CN116456075A - 监控视频质量自动巡检系统 - Google Patents
监控视频质量自动巡检系统 Download PDFInfo
- Publication number
- CN116456075A CN116456075A CN202310470221.4A CN202310470221A CN116456075A CN 116456075 A CN116456075 A CN 116456075A CN 202310470221 A CN202310470221 A CN 202310470221A CN 116456075 A CN116456075 A CN 116456075A
- Authority
- CN
- China
- Prior art keywords
- video
- module
- image
- monitoring
- quality
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 59
- 238000007689 inspection Methods 0.000 title claims abstract description 39
- 238000013441 quality evaluation Methods 0.000 claims abstract description 38
- 238000001514 detection method Methods 0.000 claims abstract description 18
- 230000002159 abnormal effect Effects 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims description 17
- 239000002131 composite material Substances 0.000 claims description 9
- 238000012986 modification Methods 0.000 claims description 7
- 230000004048 modification Effects 0.000 claims description 7
- 238000003745 diagnosis Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 claims description 3
- 238000013139 quantization Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 208000019914 Mental Fatigue Diseases 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 3
- 238000000034 method Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 206010016256 fatigue Diseases 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 208000013409 limited attention Diseases 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N17/00—Diagnosis, testing or measuring for television systems or their details
- H04N17/002—Diagnosis, testing or measuring for television systems or their details for television cameras
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L65/00—Network arrangements, protocols or services for supporting real-time applications in data packet communication
- H04L65/60—Network streaming of media packets
- H04L65/65—Network streaming protocols, e.g. real-time transport protocol [RTP] or real-time control protocol [RTCP]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
- H04N7/181—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a plurality of remote sources
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Closed-Circuit Television Systems (AREA)
Abstract
本发明公开了监控视频质量自动巡检系统,涉及机场航站楼监控技术领域,包括RTSP视频流数据采集模块、视频图像质量检测模块、存储模块与用户界面及后台管理模块,所述视频图像质量检测模块包括视频质量评价模块与摄像头异常检测器;该监控视频质量自动巡检系统,通过本视频监控自动巡检系统的应用能够极大的缓解监控人员日常巡检区域内监控点的工作压力,同时也避免了因巡检时快速切换画面而导致的精神疲劳,本系统能够进行自动定时巡检,当摄像头发生异常:画面模糊、噪声、条纹、黑屏、亮度异常时,能在短时间内被系统监测到并告警,提升故障处理及时性,降低监控系统安全风险。
Description
技术领域
本发明涉及机场航站楼监控技术领域,具体为监控视频质量自动巡检系统。
背景技术
机场航站楼监控系统是一套包含数字化分布式网络结构的监控系统,由管理服务器、存储服务器、数字摄像机等设备组成。目前机场所使用的Genetec监控管理系统可以实现对网络中断、服务器故障、硬盘故障等设备状态的监测,然而无法实现对一些软性故障如视频监控视频质量、摄像头异常等问题的监测,系统缺少对摄像机进行自动巡检的功能,机场运维人员仍然使用人工巡检方式对摄像机的画面情况进行检查,随着航站楼监控摄像机数量的不断增加和对监控视频质量要求的不断提高,传统人工巡检方式存在以下问题:
1、人工巡检费时费力、效率低下。航站楼监控平台目前在线5800余路摄像机,人工巡检按10秒一路计算,一个人在全神贯注且不休息的情况需要16小时巡检完;
2、人工巡检存在一定的局限性、不稳定性;因人的注意力有限、工作时间长时容易疲劳,注意力涣散,会被其他事物干扰,使得巡检过程中有摄像头画面漏检的情况;
3、人工巡检不能做到实时监测,从而在出现摄像机画面出现黑屏、模糊等异常状态不能被及时发现,对运行保障造成严重影响;
面对摄像机数量的日益剧增以及对监控视频分析越来越高的要求,传统的人工监控很难保证对视频画面分析的实时性,因此提出了监控视频质量自动巡检系统。
发明内容
针对现有技术的不足,本发明提供了监控视频质量自动巡检系统,解决了上述背景技术中提出的问题。
为实现以上目的,本发明通过以下技术方案予以实现:监控视频质量自动巡检系统,包括RTSP视频流数据采集模块、视频图像质量检测模块、存储模块与用户界面及后台管理模块,所述视频图像质量检测模块包括视频质量评价模块与摄像头异常检测器;
所述RTSP视频流数据采集模块,用于视频图像的采集,生成视频图像数据集便于系统进行后续处理;
所述视频图像质量检测模块,用于对实时视频流图像进行质量检测和摄像机异常情况检测;
所述视频质量评价模块,用于通过图像质量检测模型对监控视频图像质量进行打分;
所述摄像头异常检测器,用于对视频质量低于阈值的监控摄像头进行筛选;
所述存储模块,用于对摄像机逻辑ID、图像质量评价结果和巡检时间等关键信息存入数据库中保存;
所述用户界面及后台管理模块,用于接收视频图像质量前端诊断系统的分析结果并在用户界面进行展示。
可选的,所述存储模块采用开源的MySQL数据库。
可选的,所述用户界面及后台管理模块包括异常展示模块、参数修改模块以及超时报告模块;所述异常展示模块,用于对视频图像质量前端诊断系统的分析结果进行展示;所述参数修改模块,用于对系统的阈值参数进行修改;所述超时报告模块,用于异常值超过阈值时进行告警。
可选的,用户可通过所述用户界面及后台管理模块在任意一台可访问安防网的主机上运行本系统,并进行历史查询、统计分析以及系统管理工作。
可选的,所述视频质量评价模块使用基于AI深度学习的DB-CNN图像质量评价模型对实时监控视频质量进行打分;所述DB-CNN图像质量评价模型由合成失真图像预训练的S-CNN和真实失真图像预训练的VGG-16构成;所述合成失真图像预训练S-CNN在前期训练阶段采用Waterloo Exploration数据集和PASCAL VOC 2012数据集以及这两个数据集通过粉色噪声,对比度拉伸,图像量化与颜色抖动,过度曝光,曝光不足这五种后期合成的失真图像进行训练。
可选的,所述合成失真图像预训练S-CNN和真实失真图像预训练VGG-16这两个网络生成的特征集通过双线性池合并为一个表示,保证了图像质量评价的可靠性,通过全连接层与损失层计算,输出质量评价分数用于视频图像质量预测。
可选的,所述视频质量评价模块训练所使用的航站楼视频监控图像数据集,由通过提取前端摄像机在白天、夜晚、雨天、雾天不同天气、光线下的监控截图,生成数据集。
可选的,所述DB-CNN图像质量评价模型对实时监控视频质量进行打分,输出分数范围为[0-100],其中分数越高表示图像质量越好,图片得分低于40分,为图像质量不合格的摄像机。
本发明提供了监控视频质量自动巡检系统,具备以下有益效果:
1、该监控视频质量自动巡检系统,通过本视频监控自动巡检系统的应用能够极大的缓解监控人员日常巡检区域内监控点的工作压力,同时也避免了因巡检时快速切换画面而导致的精神疲劳,本系统能够进行自动定时巡检,当摄像头发生异常:画面模糊、噪声、条纹、黑屏、亮度异常时,能在短时间内被系统监测到并告警,提升故障处理及时性,降低监控系统安全风险。
2、该监控视频质量自动巡检系统,通过生成航站楼视频监控图像数据集,进行视频图像质量检测模块的训练,数据集通过提取前端摄像机在白天、夜晚、雨天、雾天不同天气、光线下的监控截图,生成包含较多的监控图像的数据集,可以用于进行视频图像质量检测模块中DB-CNN图像质量评价模型的训练,从而能够使得DB-CNN图像质量评价模型能够对摄像头异常进行检测。
附图说明
图1为本发明系统结构示意图;
图2为本发明用户界面及后台管理模块的结构示意图;
图3为本发明DB-CNN图像质量评价模型结构示意图。
图中:1、RTSP视频流数据采集模块;2、视频图像质量检测模块;3、视频质量评价模块;4、摄像头异常检测器;5、存储模块;6、用户界面及后台管理模块。
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。
请参阅图1至图3,本发明提供一种技术方案:监控视频质量自动巡检系统,包括RTSP视频流数据采集模块1、视频图像质量检测模块2、存储模块5与用户界面及后台管理模块6,视频图像质量检测模块2包括视频质量评价模块3与摄像头异常检测器4;
RTSP视频流数据采集模块1,用于视频图像的采集,生成视频图像数据集便于系统进行后续处理;
视频图像质量检测模块2,用于对实时视频流图像进行质量检测和摄像机异常情况检测;
视频质量评价模块3,用于通过图像质量检测模型对监控视频图像质量进行打分;
摄像头异常检测器4,用于对视频质量低于阈值的监控摄像头进行筛选;
存储模块5,用于对摄像机逻辑ID、图像质量评价结果和巡检时间等关键信息存入数据库中保存;
用户界面及后台管理模块6,用于接收视频图像质量前端诊断系统的分析结果并在用户界面进行展示。
进一步,存储模块5采用开源的MySQL数据库,MySQL数据相较于SQL Server、Oracle数据具有体积小、命令执行速度快、使用成本低等特点。
进一步,用户界面及后台管理模块6包括异常展示模块、参数修改模块以及超时报告模块;异常展示模块,用于对视频图像质量前端诊断系统的分析结果进行展示;参数修改模块,用于对系统的阈值参数进行修改;超时报告模块,用于异常值超过阈值时进行告警。
进一步,用户可通过用户界面及后台管理模块6在任意一台可访问安防网的主机上运行本系统,并进行历史查询、统计分析以及系统管理工作,以便于用户方便登录本系统,进行工作。
进一步,图3中a线为正向传播,b线为反向传播,视频质量评价模块3使用基于AI深度学习的DB-CNN图像质量评价模型对实时监控视频质量进行打分;DB-CNN图像质量评价模型由合成失真图像预训练的S-CNN和真实失真图像预训练的VGG-16构成;合成失真图像预训练S-CNN在前期训练阶段采用Waterloo Exploration数据集和PASCAL VOC 2012数据集以及这两个数据集通过粉色噪声,对比度拉伸,图像量化与颜色抖动,过度曝光,曝光不足这五种后期合成的失真图像进行训练;在实际运用过程中引入视频监控数据集再次对模型进行训练,提升模型整体检测的精确度。
进一步,合成失真图像预训练S-CNN和真实失真图像预训练VGG-16这两个网络生成的特征集通过双线性池合并为一个表示,保证了图像质量评价的可靠性,通过全连接层与损失层计算,输出质量评价分数用于视频图像质量预测;由于双线性池是一种全局策略,DB-CNN接受任意大小的输入图像;因此,在训练和测试过程中,可以直接将整个图像直接输入到DB-CNN中;DB-CNN在合成和真实的IQA数据库上都展示了最先进的性能,具有较好的可扩展性、通用性和鲁棒性。
进一步,视频质量评价模块3训练所使用的航站楼视频监控图像数据集,由通过提取前端摄像机在白天、夜晚、雨天、雾天不同天气、光线下的监控截图,生成包含2万多张监控图像的数据集,用于进行视频质量评价模块3的训练。
进一步,DB-CNN图像质量评价模型对实时监控视频质量进行打分,输出分数范围为[0-100],其中分数越高表示图像质量越好,图片得分低于40分,为图像质量不合格的摄像机。
综上,该监控视频质量自动巡检系统,使用时,首先提取前端摄像机包括枪机、球机、全景摄像机、半球机等在白天、夜晚、雨天、雾天不同天气、光线下的监控截图,生成包含2万多张监控图像的数据集,用于进行视频质量评价模块3的训练,然后通过RTSP视频流数据采集模块1对视频图像进行采集,生成视频图像数据集,然后通过视频图像质量检测模块2内部的DB-CNN图像质量评价模型对实时监控视频质量进行打分,对视频质量低于阈值40分的监控摄像头进行筛选,便于安防运维人员对成像质量较差的监控摄像机进行处理,本系统可针对模糊、亮度异常、抖动、遮挡这几种不同类型视频故障进行评分,从而可将低于40分的摄像机筛选出来,就能够得到图像质量不合格的摄像机,视频图像质量前端诊断系统的分析结果可通过用户界面及后台管理模块6进行展示,用户可通过用户界面进行查看,用户可在主机上运行本系统,并进行历史查询、统计分析以及系统管理工作。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (8)
1.监控视频质量自动巡检系统,其特征在于:包括RTSP视频流数据采集模块(1)、视频图像质量检测模块(2)、存储模块(5)与用户界面及后台管理模块(6),所述视频图像质量检测模块(2)包括视频质量评价模块(3)与摄像头异常检测器(4);
所述RTSP视频流数据采集模块(1),用于视频图像的采集,生成视频图像数据集便于系统进行后续处理;
所述视频图像质量检测模块(2),用于对实时视频流图像进行质量检测和摄像机异常情况检测;
所述视频质量评价模块(3),用于通过图像质量检测模型对监控视频图像质量进行打分;
所述摄像头异常检测器(4),用于对视频质量低于阈值的监控摄像头进行筛选;
所述存储模块(5),用于对摄像机逻辑ID、图像质量评价结果和巡检时间等关键信息存入数据库中保存;
所述用户界面及后台管理模块(6),用于接收视频图像质量前端诊断系统的分析结果并在用户界面进行展示。
2.根据权利要求1所述的监控视频质量自动巡检系统,其特征在于:所述存储模块(5)采用开源的MySQL数据库。
3.根据权利要求1所述的监控视频质量自动巡检系统,其特征在于:所述用户界面及后台管理模块(6)包括异常展示模块、参数修改模块以及超时报告模块;所述异常展示模块,用于对视频图像质量前端诊断系统的分析结果进行展示;所述参数修改模块,用于对系统的阈值参数进行修改;所述超时报告模块,用于异常值超过阈值时进行告警。
4.根据权利要求1所述的监控视频质量自动巡检系统,其特征在于:用户可通过所述用户界面及后台管理模块(6)在任意一台可访问安防网的主机上运行本系统,并进行历史查询、统计分析以及系统管理工作。
5.根据权利要求1所述的监控视频质量自动巡检系统,其特征在于:所述视频质量评价模块(3)使用基于AI深度学习的DB-CNN图像质量评价模型对实时监控视频质量进行打分;所述DB-CNN图像质量评价模型由合成失真图像预训练的S-CNN和真实失真图像预训练的VGG-16构成;所述合成失真图像预训练S-CNN在前期训练阶段采用Waterloo Exploration数据集和PASCAL VOC 2012数据集以及这两个数据集通过粉色噪声,对比度拉伸,图像量化与颜色抖动,过度曝光,曝光不足这五种后期合成的失真图像进行训练。
6.根据权利要求1所述的监控视频质量自动巡检系统,其特征在于:所述合成失真图像预训练S-CNN和真实失真图像预训练VGG-16这两个网络生成的特征集通过双线性池合并为一个表示,保证了图像质量评价的可靠性,通过全连接层与损失层计算,输出质量评价分数用于视频图像质量预测。
7.根据权利要求1所述的监控视频质量自动巡检系统,其特征在于:所述视频质量评价模块(3)训练所使用的航站楼视频监控图像数据集,由通过提取前端摄像机在白天、夜晚、雨天、雾天不同天气、光线下的监控截图,生成数据集。
8.根据权利要求1所述的监控视频质量自动巡检系统,其特征在于:所述DB-CNN图像质量评价模型对实时监控视频质量进行打分,输出分数范围为[0-100],其中分数越高表示图像质量越好,图片得分低于40分,为图像质量不合格的摄像机。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310470221.4A CN116456075A (zh) | 2023-04-27 | 2023-04-27 | 监控视频质量自动巡检系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310470221.4A CN116456075A (zh) | 2023-04-27 | 2023-04-27 | 监控视频质量自动巡检系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116456075A true CN116456075A (zh) | 2023-07-18 |
Family
ID=87135585
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310470221.4A Pending CN116456075A (zh) | 2023-04-27 | 2023-04-27 | 监控视频质量自动巡检系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116456075A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117097882A (zh) * | 2023-10-16 | 2023-11-21 | 无锡雪浪数制科技有限公司 | 监控画面质量自动巡检方法、装置及系统 |
CN117676093A (zh) * | 2023-12-19 | 2024-03-08 | 苏州伟卓奥科三维科技有限公司 | 一种基于云服务的远程无线视频监控系统 |
CN117789112A (zh) * | 2023-11-20 | 2024-03-29 | 联通数字科技有限公司 | 一种基于监控截图的故障处理方法及相关设备 |
-
2023
- 2023-04-27 CN CN202310470221.4A patent/CN116456075A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117097882A (zh) * | 2023-10-16 | 2023-11-21 | 无锡雪浪数制科技有限公司 | 监控画面质量自动巡检方法、装置及系统 |
CN117789112A (zh) * | 2023-11-20 | 2024-03-29 | 联通数字科技有限公司 | 一种基于监控截图的故障处理方法及相关设备 |
CN117676093A (zh) * | 2023-12-19 | 2024-03-08 | 苏州伟卓奥科三维科技有限公司 | 一种基于云服务的远程无线视频监控系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116456075A (zh) | 监控视频质量自动巡检系统 | |
CN111191576B (zh) | 人员行为目标检测模型构建方法、智能分析方法及系统 | |
CN110084165B (zh) | 基于边缘计算的电力领域开放场景下异常事件的智能识别与预警方法 | |
CN103067740B (zh) | 视频监控设备故障智能检测方法及其检测系统 | |
CN111383429A (zh) | 建筑工地工人着装检测方法、系统、装置、存储介质 | |
CN110516529A (zh) | 一种基于深度学习图像处理的投喂检测方法和系统 | |
CN111932709A (zh) | 一种基于ai识别实现加油站巡检作业违规安全监管的方法 | |
CN109886139A (zh) | 人体检测模型生成方法、排污口异常检测方法以及装置 | |
CN109660761A (zh) | 基于ssd的皮带通廊复杂环境人员识别与报警系统及方法 | |
CN110096945B (zh) | 基于机器学习的室内监控视频关键帧实时提取方法 | |
CN110826577A (zh) | 一种基于目标跟踪的高压隔离开关状态跟踪识别方法 | |
CN204375138U (zh) | 基于人流密度识别技术的智能预警系统 | |
CN111369555A (zh) | 一种基于深度学习的视频质量诊断方法 | |
CN114565845A (zh) | 一种地下隧道智能巡检系统 | |
CN113450471A (zh) | 一种生产园区智能巡检系统 | |
CN111860457A (zh) | 一种斗殴行为识别预警方法及其识别预警系统 | |
CN116388379A (zh) | 一种变电站远程红外智能巡检方法及系统 | |
WO2020247358A1 (en) | Method and system for connected advanced flare analytics | |
CN112883755A (zh) | 一种基于深度学习与行为先验的吸烟和打电话检测方法 | |
CN112906488A (zh) | 一种基于人工智能的安防视频质量评价系统 | |
CN112487961A (zh) | 一种交通事故检测方法、存储介质及设备 | |
CN115826477A (zh) | 基于数据可视化的水域监控系统及方法 | |
CN115309871B (zh) | 一种基于人工智能算法的工业大数据处理方法及系统 | |
CN115829324A (zh) | 一种人员安全风险静默监视方法 | |
CN114496326A (zh) | 核电厂人机交互操作的监控识别方法及系统 |
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 |