CN108337505A - 信息获取方法和装置 - Google Patents

Abstract

本申请实施例公开了信息获取方法和装置。该方法的一具体实施方式包括：获取摄像头拍摄的至少一帧视频图像；将视频图像输入到视频缺陷识别模型的多个视频缺陷识别子模型中，得到各视频缺陷识别子模型的输出值，各视频缺陷识别子模型的输出值用于指示视频图像是否具有与该视频缺陷识别子模型对应的缺陷类型；基于各个视频缺陷识别子模型的输出值确定视频图像所对应的缺陷类型信息，缺陷类型信息用于指示视频图像的缺陷类型。一方面可以提高检测视频图像所对应的缺陷类型的准确性，另一方面可以提升检测视频图像所对应的缺陷类型的全面性。

Description

信息获取方法和装置

技术领域

本申请实施例涉及计算机技术领域，具体图像处理技术领域，尤其涉及信息获取方法和装置。

背景技术

随着电子技术的发展，视频资料日益成为主流的媒体资料类型，并被大量用于档案的收集和保存，广泛应用于安防监控领域。此外，随着互联网的发展，经由互联网在终端之间或者在服务器与终端之间传送的视频媒体也越来越普遍。

无论是作为档案的视频资料还是由互联网传送的视频媒体，都需要由摄像头拍摄视频图像然后将视频图像进行传输或保存。

然而视频图像的质量会因设备受损、摄像头抖动或环境因素等的影响而引入各种缺陷，如曝光量设置不当引起的视频图像亮度异常、设备焦距失调导致的视频图像清晰度异常等视频缺陷。这些视频缺陷的引入会阻碍人们从视频图像中获取准确的信息。

发明内容

本申请实施例提出了一种信息获取方法和装置。

第一方面，本申请实施例提供了一种信息获取方法，该方法包括：获取摄像头拍摄的至少一帧视频图像；将视频图像输入到视频缺陷识别模型的多个视频缺陷识别子模型中，得到各视频缺陷识别子模型的输出值，各视频缺陷识别子模型的输出值用于指示视频图像是否具有与该视频缺陷识别子模型对应的缺陷类型，每一个视频缺陷识别子模型用于识别以下任意一种缺陷类型：清晰度异常、亮度异常、颜色异常、连续性异常、对比度异常；基于各个视频缺陷识别子模型的输出值确定视频图像所对应的缺陷类型信息，缺陷类型信息用于指示视频图像的缺陷类型。

在一些实施例中，视频缺陷识别子模型包括亮度异常识别子模型；以及在将视频图像输入到视频缺陷识别模型的多个视频缺陷识别子模型中，得到各视频缺陷识别子模型的输出值之前，信息获取方法还包括：获取拍摄视频图像时的环境亮度参数；将视频图像输入到视频缺陷识别模型的多个视频缺陷识别子模型中，得到各视频缺陷识别子模型的输出值，包括：将环境亮度参数以及视频图像输入到亮度异常识别子模型，以使亮度异常识别子模型基于环境亮度参数和视频图像的亮度参数确定输出值。

在一些实施例中，视频缺陷识别子模型包括连续性异常识别子模型；以及将视频图像输入到视频缺陷识别模型的多个视频缺陷识别子模型中，得到各视频缺陷识别子模型的输出值，包括：将至少连续两帧视频图像输入到连续性异常识别子模型，得到连续性异常识别子模型根据至少连续两帧视频图像确定的输出值。

在一些实施例中，各视频缺陷识别子模型均为卷积神经网络模型。

在一些实施例中，在获取摄像头所拍摄的至少一帧视频图像之前，信息获取方法还包括：使用添加了缺陷类型标注的多个视频图像分别对各视频缺陷识别子模型进行训练。

第二方面，本申请实施例提供了一种信息获取装置，该装置包括：第一获取单元，配置用于获取摄像头拍摄的至少一帧视频图像；输入单元，配置用于将视频图像输入到视频缺陷识别模型的多个视频缺陷识别子模型中，得到各视频缺陷识别子模型的输出值，各视频缺陷识别子模型的输出值用于指示视频图像是否具有与该视频缺陷识别子模型对应的缺陷类型，每一个视频缺陷识别子模型用于识别以下任意一种缺陷类型：清晰度异常、亮度异常、颜色异常、连续性异常、对比度异常；确定单元，配置用于基于各个视频缺陷识别子模型的输出值确定视频图像所对应的缺陷类型信息，缺陷类型信息用于指示视频图像的缺陷类型。

在一些实施例中，视频缺陷识别子模型包括亮度异常识别子模型；以及信息获取装置还包括第二获取单元，第二获取单元配置用于在输入单元将视频图像输入到视频缺陷识别模型的多个视频缺陷识别子模型中，得到各视频缺陷识别子模型的输出值之前，获取拍摄视频图像时的环境亮度参数；输入单元进一步配置用于：将环境亮度参数以及视频图像输入到亮度异常识别子模型，以使亮度异常识别子模型基于环境亮度参数和视频图像的亮度参数确定输出值。

在一些实施例中，视频缺陷识别子模型包括连续性异常识别子模型；以及输入单元进一步配置用于：将至少连续两帧视频图像输入到连续性异常识别子模型，得到连续性异常识别子模型根据至少连续两帧视频图像确定的输出值。

在一些实施例中，各视频缺陷识别子模型均为卷积神经网络模型。

在一些实施例中，信息获取装置还包括训练单元，训练单元配置用于：在获取单元获取摄像头所拍摄的至少一帧视频图像之前，使用添加了缺陷类型标注的多个视频图像分别对各视频缺陷识别子模型进行训练。

第三方面，本申请实施例提供了一种服务器，该服务器包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当上述一个或多个程序被上述一个或多个处理器执行时，使得上述一个或多个处理器实现如第一方面中任一实现方式描述的方法。

第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，其中，该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。

本申请实施例提供的信息获取方法和装置，通过获取摄像头所拍摄的至少一帧视频图像，然后将视频图像输入到视频缺陷识别模型的多个视频缺陷识别子模型中，得到各视频缺陷识别子模型的输出值，最后基于各个视频缺陷识别子模型的输出值确定视频图像所对应的缺陷类型信息，从而一方面可以提高检测视频图像所对应的缺陷类型的准确性，另一方面可以提升检测视频图像所对应的缺陷类型的全面性。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1是本申请可以应用于其中的示例性系统架构图；

图2是根据本申请的信息获取方法的一个实施例的流程图；

图3是根据本申请的信息获取方法的一个应用场景的示意图；

图4是根据本申请的信息获取装置的一个实施例的结构示意图；

图5是适于用来实现本申请实施例的服务器的计算机系统的结构示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请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申请。

图1示出了可以应用本申请的信息获取方法或信息获取装置的实施例的示例性系统架构100。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

终端设备101、102、103可以是摄像装置、还可以是具备图像采集功能的各种电子设备，包括但不限于摄像机、智能手机、平板电脑、膝上型便携计算机和台式计算机等等。

服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103采集到的视频图像进行处理的后台服务器。后台服务器可以对接收到的视频图像进行分析等处理，并将处理结果反馈给终端设备。

需要说明的是，本申请实施例所提供的信息获取方法一般由服务器105执行，相应地，信息获取装置一般设置于服务器105中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

继续参考图2，其示出了根据本申请的信息获取方法的一个实施例的流程200。该信息获取方法，包括以下步骤：

步骤201，获取摄像头拍摄的至少一帧视频图像。

在本实施例中，信息获取方法运行于其上的电子设备(例如图1所示的服务器)可以通过有线连接方式或者无线连接方式从摄像头或者设置了摄像头的终端设备(例如图1所示的终端设备101、102、103)接收摄像头拍摄的多帧视频图像，并从摄像头拍摄的多帧视频图像中提取至少一帧视频图像。

通常，摄像头可以按照预先设置的拍摄速度来拍摄视频图像，这里的拍摄速度例如可以为25帧/秒。上述电子设备可以从预定时间段内摄像头所拍摄的多帧视频图像数据中提取至少一帧视频图像进行分析处理。

上述摄像头或者设置了摄像头的终端设备例如可以用于安防监控。上述摄像头或者设置了摄像头的终端设备可以将其所拍摄的视频图像通过有线连接方式或者无线连接方式发送给上述电子设备。

步骤202，将视频图像输入到视频缺陷识别模型的多个视频缺陷识别子模型中，得到各视频缺陷识别子模型的输出值。

在本实施例中，视频图像所对应的缺陷类型可以包括以下至少一种缺陷类型：清晰度异常、亮度异常、颜色异常、连续性异常、对比度异常。

在本实施例中，上述视频缺陷识别模型可以包括多个视频缺陷识别子模型。每一个视频缺陷识别子模型可以对应一个缺陷类型。也就是说，视频缺陷识别模型由多个视频缺陷识别子模型组成。

上述多个视频缺陷识别子模型中的每一个视频缺陷识别子模型可以与上述缺陷类型中的一种缺陷类型一一对应。也就是说，上述清晰度异常、亮度异常、颜色异常、连续性异常、对比度异常中的每一种缺陷类型可以与一个视频缺陷识别子模型一一对应。上述多个视频缺陷识别子模型例如可以包括清晰度异常识别子模型、亮度异常识别子模型、颜色异常识别子模型、连续性异常识别子模型、对比度异常识别子模型。

在本实施例中，基于步骤201中得到的至少一帧视频图像，上述电子设备(例如图1所示的服务器)可以将上述至少一帧视频图像分别输入到视频缺陷识别模型的每一个视频缺陷识别子模型。也就是说，各个视频缺陷识别子模型的输入均为上述至少一帧视频图像。上述至少一帧视频图像例如可以为同一个拍摄时间段(例如1秒)所拍摄的多帧视频图像中连续的2-4帧视频图像。

通常，由摄像头所拍摄的视频图像可能存在一种缺陷、可能存在多种缺陷，还可能不存在缺陷。在本实施例中上述电子设备可以将一帧视频图像输入到视频缺陷识别模型的各个视频缺陷识别子模型中。此外，上述电子设备还可以将连续两帧视频图像或者连续两帧以上的视频图像输入到上述视频缺陷识别模型中的每一个视频缺陷识别子模型中。可选的，可以选择连续的2-4帧视频图像输入到上述视频缺陷识别模型的各个视频缺陷识别子模型中。

上述各个视频缺陷识别子模型可以是支持向量机模型、贝叶斯模型等。需要说明的是，上述支持向量机模型、贝叶斯模型是目前广泛研究和应用的公知技术，在此不再赘述。

进一步地，上述各个视频缺陷识别子模型可以是神经网络模型，例如卷积神经网络模型(Convolutional Neural Network，CNN)等。卷积神经网络是深度人工神经网络的一种，通常卷积神经网络可以包括多个特征提取层(又称卷积层)以及多个下采样层(又称池化层，Pooling层)。其中，特征提取层与下采样层交替连接。每一个特征提取层可以包括至少一个卷积核。对于一个特征提取层，使用该层的一个卷积核与前一层的输出进行卷积得到一个特征图。当特征提取层包括多个卷积核时，使用该层的各卷核分别与前一层的输出进行卷积得到多个特征图。下采样层，用来对与其连接的特征提取层的输出的卷积结果求局部平均和降维处理。其中，特征提取层中的卷积核中包括多个权值。卷积核中的权值可以由多个样本训练得到。卷积神经网络的每一个卷积核对视频图像提取特征图时都利用局部权值共享，可以降低神经网络模型的复杂度。

在本实施例的一些可选实现方式中，在步骤201获取摄像头拍摄的至少一帧视频图像之前，使用添加了缺陷类型标注的多个视频图像分别对各个视频缺陷识别子模型进行训练。也就是说，在使用各个视频缺陷识别子模型之前需要对各个视频缺陷识别子模型进行训练。当任一视频缺陷识别子模型经过训练之后，该视频缺陷识别子模型的输出值接近输入到其中的视频图像所具有的与该视频缺陷识别子模型对应的缺陷类型的标注值。

在本实施例中，每一个视频缺陷识别子模型的输出值可以用于指示所输入的视频图像是否具有与该视频缺陷识别子模型对应的缺陷类型。例如每一个视频缺陷识别子模型均可以为一个二分类模型。每一个视频缺陷识别子模型的输出值可以是“0”或“1”。其中“0”用于指示视频图像不具有该视频缺陷识别子模型所对应的缺陷类型；“1”用于指示视频图像具有该视频缺陷识别子模型对应的缺陷类型。在一些应用场景中，上述每一个视频缺陷识别子模型的输出值还可以是视频图像具有该视频缺陷识别子模型对应的缺陷类型的概率值或者视频图像不具有该视频缺陷识别子模型对应的缺陷类型的概率值。当每一个视频缺陷识别子模型均为一个二分类模型时，若视频图像具有即便展现轻微的一种缺陷类型时，与该缺陷类型对应的视频缺陷识别子模型的输出值也是指示视频图像具有该缺陷类型的数值(例如1)。也就是说，上述至少一帧视频图像具有的无论轻微的还是严重的缺陷类型，都可以由上述视频缺陷识别模型识别出来。因此，使用多个视频缺陷识别子模型组成一个视频缺陷识别模型来识别摄像头拍摄的至少一帧视频图像中的缺陷类型，一方面可以提高识别视频图像对应的缺陷类型的准确度，另一方面还可以提高识别视频图像对应的缺陷类型的全面性。

当上述电子设备将至少一帧视频图像输入到上述各个视频缺陷识别子模型后，可以得到每一个视频缺陷识别子模型的输出值。上述各视频缺陷识别子模型的输出值例如可以为上述“0”或“1”。上述每一个视频缺陷识别子模型的输出值还可以是上述至少一帧视频图像具有该视频缺陷识别子模型对应的缺陷类型的概率值或者上述至少一帧视频图像不具有该视频缺陷识别子模型对应的缺陷类型的概率值。

在本实施例的一些可选实现方式中，上述各个视频缺陷类型可以包括多个视频缺陷子类型。例如亮度异常可以包括但不限于：过亮、过暗等视频缺陷子类型；清晰度异常可以包括但不限于：条纹、模糊、遮挡等视频缺陷子类型；连续性异常可以包括但不限于：画面抖动、画面冻结等视频缺陷子类型等。进一步地，上述任一视频缺陷识别子模型的输出值可以包括多个数值，每一个数值可以为指示视频图像具有该视频缺陷识别子模型对应的视频缺陷类型所包括的一个视频缺陷子类型的概率值。

步骤203，基于各个视频缺陷识别子模型的输出值确定视频图像所对应的缺陷类型信息，缺陷类型信息用于指示视频图像的缺陷类型。

在本实施例中，上述电子设备可以基于在步骤202中得到的各个视频缺陷识别子模型的输出值确定视频图像所对应的缺陷类型信息。在这里，缺陷类型信息用于指示视频图像所对应的缺陷类型。上述缺陷类型例如为以下至少一种缺陷类型：清晰度异常、亮度异常、颜色异常、连续性异常、对比度异常。可选的，上述缺陷类型信息还可以包括用于指示视频图像所对应的缺陷类型包括的缺陷子类型的信息。

对于多个预先训练的视频缺陷识别子模型中的一个视频缺陷识别子模型，对输入到其中的至少一帧视频图像，该视频缺陷识别子模型可以输出上述用于指示上述至少一帧视频图像是否具有与该视频缺陷识别子模型对应的缺陷类型的输出值，如“0”或“1”；或者输出视频图像具有该视频缺陷识别子模型对应的缺陷类型的概率值或视频图像不具有该视频缺陷识别子模型对应的缺陷类型的概率值。

上述电子设备可以根据每一个视频缺陷识别子模型的输出值来确定输入到其中的至少一帧视频图像所对应的缺陷类型信息。

例如，若上述电子设备将至少一帧视频图像输入到视频缺陷识别模型中的清晰度异常识别子模型、亮度异常识别子模型、颜色异常识别子模型、连续性异常识别子模型、对比度异常识别子模型时，上述各视频缺陷识别子模型的输出值分别为“1”、“0”、“1”、“0”、“0”，则上述电子设备可以根据上述各视频缺陷识别子模型的输出值，确定上述至少一帧视频图像所对应的缺陷类型信息为用于指示视频缺陷类型“清晰度异常”和“颜色异常”的信息。

当各视频缺陷识别子模型的输出值为输入到其中的视频图像具有该视频缺陷识别子模型对应的缺陷类型的概率值或视频图像不具有该视频缺陷识别子模型对应的缺陷类型的概率值时，可以根据视频缺陷识别子模型的输出值与预先设置的概率阈值(例如，0.5)的大小关系来确定输入到视频缺陷识别子模型中的视频图像是否具有与视频缺陷识别子模型对应的缺陷类型。当一个视频缺陷识别子模型输出的视频图像具有该视频缺陷识别子模型对应的缺陷类型的概率值大于预先设置的概率阈值时，上述电子设备可以确定输入到该视频缺陷识别子模型中的视频图像具有与该视频缺陷识别子模型对应的缺陷类型。当一个视频缺陷识别子模型输出的视频图像不具有该视频缺陷识别子模型对应的缺陷类型的概率值大于预先设置的概率阈值时，上述电子设备即可以确定输入到该视频缺陷识别子模型中的视频图像不具有与该视频缺陷识别子模型对应的缺陷类型。

在本实施例的一些可选实现方式中，若上述任一视频缺陷识别子模型的输出值包括多个数值，且每一个数值为视频图像具有该视频缺陷识别子模型对应的视频缺陷类型所包括的一个视频缺陷子类型的概率值时，上述电子设备可以根据任一数值与预先设置的概率阈值的大小关系来确定视频图像是否具有与该数值对应的视频缺陷子类型。

在本实施例中，上述电子设备可以实时检测摄像头拍摄的视频图像是否存在缺陷。当检测到视频图像存在缺陷时，上述电子设备可以输出视频图像所对应的缺陷类型信息。这样一来，当视频图像的维护人员在看到上述缺陷类型信息时，可以及时对摄像头或包括摄像头的终端设备等进行调整以确保视频图像的质量。

在本实施例的一些可选实现方式中，上述电子设备还可以将视频图像所对应的缺陷类型信息推送给预设人员。这里的预设人员例如可以为上述视频图像的维护人员。这样一来，视频图像的维护人员可以实时了解视频图像是否存在缺陷，当视频图像存在缺陷时，可以及时维护相关设备，从而可以提高视频资料或者视频媒体的质量。

继续参见图3，图3是根据本实施例的信息获取方法的应用场景的一个示意图。在图3的应用场景300中，上述电子设备302接收摄像设备301发送的其上的摄像头在当前图像采集时间所拍摄的多帧视频图像303。上述电子设备302可以从多帧视频图像303中获取至少一帧视频图像304。接着上述电子设备302将上述至少一帧视频图像304输入到视频缺陷识别模型的多个视频缺陷识别子模型，得到每一个视频缺陷识别子模型的输出值305。然后上述电子设备基于各个视频缺陷识别子模型的输出值确定视频图像所对应的缺陷类型信息306，缺陷类型信息用于指示所述视频图像所对应的缺陷类型。最后发送上述至少一帧视频图像所对应的缺陷类型信息307至用户的终端设备308。

本申请的上述实施例提供的方法通过获取摄像头所拍摄的至少一帧视频图像，然后将视频图像输入到视频缺陷识别模型的多个视频缺陷识别子模型，得到各个视频缺陷识别子模型的输出值，最后基于各个视频缺陷识别子模型的输出值确定视频图像所对应的缺陷类型信息，从而一方面可以提高检测视频图像所对应的缺陷类型的准确性，另一方面可以提升检测视频图像所对应的缺陷类型的全面性。

在本实施例的一些可选实现方式中，视频缺陷识别子模型可以包括亮度异常识别子模型。上述电子设备在将至少一帧视频图像输入到视频缺陷识别模型的多个视频缺陷识别子模型中，得到各视频缺陷识别子模型的输出值之前，还可以获取拍摄上述至少一帧视频图像时的环境亮度参数。上述电子设备例如可以从设置在包括摄像头的上述终端设备中的光线探测器检测到的环境亮度参数中获取拍摄上述视频图像时的环境亮度参数。上述步骤202的将视频图像输入到视频缺陷识别模型的多个视频缺陷识别子模型中，得到各视频缺陷识别子模型的输出值，可以进一步包括：上述电子设备将所获取到的视频图像所处环境的环境亮度参数以及视频图像输入到预先训练的亮度异常识别子模型，得到亮度异常识别子模型根据环境亮度参数确定的输出值。这里由于将拍摄上述至少一帧视频图像时的环境亮度参数与上述至少一帧视频图像同时输入到亮度异常识别子模型中，使得亮度异常识别子模型可以根据所检测到的至少一帧视频图像的亮度值与上述环境亮度参数所指示的环境亮度值的差异来确定指示上述视频图像是否具有亮度异常的输出值。当视频图像的亮度值与上述环境亮度参数所指示的环境亮度值的差异比较大时，上述亮度异常识别子模型可以确定终端设备所拍摄的视频图像存在亮度异常。接下来，上述电子设备可以根据亮度异常识别子模型的输出值确定视频图像是否存在亮度异常缺陷。由于将拍摄上述至少一帧视频图像时的环境亮度参数和上述至少一帧视频图像同时输入到上述亮度异常识别子模型，使得亮度异常识别子模型可以根据环境亮度参数所指示的环境亮度值来确定视频图像是否具有亮度异常的输出值，从而可以避免仅根据检测到的视频图像的亮度值来确定视频图像是否具有亮度异常缺陷引起的误判。例如在黑夜拍摄的视频图像，由于环境亮度值比较低，因此黑夜所拍摄的视频图像的亮度值也较小。如果不将环境亮度参数输入到亮度异常识别子模型中，在黑夜所拍摄的视频图像有可能会被确定为具有亮度异常缺陷类型。

在本实施例的一些可选实现方式中，视频缺陷识别子模型可以包括连续性异常识别子模型。步骤202的将视频图像输入到视频缺陷识别模型的多个视频缺陷识别子模型，得到各视频缺陷识别子模型的输出值，可以进一步包括：将至少连续两帧视频图像输入到预先训练的连续性异常识别子模型，得到连续性异常识别子模型根据至少连续两帧视频图像所确定的输出值。当视频图像存在连续性异常时(例如视频图像抖动)，使用单帧视频图像无法判断视频图像是否发生连续性异常。在这些可选的实现方式中，上述电子设备可以将至少连续两帧视频图像输入到连续性异常识别子模型，以使连续性异常识别子模型根据视频图像是否具有连续性异常来确定输出值。进一步地，上述电子设备可以根据连续性异常识别子模型的输出值确定视频图像是否存在连续性异常。

进一步参考图4，作为对上述各图所示方法的实现，本申请提供了一种信息获取装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图4所示，本实施例的信息获取装置400包括：第一获取单元401、输入单元402和确定单元403。其中，第一获取单元401，配置用于获取摄像头拍摄的至少一帧视频图像；输入单元402，配置用于将视频图像输入到视频缺陷识别模型的多个视频缺陷识别子模型中，得到各视频缺陷识别子模型的输出值，各视频缺陷识别子模型的输出值用于指示视频图像是否具有与该视频缺陷识别子模型对应的缺陷类型，每一个视频缺陷识别子模型用于识别以下任意一种缺陷类型：清晰度异常、亮度异常、颜色异常、连续性异常、对比度异常；确定单元403，配置用于基于各个视频缺陷识别子模型的输出值确定视频图像所对应的缺陷类型信息，缺陷类型信息用于指示视频图像的缺陷类型。

在本实施例中，信息获取装置400的第一获取单元401、输入单元402和确定单元403的具体处理及其所带来的技术效果可分别参考图2对应实施例中步骤201、步骤202和步骤203的相关说明，在此不再赘述。

在本实施例的一些可选实现方式中，视频缺陷识别子模型包括亮度异常识别子模型。信息获取装置还包括第二获取单元(图中未示出)第二获取单元配置用于在输入单元402将视频图像输入到视频缺陷识别模型的多个视频缺陷识别子模型中，得到各视频缺陷识别子模型的输出值之前，获取拍摄视频图像时的环境亮度参数。以及输入单元402进一步配置用于：将环境亮度参数以及视频图像输入到亮度异常识别子模型，以使亮度异常识别子模型基于环境亮度参数和视频图像的亮度参数确定输出值。

在本实施例的一些可选实现方式中，视频缺陷识别子模型包括连续性异常识别子模型。输入单元402进一步配置用于：将至少连续两帧视频图像输入到连续性异常识别子模型，得到连续性异常识别子模型根据至少连续两帧视频图像确定的输出值。

在本实施例的一些可选实现方式中，上述多个视频缺陷识别子模型中的各视频缺陷识别子模型均为卷积神经网络模型。

在本实施例的一些可选实现方式中，信息获取装置400还包括训练单元(图中未示出)，训练单元配置用于在第一获取单元401获取摄像头拍摄的至少一帧视频图像之前，使用添加了缺陷类型标注的多个视频图像分别对各视频缺陷识别子模型进行训练。

下面参考图5，其示出了适于用来实现本申请实施例的服务器的计算机系统500的结构示意图。图5示出的服务器仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图5所示，计算机系统500包括中央处理单元(CPU，Central Processing Unit)501，其可以根据存储在只读存储器(ROM，Read Only Memory)502中的程序或者从存储部分508加载到随机访问存储器(RAM，Random Access Memory)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有系统500操作所需的各种程序和数据。CPU 501、ROM502以及RAM 503通过总线504彼此相连。输入/输出(I/O，Input/Output)接口505也连接至总线504。

以下部件连接至I/O接口505：包括键盘、鼠标等的输入部分506；包括诸如阴极射线管(CRT，Cathode Ray Tube)、液晶显示器(LCD，Liquid Crystal Display)等以及扬声器等的输出部分507；包括硬盘等的存储部分508；以及包括诸如LAN(局域网，Local AreaNetwork)卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器510上，以便于从其上读出的计算机程序根据需要被安装入存储部分508。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分509从网络上被下载和安装，和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(CPU)501执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括第一获取单元、输入单元和确定单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取摄像头拍摄的至少一帧视频图像的单元”。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的装置中所包含的；也可以是单独存在，而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该装置执行时，使得该装置：获取摄像头拍摄的至少一帧视频图像；将视频图像输入到视频缺陷识别模型的多个视频缺陷识别子模型中，得到各视频缺陷识别子模型的输出值，各视频缺陷识别子模型的输出值用于指示视频图像是否具有与该视频缺陷识别子模型对应的缺陷类型，每一个视频缺陷识别子模型用于识别以下任意一种缺陷类型：清晰度异常、亮度异常、颜色异常、连续性异常、对比度异常；基于各个视频缺陷识别子模型的输出值确定视频图像所对应的缺陷类型信息，缺陷类型信息用于指示视频图像的缺陷类型。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (12)

1.一种信息获取方法，包括：

获取摄像头拍摄的至少一帧视频图像；

将所述视频图像输入到视频缺陷识别模型的多个视频缺陷识别子模型中，得到各视频缺陷识别子模型的输出值，各所述视频缺陷识别子模型的输出值用于指示所述视频图像是否具有与该视频缺陷识别子模型对应的缺陷类型，每一个视频缺陷识别子模型用于识别以下任意一种缺陷类型：清晰度异常、亮度异常、颜色异常、连续性异常、对比度异常；

基于各个视频缺陷识别子模型的输出值确定所述视频图像所对应的缺陷类型信息，所述缺陷类型信息用于指示所述视频图像的缺陷类型。

2.根据权利要求1所述的方法，其中，所述视频缺陷识别子模型包括亮度异常识别子模型；以及

在将所述视频图像输入到视频缺陷识别模型的多个视频缺陷识别子模型中，得到各视频缺陷识别子模型的输出值之前，所述方法还包括：

获取拍摄所述视频图像时的环境亮度参数；

所述将所述视频图像输入到视频缺陷识别模型的多个视频缺陷识别子模型中，得到各视频缺陷识别子模型的输出值，包括：

将所述环境亮度参数以及所述视频图像输入到亮度异常识别子模型，以使所述亮度异常识别子模型基于所述环境亮度参数和所述视频图像的亮度参数确定输出值。

3.根据权利要求1所述的方法，其中，所述视频缺陷识别子模型包括连续性异常识别子模型；以及

所述将所述视频图像输入到视频缺陷识别模型的多个视频缺陷识别子模型中，得到各视频缺陷识别子模型的输出值，包括：

将至少连续两帧视频图像输入到所述连续性异常识别子模型，得到所述连续性异常识别子模型根据所述至少连续两帧视频图像确定的输出值。

4.根据权利要求1-3任一项所述的方法，其中，各所述视频缺陷识别子模型均为卷积神经网络模型。

5.根据权利要求1所述的方法，其中，在获取摄像头所拍摄的至少一帧视频图像之前，所述方法还包括：

使用添加了缺陷类型标注的多个视频图像分别对各所述视频缺陷识别子模型进行训练。

6.一种信息获取装置，包括：

第一获取单元，配置用于获取摄像头拍摄的至少一帧视频图像；

输入单元，配置用于将所述视频图像输入到视频缺陷识别模型的多个视频缺陷识别子模型中，得到各视频缺陷识别子模型的输出值，各所述视频缺陷识别子模型的输出值用于指示所述视频图像是否具有与该视频缺陷识别子模型对应的缺陷类型，每一个视频缺陷识别子模型用于识别以下任意一种缺陷类型：清晰度异常、亮度异常、颜色异常、连续性异常、对比度异常；

确定单元，配置用于基于各个视频缺陷识别子模型的输出值确定所述视频图像所对应的缺陷类型信息，所述缺陷类型信息用于指示所述视频图像的缺陷类型。

7.根据权利要求6所述的装置，其中，所述视频缺陷识别子模型包括亮度异常识别子模型；以及

所述装置还包括第二获取单元，所述第二获取单元配置用于在所述输入单元将所述视频图像输入到视频缺陷识别模型的多个视频缺陷识别子模型中，得到各视频缺陷识别子模型的输出值之前，获取拍摄所述视频图像时的环境亮度参数；

所述输入单元进一步配置用于：

将所述环境亮度参数以及所述视频图像输入到亮度异常识别子模型，以使所述亮度异常识别子模型基于所述环境亮度参数和所述视频图像的亮度参数确定输出值。

8.根据权利要求6所述的装置，其中，所述视频缺陷识别子模型包括连续性异常识别子模型；以及

所述输入单元进一步配置用于：

将至少连续两帧视频图像输入到所述连续性异常识别子模型，得到所述连续性异常识别子模型根据所述至少连续两帧视频图像确定的输出值。

9.根据权利要求6-8任一项所述的装置，其中，各所述视频缺陷识别子模型均为卷积神经网络模型。

10.根据权利要求6所述的装置，其中，所述装置还包括训练单元，

所述训练单元配置用于：在所述获取单元获取摄像头所拍摄的至少一帧视频图像之前，使用添加了缺陷类型标注的多个视频图像分别对各所述视频缺陷识别子模型进行训练。

11.一种服务器，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-5中任一所述的方法。

12.一种计算机可读存储介质，其上存储有计算机程序，其中，该程序被处理器执行时实现如权利要求1-5中任一所述的方法。