CN112906488A - 一种基于人工智能的安防视频质量评价系统 - Google Patents
一种基于人工智能的安防视频质量评价系统 Download PDFInfo
- Publication number
- CN112906488A CN112906488A CN202110105924.8A CN202110105924A CN112906488A CN 112906488 A CN112906488 A CN 112906488A CN 202110105924 A CN202110105924 A CN 202110105924A CN 112906488 A CN112906488 A CN 112906488A
- Authority
- CN
- China
- Prior art keywords
- information
- detection
- image
- sampling information
- quality evaluation
- 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
Links
- 238000013441 quality evaluation Methods 0.000 title claims abstract description 27
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 18
- 238000005070 sampling Methods 0.000 claims abstract description 41
- 238000012545 processing Methods 0.000 claims abstract description 20
- 230000010365 information processing Effects 0.000 claims abstract description 7
- 238000000605 extraction Methods 0.000 claims abstract description 5
- 238000001514 detection method Methods 0.000 claims description 74
- 238000000034 method Methods 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 7
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 4
- 238000001303 quality assessment method Methods 0.000 claims 1
- 238000004140 cleaning Methods 0.000 abstract description 10
- 238000004458 analytical method Methods 0.000 abstract description 5
- 238000005259 measurement Methods 0.000 description 9
- 230000002159 abnormal effect Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 4
- 238000005457 optimization Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 235000002566 Capsicum Nutrition 0.000 description 1
- 239000006002 Pepper Substances 0.000 description 1
- 235000016761 Piper aduncum Nutrition 0.000 description 1
- 235000017804 Piper guineense Nutrition 0.000 description 1
- 244000203593 Piper nigrum Species 0.000 description 1
- 235000008184 Piper nigrum Nutrition 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N17/00—Diagnosis, testing or measuring for television systems or their details
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于人工智能的安防视频质量评价系统，涉及安防视频处理技术领域，包括以下步骤：预先获取采样信息并作为信息输入；将获取的采样信息进行信息处理；将预处理后的采样信息进行特征提取，获取特征信息；对获取的特征信息进行特征分类并作为质量评价输出。本发明实现人工智能的安防视频质量评价体系，不仅能获得较高的图像清洗质量，而且所筛选出的图片，分类精度高，降低人员盯防劳动强度，提高故障定位和问题处理效率，支撑自动化故障分析和问题处理。
Description
技术领域
本发明涉及安防视频处理技术领域，具体来说，涉及一种基于人工智能的安防视频质量评价系统。
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。
检索中国发明专利CN110083728A公开了一种优化自动化图片数据清洗质量的方法、装置和系统，包括顺次将待清洗图片集输入至粗粒度二分类器和细粒度二分类器，获得待清洗图片数据的类别预测的置信度；基于设定的置信度阈值以及与置信度阈值相对应的第一图片数量阈值，筛选出需要进行人工清洗的图片；基于所有待人工清洗图片的类别预测的置信度与人工清洗的反馈结果，获得细粒度二分类器的模型准确度；将细粒度二分类器的模型准确度和模型优化次数阈值作为优化条件，进行细粒度二分类器的模型优化。本发明可以在原有数据清洗方法的基础上经过少量的细粒度二分类器模型迭代获得非常高的图像清洗质量，在某些情况下甚至能在模型迭代完成后完全替代人工清洗。但其检测应用适应性差局限性低。
针对相关技术中的问题，目前尚未提出有效的解决方案。
发明内容
针对相关技术中的问题，本发明提出一种基于人工智能的安防视频质量评价系统，以克服现有相关技术所存在的上述技术问题。
本发明的技术方案是这样实现的：
一种基于人工智能的安防视频质量评价系统，包括以下步骤：
步骤S1，预先获取采样信息并作为信息输入；
步骤S2，将获取的采样信息进行信息处理；
步骤S3，将预处理后的采样信息进行特征提取，获取特征信息；
步骤S4，对获取的特征信息进行特征分类并作为质量评价输出。
进一步的，步骤所述获取采样信息，包括以下步骤：
获取采样信息图片集，并将其输入至预设的粗粒度二分类器中，筛选出符合要求的第一类图片集；
将所述第一类图片集输入至预设的细粒度二分类器，获得采样信息集。
进一步的，步骤所述获取的采样信息进行信息处理，包括以下步骤：
将获取的采样信息集对其缩小和灰度处理，获取当前帧的灰度图像，其包括保留其结构与明暗数据；
过滤低质量的图片信息并作为采样信息处理集。
进一步的，所述特征分类包括曝光、清晰度、颜色、质感、噪声、防抖动、闪光灯、对焦和伪影。
进一步的，所述特征分类检测包括亮度异常检测、图像模糊检测、画面冻结检测、信号缺失检测、颜色异常检测、噪声干扰检测、图像晃动检测、条纹干扰检测、黑白图像检测、对比度异常检测和PTZ失控检测。
进一步的，还包括以下步骤：
预先将视频转化为图像帧，并构建数据集；
对图像数据进行训练获得卷积神经网络模型，基于得到的网络模型对图像进行分类识别；
将获取的分类识别作为输出测试的图片类别。
本发明的有益效果：
本发明基于人工智能的安防视频质量评价系统，通过预先获取采样信息并作为信息输入，将获取的采样信息进行信息处理并进行特征提取，获取特征信息，对获取的特征信息进行特征分类并作为质量评价输出，实现人工智能的安防视频质量评价体系，不仅能获得较高的图像清洗质量，而且所筛选出的图片，分类精度高，降低人员盯防劳动强度，提高故障定位和问题处理效率，支撑自动化故障分析和问题处理。
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是根据本发明实施例的一种基于人工智能的安防视频质量评价系统的流程示意图一；
图2是根据本发明实施例的一种基于人工智能的安防视频质量评价系统的流程示意图二。
具体实施方式
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所获得的所有其他实施例，都属于本发明保护的范围。
根据本发明的实施例，提供了一种基于人工智能的安防视频质量评价系统。
如图1-图2所示，根据本发明实施例的基于人工智能的安防视频质量评价系统，包括以下步骤：
步骤S1，预先获取采样信息并作为信息输入；
步骤S2，将获取的采样信息进行信息处理；
步骤S3，将预处理后的采样信息进行特征提取，获取特征信息；
步骤S4，对获取的特征信息进行特征分类并作为质量评价输出。
借助于上述方案，通过预先获取采样信息并作为信息输入，将获取的采样信息进行信息处理并进行特征提取，获取特征信息，对获取的特征信息进行特征分类并作为质量评价输出，实现人工智能的安防视频质量评价体系，不仅能获得较高的图像清洗质量，而且所筛选出的图片，分类精度高，降低人员盯防劳动强度，提高故障定位和问题处理效率，支撑自动化故障分析和问题处理。
其中，步骤所述获取采样信息，包括以下步骤：
获取采样信息图片集，并将其输入至预设的粗粒度二分类器中，筛选出符合要求的第一类图片集；
将所述第一类图片集输入至预设的细粒度二分类器，获得采样信息集。
其中，步骤所述获取的采样信息进行信息处理，包括以下步骤：
将获取的采样信息集对其缩小和灰度处理，获取当前帧的灰度图像，其包括保留其结构与明暗数据；
过滤低质量的图片信息并作为采样信息处理集。
其中，所述特征分类包括曝光、清晰度、颜色、质感、噪声、防抖动、闪光灯、对焦和伪影。
其中，所述特征分类检测包括亮度异常检测、图像模糊检测、画面冻结检测、信号缺失检测、颜色异常检测、噪声干扰检测、图像晃动检测、条纹干扰检测、黑白图像检测、对比度异常检测和PTZ失控检测。
其中，还包括以下步骤：
预先将视频转化为图像帧，并构建数据集；
对图像数据进行训练获得卷积神经网络模型，基于得到的网络模型对图像进行分类识别；
将获取的分类识别作为输出测试的图片类别。
另外，具体的，亮度异常检测，其图像特征：针对图像发白、图像黑暗难以辨识物体、画面闪烁等现象，故障原因通常为摄像头曝光控制器故障、增益控制器故障、摄像头被人为强光照射等问题。检测算法：通过统计图像亮度分量的直方图并对亮度分布进行相应分析，然后设定阈值来判定当前图像是否亮度异常。图像模糊检测，图像特征：针对图像中物体不清晰、图像中空荡无物、图像对比度低等现象，故障原因通常为聚焦不准、镜头覆盖灰尘和水汽、被人为涂抹和遮挡等问题。检测算法：可对图像数据在频域上进行频谱分析或者将图像分为N个大小相同的区域并统计其平均对比度。画面冻结检测，图像特征：针对画面静止不动的现象，故障原因通常为摄像头采集端不刷新、线路传输故障、人为贴画等问题。检测算法：一种实现方式是采用帧间差算法得到前后帧图像的差异变化；另一种实现方式可在视频帧中每隔一段时间抽取一帧图像，并分析其直方图，最后统计分析各帧之间的直方图相似度。信号缺失检测，图像特征：针对画面白屏或黑屏、无法获取码流、无视频信号等现象，故障原因通常为网络无法连接、视频传输线路接触不良或损坏等问题。检测算法：一种实现方式可对图像的亮度通道做直方图统计，通过直方图结果的分析和离散型检测，得出算法处理结果；另一种实现方式可对图像进行二值化处理，然后针对黑屏或白屏寻找最大联通区域，最终通过最大联通区域的面积来得出检测结果。颜色异常检测，图像特征：针对画面出现单一性全屏偏色、画面有闪动的彩色条带、图像中广泛分布杂色等现象。故障原因通常为感光器件的颜色通道损坏、摄像头颜色平衡算法失效、颜色信号在传输过程中受到干扰等问题。检测算法：首先将图像数据转换到特定的颜色空间，然后对其具体颜色通道进行分析。噪声干扰检测，图像特征：针对画面中出现混杂的细纹、斜纹，以及由此导致的画面扭动、模糊抖动等失真现象，较常见的有雪花噪声。这类检测比较困难复杂，主要由于不同种类噪声的无规律性，单一策略的检测算法难以全面覆盖。检测算法：以椒盐噪声为例，首先对图像进行滤波处理，然后比对滤波前后的图像，来得到检测结果。图像晃动检测，图像特征：针对画面出现持续性晃动的现象。故障原因通常为摄像头立杆或云台不稳等问题。检测算法：对于这类问题的检测，通常需要对一个时长的视频序列中各帧之间的运动信息进行统计分析。基于该思路，一种实现方法为对图像进行特征点检测，然后在一定的视频序列中，跟踪该特征点的运动矢量，然后得出算法的检测结果；另一种实现方法，可将图像分为相同大小的N个区域，然后记录一定时长的视频序列内各个区域的运动方向，来得到检测结果。条纹干扰检测，图像特征：针对画面中出现的横向条纹、纵向条纹、网状条纹等现象。故障原因通常为设备地线连接不当、信号传输线收到各种频率干扰、发送接收设备同步不当等问题。检测算法：针对该问题的算法通常针对干扰条纹的图像特征进行展开，以横向条纹检测为例，画面中条纹位置附近梯度波动较大，因此可分别做图像数据X和Y方向的梯度图来突出条纹特征，然后在梯度图像上做直线检测，然后根据检出直线的长度和运动信息得到检测结果。黑白图像检测，图像特征：针对画面显示为黑白图像(无色彩信息)现象。故障原因通常为感光器件有颜色通道损坏、摄像头颜色平衡算法失效、颜色信号在传输过程中受到干扰等。检测算法：将图像数据转换到YUV颜色空间，分析UV分量的分离度，与设定的经验阈值进行比较便可以得到检测结果。对比度异常检测，图像特征：针对画面中物体轮廓模糊等现象，一般是由相机虚焦或镜头受到污染导致。检测算法：严格按照图像对比度的定义设计，对比度指的是一幅图像中明暗区域最亮的白和最暗的黑之间不同亮度层级的测量，即指一幅图像灰度反差的大小。由此可统计出明暗区域最亮的白和最暗的黑的像素值，做差后得到检测结果。PTZ失控检测，图像特征：针对云台无法转动、云台错误相应控制指令等现象。故障原因通常为云台机械故障、控制指令配置不当导致。检测算法：需要配合云台控制指令，首先由诊断服务器发出云台控制指令，然后由算法分析发送指令后图像的运动轨迹，最终将控制指令与图像该时间段内的运动轨迹进行比较，从而得到检测结果。
另外，具体的，构建数据集，其深度学习神经网络模型的生成和训练是建立在对大量图片特征进行学习的基础上实现的。本文研究的是故障视频图像识别的深度学习模型，建立的基础是在大量故障视频图像以及正常图像。故障图像为清晰度异常图像、偏色异常图像两类，正常图像为人眼所接受、可识别的清晰图像。对清晰度异常视频、偏色异常视频以及正常视频进行处理，将视频转化为单帧图像，并对图片尺寸进行归一化处理，构建清晰度异常图像数据集、偏色异常图像数据集和正常图像数据集。从中任意抽取图像划分为训练集、验证集和测试集。
而对于训练模型，经过一个数据转化的过程。在该过程中，将图片文件由JPEG格式转化成神经网络识别的文件格式。在本文的CNN模型训练过程中，图片数据集转化为leveldb数据库文件，作为网络的底层数据输入。CNN对图片数据进行处理之后，经过卷积、池化等各种操作，从而实现网络模型输出。通过比较实际输出与期望输出之间的误差信息，对描述模型优劣的测试准确率和误差损失函数等结果进行观察分析。然后，更新模型的网络参数。模型的训练截断是一个不断更新参数和优化的过程。这个过程持续优化，直至结果收敛并且趋向于一个稳定的状态或者迭代次数终止，模型训练结束。此时获得一个分类模型，将它用于图像分类过程。
综上所述，借助于本发明的上述技术方案，通过预先获取采样信息并作为信息输入，将获取的采样信息进行信息处理并进行特征提取，获取特征信息，对获取的特征信息进行特征分类并作为质量评价输出，实现人工智能的安防视频质量评价体系，不仅能获得较高的图像清洗质量，而且所筛选出的图片，分类精度高，降低人员盯防劳动强度，提高故障定位和问题处理效率，支撑自动化故障分析和问题处理。
以上所述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、改进等，均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于人工智能的安防视频质量评价方法，其特征在于，包括以下步骤：
预先获取采样信息并作为信息输入；
将获取的采样信息进行信息处理；
将预处理后的采样信息进行特征提取，获取特征信息；
对获取的特征信息进行特征分类并作为质量评价输出。
2.根据权利要求1所述的基于人工智能的安防视频质量评价系统，其特征在于，步骤所述获取采样信息，包括以下步骤：
获取采样信息图片集，并将其输入至预设的粗粒度二分类器中，筛选出符合要求的第一类图片集；
将所述第一类图片集输入至预设的细粒度二分类器，获得采样信息集。
3.根据权利要求2所述的基于人工智能的安防视频质量评价系统，其特征在于，步骤所述获取的采样信息进行信息处理，包括以下步骤：
将获取的采样信息集对其缩小和灰度处理，获取当前帧的灰度图像，其包括保留其结构与明暗数据；
过滤低质量的图片信息并作为采样信息处理集。
4.根据权利要求1所述的基于人工智能的安防视频质量评价系统，其特征在于，所述特征分类包括曝光、清晰度、颜色、质感、噪声、防抖动、闪光灯、对焦和伪影。
5.根据权利要求4所述的基于人工智能的安防视频质量评价系统，其特征在于，所述特征分类检测包括亮度异常检测、图像模糊检测、画面冻结检测、信号缺失检测、颜色异常检测、噪声干扰检测、图像晃动检测、条纹干扰检测、黑白图像检测、对比度异常检测和PTZ失控检测。
6.根据权利要求5所述的基于人工智能的安防视频质量评价系统，其特征在于，还包括以下步骤：
预先将视频转化为图像帧，并构建数据集；
对图像数据进行训练获得卷积神经网络模型，基于得到的网络模型对图像进行分类识别；
将获取的分类识别作为输出测试的图片类别。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110105924.8A CN112906488A (zh) | 2021-01-26 | 2021-01-26 | 一种基于人工智能的安防视频质量评价系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110105924.8A CN112906488A (zh) | 2021-01-26 | 2021-01-26 | 一种基于人工智能的安防视频质量评价系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112906488A true CN112906488A (zh) | 2021-06-04 |
Family
ID=76120402
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110105924.8A Pending CN112906488A (zh) | 2021-01-26 | 2021-01-26 | 一种基于人工智能的安防视频质量评价系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112906488A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116935229A (zh) * | 2023-09-12 | 2023-10-24 | 山东博昂信息科技有限公司 | 一种钢包挂钩入钩状态识别方法及系统 |
| 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 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109754461A (zh) * | 2018-12-29 | 2019-05-14 | 深圳云天励飞技术有限公司 | 图像处理方法及相关产品 |
| CN109783684A (zh) * | 2019-01-25 | 2019-05-21 | 科大讯飞股份有限公司 | 一种视频的情感识别方法、装置、设备及可读存储介质 |
| CN111369555A (zh) * | 2020-03-19 | 2020-07-03 | 昆明理工大学 | 一种基于深度学习的视频质量诊断方法 |
| CN111652257A (zh) * | 2019-03-27 | 2020-09-11 | 上海铼锶信息技术有限公司 | 一种样本数据清洗方法及系统 |
| CN112200807A (zh) * | 2020-12-07 | 2021-01-08 | 光谷技术有限公司 | 一种视频质量诊断方法与系统 |
-
2021
- 2021-01-26 CN CN202110105924.8A patent/CN112906488A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109754461A (zh) * | 2018-12-29 | 2019-05-14 | 深圳云天励飞技术有限公司 | 图像处理方法及相关产品 |
| CN109783684A (zh) * | 2019-01-25 | 2019-05-21 | 科大讯飞股份有限公司 | 一种视频的情感识别方法、装置、设备及可读存储介质 |
| CN111652257A (zh) * | 2019-03-27 | 2020-09-11 | 上海铼锶信息技术有限公司 | 一种样本数据清洗方法及系统 |
| CN111369555A (zh) * | 2020-03-19 | 2020-07-03 | 昆明理工大学 | 一种基于深度学习的视频质量诊断方法 |
| CN112200807A (zh) * | 2020-12-07 | 2021-01-08 | 光谷技术有限公司 | 一种视频质量诊断方法与系统 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116935229A (zh) * | 2023-09-12 | 2023-10-24 | 山东博昂信息科技有限公司 | 一种钢包挂钩入钩状态识别方法及系统 |
| 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 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109167997B (zh) | 一种视频质量诊断系统及方法 | |
| CN108875821A (zh) | 分类模型的训练方法和装置、移动终端、可读存储介质 | |
| CN108764372A (zh) | 数据集的构建方法和装置、移动终端、可读存储介质 | |
| CN108039044B (zh) | 基于多尺度卷积神经网络的车辆智能排队的系统及方法 | |
| CN110751630B (zh) | 基于深度学习的输电线路异物检测方法、装置及介质 | |
| CN113887412B (zh) | 污染排放的检测方法、检测终端、监控系统及存储介质 | |
| CN112906488A (zh) | 一种基于人工智能的安防视频质量评价系统 | |
| CN111695512B (zh) | 一种无人值守文物监测方法及装置 | |
| CN112200807B (zh) | 一种视频质量诊断方法与系统 | |
| CN116993738B (zh) | 一种基于深度学习的视频质量评价方法及系统 | |
| CN115965889A (zh) | 一种视频质量评估数据处理方法、装置及设备 | |
| CN111860457A (zh) | 一种斗殴行为识别预警方法及其识别预警系统 | |
| CN113298764B (zh) | 基于图像噪声分析的高速相机成像质量分析方法 | |
| CN108073873A (zh) | 基于高清智能摄像机的人脸检测与识别系统 | |
| CN109658405B (zh) | 一种农作物实景观测中图像数据质量控制方法及系统 | |
| CN114724378B (zh) | 一种基于深度学习的车辆追踪统计系统及方法 | |
| CN112183310B (zh) | 冗余监控画面过滤及无效监控画面筛选的方法及系统 | |
| US11756214B2 (en) | Method and apparatus for tracking nematode worms | |
| CN114663795A (zh) | 距离选通成像设备获取玻璃幕墙后图像的目标检测方法 | |
| CN112115876A (zh) | 一种基于3d卷积神经网络的水溶法实验过程识别方法 | |
| CN112560776A (zh) | 一种基于图像识别的智能风机定检方法及系统 | |
| CN111598007A (zh) | 一种变电站设备自动监测方法 | |
| CN117011288B (zh) | 视频质量诊断方法及系统 | |
| CN117522186A (zh) | 一种铁路建设隐蔽工程验收系统 | |
| CN117745700A (zh) | 一种基于深度学习的输电线路通道防外破检测方法 |
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 |