CN103067741A - 一种基于多特征融合的抖动检测算法 - Google Patents

一种基于多特征融合的抖动检测算法 Download PDF

Info

Publication number
CN103067741A
CN103067741A CN2013100267446A CN201310026744A CN103067741A CN 103067741 A CN103067741 A CN 103067741A CN 2013100267446 A CN2013100267446 A CN 2013100267446A CN 201310026744 A CN201310026744 A CN 201310026744A CN 103067741 A CN103067741 A CN 103067741A
Authority
CN
China
Prior art keywords
video frame
signal
similarity factor
image
video
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN2013100267446A
Other languages
English (en)
Inventor
李文书
赵超
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Sci Tech University ZSTU
Original Assignee
Zhejiang Sci Tech University ZSTU
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhejiang Sci Tech University ZSTU filed Critical Zhejiang Sci Tech University ZSTU
Priority to CN2013100267446A priority Critical patent/CN103067741A/zh
Publication of CN103067741A publication Critical patent/CN103067741A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Image Analysis (AREA)
  • Studio Devices (AREA)

Abstract

本发明涉及一种基于多特征融合的抖动检测算法，取未失真的视频帧
Figure 378562DEST_PATH_IMAGE001
和待测视频帧做初始化，而后顺次提取亮度相似性因子、去除平均亮度后的对比度相似性因子及结构相似性因子，得到相似性度量函数
Figure 841960DEST_PATH_IMAGE003
，当
Figure 103177DEST_PATH_IMAGE004
时，判定待测信号的视频帧
Figure 772055DEST_PATH_IMAGE002
未出现抖动，当
Figure 578468DEST_PATH_IMAGE005
时，判定待测信号的视频帧
Figure 395115DEST_PATH_IMAGE002
出现抖动。本发明通过顺次提取参考信号的视频帧和待测信号的视频帧的亮度相似性因子、对比度相似性因子及结构相似性因子并对以上提取的三种变化信息进行相似性比较，最后对三个比较结果进行综合，从而得到一种相似性指标，并以此指标作为图像质量好坏、即是否出现抖动的评价标准。

Description

一种基于多特征融合的抖动检测算法
技术领域
本发明属于一般的图像数据处理或产生的技术领域，特别涉及一种基于多特征融合的抖动检测算法。
背景技术
随着现代社会的发展，计算机技术突飞猛进，为视频监控系统的实现提供了可靠的技术和硬件支持。众所周知，计算机智能视觉技术以其直观、准确、及时和信息内容丰富而广泛应用于许多场合，但同时随着视频监控系统应用的逐渐广泛，越来越多的问题被暴露出来。常见的视频监控故障类型有：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。如果对于视频监控系统的维护工作完全由人工检测和处理，那么维护人员首先要面对巨大数量的的监控数据，其工作量是难以想象并且异常困难的。这就使得视频检测的成本不断增加，使得视频监控系统的使用效果大打折扣，严重影响了视频监控系统在城市安保，金融监控，道路监控中的有效作用。视频检测系统就是在此环境下应运而生的一种技术，并成为了视频检测系统的一个重要组成部分，其意义十分重大。
在现代的视频检测领域中最主要，也是最难以克服的问题就是如何较好的区别正常的镜头画面变化与不正常的画面抖动。正常的镜头画面变化包括：一、前景移动，即在拍摄设备不移动的情况下镜头中的物体的移动；二、后景移动，即当拍摄设备因拍摄需要而进行正常的移动从而给画面带来的变化；三、突变，即一个镜头直接切换为另一个镜头，中间没有时间上的延迟；四、渐变，即前一个镜头渐渐切换为下一个镜头，分为淡入、淡出、溶解和划变等。如此多的变化对辨别和解决视频抖动问题带来了巨大的困难。
现有技术对于视频检测相关问题的克服完成了以下几种研究结果：
美军军事研究实验室ARL(Army Research Laboratory)研制的应用在无人驾驶越野车上的视频抖动检测系统，其稳像精度已优于1个像元。此算法是基于标准的帧与帧间的互相关运算，分为图像映射、投影滤波、相关计算等步骤。算法的优点是计算速度快，缺点是投影算法设计时就只能补偿图像的平移运动，算法的检测精度是通过后续任务来检测的，可通过在行、列峰值处做局部的互相关运算来提高精度且对图像灰度整体变化不敏感。
    以色列耶路撒冷的希伯莱大学计算机科学学院，对静止的场景中由于摄像机自身运动所导致的图像模糊进行了研究；Ben-Gurion大学计算机和电子工程系也在进行稳像技术的研究，他们认为运动模糊主要影响运动方向上图像的特征，而其它方向上图像的特征受到的影响则有所不同，利用模糊系统的点扩散函数，通过对模糊图像的滤波处理，从而得到清晰的图像。
    国防科大的罗诗途对车载稳像进行了研究，国防科大的罗军参与设计实现了一种高性能的导引头信息处理机，并在导引头中对图像进行了稳像。
    西安电子科技大学的李慧娟对视频抖动检测基于DSP的硬件实现做了研究，已经可以在CCS仿真平台上实现。
    清华大学杨雨东等人提出一种基于2.5D运动估计模型和惰性滤波思想的图像稳定方法，并且利用专用图像处理机PIPE，能够实时处理帧间运动量7-8像素的抖动。
东南大学宋永江等人提出了一种基于多直线特征的全局运动估计算法，并将结果应用到视频抖动检测系统中。
发明内容
本发明解决的技术问题是，由于现有技术的算法基本为基于误差统计的抖动检测评价方法，其仅仅考虑了图像逐个像素点间的不同，并未考虑到图像像素间的强烈相关性和结构对视觉物体的重要性，然而自然图像信号相邻像素之间往往存在很强的相关性，这些相关性提供了视觉内容重要的信息，这导致了无法准确检测抖动且分析抖动情况的问题，进而提供了一种优化的基于多特征融合的抖动检测算法。
本发明所采用的技术方案是，一种基于多特征融合的抖动检测算法，所述算法包括以下步骤：
步骤一：初始化：取未失真的视频帧                                                
Figure 62928DEST_PATH_IMAGE001
为原始参考信号，取待测视频帧
Figure 443094DEST_PATH_IMAGE002
，和
Figure 569761DEST_PATH_IMAGE002
为非负的图像信号；令
Figure 879520DEST_PATH_IMAGE003
为图像信号第
Figure 746981DEST_PATH_IMAGE004
个像素点值，
Figure 862705DEST_PATH_IMAGE005
为图像像素点个数；
Figure 764802DEST_PATH_IMAGE006
，
Figure 245462DEST_PATH_IMAGE007
；
步骤二：提取亮度相似性因子：作为参考信号的视频帧
Figure 370194DEST_PATH_IMAGE001
的平均亮度为
Figure 24029DEST_PATH_IMAGE008
，作为待测信号视频帧
Figure 46211DEST_PATH_IMAGE002
的平均亮度为
Figure 697773DEST_PATH_IMAGE009
，视频帧
Figure 539827DEST_PATH_IMAGE001
和视频帧的亮度相似性因子为
Figure 375507DEST_PATH_IMAGE010
；其中，
Figure 197969DEST_PATH_IMAGE011
；
步骤三：去除平均亮度后，提取对比度相似性因子：作为参考信号的视频帧
Figure 527319DEST_PATH_IMAGE001
的信号对比度的离散形式的无偏估计为
Figure 788537DEST_PATH_IMAGE012
，作为待测信号视频帧
Figure 18267DEST_PATH_IMAGE002
的信号对比度的离散形式的无偏估计为
Figure 73948DEST_PATH_IMAGE013
，视频帧
Figure 828277DEST_PATH_IMAGE001
和视频帧
Figure 893185DEST_PATH_IMAGE002
的对比度相似性因子为；其中，；
步骤四：提取结构相似性因子：作为参考信号的视频帧
Figure 448560DEST_PATH_IMAGE001
和作为待测信号的视频帧
Figure 51579DEST_PATH_IMAGE002
的图像结构相似性因子为
Figure 491788DEST_PATH_IMAGE016
，其中，
Figure 92534DEST_PATH_IMAGE017
，
Figure 618193DEST_PATH_IMAGE018
；
步骤五：得到作为原始参考信号的视频帧
Figure 541017DEST_PATH_IMAGE001
和作为待测信号的视频帧
Figure 773415DEST_PATH_IMAGE002
的相似性度量函数为
Figure 607379DEST_PATH_IMAGE019
；其中，
Figure 620334DEST_PATH_IMAGE020
，
Figure 565156DEST_PATH_IMAGE021
，；
步骤六：当
Figure 423970DEST_PATH_IMAGE023
时，判定作为待测信号的视频帧
Figure 924222DEST_PATH_IMAGE002
未出现抖动；当
Figure 672735DEST_PATH_IMAGE024
时，判定作为待测信号的视频帧
Figure 879725DEST_PATH_IMAGE002
出现抖动。
优选地，
Figure 55492DEST_PATH_IMAGE025
。
优选地，
Figure 541575DEST_PATH_IMAGE026
。
本发明提供了一种优化的基于多特征融合的抖动检测算法，通过顺次提取参考信号的视频帧和待测信号的视频帧的亮度相似性因子、对比度相似性因子及结构相似性因子，并对以上提取的三种变化信息进行相似性比较，最后对三个比较结果进行综合，从而得到一种相似性指标，并以此指标作为图像质量好坏，即是否出现抖动的评价标准。
附图说明
图1为本发明的算法流程图。
具体实施方式
下面结合实例对本发明做进一步的详细描述，但本发明的保护范围并不限于此。
如图1所示，本发明涉及一种基于多特征融合的抖动检测算法，其特征在于：所述算法包括以下步骤：
步骤一：初始化：取未失真的视频帧
Figure 828199DEST_PATH_IMAGE001
为原始参考信号，取待测视频帧
Figure 155276DEST_PATH_IMAGE002
，
Figure 236364DEST_PATH_IMAGE001
和为非负的图像信号；令
Figure 302988DEST_PATH_IMAGE003
为图像信号第
Figure 484571DEST_PATH_IMAGE004
个像素点值，
Figure 2140DEST_PATH_IMAGE005
为图像像素点个数；
Figure 698700DEST_PATH_IMAGE006
，；
步骤二：提取亮度相似性因子：作为参考信号的视频帧的平均亮度为
Figure 821661DEST_PATH_IMAGE008
，作为待测信号视频帧
Figure 5518DEST_PATH_IMAGE002
的平均亮度为，视频帧
Figure 593811DEST_PATH_IMAGE001
和视频帧的亮度相似性因子为
Figure 625800DEST_PATH_IMAGE010
；其中，
Figure 533713DEST_PATH_IMAGE011
；
步骤三：去除平均亮度后，提取对比度相似性因子：作为参考信号的视频帧
Figure 606712DEST_PATH_IMAGE001
的信号对比度的离散形式的无偏估计为，作为待测信号视频帧
Figure 733116DEST_PATH_IMAGE002
的信号对比度的离散形式的无偏估计为
Figure 507037DEST_PATH_IMAGE013
，视频帧
Figure 933077DEST_PATH_IMAGE001
和视频帧的对比度相似性因子为
Figure 717680DEST_PATH_IMAGE014
；其中，
Figure 295291DEST_PATH_IMAGE015
；
步骤四：提取结构相似性因子：作为参考信号的视频帧
Figure 77303DEST_PATH_IMAGE001
和作为待测信号的视频帧
Figure 387061DEST_PATH_IMAGE002
的图像结构相似性因子为
Figure 21567DEST_PATH_IMAGE016
，其中，
Figure 137291DEST_PATH_IMAGE017
，
Figure 39388DEST_PATH_IMAGE018
；
步骤五：得到作为原始参考信号的视频帧
Figure 582364DEST_PATH_IMAGE001
和作为待测信号的视频帧
Figure 140385DEST_PATH_IMAGE002
的相似性度量函数为
Figure 286896DEST_PATH_IMAGE019
；其中，
Figure 43499DEST_PATH_IMAGE020
，，
Figure 865011DEST_PATH_IMAGE022
；
步骤六：当
Figure 824002DEST_PATH_IMAGE023
时，判定作为待测信号的视频帧
Figure 700691DEST_PATH_IMAGE002
未出现抖动；当
Figure 585470DEST_PATH_IMAGE024
时，判定作为待测信号的视频帧
Figure 914820DEST_PATH_IMAGE002
出现抖动。
本发明中，由于结果函数利用“多特征融合”的基本理论得到，故将结果函数命名为
Figure 674572DEST_PATH_IMAGE027
，即“多特征融合”的英文Multi-Feature Fusion的首字母。
本发明的基础建立在人眼的主要功能是从视觉区域提取图像的多种信息，同时，人的视觉系统(Human Vision System, HVS)对此具有高度地适应。人的视觉系统通过感知图像各种信息的改变来考虑图像是否失真，即比较的是两幅图像的相似度，而不是差值，获得图像的相似度映像。因此本发明采用对多特征信息的度量作为图像感知质量的近似测算，如果多特征组合的结果相似则可认为前后图像质量变化不大。
本发明中，假设
Figure 405768DEST_PATH_IMAGE001
和
Figure 399132DEST_PATH_IMAGE002
是两个非负的图像信号。其中视频帧
Figure 215778DEST_PATH_IMAGE001
是没有失真的原始参考信号，视频帧
Figure 15107DEST_PATH_IMAGE002
是待测的图像，最终测得的MFF值是指两幅图像在亮度、对比度和结构三个层次上的量化测量结果。
假设参考图像为
Figure 102274DEST_PATH_IMAGE001
，待测图像为
Figure 594435DEST_PATH_IMAGE002
，而
Figure 836061DEST_PATH_IMAGE003
为图像第
Figure 173501DEST_PATH_IMAGE004
个像素点值，
Figure 879289DEST_PATH_IMAGE005
为图像像素点个数，事实上，
Figure 214455DEST_PATH_IMAGE005
的大小为图像的宽度(width)值乘以图像的高度(height)值，。
本发明的基本算法思路为分别提取参考图像
Figure 651220DEST_PATH_IMAGE001
和待测图像
Figure 211514DEST_PATH_IMAGE002
的亮度变化信息（亮度相似性因子），然后分别提取参考图像和待测图像
Figure 996116DEST_PATH_IMAGE002
的对比度变化信息（对比度相似性因子），在此基础上再提取参考图像
Figure 442403DEST_PATH_IMAGE001
和待测图像
Figure 857204DEST_PATH_IMAGE002
的结构变化信息（结构相似性因子），并对以上提取的三种变化信息进行相似性比较，最后对三个比较结果进行综合，从而得到一种相似性指标，并以此指标作为图像质量好坏的评价尺度。
本发明的具体算法如下：
首先，定义参考图像
Figure 799752DEST_PATH_IMAGE001
和待测图像
Figure 300004DEST_PATH_IMAGE002
的平均亮度分别为和，亮度相似性因子为
Figure 929809DEST_PATH_IMAGE010
，亮度平均值的公式为数学领域中惯用的求多点平均值公式，亮度相似性因子为
Figure 917357DEST_PATH_IMAGE010
通过学习得到，其依据是德国生理学家韦伯(1795－1878)发现同一刺激差别量必须达到一定比例，才能引起差别感觉。为了描述连续意义上心理量与物理量的关系，德国物理学家费勒(1801－1887)在韦伯研究的基础上，于1860年提出了费希纳定律或韦伯-费勒定律，该定律反映的就是主体对客体变化的感受更多取决于变化的百分比。本公式中，
Figure 203981DEST_PATH_IMAGE011
，此取值保证了当
Figure 327795DEST_PATH_IMAGE028
和
Figure 612146DEST_PATH_IMAGE029
为零时，
Figure 588455DEST_PATH_IMAGE030
有意义。
其次，利用标准差基本公式估计将平均亮度值分离后参考图像
Figure 678770DEST_PATH_IMAGE001
和待测图像
Figure 984987DEST_PATH_IMAGE002
的信号对比度值，则其离散形式的无偏估计分别为
Figure 174660DEST_PATH_IMAGE012
，
Figure 652913DEST_PATH_IMAGE013
，对比度相似性因子为
Figure 281340DEST_PATH_IMAGE014
，可以通过学习得到，其依据是德国生理学家韦伯(1795－1878)发现同一刺激差别量必须达到一定比例，才能引起差别感觉。为了描述连续意义上心理量与物理量的关系，德国物理学家费勒(1801－1887)在韦伯研究的基础上，于1860年提出了费希纳定律或韦伯-费勒定律，该定律反映的就是主体对客体变化的感受更多取决于变化的百分比。本公式中，
Figure 583008DEST_PATH_IMAGE015
，此取值保证了
Figure 5900DEST_PATH_IMAGE031
始终有意义。
再次，计算将平均亮度值分离后参考图像
Figure 455335DEST_PATH_IMAGE001
和待测图像
Figure 825137DEST_PATH_IMAGE002
的图像的结构相似性。从几何学上来说，两个图像的结构相似性同单位向量
Figure 279514DEST_PATH_IMAGE032
和
Figure 138886DEST_PATH_IMAGE033
的方向有关，两向量之间的夹角为结构相似性的度量提供了一个简单有效的方法，特别地，
Figure 810039DEST_PATH_IMAGE001
和
Figure 45848DEST_PATH_IMAGE002
之间的相关性系数与夹角的正弦有关，因此，图像结构相似性比较因子定义为
Figure 56529DEST_PATH_IMAGE016
，其中，，
Figure 743786DEST_PATH_IMAGE018
。根据
Figure 455390DEST_PATH_IMAGE017
，可知
Figure 382895DEST_PATH_IMAGE034
的值可能为负值。
以上的算法过程中，提取出亮度相似性因子
Figure 584069DEST_PATH_IMAGE030
后，在提取对比度相似性因子
Figure 731279DEST_PATH_IMAGE031
时去除了亮度相似性因子的部分，在计算图像相似性比较因子
Figure 28585DEST_PATH_IMAGE034
时又只是涉及到向量及向量之间的夹角关系，故亮度相似性因子
Figure 400661DEST_PATH_IMAGE030
、对比度相似性因子
Figure 471385DEST_PATH_IMAGE031
及图像相似性比较因子
Figure 587108DEST_PATH_IMAGE034
相互之间是独立的，综合上述公式，可定义总的相似性度量函数为
Figure 993600DEST_PATH_IMAGE019
，即根据多特征融合的性质，将多个特征因子相乘，利用参数、
Figure 829018DEST_PATH_IMAGE036
、
Figure 748432DEST_PATH_IMAGE037
把多个特征的性质有机组合在一起。
本发明中，可以根据检测当下的实际环境因素，利用大于零的参数
Figure 505036DEST_PATH_IMAGE035
、
Figure 720379DEST_PATH_IMAGE036
、
Figure 765695DEST_PATH_IMAGE037
调整模型中三个成分所占的成分，对应的
Figure 223221DEST_PATH_IMAGE035
次方、
Figure 834331DEST_PATH_IMAGE036
次方和次方，主要是为了以后这个算法扩展而设定的。
最后，为了找到一个适当的阈值来作为判断是否发生抖动的尺度，我们将对同一场景的抖动视频和正常视频分组并分析所得的MFF值，取每一种情况的最小值作为判断是否异常的阈值。对应的数据如表1所示。
表1判断抖动的阈值
Figure 251723DEST_PATH_IMAGE039
通过对视频的检测结果分析，出现抖动的情况时，MFF值一定小于0.6，而没有抖动的情况下MFF值在0.9左右，绝对大于0.8。故以0.6作为区别抖动与否的一个阈值，当图像的MFF值大于等于0.6时，可以判断待测信号视频帧没有出现抖动，当图像的MFF值小于0.6时，可以判断待测信号视频帧出现抖动。
所以，MFF的值在0到1之间，其判定抖动的阈值为0.6。
Figure 11475DEST_PATH_IMAGE025
。
Figure 477091DEST_PATH_IMAGE026
。
本发明针对大部分高清摄像机进行测试时，将参数、
Figure 552681DEST_PATH_IMAGE036
、取值定为1，即=
Figure 869021DEST_PATH_IMAGE036
==1，就能满足检测抖动的需要。参数
Figure 510404DEST_PATH_IMAGE035
、、
Figure 551358DEST_PATH_IMAGE037
当然可以取其他任意值，比如
Figure 835272DEST_PATH_IMAGE035
=
Figure 976403DEST_PATH_IMAGE036
=
Figure 536698DEST_PATH_IMAGE037
=2，但是取其他数值时算法的运算时间将会大增加，且并不直观。当希望在0.5秒内就能检测出结果时，将参数、
Figure 321300DEST_PATH_IMAGE036
、
Figure 767587DEST_PATH_IMAGE037
取定值为1。
本发明针对大部分高清摄像机进行测试时，取
Figure 182388DEST_PATH_IMAGE026
，就能满足检测抖动的需要。参数
Figure 124936DEST_PATH_IMAGE040
和
Figure 625188DEST_PATH_IMAGE041
可以取其他任意值，但是根据基本的数学公式，取其他数值时算法的运算时间将会大增加，且并不直观。当希望在0.5秒内就能检测出结果时，令。
本发明中，
Figure 141543DEST_PATH_IMAGE027
从亮度相似性（均值）、对比度相似性（方差）和结构相似性三个层次比较图像失真，其中结构相似性占主要影响因素。
本发明中，当
Figure 51731DEST_PATH_IMAGE025
且
Figure 976961DEST_PATH_IMAGE026
时，简化公式
Figure 263586DEST_PATH_IMAGE027
为
Figure 652979DEST_PATH_IMAGE042
，由此公式得到：
(1) 
Figure 501112DEST_PATH_IMAGE027
具有对称性
Figure 975955DEST_PATH_IMAGE043
=
Figure 800692DEST_PATH_IMAGE044
，即改变输入图像的顺序不会影响相似性的度量值。
(2) 
Figure 44591DEST_PATH_IMAGE027
具有有界性
根据公式，
Figure 499843DEST_PATH_IMAGE045
。当
Figure 966378DEST_PATH_IMAGE043
越接近1时，两幅图像的相似性越强，即视频图像抖动越小。
(3) 
Figure 594805DEST_PATH_IMAGE027
具有唯一最大值
仅当
Figure 693211DEST_PATH_IMAGE046
时， 
Figure 319365DEST_PATH_IMAGE047
，即两幅图像相同，无抖动。
以上3点符合图像检测的基本规则。
实验结果亦证实了本发明的算法能被顺利应用于软硬双向的视频图像检测中。
本发明解决了现有技术中，对于检测的抖动评价算法基本为基于误差统计的抖动检测评价方法，其仅仅考虑了图像逐个像素点间的不同，并未考虑到图像像素间的强烈相关性和结构对视觉物体的重要性，然而自然图像信号相邻像素之间往往存在很强的相关性，这些相关性提供了视觉内容重要的信息，这导致了无法准确检测抖动且分析抖动情况的问题，通过顺次提取参考信号的视频帧和待测信号的视频帧的亮度相似性因子、对比度相似性因子及结构相似性因子，并对以上提取的三种变化信息进行相似性比较，最后对三个比较结果进行综合，从而得到一种相似性指标，并以此指标作为图像质量好坏，即是否出现抖动的评价标准。

Claims (3)

1.一种基于多特征融合的抖动检测算法，其特征在于：所述算法包括以下步骤：
步骤一：初始化：取未失真的视频帧                                               
Figure 396241DEST_PATH_IMAGE001
为原始参考信号，取待测视频帧
Figure 237070DEST_PATH_IMAGE002
，
Figure 729231DEST_PATH_IMAGE001
和为非负的图像信号；令为图像信号第
Figure 764817DEST_PATH_IMAGE004
个像素点值，为图像像素点个数；
Figure 140490DEST_PATH_IMAGE006
，；
步骤二：提取亮度相似性因子：作为参考信号的视频帧
Figure 779599DEST_PATH_IMAGE001
的平均亮度为
Figure 364295DEST_PATH_IMAGE008
，作为待测信号视频帧
Figure 314933DEST_PATH_IMAGE002
的平均亮度为
Figure 259756DEST_PATH_IMAGE009
，视频帧
Figure 612240DEST_PATH_IMAGE001
和视频帧
Figure 866372DEST_PATH_IMAGE002
的亮度相似性因子为
Figure 366624DEST_PATH_IMAGE010
；其中，
Figure 787241DEST_PATH_IMAGE011
；
步骤三：去除平均亮度后，提取对比度相似性因子：作为参考信号的视频帧
Figure 72860DEST_PATH_IMAGE001
的信号对比度的离散形式的无偏估计为
Figure 248626DEST_PATH_IMAGE012
，作为待测信号视频帧
Figure 173857DEST_PATH_IMAGE002
的信号对比度的离散形式的无偏估计为
Figure 709749DEST_PATH_IMAGE013
，视频帧
Figure 771246DEST_PATH_IMAGE001
和视频帧
Figure 117914DEST_PATH_IMAGE002
的对比度相似性因子为
Figure 343490DEST_PATH_IMAGE014
；其中，
Figure 371489DEST_PATH_IMAGE015
；
步骤四：提取结构相似性因子：作为参考信号的视频帧
Figure 615388DEST_PATH_IMAGE001
和作为待测信号的视频帧
Figure 805061DEST_PATH_IMAGE002
的图像结构相似性因子为
Figure 10609DEST_PATH_IMAGE016
，其中，
Figure 639037DEST_PATH_IMAGE017
，
Figure 940705DEST_PATH_IMAGE018
；
步骤五：得到作为原始参考信号的视频帧和作为待测信号的视频帧的相似性度量函数为
Figure 933566DEST_PATH_IMAGE019
；其中，
Figure 135746DEST_PATH_IMAGE020
，，；
步骤六：当
Figure 777446DEST_PATH_IMAGE023
时，判定作为待测信号的视频帧
Figure 601176DEST_PATH_IMAGE002
未出现抖动；当
Figure 631449DEST_PATH_IMAGE024
时，判定作为待测信号的视频帧
Figure 727581DEST_PATH_IMAGE002
出现抖动。
2.根据权利要求1所述的一种基于多特征融合的抖动检测算法，其特征在于：
Figure 750770DEST_PATH_IMAGE025
。
3.根据权利要求1所述的一种基于多特征融合的抖动检测算法，其特征在于：
Figure 615958DEST_PATH_IMAGE026
。
CN2013100267446A 2013-01-24 2013-01-24 一种基于多特征融合的抖动检测算法 Pending CN103067741A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN2013100267446A CN103067741A (zh) 2013-01-24 2013-01-24 一种基于多特征融合的抖动检测算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN2013100267446A CN103067741A (zh) 2013-01-24 2013-01-24 一种基于多特征融合的抖动检测算法

Publications (1)

Publication Number Publication Date
CN103067741A true CN103067741A (zh) 2013-04-24

Family

ID=48110175

Family Applications (1)

Application Number Title Priority Date Filing Date
CN2013100267446A Pending CN103067741A (zh) 2013-01-24 2013-01-24 一种基于多特征融合的抖动检测算法

Country Status (1)

Country Link
CN (1) CN103067741A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106385580A (zh) * 2016-09-30 2017-02-08 杭州电子科技大学 基于图像灰度分布特征的视频抖动检测方法
CN109272503A (zh) * 2018-09-29 2019-01-25 西安工程大学 一种基于最大熵与dbscan相融合的毛羽检测算法
CN110781723A (zh) * 2019-09-05 2020-02-11 杭州视鑫科技有限公司 一种群体异常行为识别方法
CN111447488A (zh) * 2020-04-01 2020-07-24 青岛海信传媒网络技术有限公司 一种memc控制方法及显示设备
CN116320218A (zh) * 2023-05-24 2023-06-23 深圳金智凌轩视讯技术有限公司 基于嵌入式计算机平台的多路视频合成分析处理管理系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101853504A (zh) * 2010-05-07 2010-10-06 厦门大学 基于视觉特性与结构相似度的图像质量评测方法
CN102170581A (zh) * 2011-05-05 2011-08-31 天津大学 基于hvs的ssim与特征匹配立体图像质量评价方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101853504A (zh) * 2010-05-07 2010-10-06 厦门大学 基于视觉特性与结构相似度的图像质量评测方法
CN102170581A (zh) * 2011-05-05 2011-08-31 天津大学 基于hvs的ssim与特征匹配立体图像质量评价方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Z.WANG,A.C.BOVIK,H.R.SHEIKH AND E.P.SIMONCELLI: "《Image Quality Assessment:From Error Visibility to Structural Similarity》", 《IEEE TRANSCATIONS ON IMAGE PROCESSING》 *
李成文: "《基于结构相似性的视频质量评价方法及其在视频通信中的应用》", 《南京邮电大学硕士学位论文》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106385580A (zh) * 2016-09-30 2017-02-08 杭州电子科技大学 基于图像灰度分布特征的视频抖动检测方法
CN106385580B (zh) * 2016-09-30 2018-02-06 杭州电子科技大学 基于图像灰度分布特征的视频抖动检测方法
CN109272503A (zh) * 2018-09-29 2019-01-25 西安工程大学 一种基于最大熵与dbscan相融合的毛羽检测算法
CN110781723A (zh) * 2019-09-05 2020-02-11 杭州视鑫科技有限公司 一种群体异常行为识别方法
CN110781723B (zh) * 2019-09-05 2022-09-02 杭州视鑫科技有限公司 一种群体异常行为识别方法
CN111447488A (zh) * 2020-04-01 2020-07-24 青岛海信传媒网络技术有限公司 一种memc控制方法及显示设备
CN116320218A (zh) * 2023-05-24 2023-06-23 深圳金智凌轩视讯技术有限公司 基于嵌入式计算机平台的多路视频合成分析处理管理系统
CN116320218B (zh) * 2023-05-24 2023-08-29 深圳金智凌轩视讯技术有限公司 基于嵌入式计算机平台的多路视频合成分析处理管理系统

Similar Documents

Publication Publication Date Title
CN104408707B (zh) 一种快速数字成像模糊鉴别与复原图像质量评估方法
TWI469062B (zh) 影像穩定方法及影像穩定裝置
CN102799883B (zh) 一种从视频图像中提取运动目标的方法及装置
CN103067741A (zh) 一种基于多特征融合的抖动检测算法
CN104867128B (zh) 图像模糊检测方法和装置
US20190180447A1 (en) Image processing device
CN110689555B (zh) 基于前景检测的kcf跟踪目标丢失检测方法及系统
CN102231844B (zh) 基于结构相似度和人眼视觉的视频图像融合性能评价方法
CN102982537A (zh) 一种检测场景变换的方法和系统
WO2019010932A1 (zh) 一种利于模糊核估计的图像区域选择方法和系统
CN108111760B (zh) 一种电子稳像方法及系统
CN106651923A (zh) 一种视频图像目标检测与分割方法及系统
JP6798609B2 (ja) 映像解析装置、映像解析方法およびプログラム
CN106611165B (zh) 一种基于相关滤波和颜色匹配的汽车车窗检测方法及装置
Tian et al. Detecting good quality frames in videos captured by a wearable camera for blind navigation
CN103473753A (zh) 一种基于多尺度小波阈值去噪的目标检测方法
CN103942766A (zh) 一种基于时-空-频三域联合处理的雨天视频复原方法
Srikantha et al. An SVD-based approach for ghost detection and removal in high dynamic range images
Fan et al. Rich Convolutional features fusion for crowd counting
US9332178B2 (en) Methods of image acquiring and electronic devices
CN112906456A (zh) 一种基于帧间特征的人群异常行为检测方法及系统
TW201809671A (zh) 一種光流測速模組與其測速方法
CN103226813A (zh) 一种提高雨天视频图像质量的处理方法
Bai et al. Mutual reference frame-quality assessment for first-person videos
Du et al. Deblurring crack images generated by UAV camera shake

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C12 Rejection of a patent application after its publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20130424