内容。

初步解决方案

基于此,我们提出以下修改方案:

// 从名称中获取对应的秒数secFileTime := strings.Split(secFileName, "-")[1]readSecFile := false// 如果当前文件时间小于开始时间,则查看下一个文件是否大于if secFileTime < start {   // 检查是否有下一个文件   if secFileIndex < secFileLen-1 {      nextInfo := secFileInfos[secFileIndex+1]      nextName := strings.Split(nextInfo.Name(), "-")[1]      if start < nextName {         readSecFile = true      }   }} else if secFileTime >= start && secFileTime <= end {   readSecFile = true}

方案优缺点

这个方案能够解决时间缺失的问题,但由于HLS流的固定切片大小特性,导致无法获得精确的时间点。因此,如果对时间要求较为精细,需要对TS文件进行额外的切片处理。

结论

经过上述分析和优化,问题得以解决,客户的需求得到了满足。

转载地址:http://tzfvz.baihongyu.com/

你可能感兴趣的文章
OpenCV与AI深度学习 | 基于PyTorch实现Faster RCNN目标检测
查看>>
OpenCV与AI深度学习 | 基于PyTorch语义分割实现洪水识别(数据集 + 源码)
查看>>
OpenCV与AI深度学习 | 基于YOLO11的车体部件检测与分割
查看>>
OpenCV与AI深度学习 | 基于YoloV11自定义数据集实现车辆事故检测(有源码,建议收藏!)
查看>>
OpenCV与AI深度学习 | 基于YOLOv8 + BotSORT实现球员和足球检测与跟踪 (步骤 + 源码)
查看>>
OpenCV与AI深度学习 | 基于YOLOv8实现高级目标检测和区域计数
查看>>
OpenCV与AI深度学习 | 基于YOLOv8的停车对齐检测
查看>>
OpenCV与AI深度学习 | 基于YoloV8的药丸/片剂类型识别
查看>>
OpenCV与AI深度学习 | 基于YOLO和EasyOCR从视频中识别车牌
查看>>
OpenCV与AI深度学习 | 基于图像处理的火焰检测算法(颜色+边缘)
查看>>
OpenCV与AI深度学习 | 基于拉普拉斯金字塔实现图像融合(步骤 + 代码)
查看>>
OpenCV与AI深度学习 | 基于机器视觉的磁瓦表面缺陷检测方案
查看>>
OpenCV与AI深度学习 | 基于深度学习的轮胎缺陷检测系统
查看>>
OpenCV与AI深度学习 | 如何使用YOLOv9分割图像中的对象
查看>>
OpenCV与AI深度学习 | 如何使用YOLOv9检测图片和视频中的目标
查看>>
OpenCV与AI深度学习 | 如何在 Docker 容器中使用 GPU
查看>>
OpenCV与AI深度学习 | 实战 | OpenCV中更稳更快的找圆方法--EdgeDrawing使用演示(详细步骤 + 代码)
查看>>
OpenCV与AI深度学习 | 实战 | OpenCV传统方法实现密集圆形分割与计数(详细步骤 + 代码)
查看>>
OpenCV与AI深度学习 | 实战 | OpenCV实现扫描文本矫正应用与实现详解(附源码)
查看>>
OpenCV与AI深度学习 | 实战 | 使用OpenCV和Streamlit搭建虚拟化妆应用程序(附源码)
查看>>