CN108229240A - 一种确定图像质量的方法及装置 - Google Patents

一种确定图像质量的方法及装置 Download PDF

Info

Publication number
CN108229240A
CN108229240A CN201611129823.XA CN201611129823A CN108229240A CN 108229240 A CN108229240 A CN 108229240A CN 201611129823 A CN201611129823 A CN 201611129823A CN 108229240 A CN108229240 A CN 108229240A
Authority
CN
China
Prior art keywords
image
capture device
sample
grade
credit rating
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
CN201611129823.XA
Other languages
English (en)
Inventor
彭学露
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.)
Hangzhou Hikvision Digital Technology Co Ltd
Original Assignee
Hangzhou Hikvision Digital Technology Co Ltd
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 Hangzhou Hikvision Digital Technology Co Ltd filed Critical Hangzhou Hikvision Digital Technology Co Ltd
Priority to CN201611129823.XA priority Critical patent/CN108229240A/zh
Publication of CN108229240A publication Critical patent/CN108229240A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/08—Detecting or categorising vehicles

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明实施例提供了一种确定图像质量的方法及装置，所述方法包括：获取待分析的第一图像；识别所述第一图像中的车辆，并确定包含所述车辆所在区域的第二图像；将所述第二图像输入预先训练的卷积神经网络中，得到所述第一图像的质量等级；其中，所述卷积神经网络是根据各包含第一样本图像中车辆所在区域的第二样本图像，以及各第二样本图像的质量等级标定结果训练得到的。本发明实施例能够提高图像质量确定的效率和准确性。

Description

一种确定图像质量的方法及装置
技术领域
本发明涉及图像处理技术领域，特别是涉及一种确定图像质量的方法及装置。
背景技术
在交通监控领域，通常会在路口、卡口等地方安装图像采集设备，以获得包含车辆的图像，进而根据该图像获取相关的车辆信息。具体地，图像采集设备可以对其采集区域进行检测，当检测到有车辆通过时，抓拍得到包含车辆的监控图像。图像采集设备采集到包含车辆的图像后，还可以对各图像进行分析，以获得相关的车辆信息，如，车牌信息、车辆品牌信息、归属地等。
随着视频监控技术的发展，图像采集设备的普及度越来越高，对图像采集设备性能的要求也越来越高。性能较好的图像采集设备，其采集的图像质量也较高，通过对其采集的图像进行分析，能够准确地获取到图像中包括的车辆的相关信息；而性能较差的图像采集设备，其采集的图像质量也较低，通过对其采集的图像进行分析，可能获取不到准确的车辆的相关信息，甚至获取不到图像中包括的车辆的相关信息。因此，需要一种确定图像质量的方法，进而针对图像质量较差的图像采集设备进行性能改善，以提高图像采集设备的性能。
现有的确定图像质量的方法，主要是针对各图像采集设备采集的图像，由人工对各图像进行核对，确定各图像的质量。而这种方法操作过程耗时较长，且主观因素对图像质量确定结果的影响较大，从而导致图像质量确定的效率和准确性均较低。
发明内容
本发明实施例的目的在于提供一种确定图像质量的方法及装置，以提高图像质量确定的效率和准确性。具体技术方案如下：
第一方面，本发明实施例提供了一种确定图像质量的方法，所述方法包括：
获取待分析的第一图像；
识别所述第一图像中的车辆，并确定包含所述车辆所在区域的第二图像；
将所述第二图像输入预先训练的卷积神经网络中，得到所述第一图像的质量等级；其中，所述卷积神经网络是根据各包含第一样本图像中车辆所在区域的第二样本图像，以及各第二样本图像的质量等级标定结果训练得到的。
可选地，将所述第二图像输入预先训练的卷积神经网络中之前，所述方法还包括：
根据所述第二图像的特征信息，计算所述第二图像的清晰度，并判断所述清晰度是否大于预设阈值；其中，所述特征信息包括以下至少一项：亮度和对比度；
将所述第二图像输入预先训练的卷积神经网络中的步骤包括：
当所述清晰度大于所述预设阈值时，将所述第二图像输入预先训练的卷积神经网络中。
可选地，所述判断所述清晰度是否大于预设阈值之后，所述方法还包括：
当所述清晰度不大于所述预设阈值时，确定所述第一图像的质量等级为预定等级。
可选地，当所述特征信息包括亮度和对比度时，所述根据所述第二图像的特征信息，计算所述第二图像的清晰度的步骤包括：
计算所述第二图像的平均亮度，以及所述第二图像的对比度；
根据预设的平均亮度对应的第一权值、以及对比度对应的第二权值，对所述第二图像的平均亮度、以及所述第二图像的对比度进行加权计算，得到所述第二图像的清晰度。
可选地，所述获取待分析的第一图像之后，所述方法还包括：
当识别不出所述第一图像中的车辆时，确定所述第一图像的质量等级为预定等级。
可选地，预先训练所述卷积神经网络的过程包括：
获取第一样本图像；
识别各第一样本图像中的车辆，并确定包含各车辆所在区域的第二样本图像；
获取各第二样本图像对应的质量等级标定结果；
将各第二样本图像，以及各第二样本图像对应的质量等级标定结果作为训练样本，训练得到所述卷积神经网络。
可选地，所述将各第二样本图像，以及各第二样本图像对应的质量等级标定结果作为训练样本，训练得到所述卷积神经网络的步骤包括：
对各第二样本图像进行下采样和镜像处理；
将处理后的各第二样本图像，以及各第二样本图像对应的质量等级标定结果作为训练样本，训练得到所述卷积神经网络。
可选地，所述方法还包括：
获取采集各第一图像的图像采集设备的标识信息；
保存各第一图像的质量等级以及各图像采集设备的标识信息的对应关系；
针对任一图像采集设备，根据该图像采集设备对应的各第一图像的质量等级，确定该图像采集设备的性能指标。
可选地，所述根据该图像采集设备对应的各第一图像的质量等级，确定该图像采集设备的性能指标的步骤包括：
根据该图像采集设备对应的各第一图像的质量等级，统计该图像采集设备对应的各等级的第一图像的数量；
根据该图像采集设备对应的各等级的第一图像的数量，以及该图像采集设备对应的第一图像的总数量，计算该图像采集设备对应的各等级的第一图像的数量比重；
根据该图像采集设备对应的各等级的第一图像的数量比重，以及预设的各等级的权重，计算该图像采集设备的性能指标。
可选地，所述根据该图像采集设备对应的各等级的第一图像的数量比重，以及预设的各等级的权重，计算该图像采集设备的性能指标的步骤包括：
根据各等级的权重，对该图像采集设备对应的各等级的第一图像的数量比重进行加权计算，将计算结果确定为该图像采集设备的性能指标。
第二方面，本发明实施例提供了一种确定图像质量的装置，所述装置包括：
第一获取模块，用于获取待分析的第一图像；
第一识别模块，用于识别所述第一图像中的车辆，并确定包含所述车辆所在区域的第二图像；
处理模块，用于将所述第二图像输入预先训练的卷积神经网络中，得到所述第一图像的质量等级；其中，所述卷积神经网络是根据各包含第一样本图像中车辆所在区域的第二样本图像，以及各第二样本图像的质量等级标定结果训练得到的。
可选地，所述装置还包括：
计算模块，用于根据所述第二图像的特征信息，计算所述第二图像的清晰度，其中，所述特征信息包括以下至少一项：亮度和对比度；
判断模块，用于判断所述清晰度是否大于预设阈值；
所述处理模块，具体用于当所述判断模块判断所述清晰度大于所述预设阈值时，将所述第二图像输入预先训练的卷积神经网络中。
可选地，所述装置还包括：
第一确定模块，用于当所述判断模块判断所述清晰度不大于所述预设阈值时，确定所述第一图像的质量等级为预定等级。
可选地，当所述特征信息包括亮度和对比度时，所述计算模块，包括：
第一计算子模块，用于计算所述第二图像的平均亮度，以及所述第二图像的对比度；
第二计算子模块，用于根据预设的平均亮度对应的第一权值、以及对比度对应的第二权值，对所述第二图像的平均亮度、以及所述第二图像的对比度进行加权计算，得到所述第二图像的清晰度。
可选地，所述装置还包括：
第一确定模块，用于当识别不出所述第一图像中的车辆时，确定所述第一图像的质量等级为预定等级。
可选地，所述装置还包括：
第二获取模块，用于获取第一样本图像；
第二识别模块，用于识别各第一样本图像中的车辆，并确定包含各车辆所在区域的第二样本图像；
第三获取模块，用于获取各第二样本图像对应的质量等级标定结果；
训练模块，用于将各第二样本图像，以及各第二样本图像对应的质量等级标定结果作为训练样本，训练得到所述卷积神经网络。
可选地，所述训练模块，包括：
处理子模块，用于对各第二样本图像进行下采样和镜像处理；
训练子模块，用于将处理后的各第二样本图像，以及各第二样本图像对应的质量等级标定结果作为训练样本，训练得到所述卷积神经网络。
可选地，所述装置还包括：
第四获取模块，用于获取采集各第一图像的图像采集设备的标识信息；
存储模块，用于保存各第一图像的质量等级以及各图像采集设备的标识信息的对应关系；
执行模块，用于针对任一图像采集设备，根据该图像采集设备对应的各第一图像的质量等级，确定该图像采集设备的性能指标。
可选地，所述执行模块，包括：
统计子模块，用于根据该图像采集设备对应的各第一图像的质量等级，统计该图像采集设备对应的各等级的第一图像的数量；
第三计算子模块，用于根据该图像采集设备对应的各等级的第一图像的数量，以及该图像采集设备对应的第一图像的总数量，计算该图像采集设备对应的各等级的第一图像的数量比重；
第四计算子模块，根据该图像采集设备对应的各等级的第一图像的数量比重，以及预设的各等级的权重，计算该图像采集设备的性能指标。
可选地，所述第四计算子模块，具体用于根据各等级的权重，对该图像采集设备对应的各等级的第一图像的数量比重进行加权计算，将计算结果确定为该图像采集设备的性能指标。
本发明实施例提供了一种确定图像质量的方法及装置，所述方法包括：获取待分析的第一图像；识别所述第一图像中的车辆，并确定包含所述车辆所在区域的第二图像；将所述第二图像输入预先训练的卷积神经网络中，得到所述第一图像的质量等级；其中，所述卷积神经网络是根据各包含第一样本图像中车辆所在区域的第二样本图像，以及各第二样本图像的质量等级标定结果训练得到的。
本发明实施例中，可以预先根据各第二样本图像，以及各第二样本图像的质量等级标定结果训练得到卷积神经网络，进而在进行图像质量确定时，获取到待分析的第一图像，识别出第一图像中的车辆，并确定包含该车辆所在区域的第二图像后，将该第二图像输入卷积神经网络中，可以快速且准确地得到第一图像的质量等级，从而提高了图像质量确定的效率和准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种确定图像质量的方法的流程图；
图2(a)为第一图像示意图；
图2(b)为图2(a)所示第一图像对应的第二图像示意图；
图3为本发明实施例提供的一种确定图像质量的方法的另一流程图；
图4为质量等级为很差的第一图像示意图；
图5为本发明实施例提供的一种确定图像质量的方法的另一流程图；
图6(a)为质量等级为优良的第二样本图像示意图；
图6(b)为质量等级为一般的第二样本图像示意图；
图6(c)为质量等级为差的第二样本图像示意图；
图6(d)为质量等级为很差的第二样本图像示意图；
图7为本发明实施例提供的一种确定图像质量的方法的另一流程图；
图8为本发明实施例提供的一种确定图像质量的方法的另一流程图；
图9为本发明实施例提供的一种确定图像质量的装置的结构示意图。
具体实施方式
为了提高图像质量确定的效率和准确性，本发明实施例提供了一种确定图像质量的方法及装置。
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
如图1所示，本发明实施例提供了一种确定图像质量的方法过程，该过程可以包括以下步骤：
S101，获取待分析的第一图像。
本发明实施例提供的方法可以应用于电子设备或图像采集设备。具体地，该电子设备可以为台式计算机、便携式计算机、智能移动终端等。本发明实施例中，以应用于电子设备为例，来说明本发明实施例的确定图像质量的方法。
在本发明实施例中，可以在需要进行车辆监控的道路上安装图像采集设备。其中，上述图像采集设备可以为球机、摄像机等，本发明实施例对此不进行限定。
并且，可以在图像采集设备与电子设备之间建立有线或无线连接，从而图像采集设备可以将其采集的图像发送给电子设备。例如，可以通过WIFI(Wireless Fidelity，无线保真)、NFC(Near Field Communication，近距离无线通讯技术)、蓝牙等无线连接方式在图像采集设备与电子设备之间建立无线连接，本发明实施例对此不进行限定。
在本发明实施例中，图像采集设备可以采集第一图像。如，图像采集设备可以按照预定的时间间隔，如1秒、5秒、10秒等，周期性检测其图像采集区域是否有车辆出现，当检测到其图像采集区域有车辆出现时，采集当前时刻的第一图像。并且，图像采集设备可以将其采集的第一图像发送给电子设备，以使电子设备确定第一图像的质量等级。
因此，在本发明实施例中，电子设备可以获取第一图像，如，其可以接收图像采集设备发送的第一图像。请参考图2(a)，其示出了电子设备获取的第一图像示意图。
S102，识别所述第一图像中的车辆，并确定包含所述车辆所在区域的第二图像。
在本发明实施例中，当图像采集设备检测到其图像采集区域有车辆出现时，其将采集当前时刻的第一图像。因此，第一图像中应该会包含车辆，并且，图像采集设备在采集第一图像时，会尽量保证其中包含的车辆所在区域的图像质量，以根据该区域识别出车辆的相关信息。也就是说，第一图像中包含的车辆所在区域的图像质量，能够体现第一图像的图像质量。
在本发明实施例中，获取到第一图像后，电子设备可以识别第一图像中的车辆。例如，电子设备可以采用现有的图像识别方法，识别第一图像中包括的车辆，本发明实施例对此过程不进行赘述。
当电子设备识别出第一图像中的车辆后，可以进一步确定包含该车辆所在区域的第二图像，进而可以根据该第二图像，确定第一图像的质量等级。例如，电子设备可以仅将包含车辆所在区域的图像确定为第二图像；或者，电子设备可以以车辆所在区域为中心，上下左右向外扩充，获取预定大小的区域，如120像素*30像素、120像素*40像素等，并将包含该区域的图像确定为第二图像。请参考图2(b)，其示出了图2(a)所示第一图像对应的第二图像。
S103，将所述第二图像输入预先训练的卷积神经网络中，得到所述第一图像的质量等级；其中，所述卷积神经网络是根据各包含第一样本图像中车辆所在区域的第二样本图像，以及各第二样本图像的质量等级标定结果训练得到的。
在本发明实施例中，为了提高图像质量确定的效率和准确性，电子设备可以预先根据一定数量的包含第一样本图像中车辆所在区域的第二样本图像，如100张、500张、1000张等，以及各第二样本图像的质量等级标定结果训练得到卷积神经网络。使用该卷积神经网络，当输入包括车辆的第二图像时，该卷积神经网络可以输出该第二图像对应的质量等级，也就是第二图像对应的第一图像的质量等级。
因此，在本发明实施例中，在确定图像质量时，当电子设备获得包含第一图像的车辆所在区域的第二图像后，其可以将该第二图像输入预先训练的卷积神经网络中，得到第一图像的质量等级。其中，第一图像的质量等级例如可以为优良、一般、差、很差等。
本发明实施例中，可以预先根据各第二样本图像，以及各第二样本图像的质量等级标定结果训练得到卷积神经网络，进而在进行图像质量确定时，获取到待分析的第一图像，识别出第一图像中的车辆，并确定包含该车辆所在区域的第二图像后，将该第二图像输入卷积神经网络中，可以快速且准确地得到第一图像的质量等级，从而提高了图像质量确定的效率和准确性。
作为本发明实施例的一种实施方式，如图3所示，本发明实施例提供的确定图像质量的方法，可以包括以下步骤：
S201，获取待分析的第一图像。
本步骤与图1所示实施例中步骤S101基本相同，在此不再赘述。
S202，识别所述第一图像中的车辆，并确定包含所述车辆所在区域的第二图像。
本步骤与图1所示实施例中步骤S102基本相同，在此不再赘述。
S203，根据所述第二图像的特征信息，计算所述第二图像的清晰度，并判断所述清晰度是否大于预设阈值；如果是，执行步骤S204，如果否，执行步骤S205。
当第二图像的清晰度较低时，通过第二图像可能识别不到其中包含的车辆的相关信息。因此，在本发明实施例中，对于清晰度较低的第二图像，可以直接确定其对应的第一图像的质量等级，而不再通过卷积神经网络来确定第一图像的质量等级，从而可以提高图像质量确定的效率。
具体地，当电子设备获得第二图像后，其可以首先根据第二图像的特征信息，计算第二图像的清晰度，以根据第二图像的清晰度，判断是否可以直接确定对应的第一图像的质量等级，以提高图像质量确定的效率。
具体地，上述特征信息可以包括以下至少一项：亮度和对比度。例如，电子设备可以仅确定第二图像的亮度，并将确定的亮度作为第二图像的清晰度；或者，电子设备可以仅确定第二图像的对比度，并将确定的对比度作为第二图像的清晰度。
具体地，电子设备可以确定第二图像中每个像素的亮度，进而计算整个第二图像的平均亮度，并将该平均亮度作为第二图像的亮度。确定第二图像的对比度时，可以通过轮廓因子来计算。电子设备通过轮廓因子来计算第二图像的对比度的过程，可以采用现有技术，本发明实施例对此过程不进行赘述。
当特征信息包括亮度和对比度时，电子设备可以预先设定平均亮度对应的第一权值、以及对比度对应的第二权值。如，平均亮度对应的第一权值可以为0.6，对比度对应的第二权值可以为0.4；或者，平均亮度对应的第一权值可以为0.5，对比度对应的第二权值也为0.5等。
计算第二图像的清晰度时，电子设备可以首先分别计算第二图像的亮度和对比度，然后根据预设的平均亮度对应的第一权值、以及对比度对应的第二权值，对第二图像的平均亮度、以及第二图像的对比度进行加权计算，得到第二图像的清晰度。
例如，当预设的平均亮度对应的第一权值为0.6，对比度对应的第二权值为0.4，电子设备计算得到第二图像的平均亮度为a1，第二图像的对比度为a2时，其可以确定第二图像的清晰度为0.6*a1+0.4*a2。
计算得到第二图像的清晰度后，电子设备可以判断该清晰度是否大于预设阈值，如果是，表明第二图像的质量等级不是很差，这种情况下，电子设备可以将第二图像输入预先训练的卷积神经网络中，准确地得到对应的第一图像的质量等级；如果否，表明第二图像的质量等级很差，这种情况下，可以直接确定对应的第一图像的质量等级为预定等级，如很差，以提高图像质量确定的效率。
请参考图4，其示出了质量等级为很差的第一图像示意图。如图4所示，图中的第二图像的清晰度均特别低，基本不能分辨其中包括的内容。这种情况下，可以直接确定对应的第一图像的质量等级为很差。
S204，将所述第二图像输入预先训练的卷积神经网络中，得到所述第一图像的质量等级。
本步骤与图1所示实施例中步骤S103基本相同，在此不再赘述。
S205，确定所述第一图像的质量等级为预定等级。
本发明实施例中，可以根据第二图像的清晰度，确定是否将第二图像输入卷积神经网络中，当其清晰度小于预设阈值时，可以直接确定其对应的第一图像的质量等级，无需将其输入卷积神经网络中来确定第一图像的质量等级，进而可以提高图像质量确定的效率。
作为本发明实施例的一种实施方式，电子设备可能从第一图像中识别不出车辆。如，第一图像的清晰度太差，或图像采集设备采集第一图像时未检测到其图像采集区域有车辆通过，即第一图像中不包含车辆，都将导致电子设备从第一图像中识别不出车辆。
当电子设备识别不出第一图像中的车辆时，其可以直接确定第一图像的质量等级为预定等级，如很差，而无需再确定第二图像、将第二图像输入卷积神经网络等步骤，从而能够提高图像质量确定的效率。
作为本发明实施例的一种实施方式，电子设备可以预先训练得到用于进行确定图像质量的卷积神经网络。具体地，如图5所示，本发明实施例提供的确定图像质量的方法，还可以包括以下步骤：
S301，获取第一样本图像。
本发明实施例中，电子设备在训练卷积神经网络时，可以首先获取第一样本图像。例如，电子设备可以获取图像采集设备采集的图像，将其作为第一样本图像。其中，电子设备可以获取尽可能多的第一样本图像，如100张、500张、1000张等，并且，第一样本图像可以包含每种质量等级的图像。
S302，识别各第一样本图像中的车辆，并确定包含各车辆所在区域的第二样本图像。
获取到第一样本图像后，电子设备还可以识别第一样本图像中的车辆。例如，电子设备可以采用现有的图像识别方法，识别第一样本图像中包括的车辆，本发明实施例对此过程不进行赘述。
当电子设备识别出第一样本图像中的车辆后，可以进一步确定包含该车辆所在区域的第二样本图像，进而可以根据第二样本图像，训练得到卷积神经网络。例如，电子设备可以仅将包含车辆所在区域的图像确定为第二样本图像；或者，电子设备可以以车辆所在区域为中心，上下左右向外扩充，获取预定大小的区域，如120像素*30像素、120像素*40像素等，并将包含该区域的图像确定为第二样本图像。
S303，获取各第二样本图像对应的质量等级标定结果。
在本发明实施例中，在对卷积神经网络进行训练之前，电子设备还可以获取各第二样本图像对应的质量等级标定结果。例如，可以由专业人员根据各第二样本图像中车辆的完整性、可见度、姿态大小、遮挡情况、以及是否偏色等车辆描述，来确定各第二样本图像的质量等级，并对应输入电子设备中。其中，各质量等级与其对应的车辆描述可以如表1所示：
表1
如图6(a)所示，其示出了质量等级为优良的第二样本图像示意图；如图6(b)所示，其示出了质量等级为一般的第二样本图像示意图；如图6(c)所示，其示出了质量等级为差的第二样本图像示意图；如图6(d)所示，其示出了质量等级为很差的第二样本图像示意图。
S304，将各第二样本图像，以及各第二样本图像对应的质量等级标定结果作为训练样本，训练得到所述卷积神经网络。
得到各第二样本图像，以及各第二样本图像对应的质量等级标定结果后，电子设备可以将各第二样本图像，以及各第二样本图像对应的质量等级标定结果作为训练样本，训练得到卷积神经网络。
在本发明实施例中，卷积神经网络主要可以有卷积层、池化层和全连接层组成。其中，针对各卷积层，卷积可以按下式进行计算：
其中，f为非线性激活层，通常可以采用tanh函数或sigmoid函数；为第l层第j个单元的偏置，为第l-1层的连接单元构成的向量，*表示二维卷积，为j作用于i上的卷积核参数。通常，卷积输出会有多个特征图，这与卷积核的个数相关。
由于权值共享带来的平移同变性，卷积神经网络只关心一个特征是否被检测到，而不关心特征的位置准确，所以某个区域中类似的特征只需要有一个被保存或者这个区域的均值被保存即可。因此，每个卷积层后面可以有一个池化层，如最大池化层或均值池化层，去执行下采样，以确保输出的图像平移不变形和旋转不变形。其中，对于一个下采样层l中的特征映射j，有：
其中，down为基于因子Nl进行下采样的函数；Nl为第l层子采样层所需要的窗口边界大小。
在本发明实施例中，卷积神经网络用于图像质量分级时，可以将输出层看做一个分类问题，此时：
其中，yi为输出层的第i个单元，xj为上一层第j个单元，wi,j为上一层第j个单元和和输出层第i个单元之间的权重，bi为第i个输出单元的偏置。
需要说明的是，在本发明实施例中，卷积神经网络的训练过程还可以采用现有的任一种技术，本发明实施例对此过程不进行赘述。
本发明实施例中，可以根据各第二样本图像，以及各第二样本图像的质量等级标定结果训练得到卷积神经网络，进而在进行图像质量确定时，获取到待分析的第一图像，识别出第一图像中的车辆，并确定包含该车辆所在区域的第二图像后，将该第二图像输入卷积神经网络中，可以快速且准确地得到第一图像的质量等级，从而提高了图像质量确定的效率和准确性。
作为本发明实施例的一种实施方式，电子设备将第二样本图像作为样本，训练卷积神经网络之前，还可以对各第二样本图像进行下采样和镜像处理。下采样，即采用双线性差值法将所有图像缩放到固定大小，如256像素*256像素。镜像，即将所有图像以50％的概率进行水平翻转，以增加图像的鲁棒性。
作为本发明实施例的一种实施方式，电子设备还可以针对各图像采集设备，根据该图像采集设备采集的各第一图像的质量情况，确定各图像采集设备的性能指标。如图7所示，本发明实施例提供的确定图像质量的方法，还可以包括以下步骤：
S401，获取采集各第一图像的图像采集设备的标识信息。
在本发明实施例中，电子设备可以与多个图像采集设备建立连接关系，并确定各图像采集设备采集的各第一图像的质量等级。并且，电子设备可以针对各图像采集设备，根据该图像采集设备采集的第一图像的质量等级，确定该图像采集设备的性能指标。
具体地，可以预先确定各图像采集设备的标识信息，如01，02，03等，当任一图像采集设备将其采集的第一图像发送给电子设备时，可以同时将其标识信息发送给电子设备，以使电子设备获取到采集各第一图像的图像采集设备的标识信息。
S402，保存各第一图像的质量等级以及各图像采集设备的标识信息的对应关系。
当电子设备获取到采集各第一图像的图像采集设备的标识信息，并确定各第一图像的质量等级后，其可以保存各第一图像的质量等级以及各图像采集设备的标识信息的对应关系。例如，当电子设备保存有多个图像采集设备的标识信息以及该图像采集设备采集的各第一图像的质量等级的对应关系时，可以针对各图像采集设备，分别保存各图像采集设备的标识信息与其采集的第一图像的质量等级的对应关系。
例如，针对任一图像采集设备，电子设备保存的该图像采集设备的标识信息与其采集的各第一图像的质量等级的对应关系可以如表2所示：
表2
S403，针对任一图像采集设备，根据该图像采集设备对应的各第一图像的质量等级，确定该图像采集设备的性能指标。
在本发明实施例中，电子设备可以针对任一图像采集设备，根据该图像采集设备对应的各第一图像的质量等级，确定该图像采集设备的性能指标。例如，电子设备可以针对各图像采集设备，周期性确定其性能指标。
具体地，针对任一图像采集设备，电子设备可以根据该图像采集设备对应的所有的第一图像，来确定该图像采集设备的性能指标；或者，电子设备可以根据预设时间段内(如12小时之内、1天之内、或2天之内等)保存的该图像采集设备对应的第一图像的质量等级，来确定该图像采集设备的性能指标。
其中，如图8所示，针对任一图像采集设备，电子设备根据该图像采集设备对应的各第一图像的质量等级，确定该图像采集设备的性能指标的步骤可以包括以下步骤：
S501，根据该图像采集设备对应的各第一图像的质量等级，统计该图像采集设备对应的各等级的第一图像的数量。
针对任一图像采集设备，电子设备可以根据该图像采集设备对应的各第一图像的质量等级，统计该图像采集设备对应的各等级的第一图像的数量。
例如，当待确定性能指标的图像采集设备的标识信息为01，且电子设备保存的图像采集设备01对应的第一图像的质量等级如表1所示时，电子设备可以根据表1，确定图像采集设备01对应的优良的第一图像的数量为3，一般的第一图像的数量为1，差的第一图像的数量为1。
S502，根据该图像采集设备对应的各等级的第一图像的数量，以及该图像采集设备对应的第一图像的总数量，计算该图像采集设备对应的各等级的第一图像的数量比重。
电子设备确定该图像采集设备对应的各等级的第一图像的数量之后，还可以进一步根据该图像采集设备对应的各等级的第一图像的数量，以及该图像采集设备对应的第一图像的总数量，计算该图像采集设备对应的各等级的第一图像的数量比重。
例如，当电子设备确定图像采集设备01对应的优良的第一图像的数量为3，一般的第一图像的数量为1，差的第一图像的数量为1后，其可以进一步确定图像采集设备01对应的第一图像的总数量为5，优良的第一图像的数量比重为3/5＝0.6，一般的第一图像的数量比重为1/5＝0.2，差的第一图像的数量比重为1/5＝0.2。
S503，根据该图像采集设备对应的各等级的第一图像的数量比重，以及预设的各等级的权重，计算该图像采集设备的性能指标。
在本发明实施例中，可以预先设定各等级的权重，如优良的权重为0.6，一般的权重为0.2，差的权重为0.1，很差的权重为0.1。当电子设备确定该图像采集设备对应的各等级的第一图像的数量比重后，其可以根据该图像采集设备对应的各等级的第一图像的数量比重，以及预设的各等级的权重，计算该图像采集设备的性能指标。
具体地，电子设备可以根据各等级的权重，对该图像采集设备对应的各等级的第一图像的数量比重进行加权计算，将计算结果确定为该图像采集设备的性能指标。例如，当预设的优良的权重为0.6，一般的权重为0.2，差的权重为0.1，很差的权重为0.1，电子设备确定图像采集设备01对应的优良的第一图像的数量比重为0.6，一般的第一图像的数量比重为0.2，差的第一图像的数量比重为0.2时，其可以确定该图像采集设备的性能指标为0.6*0.6+0.2*0.2+0.1*0.2+0.1*0＝0.42。
本发明实施例中，可以针对各图像采集设备，根据该图像采集设备对应的第一图像的质量等级，确定该图像采集设备的性能指标，进而针对性能指标较差的图像采集设备，可以对其性能进行改善，以提高图像采集设备的性能，进而获得质量等级较高的图像。
相应于上面的方法实施例，本发明实施例还提供了相应的装置实施例。
如图9所示，其示出了本发明实施例提供的一种确定图像质量的装置的结构示意图，所述装置包括：
第一获取模块910，用于获取待分析的第一图像；
第一识别模块920，用于识别所述第一图像中的车辆，并确定包含所述车辆所在区域的第二图像；
处理模块930，用于将所述第二图像输入预先训练的卷积神经网络中，得到所述第一图像的质量等级；其中，所述卷积神经网络是根据各包含第一样本图像中车辆所在区域的第二样本图像，以及各第二样本图像的质量等级标定结果训练得到的。
本发明实施例中，可以预先根据各第二样本图像，以及各第二样本图像的质量等级标定结果训练得到卷积神经网络，进而在进行图像质量确定时，获取到待分析的第一图像，识别出第一图像中的车辆，并确定包含该车辆所在区域的第二图像后，将该第二图像输入卷积神经网络中，可以快速且准确地得到第一图像的质量等级，从而提高了图像质量确定的效率和准确性。
作为本发明实施例的一种实施方式，所述装置还包括：
计算模块(图中未示出)，用于根据所述第二图像的特征信息，计算所述第二图像的清晰度，其中，所述特征信息包括以下至少一项：亮度和对比度；
判断模块(图中未示出)，用于判断所述清晰度是否大于预设阈值；
所述处理模块(图中未示出)，具体用于当所述判断模块判断所述清晰度大于所述预设阈值时，将所述第二图像输入预先训练的卷积神经网络中。
作为本发明实施例的一种实施方式，所述装置还包括：
第一确定模块(图中未示出)，用于当所述判断模块判断所述清晰度不大于所述预设阈值时，确定所述第一图像的质量等级为预定等级。
作为本发明实施例的一种实施方式，当所述特征信息包括亮度和对比度时，所述计算模块，包括：
第一计算子模块(图中未示出)，用于计算所述第二图像的平均亮度，以及所述第二图像的对比度；
第二计算子模块(图中未示出)，用于根据预设的平均亮度对应的第一权值、以及对比度对应的第二权值，对所述第二图像的平均亮度、以及所述第二图像的对比度进行加权计算，得到所述第二图像的清晰度。
作为本发明实施例的一种实施方式，所述装置还包括：
第一确定模块(图中未示出)，用于当识别不出所述第一图像中的车辆时，确定所述第一图像的质量等级为预定等级。
作为本发明实施例的一种实施方式，所述装置还包括：
第二获取模块(图中未示出)，用于获取第一样本图像；
第二识别模块(图中未示出)，用于识别各第一样本图像中的车辆，并确定包含各车辆所在区域的第二样本图像；
第三获取模块(图中未示出)，用于获取各第二样本图像对应的质量等级标定结果；
训练模块(图中未示出)，用于将各第二样本图像，以及各第二样本图像对应的质量等级标定结果作为训练样本，训练得到所述卷积神经网络。
作为本发明实施例的一种实施方式，所述训练模块，包括：
处理子模块(图中未示出)，用于对各第二样本图像进行下采样和镜像处理；
训练子模块(图中未示出)，用于将处理后的各第二样本图像，以及各第二样本图像对应的质量等级标定结果作为训练样本，训练得到所述卷积神经网络。
作为本发明实施例的一种实施方式，所述装置还包括：
第四获取模块(图中未示出)，用于获取采集各第一图像的图像采集设备的标识信息；
存储模块(图中未示出)，用于保存各第一图像的质量等级以及各图像采集设备的标识信息的对应关系；
执行模块(图中未示出)，用于针对任一图像采集设备，根据该图像采集设备对应的各第一图像的质量等级，确定该图像采集设备的性能指标。
作为本发明实施例的一种实施方式，所述执行模块，包括：
统计子模块(图中未示出)，用于根据该图像采集设备对应的各第一图像的质量等级，统计该图像采集设备对应的各等级的第一图像的数量；
第三计算子模块(图中未示出)，用于根据该图像采集设备对应的各等级的第一图像的数量，以及该图像采集设备对应的第一图像的总数量，计算该图像采集设备对应的各等级的第一图像的数量比重；
第四计算子模块(图中未示出)，根据该图像采集设备对应的各等级的第一图像的数量比重，以及预设的各等级的权重，计算该图像采集设备的性能指标。
作为本发明实施例的一种实施方式，所述第四计算子模块，具体用于根据各等级的权重，对该图像采集设备对应的各等级的第一图像的数量比重进行加权计算，将计算结果确定为该图像采集设备的性能指标。
对于装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已，并非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作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (20)

1.一种确定图像质量的方法，其特征在于，所述方法包括：
获取待分析的第一图像；
识别所述第一图像中的车辆，并确定包含所述车辆所在区域的第二图像；
将所述第二图像输入预先训练的卷积神经网络中，得到所述第一图像的质量等级；其中，所述卷积神经网络是根据各包含第一样本图像中车辆所在区域的第二样本图像，以及各第二样本图像的质量等级标定结果训练得到的。
2.根据权利要求1所述的方法，其特征在于，将所述第二图像输入预先训练的卷积神经网络中之前，所述方法还包括：
根据所述第二图像的特征信息，计算所述第二图像的清晰度，并判断所述清晰度是否大于预设阈值；其中，所述特征信息包括以下至少一项：亮度和对比度；
将所述第二图像输入预先训练的卷积神经网络中的步骤包括：
当所述清晰度大于所述预设阈值时，将所述第二图像输入预先训练的卷积神经网络中。
3.根据权利要求2所述的方法，其特征在于，所述判断所述清晰度是否大于预设阈值之后，所述方法还包括：
当所述清晰度不大于所述预设阈值时，确定所述第一图像的质量等级为预定等级。
4.根据权利要求2所述的方法，其特征在于，当所述特征信息包括亮度和对比度时，所述根据所述第二图像的特征信息，计算所述第二图像的清晰度的步骤包括：
计算所述第二图像的平均亮度，以及所述第二图像的对比度；
根据预设的平均亮度对应的第一权值、以及对比度对应的第二权值，对所述第二图像的平均亮度、以及所述第二图像的对比度进行加权计算，得到所述第二图像的清晰度。
5.根据权利要求1所述的方法，其特征在于，所述获取待分析的第一图像之后，所述方法还包括：
当识别不出所述第一图像中的车辆时，确定所述第一图像的质量等级为预定等级。
6.根据权利要求1-5任一项所述的方法，其特征在于，预先训练所述卷积神经网络的过程包括：
获取第一样本图像；
识别各第一样本图像中的车辆，并确定包含各车辆所在区域的第二样本图像；
获取各第二样本图像对应的质量等级标定结果；
将各第二样本图像，以及各第二样本图像对应的质量等级标定结果作为训练样本，训练得到所述卷积神经网络。
7.根据权利要求6所述的方法，其特征在于，所述将各第二样本图像，以及各第二样本图像对应的质量等级标定结果作为训练样本，训练得到所述卷积神经网络的步骤包括：
对各第二样本图像进行下采样和镜像处理；
将处理后的各第二样本图像，以及各第二样本图像对应的质量等级标定结果作为训练样本，训练得到所述卷积神经网络。
8.根据权利要求1-5任一项所述的方法，其特征在于，所述方法还包括：
获取采集各第一图像的图像采集设备的标识信息；
保存各第一图像的质量等级以及各图像采集设备的标识信息的对应关系；
针对任一图像采集设备，根据该图像采集设备对应的各第一图像的质量等级，确定该图像采集设备的性能指标。
9.根据权利要求8所述的方法，其特征在于，所述根据该图像采集设备对应的各第一图像的质量等级，确定该图像采集设备的性能指标的步骤包括：
根据该图像采集设备对应的各第一图像的质量等级，统计该图像采集设备对应的各等级的第一图像的数量；
根据该图像采集设备对应的各等级的第一图像的数量，以及该图像采集设备对应的第一图像的总数量，计算该图像采集设备对应的各等级的第一图像的数量比重；
根据该图像采集设备对应的各等级的第一图像的数量比重，以及预设的各等级的权重，计算该图像采集设备的性能指标。
10.根据权利要求9所述的方法，其特征在于，所述根据该图像采集设备对应的各等级的第一图像的数量比重，以及预设的各等级的权重，计算该图像采集设备的性能指标的步骤包括：
根据各等级的权重，对该图像采集设备对应的各等级的第一图像的数量比重进行加权计算，将计算结果确定为该图像采集设备的性能指标。
11.一种确定图像质量的装置，其特征在于，所述装置包括：
第一获取模块，用于获取待分析的第一图像；
第一识别模块，用于识别所述第一图像中的车辆，并确定包含所述车辆所在区域的第二图像；
处理模块，用于将所述第二图像输入预先训练的卷积神经网络中，得到所述第一图像的质量等级；其中，所述卷积神经网络是根据各包含第一样本图像中车辆所在区域的第二样本图像，以及各第二样本图像的质量等级标定结果训练得到的。
12.根据权利要求11所述的装置，其特征在于，所述装置还包括：
计算模块，用于根据所述第二图像的特征信息，计算所述第二图像的清晰度，其中，所述特征信息包括以下至少一项：亮度和对比度；
判断模块，用于判断所述清晰度是否大于预设阈值；
所述处理模块，具体用于当所述判断模块判断所述清晰度大于所述预设阈值时，将所述第二图像输入预先训练的卷积神经网络中。
13.根据权利要求12所述的装置，其特征在于，所述装置还包括：
第一确定模块，用于当所述判断模块判断所述清晰度不大于所述预设阈值时，确定所述第一图像的质量等级为预定等级。
14.根据权利要求12所述的装置，其特征在于，当所述特征信息包括亮度和对比度时，所述计算模块，包括：
第一计算子模块，用于计算所述第二图像的平均亮度，以及所述第二图像的对比度；
第二计算子模块，用于根据预设的平均亮度对应的第一权值、以及对比度对应的第二权值，对所述第二图像的平均亮度、以及所述第二图像的对比度进行加权计算，得到所述第二图像的清晰度。
15.根据权利要求11所述的装置，其特征在于，所述装置还包括：
第一确定模块，用于当识别不出所述第一图像中的车辆时，确定所述第一图像的质量等级为预定等级。
16.根据权利要求11-15任一项所述的装置，其特征在于，所述装置还包括：
第二获取模块，用于获取第一样本图像；
第二识别模块，用于识别各第一样本图像中的车辆，并确定包含各车辆所在区域的第二样本图像；
第三获取模块，用于获取各第二样本图像对应的质量等级标定结果；
训练模块，用于将各第二样本图像，以及各第二样本图像对应的质量等级标定结果作为训练样本，训练得到所述卷积神经网络。
17.根据权利要求16所述的装置，其特征在于，所述训练模块，包括：
处理子模块，用于对各第二样本图像进行下采样和镜像处理；
训练子模块，用于将处理后的各第二样本图像，以及各第二样本图像对应的质量等级标定结果作为训练样本，训练得到所述卷积神经网络。
18.根据权利要求11-15任一项所述的装置，其特征在于，所述装置还包括：
第四获取模块，用于获取采集各第一图像的图像采集设备的标识信息；
存储模块，用于保存各第一图像的质量等级以及各图像采集设备的标识信息的对应关系；
执行模块，用于针对任一图像采集设备，根据该图像采集设备对应的各第一图像的质量等级，确定该图像采集设备的性能指标。
19.根据权利要求18所述的装置，其特征在于，所述执行模块，包括：
统计子模块，用于根据该图像采集设备对应的各第一图像的质量等级，统计该图像采集设备对应的各等级的第一图像的数量；
第三计算子模块，用于根据该图像采集设备对应的各等级的第一图像的数量，以及该图像采集设备对应的第一图像的总数量，计算该图像采集设备对应的各等级的第一图像的数量比重；
第四计算子模块，根据该图像采集设备对应的各等级的第一图像的数量比重，以及预设的各等级的权重，计算该图像采集设备的性能指标。
20.根据权利要求19所述的装置，其特征在于，所述第四计算子模块，具体用于根据各等级的权重，对该图像采集设备对应的各等级的第一图像的数量比重进行加权计算，将计算结果确定为该图像采集设备的性能指标。
CN201611129823.XA 2016-12-09 2016-12-09 一种确定图像质量的方法及装置 Pending CN108229240A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611129823.XA CN108229240A (zh) 2016-12-09 2016-12-09 一种确定图像质量的方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611129823.XA CN108229240A (zh) 2016-12-09 2016-12-09 一种确定图像质量的方法及装置

Publications (1)

Publication Number Publication Date
CN108229240A true CN108229240A (zh) 2018-06-29

Family

ID=62637211

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611129823.XA Pending CN108229240A (zh) 2016-12-09 2016-12-09 一种确定图像质量的方法及装置

Country Status (1)

Country Link
CN (1) CN108229240A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109167998A (zh) * 2018-11-19 2019-01-08 深兰科技（上海）有限公司 检测相机状态的方法及装置、电子设备、存储介质
CN110895802A (zh) * 2018-08-23 2020-03-20 杭州海康威视数字技术股份有限公司 一种图像处理方法及装置
CN111310516A (zh) * 2018-12-11 2020-06-19 杭州海康威视数字技术股份有限公司 一种行为识别方法和装置
CN113132615A (zh) * 2019-12-31 2021-07-16 深圳云天励飞技术有限公司 对象图像获取方法、装置、电子设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101567044A (zh) * 2009-05-22 2009-10-28 北京大学 一种人脸图像质量检测方法
CN104185981A (zh) * 2013-10-23 2014-12-03 华为终端有限公司 从连拍图像中选择图像的方法和终端
CN105809704A (zh) * 2016-03-30 2016-07-27 北京小米移动软件有限公司 识别图像清晰度的方法及装置
CN106067020A (zh) * 2016-06-02 2016-11-02 广东工业大学 实时场景下快速获取有效图像的系统和方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101567044A (zh) * 2009-05-22 2009-10-28 北京大学 一种人脸图像质量检测方法
CN104185981A (zh) * 2013-10-23 2014-12-03 华为终端有限公司 从连拍图像中选择图像的方法和终端
CN105809704A (zh) * 2016-03-30 2016-07-27 北京小米移动软件有限公司 识别图像清晰度的方法及装置
CN106067020A (zh) * 2016-06-02 2016-11-02 广东工业大学 实时场景下快速获取有效图像的系统和方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110895802A (zh) * 2018-08-23 2020-03-20 杭州海康威视数字技术股份有限公司 一种图像处理方法及装置
CN110895802B (zh) * 2018-08-23 2023-09-01 杭州海康威视数字技术股份有限公司 一种图像处理方法及装置
CN109167998A (zh) * 2018-11-19 2019-01-08 深兰科技（上海）有限公司 检测相机状态的方法及装置、电子设备、存储介质
CN111310516A (zh) * 2018-12-11 2020-06-19 杭州海康威视数字技术股份有限公司 一种行为识别方法和装置
CN111310516B (zh) * 2018-12-11 2023-08-29 杭州海康威视数字技术股份有限公司 一种行为识别方法和装置
CN113132615A (zh) * 2019-12-31 2021-07-16 深圳云天励飞技术有限公司 对象图像获取方法、装置、电子设备及存储介质

Similar Documents

Publication Publication Date Title
CN105718869B (zh) 一种评估图片中人脸颜值的方法和装置
CN104700099B (zh) 识别交通标志的方法和装置
CN105745687B (zh) 情景感知移动目标检测
CN109670441A (zh) 一种实现安全帽穿戴识别的方法、系统、终端以及计算机可读存储介质
CN108446630A (zh) 机场跑道智能监控方法、应用服务器及计算机存储介质
CN109801282A (zh) 路面状况检测方法、处理方法、装置及系统
CN107944327A (zh) 一种人数统计方法及装置
CN108229240A (zh) 一种确定图像质量的方法及装置
CN106846362A (zh) 一种目标检测跟踪方法和装置
CN103810717B (zh) 一种人体行为检测方法及装置
CN104408746B (zh) 一种基于深度信息的客流统计系统
CN109559310A (zh) 基于显著性检测的输变电巡检图像质量评价方法及系统
CN105426894B (zh) 铁道塞钉图像检测方法及装置
CN110287889A (zh) 一种身份识别的方法及装置
CN104463204B (zh) 目标数量统计方法
CN108154110A (zh) 一种基于深度学习人头检测的密集人流量统计方法
CN105426828A (zh) 人脸检测方法、装置及系统
CN106530281A (zh) 基于边缘特征的无人机图像模糊判断方法及系统
CN104463240B (zh) 一种仪表定位方法及装置
CN110399822A (zh) 基于深度学习的举手动作识别方法、装置及存储介质
CN107273799A (zh) 一种室内定位方法及定位系统
CN106558051A (zh) 一种改进的从单幅图像检测道路的方法
CN105869175A (zh) 一种图像分割方法及系统
CN105070094B (zh) 一种基于机器视觉的车位检测系统及车位检测方法
CN107463927A (zh) 一种基于卷积神经网络的道路减速带检测方法及装置

Legal Events

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

Application publication date: 20180629

RJ01 Rejection of invention patent application after publication