CN116310959B - 一种复杂场景下低质量摄像机画面识别方法及系统 - Google Patents
一种复杂场景下低质量摄像机画面识别方法及系统 Download PDFInfo
- Publication number
- CN116310959B CN116310959B CN202310153640.5A CN202310153640A CN116310959B CN 116310959 B CN116310959 B CN 116310959B CN 202310153640 A CN202310153640 A CN 202310153640A CN 116310959 B CN116310959 B CN 116310959B
- Authority
- CN
- China
- Prior art keywords
- image
- module
- data
- low
- image data
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 74
- 238000001514 detection method Methods 0.000 claims abstract description 15
- 238000004458 analytical method Methods 0.000 claims abstract description 10
- 230000008569 process Effects 0.000 claims description 43
- 230000015556 catabolic process Effects 0.000 claims description 26
- 238000006731 degradation reaction Methods 0.000 claims description 26
- 238000000605 extraction Methods 0.000 claims description 25
- 238000005457 optimization Methods 0.000 claims description 22
- 238000007405 data analysis Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 9
- 230000033001 locomotion Effects 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 9
- 238000003384 imaging method Methods 0.000 claims description 5
- 230000004927 fusion Effects 0.000 claims description 4
- 239000000654 additive Substances 0.000 claims description 3
- 230000000996 additive effect Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 2
- 230000015572 biosynthetic process Effects 0.000 claims description 2
- 239000000470 constituent Substances 0.000 claims description 2
- 230000006870 function Effects 0.000 claims description 2
- 238000003786 synthesis reaction Methods 0.000 claims description 2
- 238000010276 construction Methods 0.000 description 10
- 230000006835 compression Effects 0.000 description 4
- 238000007906 compression Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 230000003993 interaction Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提出了一种复杂场景下低质量摄像机画面识别方法及系统，属于图像数据处理分析的技术领域。其中方法包括：步骤1、构建训练数据集和画面识别模型；步骤2、利用所述训练数据集对所述画面识别模型进行性能训练；步骤3、完成性能训练的画面识别模型接受待分析的图像数据；步骤4、利用所述画面识别模型对待分析的图像数据进行超分处理；步骤5、对超分后的图像数据进行检测识别；步骤6、输出步骤5的检测识别结果。本发明针对实际应用中存在的低质量画面识别需求，通过对采集到的图像数据进行重建，提高画面质量，进而提高最终的画面识别准确率。
Description
技术领域
本发明涉及图像数据处理分析的技术领域，特别涉及一种复杂场景下低质量摄像机画面识别方法及系统。
背景技术
图像信息作为信息传播的一种重要数据，在大众生活中占据不可获取地位，例如，依靠图像信息完成目标追踪、情绪传达以及障碍检测等等。根据不同的信息传播需求，图像数据作为基础的信息要素，成为高效完成任务需求的关键。
现有技术中，获取图像信息的途径来自很多种不同的信息采集设备，因此，在不同的采集环境中，由于不同的信息采集设备的硬件性能，常常会导致获取到的图像数据存在不清晰、画质受损、背景复杂等多种干扰项的存在，使得采集到的画面质量不足，进而导致针对采集的画面进行识别的有效性不高。
发明内容
发明目的：提出一种复杂场景下低质量摄像机画面识别方法及系统，以解决现有技术存在的上述问题。
技术方案：第一方面，提出了一种复杂场景下低质量摄像机画面识别方法，该方法包括以下步骤：
步骤1、构建训练数据集和画面识别模型；其中，构建训练数据集的过程中，进一步包括以下步骤：
步骤1.1、采集不同场景下的图像数据，构建初始数据集；
步骤1.2、构建退化模型，从真实和合成两个层面对初始数据集中的图像数据执行退化操作；
步骤1.3、获得退化后的低质量图像数据；
步骤1.4、基于获得的低质量图像数据构建训练数据集，并输出。
步骤2、利用所述训练数据集对所述画面识别模型进行性能训练；
步骤3、完成性能训练的画面识别模型接受待分析的图像数据；
步骤4、利用所述画面识别模型对待分析的图像数据进行超分处理；
步骤5、对超分后的图像数据进行检测识别；
步骤6、输出步骤5的检测识别结果。
在第一方面的一些可实现方式中，通过不用层面执行训练数据集构建的过程中，在在合成层面，利用退化模型执行退化操作的过程中，通过将摄像机画面成像过程中的退化先验知识随机混洗，获得低质量图像数据。其中随机混洗的先验知识包括：运动模糊、噪声和下采样数据。
执行运动模糊的过程中，对应的表达式为：
式中，AM表示模糊后的图像；Y表示原图像；K表示模糊核矩阵；表示卷积操作；N表示加性噪声。另外，丰富数据集的过程中，将模糊核进行均匀的角度旋转，通过模糊核的大小选择以及角度的旋转两种方式，扩展模糊的退化空间。
执行下采样数据的过程中，采用双线性插值和双三次插值操作，通过先保留预设范围的高频部分后，再采用先用比例因子执行下采样，最后采用比例因子执行上采样的下采样，对应的表达式为：
式中，表示比例因子为S/a的下采样；/>表示比例因子为a的上采样。
通过不用层面执行训练数据集构建的过程中，在真实层面，利用退化模型执行退化操作的过程中，通过改变摄像机的焦距，以及改变像素传感器尺寸两种退化方式获得低分辨图像数据，并通过数据采集、配准得到两种退化方案的高低分辨率图像对，同时将高低分辨率图像对作为训练数据集的组成元素之一。
在第一方面的一些可实现方式中，在实际应用场景执行图像数据超分的过程中，现有的技术方案虽然在重建方面获得巨大提升，但是随着网络的加深，非线性能力增强的同时，也会导致传播的过程中出现浅层特征信息的丢失；另外，多尺度感受野特征信息的利用不充分，以及同等对待图像的特征通道，导致不能完美的贴合实际的任务需求。
因此，本发明从不同层次执行信息的交互和提取，通过采用多尺度卷积的方式逐步增加卷积核的宽度，使得网络可以接收到不同尺度的感受野信息。具体的，采用的画面识别模型包括图像超分模块和图像识别模块，采用图像超分模块对待分析的图像数据进行超分处理，采用图像识别模块对超分后的图像数据进行检测识别；执行超分处理的过程中，利用的图像超分模块按序包括：浅层特征提取模块、深层特征提取模块和上采样模块。
其中浅层特征提取模块用于提取低分辨率图像数据中的底层特征信息；深层特征提取模块通过采用不同尺寸的卷积核提取不同感受野层次的图像特征，获得深层语义信息；上采样模块用于将提取到的特征图像信息重建为高分辨率的图像。
第二方面，提出一种复杂场景下低质量摄像机画面识别系统，用于实现复杂场景下低质量摄像机画面识别方法，该系统包括：模型构建模块、性能优化模块、数据接收模块、数据分析模块、数据输出模块。
在第二方面的一些可实现方式中，模型构建模块用于根据数据分析需求构建画面识别模型。性能优化模块包括：数据集构建模块和优化执行模块，其中数据集构建模块用于构建性能优化的训练数据集，优化执行模块用于执行画面识别模型的性能优化。数据接收模块用于接收待分析的图像数据。数据分析模块包括：图像超分模块和图像识别模块，其中图像超分模块用于对待分析的图像数据执行超分操作；图像识别模块用于对超分后的图像数据执行检测识别。数据输出模块用于输出图像识别模块的检测识别结果。
执行复杂场景下低质量摄像机画面识别方法的过程中，首先根据实际的任务分析需求利用模型构建模块构建画面识别模型；其次，为了提高画面识别模型的性能，采用性能优化模块执行画面识别模型的性能优化；再次，在完成性能优化后，利用数据接收模块接收待分析的图像数据，并传输至数据分析模块中执行需求分析；从次，数据分析模块从超分和检测识别两个层面进行数据分析；最后，利用数据输出模块将数据分析模块的分析结果输出。
第三方面，提供了一种复杂场景下低质量摄像机画面识别设备，该设备包括：处理器，以及存储有计算机程序指令的存储器；所述处理器读取并执行计算机程序指令时实现第一方面或第一方面的一些可实现方式中的低质量摄像机画面识别方法。
第四方面，，提供了一种计算机存储介质，计算机存储介质上存储有计算机程序指令，计算机程序指令被处理器执行时实现第一方面或第一方面的一些可实现方式中的低质量摄像机画面识别方法。
有益效果：本发明提出了一种复杂场景下低质量摄像机画面识别方法及系统，针对实际应用中存在的低质量画面识别需求，通过对采集到的图像数据进行重建，提高画面质量，进而提高最终的画面识别准确率。
附图说明
图1为本发明的数据处理流程图。
具体实施方式
在下文的描述中，给出了大量具体的细节以便提供对本发明更为彻底的理解。然而，对于本领域技术人员而言显而易见的是，本发明可以无需一个或多个这些细节而得以实施。在其他的例子中，为了避免与本发明发生混淆，对于本领域公知的一些技术特征未进行描述。
实施例一
在一个实施例中，基于实际应用过程中的图像数据分析需求，针对存在的低质量图像画面，提出一种复杂场景下低质量摄像机画面识别方法，通过对采集到的图像数据进行重建，提高画面质量，进而提高最终的画面识别准确率。如图1所示，复杂场景下低质量摄像机画面识别方法包括以下步骤：
步骤1、构建训练数据集和画面识别模型；
步骤2、利用所述训练数据集对所述画面识别模型进行性能训练；
步骤3、完成性能训练的画面识别模型接受待分析的图像数据；
步骤4、利用所述画面识别模型对待分析的图像数据进行超分处理；
步骤5、对超分后的图像数据进行检测识别；
步骤6、输出步骤5的检测识别结果。
实施例二
在实施例一基础上的进一步实施例中，执行画面识别的过程中，由于低质量画面会导致识别精准度出现偏差，因此现有技术中普遍采用三次插值的方式构建低分辨率图像数据集，并采用构建好的低分辨率图像数据集对识别模型进行性能训练。由于这种处理方式过于理想化，使得最终获得的效果并不能完全达到用户的需求，因此本实施例提出构建一种退化模型，通过将摄像机画面成像过程中的退化先验知识随机混洗，模拟自然场景下低质量画面的生成过程，从而获得逼真的低质量画面，将生成的低质量画面构成训练数据集，可以有效提高模型的性能，以及贴合实际的应用场景。
具体的，随机混洗中的退化先验知识包括：运动模糊、噪声和下采样数据，其中运动模糊是摄像机在曝光情况下目标物体与相机之间发生相对移动导致像素发生叠加，进而使得成像质量不高。生成运动模糊的表达式为：
式中，AM表示模糊后的图像；Y表示原图像；K表示模糊核矩阵；表示卷积操作；N表示加性噪声。根据需求调整模糊核的大小，能够获得不同模糊程度的图像。
实际拍摄图像画面的过程中，由于光照、高温等环境原因，常常会引起传感器噪声，使得图像画质收到干扰，因此在生成低分辨率图像数据集的过程中，为了提高数据集的多样性，进一步引入高斯噪声。
获取下采样数据的过程中，由于简单和易实现的特性，现有技术常采用邻插值的方式生成低质量的图像数据，但是邻插值生成的图像数据常常带有锯齿边缘和马赛克现象。为了使得生成的图像数据更平滑，本实施例同时采用双线性插值和双三次插值操作，进而保留一部分图像的高频部分，随后采用先用比例因子执行下采样，最后采用比例因子执行上采样的下采样，具体的表达式为：
式中，表示比例因子为S/a的下采样；/>表示比例因子为a的上采样。
优选实施例中，针对实际应用中图像数据可能会存在多种退化情况，因此构建的训练数据集中包含不同低质量画面的随机组合。
在进一步的实施例中，在执行运动模糊后现有的技术方案常常直接对原图像进行下采样操作，进而获得退化后的图像数据，但是在实际的应用过程中，可能会存在原图就是模糊的情况，因此本实施例对高分辨率原图以及低分辨率模糊图像均执行模糊操作，同时采用不同大小的模糊卷积核均匀采样。优选实施例中，进一步将模糊核进行均匀的角度旋转，通过模糊核的大小选择以及角度的旋转两种方式，扩展模糊的退化空间，丰富训练集的多样性。
在进一步的实施例中，构建的低分辨率图像数据集中除了添加高斯噪声，还引入图像压缩噪声。为了避免方块效应的出现，在执行压缩的过程中，将压缩因子设定在中间范围，并从中均匀选择。优选实施例中，将压缩因子的取值范围设定在[40,80]。
在进一步的实施例中，由于仅通过对高分辨率图像下采样得到低质量的图像数据在训练画面识别模型的过程中，存在泛化能力较差的问题，因此本实施例进一步提出通过数据采集、配准得到基于变焦和改变像素传感器尺寸两种退化方案的高低分辨率图像对。
具体的，改变焦距的措施通过牺牲视场大小，获得图像分辨率的提升，因此采集图像数据的过程中，在物距不变的情况，通过增大焦距可以将更小的视场成像在相同大小的传感器平面。构建训练集时，将长焦对应的小视场图像作为高分辨率图像，将短焦得到的大视场中裁剪出的小市场作为低分辨率图像，进而得到视场相同，但分辨率却不相同的图像对。在进一步的实施例中，在构建训练集时，还可以此采用改变物距的措施，通过减小物距，获得相同视场角下更小视场的图像，随后通过从大视场图像中截取小视场的图像，获得高低分辨率图像对。
改变像素传感器尺寸的措施通过减少像素传感器的尺寸，使得相同尺寸的成像传感器可以排布更多的像素传感器，从而提升像素传感器的密度，进而获得分辨率更高的图像数据。
本实施例基于构建的退化模型，通过随机混洗退化因素的方式，生成低质量的图像数据，相比于现有技术中采用三次插值方式获得的图像数据，本实施例获得的图像数据在特征空间分布上更贴近真实的低分辨率图像。
实施例三
在实施例一基础上的进一步实施例中，执行图像数据超分的过程中，现有的技术方案虽然在重建方面获得巨大提升，但是在实际应用的过程中，随着网络的加深，非线性能力增强的同时，也会导致传播的过程中出现浅层特征信息的丢失；另外，多尺度感受野特征信息的利用不充分，以及同等对待图像的特征通道，导致不能完美的贴合实际的任务需求。
针对现有技术中存在的问题，本实施例从不同层次执行信息的交互和提取，通过采用多尺度卷积的方式逐步增加卷积核的宽度，使得网络可以接收到不同尺度的感受野信息。
具体的，画面识别模型包括：图像超分模块和图像识别模块，其中执行超分过程中的图像超分模块基于残差密集连接逻辑、注意力机制，以及多尺度卷积的方式完成图像超分，该模块按序包括：浅层特征提取模块、深层特征提取模块和上采样模块，其中浅层特征提取模块用于提取低分辨率图像数据中的底层特征信息；深层特征提取模块通过采用不同尺寸的卷积核提取不同感受野层次的图像特征，获得深层语义信息；上采样模块用于将提取到的特征图像信息重建为高分辨率的图像。
在进一步的实施例中，浅层特征提取模块利用标准卷积核执行底层特征信息提取的过程中，通过在标准卷积核后面添加激活函数的方式，增加当前模块的非线性能力。另外，为了加速模型的训练过程，在数据运行的过程中，将经过浅层特征提取模块的数据流划分为两个同步进行的数据流，一条按序经过深层特征提取模块，另一条直接通过长跳跃连接输出上采样模块中执行高低频信息的融合，使得网络本身更注重于生成高频信息，提高图像的视觉效果。
深层特征提取模块通过不同尺寸的卷积核提取特征图不同感受野层次的图像特征，进而充分的挖掘到深层次的语义信息，随后通过连接操作融合不同尺度的特征图，完成局部到全局的上下文信息融合。优选实施例中，采用残差密集连接促进数据信息之间的交互和流动，随后在卷积降维后使得维度与输出入特征图具备相同的数量，从而便于不同特征提取模块的数据融合，以及深层次的特征提取。
上采样模块根据提取到的特征图信息重建高分辨率图像时，令接收到的特征图经过正常的卷积操作后，保持与输入时的尺寸相同，且通道数变为最终重建图像尺寸的平方，并在经过亚像素排列后生成高分辨图像。本实施例采用的重建方法，充分利用特征图像本身的信息，保留像素之间的关联性与空间特征。
实施例四
在一个实施例中，提出一种复杂场景下低质量摄像机画面识别系统，用于实现一种复杂场景下低质量摄像机画面识别方法，该系统包括以下模块：模型构建模块、性能优化模块、数据接收模块、数据分析模块、数据输出模块。
具体的，模型构建模块用于根据数据分析需求构建画面识别模型。性能优化模块包括：数据集构建模块和优化执行模块，其中数据集构建模块用于构建性能优化的训练数据集，优化执行模块用于执行画面识别模型的性能优化。数据接收模块用于接收待分析的图像数据。数据分析模块包括：图像超分模块和图像识别模块，其中图像超分模块用于对待分析的图像数据执行超分操作；图像识别模块用于对超分后的图像数据执行检测识别。数据输出模块用于输出图像识别模块的检测识别结果。
在进一步的实施例中，执行复杂场景下低质量摄像机画面识别方法的过程中，首先根据实际的任务分析需求利用模型构建模块构建画面识别模型；其次，为了提高画面识别模型的性能，采用性能优化模块执行画面识别模型的性能优化；再次，在完成性能优化后，利用数据接收模块接收待分析的图像数据，并传输至数据分析模块中执行需求分析；从次，数据分析模块从超分和检测识别两个层面进行数据分析；最后，利用数据输出模块将数据分析模块的分析结果输出。
执行画面识别模型性能优化的过程中，首先采用数据集构建模块构建用于模型性能优化的训练数据集，随后基于构建的训练数据集，优化执行模块执行画面识别模型的性能优化操作。
数据分析模块执行画面识别检测的过程中，从不同的层面按照先超分，后检测识别的操作顺序完成数据分析。针对低质量画面数据，图像超分模块完成画面的质量提升，随后再采用图像识别模块完成检测识别，相比于现有技术中直接执行检测识别具备更高的识别精度。
实施例五
在一个实施例中，提出一种复杂场景下低质量摄像机画面识别设备，该设备包括：处理器，以及存储有计算机程序指令的存储器。其中，处理器读取并执行计算机程序指令时实现低质量摄像机画面识别方法。
实施例六
在一个实施例中，提出一种计算机存储介质，该计算机存储介质上存储有计算机程序指令，计算机程序指令被处理器执行时实现低质量摄像机画面识别方法。
如上所述，尽管参照特定的优选实施例已经表示和表述了本发明，但其不得解释为对本发明自身的限制。在不脱离所附权利要求定义的本发明的精神和范围前提下，可对其在形式上和细节上做出各种变化。
Claims (5)
1.一种复杂场景下低质量摄像机画面识别方法，其特征在于，包括以下步骤：
步骤1、构建训练数据集和画面识别模型；其中，构建所述训练数据集的过程中包括以下步骤：
步骤1.1、采集不同场景下的图像数据，构建初始数据集；
步骤1.2、构建退化模型，从真实和合成两个层面对初始数据集中的图像数据执行退化操作；
步骤1.3、获得退化后的低质量图像数据；
步骤1.4、基于获得的低质量图像数据构建训练数据集，并输出；
所述画面识别模型包括图像超分模块和图像识别模块，采用所述图像超分模块对待分析的图像数据进行超分处理，采用图像识别模块对超分后的图像数据进行检测识别；
执行超分处理的过程中，利用的图像超分模块按序包括：浅层特征提取模块、深层特征提取模块和上采样模块；其中浅层特征提取模块用于提取低分辨率图像数据中的底层特征信息；深层特征提取模块通过采用不同尺寸的卷积核提取不同感受野层次的图像特征，获得深层语义信息；上采样模块用于将提取到的特征图像信息重建为高分辨率的图像；
另外，浅层特征提取模块利用标准卷积核执行底层特征信息提取的过程中，在标准卷积核后面添加激活函数，并在模型训练的过程中，将经过浅层特征提取模块的数据流划分为两个同步进行的数据流，一条按序经过深层特征提取模块，另一条直接通过长跳跃连接输出上采样模块中执行高低频信息的融合，使得网络本身更注重于生成高频信息；
步骤2、利用所述训练数据集对所述画面识别模型进行性能训练；
步骤3、完成性能训练的画面识别模型接受待分析的图像数据；
步骤4、利用所述画面识别模型对待分析的图像数据进行超分处理；
步骤5、对超分后的图像数据进行检测识别；
步骤6、输出步骤5的检测识别结果；
在合成层面，利用退化模型执行退化操作的过程中，通过将摄像机画面成像过程中的退化先验知识随机混洗，获得低质量图像数据；其中随机混洗的先验知识包括：运动模糊、噪声和下采样数据；
执行所述下采样数据的过程中，采用双线性插值和双三次插值操作，通过先保留预设范围的高频部分后，再采用先用比例因子执行下采样，最后采用比例因子执行上采样的下采样，对应的表达式为：
式中，表示比例因子为S/a的下采样；/>表示比例因子为a的上采样；
在真实层面，利用退化模型执行退化操作的过程中，通过改变摄像机的焦距，以及改变像素传感器尺寸两种退化方式获得低分辨图像数据，并通过数据采集、配准得到两种退化方案的高低分辨率图像对，同时将高低分辨率图像对作为训练数据集的组成元素之一。
2.根据权利要求1所述的一种复杂场景下低质量摄像机画面识别方法，其特征在于，执行运动模糊的过程中，对应的表达式为：
式中，AM表示模糊后的图像；Y表示原图像；K表示模糊核矩阵；表示卷积操作；N表示加性噪声；
丰富数据集的过程中，将模糊核进行均匀的角度旋转，通过模糊核的大小选择以及角度的旋转两种方式，扩展模糊的退化空间。
3.一种复杂场景下低质量摄像机画面识别系统，用于实现如权利要求1-2任意一项所述的复杂场景下低质量摄像机画面识别方法，其特征在于，包括以下模块：
模型构建模块，被设置为根据数据分析需求构建画面识别模型；
性能优化模块，被设置为对画面识别模型执行性能优化训练；
数据接收模块，被设置为接收待分析的图像数据；
数据分析模块，被设置为对接收到的图像数据执行识别分析；
数据输出模块，被设置为输出数据分析模块获得的分析结果。
4.一种复杂场景下低质量摄像机画面识别设备，其特征在于，所述设备包括：
处理器以及存储有计算机程序指令的存储器；
所述处理器读取并执行所述计算机程序指令，以实现如权利要求1-2任意一项所述的低质量摄像机画面识别方法。
5.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现如权利要求1-2任意一项所述的低质量摄像机画面识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310153640.5A CN116310959B (zh) | 2023-02-21 | 2023-02-21 | 一种复杂场景下低质量摄像机画面识别方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310153640.5A CN116310959B (zh) | 2023-02-21 | 2023-02-21 | 一种复杂场景下低质量摄像机画面识别方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116310959A CN116310959A (zh) | 2023-06-23 |
| CN116310959B true CN116310959B (zh) | 2023-12-08 |
Family
ID=86835308
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310153640.5A Active CN116310959B (zh) | 2023-02-21 | 2023-02-21 | 一种复杂场景下低质量摄像机画面识别方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116310959B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2015129987A (ja) * | 2014-01-06 | 2015-07-16 | 国立大学法人三重大学 | 医用高解像画像形成システムおよび方法。 |
| CN110969577A (zh) * | 2019-11-29 | 2020-04-07 | 北京交通大学 | 一种基于深度双重注意力网络的视频超分辨率重建方法 |
| US10999344B1 (en) * | 2020-06-15 | 2021-05-04 | Google Llc | Dynamic video resolution and quality for improved video conferencing |
| CN113570510A (zh) * | 2021-01-19 | 2021-10-29 | 腾讯科技（深圳）有限公司 | 图像处理方法、装置、设备及存储介质 |
| CN113705331A (zh) * | 2021-07-08 | 2021-11-26 | 电子科技大学 | 一种基于四元特征金字塔网络的sar船只检测方法 |
| CN114092330A (zh) * | 2021-11-19 | 2022-02-25 | 长春理工大学 | 一种轻量化多尺度的红外图像超分辨率重建方法 |
| CN114266957A (zh) * | 2021-11-12 | 2022-04-01 | 北京工业大学 | 一种基于多降质方式数据增广的高光谱图像超分辨率复原方法 |
| CN114359039A (zh) * | 2021-11-22 | 2022-04-15 | 杭州当虹科技股份有限公司 | 基于知识蒸馏的图像超分方法 |
| CN114757862A (zh) * | 2022-04-14 | 2022-07-15 | 武汉大学 | 用于红外光场设备的图像增强渐进式融合方法 |
| CN115205112A (zh) * | 2022-06-15 | 2022-10-18 | 哈尔滨工业大学（深圳） | 一种真实复杂场景图像超分辨率的模型训练方法及装置 |
| CN115526777A (zh) * | 2022-09-06 | 2022-12-27 | 华中科技大学 | 一种盲超分网络建立方法、盲超分方法及存储介质 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9692939B2 (en) * | 2013-05-29 | 2017-06-27 | Yeda Research And Development Co. Ltd. | Device, system, and method of blind deblurring and blind super-resolution utilizing internal patch recurrence |
| CN111598808B (zh) * | 2020-05-18 | 2022-08-23 | 腾讯科技（深圳）有限公司 | 图像处理方法、装置、设备及其训练方法 |
-
2023
- 2023-02-21 CN CN202310153640.5A patent/CN116310959B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2015129987A (ja) * | 2014-01-06 | 2015-07-16 | 国立大学法人三重大学 | 医用高解像画像形成システムおよび方法。 |
| CN110969577A (zh) * | 2019-11-29 | 2020-04-07 | 北京交通大学 | 一种基于深度双重注意力网络的视频超分辨率重建方法 |
| US10999344B1 (en) * | 2020-06-15 | 2021-05-04 | Google Llc | Dynamic video resolution and quality for improved video conferencing |
| CN113570510A (zh) * | 2021-01-19 | 2021-10-29 | 腾讯科技（深圳）有限公司 | 图像处理方法、装置、设备及存储介质 |
| CN113705331A (zh) * | 2021-07-08 | 2021-11-26 | 电子科技大学 | 一种基于四元特征金字塔网络的sar船只检测方法 |
| CN114266957A (zh) * | 2021-11-12 | 2022-04-01 | 北京工业大学 | 一种基于多降质方式数据增广的高光谱图像超分辨率复原方法 |
| CN114092330A (zh) * | 2021-11-19 | 2022-02-25 | 长春理工大学 | 一种轻量化多尺度的红外图像超分辨率重建方法 |
| CN114359039A (zh) * | 2021-11-22 | 2022-04-15 | 杭州当虹科技股份有限公司 | 基于知识蒸馏的图像超分方法 |
| CN114757862A (zh) * | 2022-04-14 | 2022-07-15 | 武汉大学 | 用于红外光场设备的图像增强渐进式融合方法 |
| CN115205112A (zh) * | 2022-06-15 | 2022-10-18 | 哈尔滨工业大学（深圳） | 一种真实复杂场景图像超分辨率的模型训练方法及装置 |
| CN115526777A (zh) * | 2022-09-06 | 2022-12-27 | 华中科技大学 | 一种盲超分网络建立方法、盲超分方法及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 图像超分辨率重建研究;康凯;《中国博士学位论文全文数据库信息科技辑》(第09期);插图索引，第1章至第5章 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116310959A (zh) | 2023-06-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Chen et al. | Real-world single image super-resolution: A brief review | |
| Li et al. | Survey of single image super‐resolution reconstruction | |
| Cho et al. | Weakly-and self-supervised learning for content-aware deep image retargeting | |
| Alsaiari et al. | Image denoising using a generative adversarial network | |
| Wu et al. | Revisiting light field rendering with deep anti-aliasing neural network | |
| Zhao et al. | Pyramid global context network for image dehazing | |
| US8665341B2 (en) | Methods and apparatus for rendering output images with simulated artistic effects from focused plenoptic camera data | |
| CN112329702B (zh) | 一种快速人脸密度预测和人脸检测方法、装置、电子设备及存储介质 | |
| CN112529776B (zh) | 图像处理模型的训练方法、图像处理方法及装置 | |
| KR102188035B1 (ko) | 위성영상의 해상도 복원을 위한 학습 방법 및 장치 | |
| CN111161181A (zh) | 图像数据的增强方法、模型的训练方法、设备和存储介质 | |
| KR102311796B1 (ko) | 지역적 신체영역 정보를 이용한 휴먼 모션 디블러링 방법 및 장치 | |
| CN112837245A (zh) | 一种基于多模态融合的动态场景去模糊方法 | |
| CN112651911A (zh) | 一种基于偏振图像的高动态范围成像生成方法 | |
| Wang et al. | Multi-scale fast Fourier transform based attention network for remote-sensing image super-resolution | |
| Hou et al. | A perceptual quality metric for video frame interpolation | |
| Rohith et al. | Super-resolution based deep learning techniques for panchromatic satellite images in application to pansharpening | |
| Tang et al. | Structure-embedded ghosting artifact suppression network for high dynamic range image reconstruction | |
| CN116310959B (zh) | 一种复杂场景下低质量摄像机画面识别方法及系统 | |
| CN114119428B (zh) | 一种图像去模糊方法和装置 | |
| Deng et al. | Selective kernel and motion-emphasized loss based attention-guided network for HDR imaging of dynamic scenes | |
| Wu et al. | Lapepi-net: A Laplacian pyramid EPI structure for learning-based dense light field reconstruction | |
| Yuan et al. | Unsupervised real image super-resolution via knowledge distillation network | |
| Alshammri et al. | Three-dimensional video super-resolution reconstruction scheme based on histogram matching and recursive Bayesian algorithms | |
| CN111967292B (zh) | 一种轻量级的sar图像船只检测方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |