CN112367520A - 基于人工智能的视频质量诊断系统 - Google Patents

基于人工智能的视频质量诊断系统 Download PDF

Info

Publication number
CN112367520A
CN112367520A CN202011257018.1A CN202011257018A CN112367520A CN 112367520 A CN112367520 A CN 112367520A CN 202011257018 A CN202011257018 A CN 202011257018A CN 112367520 A CN112367520 A CN 112367520A
Authority
CN
China
Prior art keywords
video
frame
image
quality evaluation
roi
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.)
Granted
Application number
CN202011257018.1A
Other languages
English (en)
Other versions
CN112367520B (zh
Inventor
王东
翟会丽
马辉
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.)
Natural Semantics Qingdao Technology Co ltd
Original Assignee
Zhengzhou Normal University
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 Zhengzhou Normal University filed Critical Zhengzhou Normal University
Priority to CN202011257018.1A priority Critical patent/CN112367520B/zh
Publication of CN112367520A publication Critical patent/CN112367520A/zh
Application granted granted Critical
Publication of CN112367520B publication Critical patent/CN112367520B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/10—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding
    • H04N19/134—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the element, parameter or criterion affecting or controlling the adaptive coding
    • H04N19/154—Measured or subjectively estimated visual quality after decoding, e.g. measurement of distortion
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N17/00—Diagnosis, testing or measuring for television systems or their details
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/10—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding
    • H04N19/134—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the element, parameter or criterion affecting or controlling the adaptive coding
    • H04N19/136—Incoming video signal characteristics or properties
    • H04N19/137—Motion inside a coding unit, e.g. average field, frame or block difference
    • H04N19/139—Analysis of motion vectors, e.g. their magnitude, direction, variance or reliability
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/10—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding
    • H04N19/134—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the element, parameter or criterion affecting or controlling the adaptive coding
    • H04N19/167—Position within a video image, e.g. region of interest [ROI]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/10—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding
    • H04N19/169—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the coding unit, i.e. the structural portion or semantic portion of the video signal being the object or the subject of the adaptive coding
    • H04N19/177—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the coding unit, i.e. the structural portion or semantic portion of the video signal being the object or the subject of the adaptive coding the unit being a group of pictures [GOP]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/46—Embedding additional information in the video signal during the compression process
    • H04N19/467—Embedding additional information in the video signal during the compression process characterised by the embedded information being invisible, e.g. watermarking

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Testing, Inspecting, Measuring Of Stereoscopic Televisions And Televisions (AREA)
  • Compression Or Coding Systems Of Tv Signals (AREA)

Abstract

本发明公开了一种基于人工智能的视频质量诊断系统。包括图像质量评价单元，用于对视频解码图像序列进行图像质量评价，得到图像质量评价结果；视频流质量评价单元，用于对视频编码图像序列进行视频质量评价，得到视频质量评价结果；视频质量诊断单元，用于根据图像质量评价结果、视频流质量评价结果得到整体视频质量诊断结果。利用本发明，提高了异常帧检测的准确率、水影现象识别的准确率，并进一步提高了图像质量诊断的准确率。

Description

基于人工智能的视频质量诊断系统
技术领域
本发明涉及人工智能技术领域，具体涉及一种基于人工智能的视频质量诊断系统。
背景技术
现有技术中，针对视频质量，一般从图像信息丰富程度以及色彩等角度来衡量。公开号为CN109151463A的现有技术公开了一种视频质量诊断系统及视频质量分析方法，对视频图像进行模糊检测、遮挡检测、偏色检测、噪声检测以及偏暗及偏亮检测，并于检测异常时产生相应的报警信息至视频巡检服务器。这种方法的缺点是缺少对视频流质量的评价，且图像质量评价计算复杂、没有对关键信息缺少的检测。公开号为CN111182292A的现有技术公开了一种无参考视频质量评估方法，利用神经网络解决视频质量评估问题，其缺点是网络训练耗时长。
发明内容
本发明的目的在于针对上述现有技术存在的缺陷，提出一种基于人工智能的视频质量诊断系统。
一种基于人工智能的视频质量诊断系统，该系统包括：
图像质量评价单元，用于对视频解码图像序列进行图像质量评价，得到图像质量评价结果，包括：
异常帧提取模块，用于根据异常帧评价模型对视频解码图像进行异常度量，并判断是否为异常帧；
水影验证模块，用于根据非异常帧图像中水影像素区域与正常像素区域的色调均值、饱和度均值，验证非异常帧图像是否存在水影现象；
第一质量评价模块，用于根据异常度量、异常帧数、存在水影现象的帧数评价图像质量；
视频流质量评价单元，用于对视频编码图像序列进行视频质量评价，得到视频质量评价结果，包括：
连续性分析模块，用于根据视频编码图像序列中P帧的差异像素确定P帧ROI，合并同一GOP中P帧ROI得到ROI集合，针对ROI集合内每一个ROI，统计位于ROI内的相邻两P帧差异像素个数，若像素个数大于第一阈值，则判定在该ROI内连续性差；
第二质量评价模块，用于根据视频流包含的GOP数量、每一GOP对应的ROI集合内各ROI的连续性判断结果、丢帧类别评价视频流质量；
视频质量诊断单元，用于根据图像质量评价结果、视频流质量评价结果得到整体视频质量诊断结果。
所述异常帧评价模型为：
ε1＝α*MV+β*MS+γ*MH+δ*MG
其中，ε1为异常度量，MV为明度评分，α为明度评分的权重系数，MS为饱和度评分，β为饱和度评分的权重系数，MH为色调评分，γ为色调评分的权重系数，MG为梯度评分，δ为梯度评分的权重系数，α+β+γ+δ＝1。
该系统还包括：
水影检测模块，用于对非异常帧图像进行分割，分割出正常像素区域与水影像素区域。
所述根据非异常帧图像中水影像素区域与正常像素区域的色调均值、饱和度均值，验证非异常帧图像是否存在水影现象具体为：
计算水影像素区域与正常像素区域色调均值之差的绝对值，记为第一绝对值；
计算水影像素区域与正常像素区域饱和度均值之差的绝对值，记为第二绝对值；
若第一绝对值大于第二阈值，第二绝对值大于第三阈值，则判断该帧图像存在水影现象。
所述根据异常度量、异常帧数、存在水影现象的帧数评价图像质量具体为：
Figure BDA0002773434410000021
其中，ε2为图像质量评价结果，N为视频解码图像序列的帧数，N1为存在水影现象的图像，N2为异常帧数。
所述根据视频编码图像序列中P帧的差异像素确定P帧ROI包括：
对视频编码图像序列中P帧的差异像素进行连通域分析，筛选掉较小的连通域，得到P帧ROI。
该系统还包括：
丢帧判断模块，用于根据GOP长度与相邻两I帧之间的帧数，判断是否存在丢帧以及丢帧类别。
所述根据视频流包含的GOP数量、每一GOP对应的ROI集合内各ROI的连续性判断结果、丢帧类别评价视频流质量具体为：
Figure BDA0002773434410000022
K表示视频总的GOP数量，
Figure BDA0002773434410000023
为第n个ROI连续性判断结果，
Figure BDA0002773434410000024
为第k个GOP所对应的ROI集合内ROI个数，NF为视频整体丢帧数量，
Figure BDA0002773434410000025
表征丢帧类别，丢失帧影响越大，
Figure BDA0002773434410000026
值越大。
所述根据图像质量评价结果、视频流质量评价结果得到整体视频质量诊断结果包括：
将图像质量评价结果、视频流质量评价结果加权求和，从而得到整体视频质量诊断结果。
异常帧评价模型中，α＝0.4，β＝0.3，γ＝0.1，δ＝0.2。
本发明与现有技术相比，具有以下有益效果：
结合图像质量与视频流质量综合诊断视频质量，提高了视频质量诊断的准确率。图像质量判断中，结合HSV属性、梯度识别异常帧，并进一步验证水影现象，从而检测是否缺少关键信息，提高了异常帧检测的准确率，提高了水影现象识别的准确率，并进一步提高了图像质量诊断的准确率。通过丢帧现象以及视频的连续性评价视频流质量，考虑到视频压缩时的异常情况和人的感官感受，使评价结果更具针对性，符合人眼的视觉感受。
附图说明
图1为本发明的框架图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图以及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
本发明提供一种基于人工智能的视频质量诊断系统。图1为本发明的框架图。下面通过具体实施例来进行说明。
实施例1：
基于人工智能的视频质量诊断系统包括图像质量评价单元、视频流质量评价单元、视频质量诊断单元。
图像质量评价单元，用于对视频解码图像序列进行图像质量评价，得到图像质量评价结果，包括：异常帧提取模块、水影验证模块、第一质量评价模块。图像质量评价单元的输入为通过编码原理恢复得到的多帧图像，即视频解码图像序列。
异常帧提取模块，用于根据异常帧评价模型对视频解码图像进行异常度量，并判断是否为异常帧。该模块的输入为单帧视频解码图像。通过HSV色彩空间转换，得到H(色调)信息，S(饱和度)信息，以及V(明度信息)，通过拉普拉斯梯度算子求图像各像素点梯度值，并以各像素点梯度之和作为异常帧评价模型的梯度评分参数。
异常帧评价模型为：
ε1＝α*MV+β*MS+γ*MH+δ*MG
其中，ε1为异常度量，MV为明度评分，α为明度评分的权重系数，MS为饱和度评分，β为饱和度评分的权重系数，MH为色调评分，γ为色调评分的权重系数，MG为梯度评分，δ为梯度评分的权重系数，α+β+γ+δ＝1。优选地，＝0.4，β＝0.3，γ＝0.1，δ＝0.2。
各评分的计算方法：
Figure BDA0002773434410000031
式中
Figure BDA0002773434410000032
为图像V通道各像素的均值。
Figure BDA0002773434410000033
式中
Figure BDA0002773434410000034
为图像S通道各像素的均值。
Figure BDA0002773434410000041
式中
Figure BDA0002773434410000042
为图像H通道各像素的均值。
Figure BDA0002773434410000043
式中，G为图像各像素的梯度之和，G′为统计值，即对所有图像统计各自对应的G，取其中的最大值作为G′。因此，ε1值域为[0,1]，MV值域为[0,1]，MS值域为[0,1]，MH值域为[0,1]，MG为梯度的评分，值域为[0,1]。采用HSV色彩空间的通道分量作为参数的原因在于HSV色彩空间相对于RGB更加符合人眼视觉感受，采用梯度作为参数的原因在于能够一定程度上表示出对比度，上述参数均是基于人眼视觉感受所确定。
设置经验阈值m1，当ε1<m1时，判断图像为异常帧，优选地，m1设置为0.5，实施者可根据实际情况调整阈值m1。
整体视频质量诊断中，关键信息的丢失对视频质量的影响很大。水影现象为因编码误差导致视频流中图像恢复后出现透明水影块的图像，一般是缺少关键帧信息造成，该类图像中水影块所占图像比例较小，因此难以通过异常帧评价模型将其判别为异常帧，在本发明中通过水影检测模块进行水影情况的检测。为避免后续进行水影情况检测时出现误检情况，将异常帧从连续图像序列中筛选出来，保留不存在明显异常的图像进行后续的处理。
图像质量评价单元还包括：水影检测模块，用于对非异常帧图像进行分割，分割出正常像素区域与水影像素区域。本实施例中利用语义分割网络对非异常帧图像进行像素级分类，输出语义分割图，语义分割图中包括两类像素，正常像素和水影像素。
为了提高水影现象检测的准确性，避免出现误判，本发明通过HSV信息进行验证，具体为：通过语义分割图中属于水影现象的像素生成第一遮罩，无水影情况的像素生成第二遮罩，分别与原第一图像逐点相乘，得到水影像素区域，正常像素区域。
水影验证模块，用于根据非异常帧图像中水影像素区域与正常像素区域的色调均值、饱和度均值，验证非异常帧图像是否存在水影现象。具体地，计算水影像素区域与正常像素区域色调均值之差的绝对值，记为第一绝对值；计算水影像素区域与正常像素区域饱和度均值之差的绝对值，记为第二绝对值；若第一绝对值大于第二阈值，第二绝对值大于第三阈值，则判断该帧图像存在水影现象。即计算所得水影区域与无水影区域的色调均值H1,H2，饱和度均值S1,S2，并设置两个经验阈值m2,，m3，当|H1-H2|≥m2且|S1-S2|≥m3时，验证为图像存在水影现象。优选地，两个经验阈值分别设为60、0.3，实施者可以根据实际场景修改。
第一质量评价模块，用于根据异常度量、异常帧数、存在水影现象的帧数评价图像质量。具体地，评价图像质量具体为：
Figure BDA0002773434410000044
其中，ε2为图像质量评价结果，N为视频解码图像序列的帧数，N1为存在水影现象的图像，N2为异常帧数。ε2为图像质量评价结果，值域为[0,1]，值越大代表视频内图像质量越好。
视频流质量评价单元，用于对视频编码图像序列进行视频质量评价，得到视频质量评价结果，包括：连续性分析模块、第二质量评价模块。该单元的输入为连续多帧未经视频编码原理恢复的图像，即视频编码图像序列，也即视频中的I帧、P帧、B帧。
视频流质量评价单元包括丢帧判断模块。丢帧判断模块，用于根据GOP长度与相邻两I帧之间的帧数，判断是否存在丢帧以及丢帧类别。具体地，根据编码信息可以获得单帧图像的类别，类别包括I帧、B帧、P帧，根据先验视频信息得到画面组(GOP)的长度，通过相邻两I帧之间的帧数与GOP长度对比，若帧数加一小于画面组(GOP)长度，则判断为存在丢帧现象，再通过编码信息获得所丢帧的类别，以用于后续视频质量的评价。
连续性分析模块，用于根据视频编码图像序列中P帧的差异像素确定P帧ROI，合并同一GOP中P帧ROI得到ROI集合，针对ROI集合内每一个ROI，统计位于ROI内的相邻两P帧差异像素个数，若像素个数大于第一阈值，则判定在该ROI内连续性差。对视频编码图像序列中P帧的差异像素进行连通域分析，筛选掉较小的连通域，得到P帧ROI。具体地，P帧所保留信息为与I帧或P帧的差异，具体形式为图像中若干点的预测差值和运动矢量，将需要存储信息的像素点，即差异点赋值为1，其他点赋值为0，得到与等大的二值图像，通过连通域分析，将较小的连通域筛选掉可得到初始ROI区域，由于单帧所得信息可能并不准确，因此需要同一GOP内多个P帧处理获得的初始ROI区域取并集作为最终ROI区域，即ROI集合。相邻两P帧所得二值图像在ROI集合内的任意ROI内取或，通过像素点统计，并设置经验阈值m4，当像素点个数大于经验阈值m4时，判断为连续性较差。由于视频中可能不止一个运动前景，因此，需要考虑到ROI个数进行后续的视频质量评价。优选地，m4设为分辨率的百分之二十，实施者也可以根据实施场景自行调整。
第二质量评价模块，用于根据视频流包含的GOP数量、每一GOP对应的ROI集合内各ROI的连续性判断结果、丢帧类别评价视频流质量。
视频流质量具体为：
Figure BDA0002773434410000051
K表示视频总的GOP数量，
Figure BDA0002773434410000052
为第n个ROI连续性判断结果，
Figure BDA0002773434410000053
为第k个GOP所对应的ROI集合内ROI个数，NF为视频整体丢帧数量，
Figure BDA0002773434410000054
表征丢帧类别，丢失帧影响越大，
Figure BDA0002773434410000055
值越大。
Figure BDA0002773434410000056
值域为0或1，即当ROI区域内连续性较差时，
Figure BDA0002773434410000057
否则，
Figure BDA0002773434410000058
Figure BDA0002773434410000059
值域为0,1,2,值为0对应丢帧类别为P帧，该类帧丢失对于人眼观察影响较小；值为1对应丢帧类别为B帧，该类帧丢失会出现卡顿现象；值为2对应丢帧类别为I帧，该类帧丢失会导致一个GOP的视频异常，采用指数形式表示的原因在于，丢帧现象对于视频质量影响较为严重，因此当不存在丢帧或丢失帧仅为P帧时，丢帧项的评分为1，而存在其他帧丢失情况越多，视频质量评价结果越差，ε3为视频质量评价结果，值域为[0,1]。
视频质量诊断单元，用于根据图像质量评价结果、视频流质量评价结果得到整体视频质量诊断结果。整体视频质量评价模型如下：
ε4＝ρε2+σε3
式中，ε4为整体视频质量评价结果，值域为[0，1]，值越大代表视频质量越好，ρ为图像质量评价的权重，σ为视频质量评价的权重，应满足ρ+σ＝1，且ρ,σ均大于等于0，优选地，设置ρ＝0.6，σ＝0.4。
以上实施例仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于人工智能的视频质量诊断系统，其特征在于，该系统包括：
图像质量评价单元，用于对视频解码图像序列进行图像质量评价，得到图像质量评价结果，包括：
异常帧提取模块，用于根据异常帧评价模型对视频解码图像进行异常度量，并判断是否为异常帧；
水影验证模块，用于根据非异常帧图像中水影像素区域与正常像素区域的色调均值、饱和度均值，验证非异常帧图像是否存在水影现象；
第一质量评价模块，用于根据异常度量、异常帧数、存在水影现象的帧数评价图像质量；
视频流质量评价单元，用于对视频编码图像序列进行视频质量评价，得到视频质量评价结果，包括：
连续性分析模块，用于根据视频编码图像序列中P帧的差异像素确定P帧ROI，合并同一GOP中P帧ROI得到ROI集合，针对ROI集合内每一个ROI，统计位于ROI内的相邻两P帧差异像素个数，若像素个数大于第一阈值，则判定在该ROI内连续性差；
第二质量评价模块，用于根据视频流包含的GOP数量、每一GOP对应的ROI集合内各ROI的连续性判断结果、丢帧类别评价视频流质量；
视频质量诊断单元，用于根据图像质量评价结果、视频流质量评价结果得到整体视频质量诊断结果。
2.如权利要求1所述的系统，其特征在于，所述异常帧评价模型为：
ε1＝α*MV+β*MS+γ*MH+δ*MG
其中，ε1为异常度量，MV为明度评分，α为明度评分的权重系数，MS为饱和度评分，β为饱和度评分的权重系数，MH为色调评分，γ为色调评分的权重系数，MG为梯度评分，δ为梯度评分的权重系数，α+β+γ+δ＝1。
3.如权利要求1所述的系统，其特征在于，该系统还包括：
水影检测模块，用于对非异常帧图像进行分割，分割出正常像素区域与水影像素区域。
4.如权利要求1所述的系统，其特征在于，所述根据非异常帧图像中水影像素区域与正常像素区域的色调均值、饱和度均值，验证非异常帧图像是否存在水影现象具体为：
计算水影像素区域与正常像素区域色调均值之差的绝对值，记为第一绝对值；
计算水影像素区域与正常像素区域饱和度均值之差的绝对值，记为第二绝对值；
若第一绝对值大于第二阈值，第二绝对值大于第三阈值，则判断该帧图像存在水影现象。
5.如权利要求1所述的系统，其特征在于，所述根据异常度量、异常帧数、存在水影现象的帧数评价图像质量具体为：
Figure FDA0002773434400000011
其中，ε2为图像质量评价结果，N为视频解码图像序列的帧数，N1为存在水影现象的图像，N2为异常帧数。
6.如权利要求1所述的系统，其特征在于，所述根据视频编码图像序列中P帧的差异像素确定P帧ROI包括：
对视频编码图像序列中P帧的差异像素进行连通域分析，筛选掉较小的连通域，得到P帧ROI。
7.如权利要求1所述的系统，其特征在于，该系统还包括：
丢帧判断模块，用于根据GOP长度与相邻两I帧之间的帧数，判断是否存在丢帧以及丢帧类别。
8.如权利要求1所述的系统，其特征在于，所述根据视频流包含的GOP数量、每一GOP对应的ROI集合内各ROI的连续性判断结果、丢帧类别评价视频流质量具体为：
Figure FDA0002773434400000021
K表示视频总的GOP数量，
Figure FDA0002773434400000022
为第n个ROI连续性判断结果，
Figure FDA0002773434400000023
为第k个GOP所对应的ROI集合内ROI个数，NF为视频整体丢帧数量，
Figure FDA0002773434400000024
表征丢帧类别，丢失帧影响越大，
Figure FDA0002773434400000025
值越大。
9.如权利要求1所述的系统，其特征在于，所述根据图像质量评价结果、视频流质量评价结果得到整体视频质量诊断结果包括：
将图像质量评价结果、视频流质量评价结果加权求和，从而得到整体视频质量诊断结果。
10.如权利要求1所述的系统，其特征在于，α＝0.4，β＝0.3，γ＝0.1，δ＝0.2。
CN202011257018.1A 2020-11-11 2020-11-11 基于人工智能的视频质量诊断系统 Active CN112367520B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011257018.1A CN112367520B (zh) 2020-11-11 2020-11-11 基于人工智能的视频质量诊断系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011257018.1A CN112367520B (zh) 2020-11-11 2020-11-11 基于人工智能的视频质量诊断系统

Publications (2)

Publication Number Publication Date
CN112367520A true CN112367520A (zh) 2021-02-12
CN112367520B CN112367520B (zh) 2022-06-21

Family

ID=74514327

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011257018.1A Active CN112367520B (zh) 2020-11-11 2020-11-11 基于人工智能的视频质量诊断系统

Country Status (1)

Country Link
CN (1) CN112367520B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113822860A (zh) * 2021-08-30 2021-12-21 上海明略人工智能(集团)有限公司 视频质量判断方法、系统、存储介质及电子设备
CN115550710A (zh) * 2022-08-30 2022-12-30 海南视联通信技术有限公司 一种数据处理方法、装置、终端设备和存储介质
CN117354495A (zh) * 2023-12-06 2024-01-05 广东紫慧旭光科技有限公司 基于深度学习的视频监控质量诊断方法及系统
CN117793339A (zh) * 2023-12-28 2024-03-29 广州市维博网络信息科技有限公司 基于人工智能的视频质量诊断系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080225945A1 (en) * 2007-03-13 2008-09-18 Ping-Hao Wu Constant-quality rate control system and algorithm for regions of interest
CN102905200A (zh) * 2012-08-07 2013-01-30 上海交通大学 一种视频感兴趣区域双流编码传输方法及系统
US20130044224A1 (en) * 2010-04-30 2013-02-21 Thomson Licensing Method and apparatus for assessing quality of video stream
CN102984541A (zh) * 2012-12-07 2013-03-20 浙江大学 一种基于像素域失真度估计的视频质量评价方法
CN103731664A (zh) * 2013-12-25 2014-04-16 华为技术有限公司 全参考视频质量评估方法、装置及视频质量测试仪
CN104427337A (zh) * 2013-08-21 2015-03-18 杭州海康威视数字技术股份有限公司 基于目标检测的感兴趣区域视频编码方法及其装置
US20170359596A1 (en) * 2016-06-09 2017-12-14 Apple Inc. Video coding techniques employing multiple resolution
CN109151463A (zh) * 2018-11-07 2019-01-04 浩云科技股份有限公司 一种视频质量诊断系统及视频质量分析方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080225945A1 (en) * 2007-03-13 2008-09-18 Ping-Hao Wu Constant-quality rate control system and algorithm for regions of interest
US20130044224A1 (en) * 2010-04-30 2013-02-21 Thomson Licensing Method and apparatus for assessing quality of video stream
CN102905200A (zh) * 2012-08-07 2013-01-30 上海交通大学 一种视频感兴趣区域双流编码传输方法及系统
CN102984541A (zh) * 2012-12-07 2013-03-20 浙江大学 一种基于像素域失真度估计的视频质量评价方法
CN104427337A (zh) * 2013-08-21 2015-03-18 杭州海康威视数字技术股份有限公司 基于目标检测的感兴趣区域视频编码方法及其装置
CN103731664A (zh) * 2013-12-25 2014-04-16 华为技术有限公司 全参考视频质量评估方法、装置及视频质量测试仪
US20170359596A1 (en) * 2016-06-09 2017-12-14 Apple Inc. Video coding techniques employing multiple resolution
CN109151463A (zh) * 2018-11-07 2019-01-04 浩云科技股份有限公司 一种视频质量诊断系统及视频质量分析方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
CHING-YU WU: "A Region of Interest Rate-Control Scheme for Encoding Traffic Surveillance Videos", 《2009 FIFTH INTERNATIONAL CONFERENCE ON INTELLIGENT INFORMATION HIDING AND MULTIMEDIA SIGNAL PROCESSING》 *
DONG WANG: "ROI Pooled Correlation Filters for Visual Tracking", 《2019 IEEE/CVF CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION (CVPR)》 *
刘哲等: "智能识别视频图像质量分析系统在平安城市的应用", 《软件》 *
赵文博: "基于感兴趣区域的合成视频码率控制方法", 《CNKI优秀硕士学位论文电子期刊》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113822860A (zh) * 2021-08-30 2021-12-21 上海明略人工智能(集团)有限公司 视频质量判断方法、系统、存储介质及电子设备
CN115550710A (zh) * 2022-08-30 2022-12-30 海南视联通信技术有限公司 一种数据处理方法、装置、终端设备和存储介质
CN117354495A (zh) * 2023-12-06 2024-01-05 广东紫慧旭光科技有限公司 基于深度学习的视频监控质量诊断方法及系统
CN117354495B (zh) * 2023-12-06 2024-03-22 广东紫慧旭光科技有限公司 基于深度学习的视频监控质量诊断方法及系统
CN117793339A (zh) * 2023-12-28 2024-03-29 广州市维博网络信息科技有限公司 基于人工智能的视频质量诊断系统

Also Published As

Publication number Publication date
CN112367520B (zh) 2022-06-21

Similar Documents

Publication Publication Date Title
CN112367520B (zh) 基于人工智能的视频质量诊断系统
CN105430384B (zh) 一种视频质量诊断方法和系统
Tu et al. Bband index: a no-reference banding artifact predictor
JP4494649B2 (ja) 基準映像を用いることなくデジタル映像の品質を推定する方法と装置
CN104486618B (zh) 视频图像的噪声检测方法及装置
KR20030029909A (ko) 디지털 비디오 품질 측정 방법
CN117132510B (zh) 一种基于图像处理的监控图像增强方法及系统
CN113411571B (zh) 一种基于滑窗梯度熵的视频帧清晰度检测方法
US6707943B2 (en) Method of monitoring the quality of distributed digital images by detecting false contours
Ye et al. Visibility metric for visually lossless image compression
CN113743378B (zh) 一种基于视频的火情监测方法和装置
CN108257117B (zh) 图像曝光度的评测方法及装置
Bong et al. An efficient and training-free blind image blur assessment in the spatial domain
CN114998346B (zh) 一种防水布质量数据处理、识别方法
De Angelis et al. Image quality assessment: an overview and some metrological considerations
CN111199538A (zh) 一种针对多层压缩感知图像的隐私保护度评价方法
JP2000348189A (ja) 画像処理装置
CN111402189B (zh) 一种视频图像偏色检测装置及方法
Kipli et al. Full reference image quality metrics and their performance
Liu et al. Perceptually relevant ringing region detection method
CN109982069B (zh) 呼吸效应的测量方法及系统
CN117793339A (zh) 基于人工智能的视频质量诊断系统
Lee et al. New full-reference visual quality assessment based on human visual perception
Deliyski Modification of Objective Full Reference Metrics for Image Quality Measurement and Evaluation
Liu et al. A no-reference metric for perceived ringing

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
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20230801

Address after: 230000 B-1015, wo Yuan Garden, 81 Ganquan Road, Shushan District, Hefei, Anhui.

Patentee after: HEFEI MINGLONG ELECTRONIC TECHNOLOGY Co.,Ltd.

Address before: 230000 floor 1, building 2, phase I, e-commerce Park, Jinggang Road, Shushan Economic Development Zone, Hefei City, Anhui Province

Patentee before: Dragon totem Technology (Hefei) Co.,Ltd.

Effective date of registration: 20230801

Address after: 230000 floor 1, building 2, phase I, e-commerce Park, Jinggang Road, Shushan Economic Development Zone, Hefei City, Anhui Province

Patentee after: Dragon totem Technology (Hefei) Co.,Ltd.

Address before: 450044 No. 6 Yingcai Street, Huiji District, Zhengzhou City, Henan Province

Patentee before: ZHENGZHOU NORMAL University

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20231122

Address after: Room 1502, Building G, International Innovation Park, No.1 Keyuan Weiyi Road, Laoshan District, Qingdao City, Shandong Province, 266000

Patentee after: Natural Semantics (Qingdao) Technology Co.,Ltd.

Address before: 230000 B-1015, wo Yuan Garden, 81 Ganquan Road, Shushan District, Hefei, Anhui.

Patentee before: HEFEI MINGLONG ELECTRONIC TECHNOLOGY Co.,Ltd.