CN105516716B - 闭环安防系统视频画质的现场测试方法 - Google Patents
闭环安防系统视频画质的现场测试方法 Download PDFInfo
- Publication number
- CN105516716B CN105516716B CN201610055953.7A CN201610055953A CN105516716B CN 105516716 B CN105516716 B CN 105516716B CN 201610055953 A CN201610055953 A CN 201610055953A CN 105516716 B CN105516716 B CN 105516716B
- Authority
- CN
- China
- Prior art keywords
- image
- safety
- protection system
- quality
- 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.)
- Expired - Fee Related
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N17/00—Diagnosis, testing or measuring for television systems or their details
- H04N17/002—Diagnosis, testing or measuring for television systems or their details for television cameras
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N17/00—Diagnosis, testing or measuring for television systems or their details
- H04N17/02—Diagnosis, testing or measuring for television systems or their details for colour television signals
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N17/00—Diagnosis, testing or measuring for television systems or their details
- H04N2017/008—Diagnosis, testing or measuring for television systems or their details for television teletext
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种闭环安防系统视频画质的现场测试方法,实现对由摄像部,传输部和显示部组成的闭环安防系统,如视频监控、可视门禁等的视频质量进行测量。基于安防系统中的某类被关注对象的视觉共性,本发明提取低失真被关注对象的有效视觉特征作为基准,根据安防系统所呈现图像视觉特征的偏差程度,测试安防系统的视频质量,进而定量的给出待检测系统的视频性能评分。本发明采用非接触方式,即采用光信号作为媒介,无需安防系统提供特点的电接口,可用于安防工程的现场检测。采用客观度量的方法,弥补了当前以人的主观感受作为依据的检测方法的不足,提高检测结果的客观性和可重复性,进而推动安防相关的行业标准制定,最终提高安防技术水平。
Description
技术领域
本发明涉及安防系统视频性能的测试方法,具体指一种对多媒体系统视频主观质量进行检测的检测方法。
背景技术
目前多媒体产品已渗入到社会生活的各个层面,在安防领域,多媒体技术业已成为重要的技术手段。为保证多媒体信息,尤其是视频信息的有效性,公安及质监部门对以摄像机为核心的安防系统的视频性能提出一定的要求,需要对多媒体系统的视频性能进行定量的度量。影像画质是多媒体系统的重要指标,目前常用的技术指标如信噪比等不能充分反映图像质量,需要结合人的视觉特性提出更为准确的影像质量描述方法及检测工具。
多媒体系统的画质测量分静态测量与动态测量两类。当前静态画质性能测试多采用主观测量,即用标准测试卡作为信号源,由人作为观测者对影像质量进行评价,其测量结果具有不稳定和不可预知性的特点。在动态测量方面,目前图像质量客观度量的仪器主要有Tektronix和Clear view公司等的产品,这些测试仪器产生标准视频信号并馈入待检测设备并采集待检测设备的输出信号,再结合视觉模型对信号差异进行分析,最终产生图像质量度量。上述仪器均采用接触式测量技术,通过特定接口输出和采集信号,限制了仪器的适用范围。
在实际应用中,安防系统需要经过安装、调试等,其系统性能通常达不到实验室环境下的最佳性能,所以需要新的测试仪器在工程现场对已安装的安防系统的视频性能进行检测。鉴于工程应用中的安防系统不一定具有电信号的输入和输出接口,所以视频画质的现场测试仪器必需采用非电接口方式,即非介入式方式。
发明内容
本发明的目的是针对现有技术中的缺陷而提供的一种闭环安防系统视频画质的现场测试方法,该方法设计与图像质量相关的特征,通过训练建立这些特征与人对图像画质的主观评价间的关系,即建立质量评价模型,再利用该模型对工程应用中的安防系统的画质进行客观评价。
实现本发明目的的具体技术方案是:
一种闭环安防系统视频画质的现场测试方法,特点是该方法包括以下具体步骤:
1)训练
ⅰ、采用高清晰度相机采集所关注对象的低失真的图像组;
ⅱ、根据闭环安防系统的视频获取、传输和压缩过程,对步骤i产生的低失真图像组进行处理,产生不同降质的图像组,并由人对降质图像的主观质量进行评价;
ⅲ、提取步骤i产生的低失真图像组的特征及步骤ii产生降质图像组的特征,建立所述特征变化与主观质量差异间的关系,即图像质量评价模型;所述特征包括图像像素域、傅里叶域、小波域或离散余弦域的系数相关性变化或相关性的概率分布变化;
2)测试
ⅰ、将被观测对象置于安防系统中摄像部的被观测区;被观测对象的正面面向安防系统的摄像部;
ⅱ、启用安防系统捕捉观测区域中被关注对象的影像,该影像通过安防系统的压缩、传输和解压缩过程,最终在安防系统的显示器上显示影像;
ⅲ、用摄像头对准安防系统的显示屏,使得摄像头所获影像与安防系统显示屏显示影像相一致;并缓慢的前后移动摄像头,以获得准确聚焦下的影像;
ⅳ、步骤iii所述摄像头不断获取安防系统显示屏所显示的图像,对画面中的被关注对象进行检测;根据被关注对象影像的分辨率,调用该分辨率下的图像质量评价模型对安防系统的影像质量实时评分;锁定其最高评分作为该系统画质的评分。
本发明提出了一种安防系统性能进行检测的方法,用于测量包含摄像及显示部的安防系统的视频画质性能。该方法采用非接触方式,即采用光信号作为媒介,无需安防系统提供特点的电接口,所以该方法可用于安防工程的现场检测。该方法采用客观度量的方法,弥补了当前以人的主观感受作为依据的检测方法的不足,提高检测的结果的客观性和可重复性,进而推动我国安防相关的行业标准制定,最终提高我国的安防技术水平。
附图说明
图1为本发明现场检测画质流程图。
具体实施方式
下面结合附图及实施例对本发明进行详细描述。
本发明涉及两部分内容:1)训练部:从感兴趣对象的低失真影像及其经过降质的图像拷贝中提取描述此类影像的广义图像特征,并根据特征偏离与质量评分变化间的关系形成画质评分模型;2)测试部:提取待检测视频的图像特征,分析该特征与低失真特征间的差异,并利用画质评分模型评价该视频的评分。
人脸是安防应用中最为广泛关注的对象,本发明以人脸为标的建立画质评分模型。该仪器的应用不局限于以人脸为检测标的,也可拓展应用于将车牌等对象作为检测标的。
实施例
1)训练
ⅰ、在本实施例中,采用佳能EOS 760D拍摄正面人脸图像300幅,图像分辨率为4000*3000像素。每幅图像中的人的头像部分占整个画面面积的70%以上。所采集的图像采用浅压缩,以Tiff图像文件格式存储。这些存储的低失真高分辨率图像经过双线性插值作降采样处理产生不同分辨率下的基准图像拷贝。本实施例的降采样产生25*38,50*75,,75*113,100*150等分辨率下的基准图像拷贝,即低失真的基准图像组。
ⅱ、在服务器上photoshop实现图像降质。降质过程与安防系统中的视频处理过程一致,即用photoshop 7.0模拟安防系统中镜头的光学误差、图像压缩误差及相机的本底噪声等。采用窗口大小及方差可调的高斯核函数与基准图像拷贝卷积模拟光学模糊;采用JPEG压缩模拟视频压缩过程引起的图像模糊及结构噪声;在图像中注入不同强度的椒盐噪声以模拟影像获取过程中的本底噪声过程。
上述过程中的高斯窗口尺寸取值为3*3,5*5和9*9,高斯函数的方差取值以0.5为间隔从3调整到7。JPEG压缩时的质量评分(quality score)以5分为间隔,从30分到70分,注入的椒盐噪声强度以0.002为间隔从0.002到0.04。
ⅲ、按照ITU-T G.1011和ITU-T J.247的规定将上述降质图样交织并循环显示于显示屏上,并由10个安防专家对图样分别打分。采用5分制的MOS(mean opinion score)分标定每幅图像的画质水平,其中5分对应于最佳图像,1分对应于最差质量图像。将上述10分专家的评分取平均值,作为图像组的主观评分。
ⅲ、采用像素域像素及其领域像素间的亮度相关性作为被观测对象的统计特性。首先进行非线性计算将图像减除亮度均值并进行归一化以去除图像的相关性,产生归一化亮度系数。
式中I(i,j)为图像在像素域坐标(i,j)上的亮度。C为常数,一般取1,以防止分母为零。μ(i,j)、σ(i,j)分别表示I(i,j)相邻图像块的均值与方差。
随着失真程度的加剧,降质图像的归一化亮度系数值会逐步偏离低失真图像的归一化亮度系数值。从整个图像的尺度看,图像的归一化亮度系数分布可以用广义高斯分布(generalized Gaussian distribution,GGD)描述。以α、β分别表示GGD分布形状参数与方差参数。
式中,α、σ2分别表示GGD分布形状参数与方差,x为的值。β与α、σ2相关,是用于描述分布函数方差的参数。
相邻图像像素的归一化亮度系数的乘积也能够反映图像的降质情况,所以该乘积的分布情况也被作为表征图像质量的特征。主要取水平、垂直、主对角线(45°相限角)、次对角线(135°相限角)4个方向上。对于每个方向上相邻归一化亮度系数的乘积,使用非对称广义高斯分布(AGGD)分布进行描述
式中,x为相邻归一化亮度系数的乘积,形状参数ν直接影响分布的形状,而左方差、右方差σ1、σr分别影响了非对称广义高斯分布的两边的尺度,η是分布的均值参数。
变现画质的视觉特征由上述归一化亮度分布的拟合函数的参数构成,即GGD分布的α、β参数,和AGGD的4个方向的,即4组,的AGGD分布参数组成。每组AGGD分布参数包括(ν,η,σl,σr)四个参数。上述GGD和AGGD参数共计18个。
特征系数与图像的分辨率有关,因此在计算图像特征时将图像做2倍下采样后再次计算N系数,得到18个特征参数。
在不同分辨率下产生的2次18个特征参数,共计36个图像特征。
此外,监控图像主观评价质量与其所包含的信息量相关。因此将图像的信息量也作为图像的特征,即第37个图像特征。
本实施例采用支持向量机(SVM)的机器学习方法建立特征与主观MOS间的关系。具体是将所有样本图像样本组的上述37个特征及其MOS评分导入机器学习模块。在本实施例中采用Opencv 2.4中的SVM库函数进行学习,产生36个图像特征参数、图像信息熵与图像主观质量之间的关系模型。其过程如图1右侧所示。
由于人的视觉模型与图象分辨率相关,所以在上述训练过程按分辨率分组进行,即为不同分辨率的图像组分别产生各自的画质感知模型。
上述训练过程非实时、离线完成,最终产生的机器学习模型,即人对画质评价模型。
2)测试
在本实施例中,测试端设备采用华硕T100HA平板电脑。测试过程中所需的摄像部使用平板电脑自身带的500万像素的后置摄像头。采用JAVA基于android平台嵌入测试过程算法及训练过程所产生的画质感知模型。
ⅰ、在工程检测现场,由一个被观测人站立于安防系统的最佳监视区域内,并面向安防系统的摄像获取单元。
ⅱ、开启安防系统,由安防系统的摄像部捕捉观测区域中人的面部影像。检测人员在安防系统的显示终端观测被观测人的面部影像,并对安防系统的聚焦等参数进行调制,直至可在安防系统的显示终端上清晰呈现被观测人的面部影像;
ⅲ、现场检测时,将平板电脑的摄像部对准安防系统显示终端的中间。通过前后移动平板电脑摄像部以调整测试部的焦距,使得安防系统显示窗口影像布满平板电脑的显示屏。
在小范围内的沿轴向推进或拉后测试仪器的摄像部,即微调焦距,直至平板电脑获得清晰的影像。
ⅳ、平板电脑中植入的Opencv 2.4中的人脸探测模块FaceRecognizer在平板电脑所捕捉的影像中检测人脸区域所在位置,并计算包含整个人脸的最小矩形区域面积。计算该区域像素数N2与平板电脑所捕捉整幅影像总像素数N1比例关系,如ratio_1=N2/N1。
根据安防系统的显示终端的分辨率计算安防系统中人脸的实际分辨率。设安防系统的显示终端的分辨率为N3,则人脸的实际分辨率为N3*ratio_1。
图1左侧所示的图像特征提取方法与图1右侧所示的图像特征方法相同,及测试过程采用与训练过程相同的图像特征。
在提取平板电脑所捕获影像的特征后,根据N3*ratio_1值调用该分辨率下画质评价模型,将所捕获影像的37个图像特征馈入该评价模型,并实时计算所采集到的视频帧的画质。
缓慢的前后移动平板电脑,由平板电脑实时计算并且记录视频帧的画质,将所有帧图像的最优画质作为该安防系统的最终画质。
Claims (1)
1.一种闭环安防系统视频画质的现场测试方法,其特征在于该方法包括以下具体步骤:
1)训练
ⅰ、采用高清晰度相机采集安防监控关注对象的低失真的图像组;其中,所述低失真的图像组为经过双线性插值作降采样处理产生不同分辨率下的基准图像拷贝;
ⅱ、根据闭环安防系统的视频获取、传输和压缩过程,对步骤i产生的低失真图像组进行处理,产生不同降质的图像组,并由人对降质图像的主观质量进行评价;其中,所述对步骤i产生的低失真图像组进行处理是采用窗口大小及方差可调的高斯核函数与基准图像拷贝卷积模拟光学模糊;采用JPEG压缩模拟视频压缩过程引起的图像模糊及结构噪声;在图像中注入不同强度的椒盐噪声以模拟影像获取过程中的本底噪声过程;
ⅲ、从感兴趣对象的步骤i产生的低失真图像组及步骤ii产生降质图像组中提取描述此类影像的广义图像特征,采用支持向量机的机器学习方法建立特征偏离与主观质量变化间的关系,即图像质量评价模型;所述特征包括图像像素域、傅里叶域、小波域或离散余弦域的系数相关性或相关性的概率分布;
2)测试
ⅰ、将被观测对象置于安防系统中摄像部的被观测区;被观测对象的正面面向安防系统的摄像部;
ⅱ、启用安防系统捕捉观测区域中被关注对象的影像,该影像通过安防系统的压缩、传输和解压缩过程,最终在安防系统的显示器上显示影像;
ⅲ、用摄像头对准安防系统的显示屏,使得测试头所获影像与安防系统显示屏显示影像相一致;并缓慢的前后移动摄像头,以获得准确聚焦下的影像;
ⅳ、步骤iii所述摄像头不断获取安防系统显示屏所显示的图像,对画面中的被关注对象进行检测;根据被关注对象影像的分辨率,调用该分辨率下的图像质量评价模型对安防系统的影像质量实时评分;锁定其最高评分作为该系统画质的评分。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610055953.7A CN105516716B (zh) | 2016-01-27 | 2016-01-27 | 闭环安防系统视频画质的现场测试方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610055953.7A CN105516716B (zh) | 2016-01-27 | 2016-01-27 | 闭环安防系统视频画质的现场测试方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105516716A CN105516716A (zh) | 2016-04-20 |
CN105516716B true CN105516716B (zh) | 2017-10-27 |
Family
ID=55724310
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610055953.7A Expired - Fee Related CN105516716B (zh) | 2016-01-27 | 2016-01-27 | 闭环安防系统视频画质的现场测试方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105516716B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106952259A (zh) * | 2017-03-22 | 2017-07-14 | 华东师范大学 | 一种面向监控视频应用的图像质量半参考评价方法 |
CN116886892B (zh) * | 2023-09-05 | 2023-12-29 | 功道(深圳)科技实业有限公司 | 一种基于多源数据的门禁管理方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100556247B1 (ko) * | 2003-12-24 | 2006-03-03 | 삼성전자주식회사 | 화질 평가 장치 및 그 제어방법 |
JP4789212B2 (ja) * | 2007-02-22 | 2011-10-12 | Kddi株式会社 | 映像品質評価方法および装置 |
CN100559881C (zh) * | 2008-05-09 | 2009-11-11 | 中国传媒大学 | 一种基于人工神经网络的视频质量评价方法 |
CN201667682U (zh) * | 2010-03-09 | 2010-12-08 | 天津三星光电子有限公司 | 一种带有图像评价功能的数码相机 |
JP2012085225A (ja) * | 2010-10-14 | 2012-04-26 | Iix Inc | 画質調整システム及び画質調整方法 |
CN204733297U (zh) * | 2015-07-15 | 2015-10-28 | 深圳市明宇通检测有限公司 | 一种图像质量测试系统 |
-
2016
- 2016-01-27 CN CN201610055953.7A patent/CN105516716B/zh not_active Expired - Fee Related
Non-Patent Citations (2)
Title |
---|
基于人眼视觉特性与SVM的视频质量评估模型;狄芳;《南京邮电大学学报》;20151104;第35卷(第5期);全文 * |
基于数字视频监控图像质量主客观评测模型的研究;蒋俊伟;《哈尔滨工业大学硕士学位论文》;20140131;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN105516716A (zh) | 2016-04-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ciancio et al. | No-reference blur assessment of digital pictures based on multifeature classifiers | |
CN104363815B (zh) | 图像处理装置以及图像处理方法 | |
CN104657940B (zh) | 畸变图像校正复原与分析报警的方法和装置 | |
CN107396095B (zh) | 一种无参考三维图像质量评价方法 | |
CN107179322A (zh) | 一种基于双目视觉的桥梁底面裂缝检测方法 | |
CN109410177A (zh) | 一种超分辨率图像的图像质量分析方法及系统 | |
CN109167997A (zh) | 一种视频质量诊断系统及方法 | |
US20200141804A1 (en) | Method and system for hyperspectral light field imaging | |
CN108447058B (zh) | 一种图像质量评价方法及系统 | |
CN110415207A (zh) | 一种基于图像失真类型的图像质量评估的方法 | |
CN109345502A (zh) | 一种基于视差图立体结构信息提取的立体图像质量评价方法 | |
Li et al. | GridSAR: Grid strength and regularity for robust evaluation of blocking artifacts in JPEG images | |
CN109754390A (zh) | 一种基于混合视觉特征的无参考图像质量评价方法 | |
Hashim et al. | No reference Image Quality Measure for Hazy Images. | |
CN105516716B (zh) | 闭环安防系统视频画质的现场测试方法 | |
CN109741285A (zh) | 一种水下图像数据集的构建方法及系统 | |
CN107018410B (zh) | 一种基于预注意机制和空间依赖性的无参考图像质量评价方法 | |
Chen et al. | Visual discomfort prediction on stereoscopic 3D images without explicit disparities | |
CN104954627B (zh) | 一种信息处理方法及电子设备 | |
CN111638039A (zh) | 一种基于人眼视觉特性的激光散斑测量系统 | |
CN104506852B (zh) | 一种面向视频会议编码的客观质量评估方法 | |
Zhang et al. | A no-reference underwater image quality evaluator via quality-aware features | |
US9232215B1 (en) | Measuring video acuity | |
CN115457029A (zh) | 一种基于感知特征的水下图像质量测量方法 | |
CN106780452B (zh) | 一种结合小波和角点特征的全参考屏幕图像质量评估方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20171027 Termination date: 20200127 |