法安网

法安网内容检索

当前位置:首页 > 人工智能 > 视频监控 >

视频质量诊断核心技术

时间:2019-10-25 09:04:12   来源:北京中盛益华科技有限公司

[法安导读]    视频质量诊断系统采用了视频图像分析的方法来检测监控系统中存在的各种视频常见故障。 从现在普遍出现的摄像头故障类型来看,影响视频

  视频质量诊断系统采用了视频图像分析的方法来检测监控系统中存在的各种视频常见故障。 从现在普遍出现的摄像头故障类型来看,影响视频监控系统视频质量的因素有很多,主要包括以下几点:

视频质量诊断核心技术

  1.摄像机的设置不当或器件老化失效,包含摄像机的分辨率、摄像机对光照的灵敏度、镜头聚焦调整、色彩校正等.

  2.大型监控网络中视频信号通过长距离电缆传输、多级矩阵切换以及多级网络转发,电源、控制器等多种干扰信号可能对视频信号产生强烈的干扰,线路老化、接头松动等现场环境的变化可能带来视频噪声。

  3.大量使用PTZ球机,长期的运动变焦有可能让部分球机发生方向错误、不可控等故障。

  针对以上提到的种种视频故障,可将故障类型分成视频信号缺失、视频清晰度异常、视频亮度异常、视频噪声、视频雪花、视频偏色、画面冻结、PTZ运动失控等。这其中,视频信号缺失、画面冻结两种故障可通过人工设计基于视频图像比对的方法得出结论;PTZ运动失控则是由故障检测系统发出运动指令,然后通过对视频图像的运动分析来检测是否有故障;而对于其他故障,很难通过人工设定规则的方法来检测,这就需要通过机器学习的方法,让机器来模拟人的视觉反立,检测视频是否存在故障。

  在实际运行的视频监控系统中提取大量的视频片断,包括正常视频以及存在各种故障的视频,形成训练样本,并模拟人类视觉特性,针对不同故障类型提取了大量视频图像特征参数,用以训练得到诊断不同故隡的检测器。在分析阶段,获取需要分析的一段固定长度的视频,根据用户设定的该路视频的检测项目,使用不同的故障检测器,提取相应的视频图像特征,然后输入到已训练好的故障检测模型中,即可获取对该段视频的故障评价结果。

  基于优秀的底层算法,视频质量诊断系统具备以下技术特点:

  1.高准确度
       采用大量的实际视频监控系统的视频作为训练样本,各种故障检测器均来源于实际系统,并经过大量实际系统的测试,因此检测准确率高。

  2.良好的摄像机角度适应性

  故障检测器的训练样本来自多种不同场景,涵盖了治安视频监控系统中众多常见的摄像头监视角度,因此对各种摄像头角度、焦距以及不同的摄像内容都有良好的适应性.

  3.独特的抵抗球机运动的能力

  在每一种类型的故障检测器的设计和训练过程中,都考虑到了摄像头云台运动以及镜头推近拉远有可能带来的视频图像特征的变化,在检测过程中都首先进行摄像头运动分析,一旦发现摄像头处于PTZ运动过程中,则首先不再检测PTZ运动是否异常,以防止检测时发送运动指令影响当前的球机运动;其次,仅使用对摄像头运动不敏感的特征来进行其他类型的故障分析,避免因运动原因造成误报或漏报。

  4.出色的环境适应能力

  算法模块对于场景内由于车流、人流、季节、气候产生的光线、阴影变化不敏感,因此可以适用于多种不同的室外环境。

  5.强化学习能力

  现有的视频质量诊断系统与人类的故障识别能力仍有明显的差距,因此应用场景的差异对于视频质量诊断系统的性能是有影响的。像人类的视觉系统一样,视频质量诊断分析模块也具备后天强化学习的能力,只要加入当地的新样本重新训练检测器,算法的性能将进一步提高.

  具体的视频诊断技术功能如下:

  1.亮度异常检测

  该项检测针对图像发白、图像黑暗难以辨别物体、画面闪烁等现象,其故障原因通常可归纳为摄像头曝光控制器故障、增益控制器故障、摄像头被人为强光照射等问题。其检测算法较为简单,通过统计图像亮度分量的直方图并对亮度分布进行相应分析,然后设定经验阈值来判定当前图像是否亮度异常。

  2.图像模糊检测

  该项检测针对图像中物体不清楚、图像中空荡无误、图像对比度低等现象,其故障原因通常可归纳为聚焦不准、镜头覆盖灰尘和水汽、被人为涂抹和遮挡等问题。在算法实现上,可对图像数据在频域上进行频谱分析或者将图像分为N个大小相同的区域并统计其平均对比度。

  3.画面冻结检测

  该项检测针对画面静止不动的现象,其故障原因通常可归纳为摄像头采集端不刷新、线路传输故障、人为贴画等问题。在算法实现上,一种实现方式是采用帧差算法得到前后帧图像的差异变化;另一种实现方式可在视频帧中每隔一段时间抽取一帧图像,并分析其直方图,最后统计分析各帧之间的直方图相似度来得出算法检测结果。

  4.信号缺失检测

  该项检测针对画面白屏黑屏、无法获取码流、无视频信号等现象,其故障原因通常可归纳为网络无法连接、视频传输线路接触不艮或损坏等问题。在算法实现上,一种实现方式可对图像的亮度通道做直方图统计,通过直方图结果的分析和离散性检测,得出算法处理结果;另一种实现方式可对图像进行二值化处理,然后针对黑屏或者白屏寻找最大联通区域,最终通过最大联通区域的面积来得出算法处理结果。

  5.颜色异常检测

  该项检测针对画面出现单一性全屏偏色、画面有闪动的彩色条带、图像中广泛分布杂色等现象,其故障原因通常可归纳为感光器件有颜色通道损坏、摄像头颜色平衡算法失效、颜色信号在传输过程中受到干扰等问题。针对该类问题,通用处理方式是首先将图像数据转换到特定的颜色空间,然后对其具体颜色通道进行分析。

  6.噪声干扰检测

  该项检测针对画面中出现混杂的细纹、斜纹,以及由此导致的画面扭曲、模糊抖动等失真现象,较常见的有“雪花”噪声。视频噪声的检测较为困难复杂,主要由于不同种类噪声的无规律性,单一策略的检测算法难以全面覆盖不同种类的噪声。下面以“雪花”噪声检测算法为例,考虑到“雪花”噪声多为椒盐噪声,可首先对图像进行滤波处理,然后对比滤波前后的图像,得出算法检测结果。

  7.图像晃动检测

  该项检测针对画面出现持续性晃动的现象,其故障原因通常为摄像头立杆或者云台不稳等问题。对该类问题的检测,通常需要对一定时长的视频序列间各帧之间的运动信息进行统计分析。基于该思路,一种实现方法为对图像进行特征点检测,然后在一定的视频序列中,跟踪该特征点的运行矢量,然后得出算法检测结果;另一种实现方法,可将图像分为相同大小的N个区域,然后记录一定时长的视频序列内各个区域的运动方向,然后得出算法检测结果。

  8.条纹干扰检测

  该项检测针对画面中出现的横向条纹、纵向条纹、网状条纹等现象,其故障原因通常可归纳为设备地线连接不当、信号传输线受到各种频率干扰、发送接收设备同步不当等问题。针对该问题的算法通常针对干扰条纹的图像特征进行展开,以横向条纹的检测为例,画面中条纹位置附近梯度波动较大,因此可分别做图像数据x和y方向的梯度图来突出条纹特征,然后在梯度图像上做直线检测,然后根据检出直线的长度和运动信息给出算法检测结果。

  9.黑白图像检测

  该项检测针对画面显示为黑白图像(无色彩信息)现象,其故障原因通常可归纳为感光器件有颜色通道损坏、摄像头颜色平衡算法失效、颜色信号在传输过程中受到干扰等问题。其算法实现较为简单,可以将图像数据转换到YUV颜色空间,分析UV分量的分离度,与设定的经验阈值进行比较便可以得出算法检测结果。

  10.对比度异常检测

  该项检测针对画面中物体轮廓模糊等现象,一般是由相机虚焦或镜头受到污染导致。该项检测算法可严格按照图像对比度的定义设计,对比度指的是一幅图像中明暗区域最亮的白和最暗的黑之间不同亮度层级的测量,即指一幅图像灰度反差的大小。因此可统计出明暗区域最亮的白和最暗的黑的像素值,做差后给出算法检测结果。

  11.PTZ失控检测

  该项检测针对云台无法转动、云台错误响应控制指令等现象,一般是由云台机械故障、控制指令配置不当导致。该项检测算法的设计需要配合云台控制指令,首先由诊断服务器发出云台控制指令,然后由算法分析发送指令后图像的运动轨迹,最终将控制指令与图像该段时间内的运动轨迹进行比较,从而给出算法检测结果。

  作者:顾长海

  编辑:广汉

声明:

本网站图片,文字之类版权申明,因为网站可以由注册用户自行上传图片或文字,本网站无法鉴别所上传图片或文字的知识版权,如果侵犯,请及时通知我们,本网站将在第一时间及时删除。

征稿启事

  • 投稿信箱:195024562@qq.com

品牌推荐更多>>