CN114708532B 一种监控视频质量评估方法、系统及存储介质 （南京邮电大学）

号WO2018130016A1,2018.07.质本发明公开了视频质量评估领域的一种监控图像根据用户设置分别输入至预先训练好的分和目标检测评分进行加权求和得监控视频评2将前若干帧对应的监控图像输入至异常检测模块，判断监控视频是否存在质量缺陷，对监控图像进行灰度化处理，计算监控图像内灰度值超过预设阈值监控图像内灰度值超过预设阈值的像素点大于80%总像素点数量时，输出黑屏或蓝屏的质将模板矩阵Sx和模板矩阵Sy分别与监控图像进行平面卷积，得到的;;监控图像根据用户设置分别输入至预先训练好的场景分割模型和预先训练好的目标检测将场景分割评分和目标检测评分进行加权求和得监控视频评分将监控图像输入进行场景分割模型获得预测图；统计目标区域与场景区域的占比情target表示目标区域的像素点数量；width为监控图像宽度方向的像素点数量；通过场景分割模型的主干网络对监控图像提取监控特征将监控特征依次输入至ASPP网络结构进行空洞卷积计算后，并通过拼接获取叠加特将浅层特征经过1×1卷积细化特征后与4倍上采样的融合特征在通道方向拼接，然后3计算目标特征中心与图像下边缘中点的欧氏距离，将检测模块，用于将前若干帧对应的监控图像输入至异常检测模块，评分模块，用于将剩余的监控图像根据用户设置分别输入至预先训练好的加权求和模块，用于将场景分割评分和目标检测评分进行加权求和得监控视频评分，所述检测模块将前若干帧对应的监控图像输入至异常检测模块，判断对监控图像进行灰度化处理，计算监控图像内灰度值超过预设阈值监控图像内灰度值超过预设阈值的像素点大于80%总像素点数量时，输出黑屏或蓝屏的质将模板矩阵Sx和模板矩阵Sy分别与监控图像进行平面卷积，得到的;;4余的监控图像根据用户设置分别输入至预先训练好的场景分割模型和预先训练好的目标[0012]对监控图像进行灰度化处理，计算监控图像内灰度值超过预设阈值的像素点数5[0013]当监控图像内灰度值超过预设阈值的像素点小于80％总像素点数量时，通过Sobel算法计算监控图像的边缘梯度G；根据边缘梯度G判断监控图像是否存在清晰度质量[0027]将浅层特征经过1×1卷积细化特征后与4倍上采样的融合特征在通道方向拼接，和α3为目标检测评分的加权系数，当目标特征的所占像素区域大于历史最大值6[0042](1)本发明将前若干帧对应的监控图像输入至异常检测模块，判断监控视频是否[0043](2)本发明将剩余的监控图像根据用户设置分别输入至预先训练好的场景分割模7[0053]当监控图像内灰度值超过预设阈值的像素点小于80％总像素点数量时，通过Sobel算法计算监控图像的边缘梯度G；根据边缘梯度G判断监控图像是否存在清晰度质量余的监控图像根据用户设置分别输入至预先训练好的场景分割模型和预先训练好的目标[0061]所述场景分割模型和目标检测模型训练过程包括：采集监控场所的相关训练图[0064]如图2所示，将监控特征依次输入至atrousspatialpyramidpooling(ASPP)网络信息，同时避免全卷积网络在提取特征时由于池化导致的细节丢失，ASPP网络结构中[0065]将浅层特征经过1×1卷积细化特征后与4倍上采样的融合特征在通道方向拼接，[0066]统计预测图中目标区域与场景区域的占比情况，计算场景分割评分Sseg的表达公[0070]将监控图像输入至yolo网络提取目标特征，目标特征主要包括交通工具(包含小8成，它借鉴了ResNet的残差结构，通过residual避免深层网络出现退化，同时避免使用和α3为目标检测评分的加权系数，当目标特征的所占像素区域大于历史最大值9现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定[0087]这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或其他