CN103095966B - 一种视频抖动量化方法及装置 - Google Patents
一种视频抖动量化方法及装置 Download PDFInfo
- Publication number
- CN103095966B CN103095966B CN201110336030.6A CN201110336030A CN103095966B CN 103095966 B CN103095966 B CN 103095966B CN 201110336030 A CN201110336030 A CN 201110336030A CN 103095966 B CN103095966 B CN 103095966B
- Authority
- CN
- China
- Prior art keywords
- image
- axis
- video jitter
- data
- 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.)
- Active
Links
Landscapes
- Compression Or Coding Systems Of Tv Signals (AREA)
Abstract
本发明是关于一种视频抖动量化方法及装置,所述的视频抖动量化方法包括:接收图像数据;获取所述的图像数据的YUV分量的Canny边缘图像;根据所述的Canny边缘图像对两帧间的运动幅度进行检测,获取视频抖动数据。本发明实施例提供的视频抖动量化方法及装置,根据图像边缘信息和帧差运动信息对视频抖动进行量化,并根据外部设定的系列判定阈值,对视频抖动干扰等异常现象进行报警,简单易行,运算速度快,结果合理。
Description
技术领域
本发明是关于视频监控技术领域,尤其是关于视频图像处理技术领域,具体来说是关于一种视频抖动量化方法及装置。
背景技术
随着社会经济的快速发展,安防监控市场急剧扩张,视频监控的摄像机、DVR(DigitalVideoRecorder,数字视频录像机)的数目呈现几何级增长,如何有效的利用和管理这些海量数据和视频,是安防监控行业必须需要解决的一个重要问题。
在现有的安防监控技术领域中,有些监控摄像机必须安装在有震动的环境中,如固定在高的建筑物外、桥梁、隧道或杆子上、安装在机器(如车、飞机、船等)、多风的海岸边、加热通风设备、空调、PTZ云台等上,都必然存在机械震动,而且这些机械震动往往难以消除,机械震动会引起视频图像的抖动,尤其是在使用高倍放大的镜头情况下,轻微的机械震动都会引起图像的剧烈抖动,从而严重影响对视频的观察监视。
同时,由于监控摄像机安装在震动的环境中,因此更容易出现固定松动或固定脱落的情况,不仅造成摄像机的损坏,更无法实现对预定区域的监控。
发明内容
为及时掌握监控摄像机的固定状态,避免监控摄像机出现松动导致脱落的情况,本发明提供一种视频抖动量化方法及装置。
本发明提供一种视频抖动量化方法,所述的视频抖动量化方法包括:
接收图像数据;
获取所述的图像数据的YUV分量的Canny边缘图像;
根据所述的Canny边缘图像对两帧间的运动幅度进行检测,获取视频抖动数据。
本发明还提供一种视频抖动量化装置,所述的视频抖动量化装置包括:
图像数据接收单元,用于接收图像数据;
Canny边缘图像获取单元,用于获取所述的图像数据的YUV分量各自的Canny边缘图像;
视频抖动数据获取单元,用于根据所述的Canny边缘图像对两帧间的运动幅度进行检测,获取视频抖动数据。
本发明实施例提供的视频抖动量化方法及装置,根据图像边缘信息和帧差运动信息对视频抖动进行量化,并根据外部设定的系列判定阈值,对视频抖动干扰等异常现象进行报警,简单易行,运算速度快,结果合理,能够对视频中出现的抖动等异常状态进行检测、分析、报警,能够对大规模监控视频管理提供智能化辅助,为视频图像的智能化管理提供量化依据。适用于白天、夜晚及多光照条件下,且识别速度快,准确率高,能够实现对视频图像状态的自动检测,为安防监控视频管理提供了新的解决方法。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,并不构成对本发明的限定。在附图中:
图1是本发明实施例提供的一种视频抖动量化方法的流程图;
图2是本发明实施例提供的一种视频抖动量化方法的流程图;
图3是本发明实施例提供的一种视频抖动量化方法的流程图;
图4是本发明实施例提供的步骤S102的流程图;
图5是本发明实施例提供的步骤S103的流程图;
图6是本发明实施例提供的一种视频抖动量化装置的结构图;
图7是本发明另一实施例提供的一种视频抖动量化装置的结构图;
图8是本发明另一实施例提供的一种视频抖动量化装置的结构图;
图9是本发明一实施例提供的Canny边缘图像获取单元602的结构图;
图10是本发明另一实施例提供的一种视频抖动量化装置的结构图;
图11是本发明一实施例提供的视频抖动数据获取单元603的结构图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下面结合实施方式和附图,对本发明做进一步详细说明。在此,本发明的示意性实施方式及其说明用于解释本发明,但并不作为对本发明的限定。
视频抖动量化计算技术是一种基于视频图像信息的计算机人工智能技术,和基于视频图像内容分析的智能算法不同,视频抖动量化计算技术采用国际领先的计算机图像处理和机器学习算法,对视频图像的信息进行分析,对视频中出现的抖动等异常事件进行检测、分析、量化、统计和报警。
相对视频图像内容的智能分析技术,基于视频图像信息分析的视频抖动量化计算技术主要提供智能化的视频监控管理,某种意义上真正实现海量视频的智能化监控管理,对视频进行监控、统计和管理,对出现的异常视频进行报警和分析,大大减少无效视频的数量,提高安防监控的效率。另外,视频抖动量化计算技术不仅能够进行大规模的监控视频状态的轮巡智能分析,还可以嵌入到相关设备中,针对设备采集的视频进行实时状态智能监控,实时检测出视频异常状况并报警。
实施例一
图1是本发明实施例提供的一种视频抖动量化方法的流程图,如图1所示,所述的视频抖动量化方法包括:
S101,接收图像数据。
在本发明实施例中,视频抖动量化方法应用于一种视频处理装置,视频处理装置可以是监控设备本身,也可以是与监控设备相连接的任何后台设备,如监控管理平台服务器,后台视频存储设备DVR、NVR(网络视频录像机)等等。
视频处理装置接收的图像数据可以是监控设备实时输出的视频流及/或本地保存的视频文件,只需要视频处理装置配置的解码器能够解析该码流。
S102,获取所述的图像数据的YUV分量各自的Canny边缘图像。
在本发明实施例中,视频图像YUV分量都需要分别求解其canny边缘图像,图4是本发明实施例提供的步骤S102的流程图,如图4所示,步骤S102可以包括:
S401,对接收到的图像进行高斯滤波,得到滤波后图像。
在本发明实施例中,可以利用3×3高斯滤波模块对步骤S101接收到的图像的YUV各分量进行卷积滤波,以减少噪声干扰。
S402,对滤波后图像进行X轴和Y轴Sobel边缘计算,得到X轴和Y轴的Sobel边缘图像。
在本发明实施例中,需要对步骤S401得到的图像数据的YUV(Y亮度Luminance或Luma,也就是灰阶值;U和V表示色度ChrominanceChroma)分量分别进行X轴和Y轴的Sobel(索贝尔算子,Sobeloperator)边缘计算,得到X轴和Y轴的Sobel边缘图像,即求出了图像沿X轴和Y轴的方向导数。
在本发明实施例中,X轴和Y轴的Sobel边缘图像的计算公式分别为:
S403,根据X轴和Y轴的Sobel边缘图像得到图像YUV分量的Sobel边缘图像,并统计边缘点数目和边缘方向。
在本发明实施例中,对X轴和Y轴的YUV的Sobel边缘图像分别进行综合,得到图像的YUV三分量的Sobel边缘图像,并统计边缘点数目,接着根据X轴和Y轴的sobel边缘图像即X轴和Y轴的方向导数,计算图像中各点的梯度方向,并根据梯度方向找到像素点在该方向上的最近邻接像素,为了减少计算量,基本上梯度方向简单化为水平、垂直、45度和135度四个方向。
S404,获取图像YUV三分量的Canny边缘图像。
在本发明实施例中,可以根据当前边缘点数目和以前边缘点数目自适应调整canny边缘上下边界阈值,使得图像边缘统计数目尽量保持在一定区间范围内,然后进行canny边缘检测,在sobel边缘图像中,首先进行图像遍历,若某个像素点值与其梯度方向上的前后俩像素灰度值比较不是最大的,则该像素值置为0,即不是边缘。然后判断剩下的边缘点,大于自适应阈值的上边界阈值的边缘点一定是边缘,小于自适应阈值的下边界阈值的边缘点一定不是边缘,两者之间的,则根据该像素临界像素中有没有超过上边界阈值的边缘像素,有,则该点也是边缘,否则不是。最终得到YUV三个分量的Canny边缘图像。
S103,根据所述的Canny边缘图像对两帧间的运动幅度进行检测,获取视频抖动数据。
在本发明实施例中,视频处理装置在进行步骤S103之前,还需要将当前帧图像和前帧图像的对应点相减并取绝对值得到帧差运动图像。
在本发明实施例中,图5是本发明实施例提供的步骤S103的流程图,如图5所示,步骤S103可以包括:
S501,根据当前帧图像和前帧图像的Canny边缘图像,得到X轴和Y轴的运动幅度数据。
在本发明实施例中,在进行步骤S501之前,视频处理装置可以首先将当前帧图像和前帧图像的Canny边缘图像压缩为QCIF(Quarter-CIF)格式,以进一步减少之后步骤的运算量。
在本发明实施例中,视频处理装置对压缩后的当前帧图像和前帧图像的Canny边缘图像进行运动匹配,当前的边缘图像按照X轴向左16像素到向右16像素遍历、Y轴向上16像素到向下16像素遍历,计算统计偏移后的当前边缘图像和前帧边缘图像的边缘匹配点数,若当前偏移边缘图像和前帧边缘图像对应点都为1则匹配,否则则不匹配。根据遍历结果统计计算得到最多匹配点数时的X轴偏移量和Y轴偏移量,如果最高匹配点数与总边缘点数的比值小于默认设定的阈值,则默认X轴和Y轴运动幅度为最大的16,然后X轴Y轴运动幅度统一乘以2,从而得到CIF图像下初步的X、Y轴运动幅度数据。
S502,根据X轴和Y轴的运动幅度数据、所述的帧差运动图像和预设的第二阈值去除所述的Canny边缘图像中的实际运动特征部分,得到过滤后的Canny边缘图像。
在本发明实施例中,视频处理装置根据步骤S501中得到的初步得到的X、Y轴运动幅度数据,结合帧差运动图像,忽略帧差图像中前景部分中宽度大于3倍X轴运动幅度或高度大于3倍Y轴运动幅度的非0区域所对应的当前canny边缘图像和前帧canny边缘图像中对应点边缘点部分,即去掉canny边缘图像中实际运动特征的部分,得到过滤后的canny边缘图像。该步骤为可选步骤,主要是为了进一步提高抖动检测精度。
S503,根据所述的过滤后的Canny边缘图像以及X轴和Y轴的运动幅度数据,得到视频抖动数据。
在本发明实施例中,视频处理装置在过滤掉实际运动特征的的前后帧canny图像上对步骤S501得到的初步的X、Y轴运动幅度进行微调,在得到的X轴和Y轴运动幅度上进行+1、+0、-1的遍历,重新计算最多匹配点数,得到最后的X、Y轴运动幅度,相加得到图像的运动幅度指数delta。
根据运动幅度指数公式delta×100/64得到视频抖动数据。
在本发明实施例中,在完成步骤S103之后,视频处理装置将当前帧的图像信息和边缘信息保存为前帧信息,然后返回步骤S101进入下一次循环。
图2是本发明实施例提供的一种视频抖动量化方法的流程图,如图2所示,其中步骤S201-S203分别与图1中的S101-S103相同,故在此不再赘述,与图1所示的视频抖动量化方法不同之处在于,图2所示的视频抖动量化方法还包括:
S204,根据所述的视频抖动数据判断是否触发警报。
在本发明实施例中,可以将所述的视频抖动数据与已预设的抖动预警阀值和抖动报警阈值进行比较,所述的抖动预警阀值小于所述的抖动报警阈值,当所述的视频抖动数据大于所述的抖动报警阈值则发出报警信息,当所述的视频抖动数据大于所述的抖动预警阈值且小于所述的抖动报警阈值则发出预警信息,小于抖动预警阈值则图像正常。
图3是本发明实施例提供的一种视频抖动量化方法的流程图,如图3所示,其中步骤S301和S304分别与图1中的S101和S103相同,故在此不再赘述,与图1所示的视频抖动量化方法不同之处在于,图2所示的视频抖动量化方法还包括:
S302,将所述的图像数据转换为CIF(标准化图像格式,CommonIntermediateFormat)格式。
在本发明实施例中,视频处理装置可以将图像数据压缩及/或截取,以转换为CIF格式。由于后续步骤还需要对图像数据进行处理,处理所消耗的时间基本与图像数据的大小成正比,因此将图像数据转换为CIF格式后,可以有效减少后续步骤的处理时间。
S303,获取CIF格式的图像数据的YUV分量的Canny边缘图像。
本发明实施例提供的视频抖动量化方法,根据图像边缘信息和帧差运动信息对视频抖动进行量化,并根据外部设定的系列判定阈值,对视频抖动干扰等异常现象进行报警,简单易行,运算速度快,结果合理,能够对视频中出现的抖动等异常状态进行检测、分析、报警,能够对大规模监控视频管理提供智能化辅助,为视频图像的智能化管理提供量化依据。适用于白天、夜晚及多光照条件下,且识别速度快,准确率高,能够实现对视频图像状态的自动检测,为安防监控视频管理提供了新的解决方法。
实施例二
图6是本发明实施例提供的一种视频抖动量化装置的结构图,如图6所示,所述的视频抖动量化装置包括:
图像数据接收单元601,用于接收图像数据。
在本发明实施例中,视频处理装置可以是监控设备本身,也可以是与监控设备相连接的任何后台设备,如管理平台服务器,后台视频存储设备DVR、NVR等等。
图像数据接收单元601接收的图像数据可以是监控设备实时输出的视频流及/或本地保存的视频文件,只需要视频处理装置配置的解码器能够解析该码流。
Canny边缘图像获取单元602,用于获取所述的图像数据的YUV分量各自的Canny边缘图像。
在本发明实施例中,视频图像YUV分量都需要分别求解其canny边缘图像,图9是本发明一实施例提供的Canny边缘图像获取单元602的结构图,如图9所示,所述的Canny边缘图像获取单元602包括:
滤波模块901,用于对接收到的图像进行高斯滤波,得到滤波后图像。
在本发明实施例中,滤波模块901可以利用3×3高斯滤波模块对接收到的图像的YUV各分量进行卷积滤波,以减少噪声干扰。
轴边缘获取模块902,用于对滤波后图像的YUV分量分别进行X轴和Y轴的Sobel边缘计算,得到X轴和Y轴的Sobel边缘图像。
在本发明实施例中,需要对滤波模块901得到的滤波后图像数据的YUV(Y亮度Luminance或Luma,也就是灰阶值;U和V表示色度ChrominanceChroma)分量分别进行X轴和Y轴的Sobel(索贝尔算子,Sobeloperator)边缘计算,得到X轴和Y轴的Sobel边缘图像,即求出了图像沿X轴和Y轴的方向导数。
在本发明实施例中,X轴和Y轴的Sobel边缘图像的计算公式分别为:
Sobel边缘获取模块903,用于根据X轴和Y轴的Sobel边缘图像得到图像YUV分量的Sobel边缘图像,并统计边缘点数目和边缘方向。
在本发明实施例中,Sobel边缘获取模块903对X轴和Y轴的YUV的Sobel边缘图像分别进行综合,得到图像的YUV三分量的Sobel边缘图像,并统计边缘点数目,接着根据X轴和Y轴的sobel边缘图像即X轴和Y轴的方向导数,计算图像中各点的梯度方向,并根据梯度方向找到像素点在该方向上的最近邻接像素,为了减少计算量,基本上梯度方向简单化为水平、垂直、45度和135度四个方向。
Canny边缘获取模块904,用于获取图像YUV分量的Canny边缘图像。
在本发明实施例中,Canny边缘获取模块904根据所述的边缘点数目自适应调整上下边界阈值,使得YUV分量的Canny边缘图像中边缘点数目在一预定范围内。Canny边缘获取模块904可以根据当前边缘点数目和以前边缘点数目自适应调整canny边缘上下边界阈值,使得图像边缘统计数目尽量保持在一定区间范围内,然后进行canny边缘检测,在sobel边缘图像中,首先进行图像遍历,若某个像素点值与其梯度方向上的前后俩像素灰度值比较不是最大的,则该像素值置为0,即不是边缘。然后判断剩下的边缘点,大于自适应阈值的上边界阈值的边缘点一定是边缘,小于自适应阈值的下边界阈值的边缘点一定不是边缘,两者之间的,则根据该像素临界像素中有没有超过上边界阈值的边缘像素,有,则该点也是边缘,否则不是。最终得到YUV三个分量的Canny边缘图像。
视频抖动数据获取单元603,用于根据所述的Canny边缘图像对两帧间的运动幅度进行检测,获取视频抖动数据。
图10是本发明另一实施例提供的一种视频抖动量化装置的结构图,如图10所示,所述的视频抖动量化装置还包括:
帧差图像获取单元605,用于根据当前图像和前帧图像得到帧差运动图像。
在本发明实施例中,帧差图像获取单元605将当前帧图像和前帧图像的对应点相减并取绝对值得到帧差运动图像。
图11是本发明一实施例提供的视频抖动数据获取单元603的结构图,如图11所示,视频抖动数据获取单元603包括:
运动幅度获取模块1101,用于根据当前图像和前帧图像的Canny边缘图像,得到X轴和Y轴的运动幅度数据。
在本发明实施例中,运动幅度获取模块1101对压缩后的当前帧图像和前帧图像的Canny边缘图像进行运动匹配,当前的边缘图像按照X轴向左16像素到向右16像素遍历、Y轴向上16像素到向下16像素遍历,计算统计偏移后的当前边缘图像和前帧边缘图像的边缘匹配点数,若当前偏移边缘图像和前帧边缘图像对应点都为1则匹配,否则则不匹配。根据遍历结果统计计算得到最多匹配点数时的X轴偏移量和Y轴偏移量,如果最高匹配点数与总边缘点数的比值小于默认设定的阈值,则默认X轴和Y轴运动幅度为最大的16,然后X轴Y轴运动幅度统一乘以2,从而得到CIF图像下初步的X、Y轴运动幅度数据。
边缘图像过滤模块1102,用于根据X轴和Y轴的运动幅度数据、所述的帧差运动图像和预设的第二阈值去除所述的Canny边缘图像中的实际运动特征部分,得到过滤后的Canny边缘图像。
在本发明实施例中,边缘图像过滤模块1102根据运动幅度获取模块1101得到的初步得到的X、Y轴运动幅度数据,结合帧差运动图像,忽略帧差图像中前景部分中宽度大于3倍X轴运动幅度或高度大于3倍Y轴运动幅度的非0区域所对应的当前canny边缘图像和前帧canny边缘图像中对应点边缘点部分,即去掉canny边缘图像中实际运动特征的部分,得到过滤后的canny边缘图像。该模块为可选模块,主要是为了进一步提高抖动检测精度。
抖动数据获取模块1103,用于根据所述的过滤后的Canny边缘图像以及X轴和Y轴的运动幅度数据,得到视频抖动数据。
在本发明实施例中,抖动数据获取模块1103在过滤掉实际运动特征的的前后帧canny图像上对运动幅度获取模块1101得到的初步的X、Y轴运动幅度进行微调,在得到的X轴和Y轴运动幅度上进行+1、+0、-1的遍历,重新计算最多匹配点数,得到最后的X、Y轴运动幅度,相加得到图像的运动幅度指数delta。
根据运动幅度指数公式delta×100/64得到视频抖动数据。
在本发明实施例中,在抖动数据获取模块1103得到视频抖动数据之后,视频处理装置将当前帧的图像信息和边缘信息保存为前帧信息,然后进入下一次循环。
在本发明的一实施例中,视频抖动数据获取单元603还可以包括:
QCIF格式压缩模块1104,用于将当前图像和前帧图像的Canny边缘图像压缩为QCIF格式。
在本发明实施例中,在运动幅度获取模块1101进行处理之前,QCIF格式压缩模块1104可以首先将当前帧图像和前帧图像的Canny边缘图像压缩为QCIF(Quarter-CIF)格式,以进一步减少之后步骤的运算量。
图7是本发明另一实施例提供的一种视频抖动量化装置的结构图,如图7所示,所述的装置还包括:
警报触发单元604,用于根据所述的视频抖动数据判断是否触发警报。
在本发明实施例中,可以将所述的视频抖动数据与已预设的抖动预警阀值和抖动报警阈值进行比较,所述的抖动预警阀值小于所述的抖动报警阈值,所述的警报触发单元包括:
报警模块,用于在所述的视频抖动数据大于等于所述的抖动报警阈值则发出报警信息;
预警模块,用于在所述的视频抖动数据大于等于所述的抖动预警阈值且小于所述的抖动报警阈值则发出预警信息。
图8是本发明另一实施例提供的一种视频抖动量化装置的结构图,如图8所示,所述的装置还包括:
CIF格式转换单元600,用于将所述的图像数据转换为CIF格式。
在本发明实施例中,CIF格式转换单元600可以将图像数据压缩及/或截取,以转换为CIF格式。由于后续步骤还需要对图像数据进行处理,处理所消耗的时间基本与图像数据的大小成正比,因此将图像数据转换为CIF格式后,可以有效减少后续步骤的处理时间。
Canny边缘图像获取单元602获取CIF格式的图像数据的YUV分量的Canny边缘图像。
本发明实施例提供的视频抖动量化装置,根据图像边缘信息和帧差运动信息对视频抖动进行量化,并根据外部设定的系列判定阈值,对视频抖动干扰等异常现象进行报警,简单易行,运算速度快,结果合理,能够对视频中出现的抖动等异常状态进行检测、分析、报警,能够对大规模监控视频管理提供智能化辅助,为视频图像的智能化管理提供量化依据。适用于白天、夜晚及多光照条件下,且识别速度快,准确率高,能够实现对视频图像状态的自动检测,为安防监控视频管理提供了新的解决方法。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (18)
1.一种视频抖动量化方法,其特征在于,所述的视频抖动量化方法包括:
接收图像数据;
获取所述的图像数据的YUV分量各自的Canny边缘图像;
根据所述的Canny边缘图像对两帧间的运动幅度进行检测,获取视频抖动数据;
在所述的接收图像数据之后,所述的方法还包括:
根据当前图像和前帧图像得到帧差运动图像;
所述的根据所述的Canny边缘图像对两帧间的运动幅度进行检测,获取视频抖动数据包括:
根据当前图像和前帧图像的Canny边缘图像,得到X轴和Y轴的运动幅度数据;
根据X轴和Y轴的运动幅度数据、所述的帧差运动图像和预设的第二阈值去除所述的Canny边缘图像中的实际运动特征部分,得到过滤后的Canny边缘图像;
根据所述的过滤后的Canny边缘图像以及X轴和Y轴的运动幅度数据,得到视频抖动数据。
2.根据权利要求1所述的视频抖动量化方法,其特征在于,在获取视频抖动数据后,所述的方法还包括:
根据所述的视频抖动数据判断是否触发警报。
3.根据权利要求2所述的视频抖动量化方法,其特征在于,根据所述的视频抖动数据判断是否触发警报包括:
将所述的视频抖动数据与已预设的抖动预警阀值和抖动报警阈值进行比较,所述的抖动预警阀值小于所述的抖动报警阈值,当所述的视频抖动数据大于所述的抖动报警阈值则发出报警信息,当所述的视频抖动数据大于所述的抖动预警阀值且小于所述的抖动报警阈值则发出预警信息。
4.根据权利要求1所述的视频抖动量化方法,其特征在于,所述的图像数据包括:监控设备输出的视频流及/或本地保存的视频文件。
5.根据权利要求1所述的视频抖动量化方法,其特征在于,在所述的接收图像数据之后,获取所述的图像数据的YUV分量的Canny边缘图像之前,所述的方法还包括:
将所述的图像数据转换为CIF格式。
6.根据权利要求5所述的视频抖动量化方法,其特征在于,所述的将所述的图像数据转换为CIF格式包括:
将所述的图像数据压缩为CIF格式及/或将所述的图像数据截取为CIF格式。
7.根据权利要求1所述的视频抖动量化方法,其特征在于,所述的获取所述的图像数据的YUV分量各自的Canny边缘图像包括:
对接收到的图像进行高斯滤波,得到滤波后图像;
对滤波后图像的YUV分量分别进行X轴和Y轴的Sobel边缘计算,得到X轴和Y轴的Sobel边缘图像;
根据X轴和Y轴的Sobel边缘图像得到图像YUV分量的Sobel边缘图像,并统计边缘点数目和边缘方向;
获取图像YUV分量的Canny边缘图像。
8.根据权利要求7所述的视频抖动量化方法,其特征在于,所述的获取图像YUV分量的Canny边缘图像包括:
根据所述的边缘点数目自适应调整上下边界阈值,使得YUV分量的Canny边缘图像中边缘点数目在一预定范围内。
9.根据权利要求1所述的视频抖动量化方法,其特征在于,在根据当前图像和前帧图像的Canny边缘图像,得到X轴和Y轴的运动幅度数据之前,所述的方法还包括:
将当前图像和前帧图像的Canny边缘图像压缩为QCIF格式。
10.一种视频抖动量化装置,其特征在于,所述的视频抖动量化装置包括:
图像数据接收单元,用于接收图像数据;
Canny边缘图像获取单元,用于获取所述的图像数据的YUV分量各自的Canny边缘图像;
视频抖动数据获取单元,用于根据所述的Canny边缘图像对两帧间的运动幅度进行检测,获取视频抖动数据;
所述的视频抖动量化装置还包括:
帧差图像获取单元,用于根据当前图像和前帧图像得到帧差运动图像;
所述的视频抖动数据获取单元包括:
运动幅度获取模块,用于根据当前图像和前帧图像的Canny边缘图像,得到X轴和Y轴的运动幅度数据;
边缘图像过滤模块,用于根据X轴和Y轴的运动幅度数据、所述的帧差运动图像和预设的第二阈值去除所述的Canny边缘图像中的实际运动特征部分,得到过滤后的Canny边缘图像;
抖动数据获取模块,用于根据所述的过滤后的Canny边缘图像以及X轴和Y轴的运动幅度数据,得到视频抖动数据。
11.根据权利要求10所述的视频抖动量化装置,其特征在于,所述的装置还包括:
警报触发单元,用于根据所述的视频抖动数据判断是否触发警报。
12.根据权利要求11所述的视频抖动量化装置,其特征在于,所述的警报触发单元包括:
报警模块,用于在所述的视频抖动数据大于等于已预设的抖动报警阈值则发出报警信息;
预警模块,用于在所述的视频抖动数据大于等于已预设的抖动预警阀值且小于所述的抖动报警阈值则发出预警信息。
13.根据权利要求10所述的视频抖动量化装置,其特征在于,所述的图像数据包括:监控设备输出的视频流及/或本地保存的视频文件。
14.根据权利要求10所述的视频抖动量化装置,其特征在于,所述的装置还包括:
CIF格式转换单元,用于将所述的图像数据转换为CIF格式。
15.根据权利要求14所述的视频抖动量化装置,其特征在于,所述的CIF格式转换单元将所述的图像数据压缩为CIF格式及/或将所述的图像数据截取为CIF格式。
16.根据权利要求10所述的视频抖动量化装置,其特征在于,所述的Canny边缘图像获取单元包括:
滤波模块,用于对接收到的图像进行高斯滤波,得到滤波后图像;
轴边缘获取模块,用于对滤波后图像的YUV分量分别进行X轴和Y轴的Sobel边缘计算,得到X轴和Y轴的Sobel边缘图像;
Sobel边缘获取模块,用于根据X轴和Y轴的Sobel边缘图像得到图像YUV分量的Sobel边缘图像,并统计边缘点数目和边缘方向;
Canny边缘获取模块,用于获取图像YUV分量的Canny边缘图像。
17.根据权利要求16所述的视频抖动量化装置,其特征在于,所述的Canny边缘获取模块根据所述的边缘点数目自适应调整上下边界阈值,使得YUV分量的Canny边缘图像中边缘点数目在一预定范围内。
18.根据权利要求10所述的视频抖动量化装置,其特征在于,所述的视频抖动数据获取单元还包括:
QCIF格式压缩模块,用于将当前图像和前帧图像的Canny边缘图像压缩为QCIF格式。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110336030.6A CN103095966B (zh) | 2011-10-28 | 2011-10-28 | 一种视频抖动量化方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110336030.6A CN103095966B (zh) | 2011-10-28 | 2011-10-28 | 一种视频抖动量化方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103095966A CN103095966A (zh) | 2013-05-08 |
CN103095966B true CN103095966B (zh) | 2016-04-27 |
Family
ID=48208066
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201110336030.6A Active CN103095966B (zh) | 2011-10-28 | 2011-10-28 | 一种视频抖动量化方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103095966B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103763461B (zh) * | 2013-12-31 | 2015-06-10 | 合一网络技术(北京)有限公司 | 一种视频抖动检测方法及装置 |
CN104469086B (zh) * | 2014-12-19 | 2017-06-20 | 北京奇艺世纪科技有限公司 | 一种视频去抖动方法及装置 |
CN105704496A (zh) * | 2016-03-25 | 2016-06-22 | 符锌砂 | 一种基于边缘检测的自适应模板匹配算法 |
CN106888208A (zh) * | 2017-03-01 | 2017-06-23 | 杨凯 | 一种基于流媒体纠偏算法的无线传输技术 |
CN109741363B (zh) * | 2019-01-11 | 2023-07-14 | 湖南国科微电子股份有限公司 | 基于区块差值的运动判断方法、装置及电子设备 |
CN112333441A (zh) * | 2020-10-28 | 2021-02-05 | 维沃移动通信有限公司 | 摄像头检测方法、装置及电子设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101122952A (zh) * | 2007-09-21 | 2008-02-13 | 北京大学 | 一种图片文字检测的方法 |
CN101458119A (zh) * | 2008-12-26 | 2009-06-17 | 常熟理工学院 | 图像分析实时检测轴瓦振动的方法 |
CN101841643A (zh) * | 2010-04-29 | 2010-09-22 | 深圳市茁壮网络股份有限公司 | 一种黑边检测方法和装置 |
CN102202163A (zh) * | 2011-05-13 | 2011-09-28 | 成都西图科技有限公司 | 一种监控视频的自适应增强方法及其装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6859554B2 (en) * | 2001-04-04 | 2005-02-22 | Mitsubishi Electric Research Laboratories, Inc. | Method for segmenting multi-resolution video objects |
-
2011
- 2011-10-28 CN CN201110336030.6A patent/CN103095966B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101122952A (zh) * | 2007-09-21 | 2008-02-13 | 北京大学 | 一种图片文字检测的方法 |
CN101458119A (zh) * | 2008-12-26 | 2009-06-17 | 常熟理工学院 | 图像分析实时检测轴瓦振动的方法 |
CN101841643A (zh) * | 2010-04-29 | 2010-09-22 | 深圳市茁壮网络股份有限公司 | 一种黑边检测方法和装置 |
CN102202163A (zh) * | 2011-05-13 | 2011-09-28 | 成都西图科技有限公司 | 一种监控视频的自适应增强方法及其装置 |
Also Published As
Publication number | Publication date |
---|---|
CN103095966A (zh) | 2013-05-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103095966B (zh) | 一种视频抖动量化方法及装置 | |
CN103093179B (zh) | 视频条纹量化计算方法 | |
CN104966304B (zh) | 基于卡尔曼滤波与非参数背景模型的多目标检测跟踪方法 | |
CN108280386B (zh) | 监控场景检测方法及装置 | |
CN111432179A (zh) | 基于计算机视觉的输煤皮带智能巡检系统及方法 | |
CN103500324B (zh) | 基于视频监控的暴力行为识别方法 | |
CN105791774A (zh) | 一种基于视频内容分析的监控视频传输方法 | |
EP2200001A1 (en) | Method and apparatus for detection of tampering with a surveillance camera | |
US20130136350A1 (en) | Apparatus and method for foreground detection | |
CN109359593B (zh) | 一种基于图像局部栅格的雨雪环境画面模糊监测预警方法 | |
Kulkarni et al. | Real time vehicle detection, tracking and counting using Raspberry-Pi | |
CN104601956A (zh) | 基于固定翼无人机的输电线路在线监测系统及监测方法 | |
CN104320615A (zh) | 一种智能视频安防系统及其信号处理方法 | |
US10657783B2 (en) | Video surveillance method based on object detection and system thereof | |
CN108174198B (zh) | 一种视频图像质量诊断分析检测设备及应用系统 | |
CN102222349B (zh) | 一种基于边缘模型的前景帧检测方法 | |
CN214338041U (zh) | 一种基于5g物联网的智能城市监控系统 | |
CN113822814A (zh) | 利用大数据存储的环境辨识系统及方法 | |
CN111460949B (zh) | 一种输电线路防外力破坏实时监测方法和系统 | |
CN203279057U (zh) | 多目标智能跟踪锁定监控系统 | |
CN101540834B (zh) | 去除视频图像噪声的方法和视频编码装置 | |
CN107609498B (zh) | 一种计算机监控系统的数据处理方法 | |
CN103095967B (zh) | 一种视频噪声量化计算方法及系统 | |
CN109547777B (zh) | 一种复杂场景的视频噪声快速检测方法 | |
CN107895365B (zh) | 一种输电通道外破防护的图像匹配方法及监测系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |