CN105187821A - 一种视频质量智能诊断分析*** - Google Patents

Abstract

当前，数量庞大的视频监控设备的运维工作都是完全靠人工检测和处理，监测难度大，故障处理不及时，而且运维工作量巨大，本发明提供一种视频监控智能检测***，通过分析监控视频的图像质量，对安防应用领域内的视频监控设备的故障进行自动检测和实时告警，从而解决现有视频监控设备的运维工作都是完全靠人工检测和处理等问题，实现一种应用范围较为广泛、功能齐全、并行监测网络设备和视频质量的视频监控网络质量巡检方案，其能够帮助用户快速掌握前端设备运行情况，大大提升运维的工作效率，实现轻松维护大型监控安防***。

Description

一种视频质量智能诊断分析***

技术领域

本发明涉及一种视频质量智能诊断分析***，是一种用于维护视频监控设备的正常工作状态和检测视频监控设备的图像质量的***。

背景技术

近年来，中国视频监控市场受平安城市建设，北京***，上海世博会，广州亚运会，深圳大运会等安保项目以及各行业视频监控需求快速增长等因素的刺激和拉动，取得了快速发展，整个市场规模迅速扩大。“十二五”期间，随着平安城市建设等各项政策的继续开展和深化，以及交通、教育、金融等各个行业用户的安防意识的不断增强，预计未来视频监控市场将保持强劲增长。在这些如平安城市建设、世博会等大规模项目中，面对数以万计的前端摄像头，其日常维护的矛盾日趋激烈。视频监控***的规模不断延伸，视频监控环境不断变化，设备供应商越来越多，视频监控***的主要设备包括摄像机、硬盘录像机、交换机、路由器、服务器等，维护和管理视频监控***的众多设备的难度随之大幅增加，用户对统一视频集中网络管理平台的需求也越来越高。

当前，数量庞大的视频监控设备的运维工作都是完全靠人工检测和处理，监测难度大，故障处理不及时，而且运维工作量巨大，导致运维的成本不断增加，使得视频监控***的使用效果大打折扣，严重影响了安全保障工作的有效开展。因此，如何提高视频监控***运维工作的效率，建设智能化的视频监控质量诊断***将成为视频监控行业发展的趋势。

通过对视频监控网络的自动巡检，可及时快速的对网络中的摄像头进行巡视检查，视频质量评价技术可以大大降低运维成本，及时发现监控摄像机的故障点，区分故障的类型。但目前已有的应用于视频监控网络的视频质量诊断控制***，只针对前端摄像头进行故障检测，而没有对监控网络中的传输设备进行状态检测和管理，无法及时迅速的检测排查视频监控网络中的设备故障。

发明内容

本发明所要解决的技术问题是：本发明提供一种视频监控智能检测***，通过分析监控视频的图像质量，对安防应用领域内的视频监控设备的故障进行自动检测和实时告警，从而解决现有视频监控设备的运维工作都是完全靠人工检测和处理等问题，实现一种应用范围较为广泛、功能齐全、并行监测网络设备和视频质量的视频监控网络质量巡检方案，其能够帮助用户快速掌握前端设备运行情况，大大提升运维的工作效率，实现轻松维护大型监控安防***。

为了达到上述目的，本发明采用如下的技术方案：

一种视频质量智能诊断分析***，所述***由视频监控终端、解码器、服务器、视频质量诊断分析仪、视频监控摄像装置组成，其特征在于，所述视频质量诊断分析仪具有收集视频模块、算法模块、传送模块及反馈模块，所述服务器内部设置有设备管理***，所述收集视频模块将所述视频监控摄像装置的视频信号收集后输入到所述算法模块中，所述算法模块对所述视频信号进行视频质量智能诊断分析，分析后如低于噪声阀值则由所述传送模块的输出端输出到到所述解码器后由所述视频终端输出，分析后如有噪声如高于噪声阀值则由所述反馈模块的输出端输出到所述服务器，由所述服务器中的所述设备管理***进行预警；

其中所述算法模块的算法如下：输入图像后记录像素点，然后计算八个方向因子卷积绝对值的最小值N，当N小于阀值T₁时，由所述传送模块的输出端输出到到所述解码器后由所述视频终端输出；当N大于阀值T₁时，则判断为噪声点，对其进行二次判断，二次判断是计算其局部隶属度函数f(x)，当f(x)大于阀值T₂时，则由所述传送模块的输出端输出到到所述解码器后由所述视频终端输出；当f(x)小于阀值T₂时，则最终判断为噪声点，由所述反馈模块的输出端输出到所述服务器，由所述服务器中的所述设备管理***进行预警。

图像在没有被噪声点污染的区域是光滑连续的，如果一点的像素值与其邻域的像素值差别不是很大，即该点的像素值与其邻域的相关性较大，那么该点很可能没有受到噪声的污染，如果该点的像素值与其邻域的相关性较小，那么该点受到噪声污染的可能性就较大，为实现图像中噪声点的精确检测，尽量避免漏检或误检的发生，本发明提出了一种新的噪声检测方法，该方法先利用方向因子对图像进行第一级噪声检测，确定候选噪声点，为了提高判断的准确度，本发明在第一步检测结果的基础上对噪声点进行二次判断。

其中算法模块的算法如下：

第一步：计算八个方向因子卷积绝对值的最小值N，利用八个方向因子来检测图像中的噪声点，其中中心点为4，灰色点为-1，白色点为0，八个方向因子个对应着不同的边缘，为了方便记这八个方向因子的核为K_h，h＝1,2…8；

设X是一幅待检测的数字图像，其大小为M×N,若图像某一点像素(x,y)，其灰度值为f_xy，则以点(x,y)为中心的5×5检测窗口中所有像素灰度值构成集合W为

W＝{f_x＝s,y＝t|-2≤s≤2,-2≤t≤2,(x,y)∈X}；

W与八个方向因子作卷积，取八个卷积绝对值的最小值,作为该点的输出值即N(x,y)，即

N(x,y)＝min(N₁(x,y),N₂(x,y),…,N₈(x,y))；

其中，h＝1,2…8，表示方向核K_h与(x,y)为中心的5×5的原图像像素的卷积；

当像素点输出值N(x,y)大于预设阈值T₁时，即可将该像素(x,y)划归为候选噪声点，用g_xy＝1标记；否则，判断该像素为图像本身小苏点，用g_xy＝0标记，即

$g_{xy}=\left\{\begin{array}{cc}1& N(x,y)>T_1,\\ 0& else.\end{array}\right.;$

式(1.2)之所以能用与检测(x,y)是否为噪声点或图像本身像素，主要原因如下：若(x,y)是局部平滑区域中的信号像素时,则这八个卷积的值都应当很小，趋近于0，因此，N(x,y)的值会非常小；若(x,y)是某条边缘上的像素时，则它与这条边缘上的像素(方向核)的卷积会很小，因此，的值会非常小；(x,y)是一个噪声点时，则它与八个方向核的卷积的值都会很大，因此，N(x,y)的值也会很大；

第二步：为了提高判断的准确度，在第一步检测结果的基础上对噪声点进行二次判断,二次判断根据包含噪声点(x,y)的检测窗口内未感染噪声的像素点得到隶属度函数，进行二次判断；

若像素点(x,y)在第一次检测中被认为是候选噪声点，那么就通过窗口中的信息点获得局部隶属度函数，进行二次模糊判断，窗口5×5中信息点的均值为

$\mathrm{\μ}=\frac{1}{N}\underset{i=-2}{\overset{2}{\Σ}}\underset{j=-2}{\overset{2}{\Σ}}f(x+i,y+j);$

其中，N代表窗口5×5中信息点的个数，f(x+i,y+j)代表5×5窗口中信息点的灰度值；

信息点的方差为

${\mathrm{\σ}}^2=\frac{1}{N}\underset{i=-1}{\overset{2}{\Σ}}\underset{j=-1}{\overset{2}{\Σ}}{\left(f\right(x+i,y+j)-\mathrm{\μ})}^2;$

其中，N代表窗口5×5中信息点的个数，f(x+i,y+j)代表5×5窗口中信息点的灰度值，μ为信息点的均值；

根据大部分图像局部象素点灰度值分布的特点,本文采用高斯曲线型的隶属度函数，其数学表达式为

f(x)＝exp{-(x-μ)²/2σ²}；

当二次检测的象素点的隶属度函数的函数值大于等于阈值T₂时,该点二次判断结果是信息点,g_xy＝0标记；如果函数值小于阈值T₂时，该点二次判断结果为噪声点，用g_xy＝1标记，即

$g_{xy}=\left\{\begin{array}{cc}1& f\left(x\right)\≥T_{2}andN(x,y)>T_1,\\ 0& else.\end{array}\right.;$

因为不同的检测窗口，噪声感染率有差别，当窗口噪声感染率高时，待判断点被感染的可能性就大，可用的信息点就相对减少，这时阈值应该相应变大，相反当窗口噪声感染率小时，阈值应相应变小，所以阈值T的表达式为

T₂＝(1-r)·σ；

其中，代表大小为5×5的窗口的噪声感染率；

统计噪声点个数G，G的取值为图像中的g_xy＝1总个数，按式估计图像中噪声密度R，

$R=\frac{G}{M\×N}.$

其中，所述视频监控摄像装置为硬盘录像机DVR装置、视频服务器DVS装置或者网络摄像机装置。

本发明达到的技术效果：噪声检测是视频质量诊断的关键环节，本发明提出了一种新的噪声检测算法，采用的是基于梯度方向因子和高斯模糊核函数的方法，在总结了已有检测算法基础上，针对它们的不足做出改进和创新，首先利用方向因子对图像作第一次判断，如果第一次判断其为噪声点，再对其进行第二次判断，以免造成误检实验结果表明该检测算法具有较高的准确性，可靠性和运行效率。

附图说明

构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1为***的结构框图；

图2为本发明***的视频质量诊断分析仪的整体框架图；

图3为本发明***的视频质量诊断分析仪的算法模块的流程图。

具体实施方式

如图1所示的视频质量智能诊断分析***，所述***由视频监控终端1、解码器2、服务器3、视频质量诊断分析仪4、视频监控摄像装置5组成。

如图2所示的视频质量诊断分析仪4的整体框架图，所述视频质量诊断分析仪4具有收集视频模块6、算法模块7、传送模块8及反馈模块9，该服务器3内部设置有设备管理***，所述收集视频模块6将所述视频监控摄像装置5的视频信号收集后输入到所述算法模块7中。

如图3所示的视频质量诊断分析仪4的算法模块7的流程图，其中所述算法模块7对所述视频信号进行视频质量智能诊断分析，分析后如低于噪声阀值则由所述传送模块8的输出端输出到所述解码器2后由所述视频终端1输出，分析后如有噪声如高于噪声阀值则由所述反馈模块9的输出端输出到所述服务器3，由所述服务器3中的所述设备管理***进行预警。

其中所述算法模块7的算法如下：输入图像后记录像素点，然后计算八个方向因子卷积绝对值的最小值N，当N小于阀值T₁时，由所述传送模块8的输出端输出到到所述解码器2后由所述视频终端1输出；当N大于阀值T₁时，则判断为噪声点，对其进行二次判断，二次判断是计算其局部隶属度函数f(x)，当f(x)大于阀值T₂时，则由所述传送模块8的输出端输出到到所述解码器2后由所述视频终端1输出；当f(x)小于阀值T₂时，则最终判断为噪声点，由所述反馈模块9的输出端输出到所述服务器3，由所述服务器3中的所述设备管理***进行预警。

图像在没有被噪声点污染的区域是光滑连续的，如果一点的像素值与其邻域的像素值差别不是很大，即该点的像素值与其邻域的相关性较大，那么该点很可能没有受到噪声的污染，如果该点的像素值与其邻域的相关性较小，那么该点受到噪声污染的可能性就较大，为实现图像中噪声点的精确检测，尽量避免漏检或误检的发生，本发明提出了一种新的噪声检测方法，该方法先利用方向因子对图像进行第一级噪声检测，确定候选噪声点，为了提高判断的准确度，本发明在第一步检测结果的基础上对噪声点进行二次判断。

其中算法模块7的算法如下：

第一步：计算八个方向因子卷积绝对值的最小值N，利用八个方向因子来检测图像中的噪声点，其中中心点为4，灰色点为-1，白色点为0，八个方向因子个对应着不同的边缘，为了方便记这八个方向因子的核为K_h，h＝1,2…8；

设X是一幅待检测的数字图像，其大小为M×N,若图像某一点像素(x,y)，其灰度值为f_xy，则以点(x,y)为中心的5×5检测窗口中所有像素灰度值构成集合W为

W＝{f_x＝s,y＝t|-2≤s≤2,-2≤t≤2,(x,y)∈X}；

W与八个方向因子作卷积，取八个卷积绝对值的最小值,作为该点的输出值即N(x,y)，即

N(x,y)＝min(N₁(x,y),N₂(x,y),…,N₈(x,y))；

其中，h＝1,2…8，表示方向核K_h与(x,y)为中心的5×5的原图像像素的卷积；

当像素点输出值N(x,y)大于预设阈值T₁时，即可将该像素(x,y)划归为候选噪声点，用g_xy＝1标记；否则，判断该像素为图像本身小苏点，用g_xy＝0标记，即

$g_{xy}=\left\{\begin{array}{cc}1& N(x,y)>T_1,\\ 0& else.\end{array}\right.;$

式(1.2)之所以能用与检测(x,y)是否为噪声点或图像本身像素，主要原因如下：若(x,y)是局部平滑区域中的信号像素时,则这八个卷积的值都应当很小，趋近于0，因此，N(x,y)的值会非常小；若(x,y)是某条边缘上的像素时，则它与这条边缘上的像素(方向核)的卷积会很小，因此，的值会非常小；(x,y)是一个噪声点时，则它与八个方向核的卷积的值都会很大，因此，N(x,y)的值也会很大；

第二步：为了提高判断的准确度，在第一步检测结果的基础上对噪声点进行二次判断,二次判断根据包含噪声点(x,y)的检测窗口内未感染噪声的像素点得到隶属度函数，进行二次判断；

若像素点(x,y)在第一次检测中被认为是候选噪声点，那么就通过窗口中的信息点获得局部隶属度函数，进行二次模糊判断，窗口5×5中信息点的均值为

$\mathrm{\μ}=\frac{1}{N}\underset{i=-2}{\overset{2}{\Σ}}\underset{j=-2}{\overset{2}{\Σ}}f(x+i,y+j);$

其中，N代表窗口5×5中信息点的个数，f(x+i,y+j)代表5×5窗口中信息点的灰度值；

信息点的方差为

${\mathrm{\σ}}^2=\frac{1}{N}\underset{i=-1}{\overset{2}{\Σ}}\underset{j=-1}{\overset{2}{\Σ}}{\left(f\right(x+i,y+j)-\mathrm{\μ})}^2;$

其中，N代表窗口5×5中信息点的个数，f(x+i,y+j)代表5×5窗口中信息点的灰度值，μ为信息点的均值；

根据大部分图像局部象素点灰度值分布的特点,本文采用高斯曲线型的隶属度函数，其数学表达式为

f(x)＝exp{-(x-μ)²/2σ²}；

当二次检测的象素点的隶属度函数的函数值大于等于阈值T₂时,该点二次判断结果是信息点,g_xy＝0标记；如果函数值小于阈值T₂时，该点二次判断结果为噪声点，用g_xy＝1标记，即

$g_{xy}=\left\{\begin{array}{cc}1& f\left(x\right)\≥T_{2}andN(x,y)>T_1,\\ 0& else.\end{array}\right.;$

因为不同的检测窗口，噪声感染率有差别，当窗口噪声感染率高时，待判断点被感染的可能性就大，可用的信息点就相对减少，这时阈值应该相应变大，相反当窗口噪声感染率小时，阈值应相应变小，所以阈值T的表达式为

T₂＝(1-r)·σ；

其中，代表大小为5×5的窗口的噪声感染率；

统计噪声点个数G，G的取值为图像中的g_xy＝1总个数，按式估计图像中噪声密度R，

$R=\frac{G}{M\×N}.$

其中，所述视频监控摄像装置为硬盘录像机DVR装置、视频服务器DVS装置或者网络摄像机装置。

需要说明的是，本发明还可有其他多种实施例，在不背离本发明精神及其实质的情况下，熟悉本领域的技术人员可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。

Claims (3)

1.一种视频质量智能诊断分析***，该***由视频监控终端、解码器、服务器、视频质量诊断分析仪、视频监控摄像装置组成，其特征在于，所述视频质量诊断分析仪具有收集视频模块、算法模块、传送模块及反馈模块，所述服务器内部设置有设备管理***，所述收集视频模块将所述视频监控摄像装置的视频信号收集后输入到所述算法模块中，所述算法模块对所述视频信号进行视频质量智能诊断分析，分析后如低于噪声阀值则由所述传送模块的输出端输出到到所述解码器后由所述视频终端输出，分析后如有噪声如高于噪声阀值则由所述反馈模块的输出端输出到所述服务器，由所述服务器中的所述设备管理***进行预警；

其中所述算法模块的算法如下：输入图像后记录像素点，然后计算八个方向因子卷积绝对值的最小值N，当N小于阀值T₁时，由所述传送模块的输出端输出到到所述解码器后由所述视频终端输出；当N大于阀值T₁时，则判断为噪声点，对其进行二次判断，二次判断是计算其局部隶属度函数f(x)，当f(x)大于阀值T₂时，则由所述传送模块的输出端输出到到所述解码器后由所述视频终端输出；当f(x)小于阀值T₂时，则最终判断为噪声点，由所述反馈模块的输出端输出到所述服务器，由所述服务器中的所述设备管理***进行预警。

2.根据权利要求1的视频质量智能诊断分析***，其特征在于：其中算法模块的算法如下：

第一步：计算八个方向因子卷积绝对值的最小值N，

利用八个方向因子来检测图像中的噪声点，其中中心点为4，灰色点为-1，白色点为0，八个方向因子个对应着不同的边缘，为了方便记这八个方向因子的核为K_h，h＝1,2…8；

设X是一幅待检测的数字图像，其大小为M×N,若图像某一点像素(x,y)，其灰度值为f_xy，则以点(x,y)为中心的5×5检测窗口中所有像素灰度值构成集合W为

W＝{f_x＝s,y＝t|-2≤s≤2,-2≤t≤2,(x,y)∈X}；

W与八个方向因子作卷积，取八个卷积绝对值的最小值,作为该点的输出值即N(x,y)，即

N(x,y)＝min(N₁(x,y),N₂(x,y),…,N₈(x,y))；

其中，h＝1,2…8，表示方向核K_h与(x,y)为中心的5×5的原图像像素的卷积；

当像素点输出值N(x,y)大于预设阈值T₁时，即可将该像素(x,y)划归为候选噪声点，用g_xy＝1标记；否则，判断该像素为图像本身小苏点，用g_xy＝0标记，即

$g_{xy}=\left\{\begin{array}{cc}1& N(x,y)>T_1,\\ 0& else.\end{array}\right.;$

式(1.2)之所以能用与检测(x,y)是否为噪声点或图像本身像素，主要原因如下：若(x,y)是局部平滑区域中的信号像素时,则这八个卷积的值都应当很小，趋近于0，因此，N(x,y)的值会非常小；若(x,y)是某条边缘上的像素时，则它与这条边缘上的像素(方向核)的卷积会很小，因此，的值会非常小；(x,y)是一个噪声点时，则它与八个方向核的卷积的值都会很大，因此，N(x,y)的值也会很大；

为了提高判断的准确度，在第一步检测结果的基础上对噪声点进行二次判断,二次判断根据包含噪声点(x,y)的检测窗口内未感染噪声的像素点得到隶属度函数，进行二次判断；

若像素点(x,y)在第一次检测中被认为是候选噪声点，那么就通过窗口中的信息点获得局部隶属度函数，进行二次模糊判断，窗口5×5中信息点的均值为

$\mathrm{\μ}=\frac{1}{N}\underset{i=-2}{\overset{2}{\Σ}}\underset{j=-2}{\overset{2}{\Σ}}f(x+i,y+j);$

其中，N代表窗口5×5中信息点的个数，f(x+i,y+j)代表5×5窗口中信息点的灰度值；

信息点的方差为

${\mathrm{\σ}}^2=\frac{1}{N}\underset{i=-1}{\overset{2}{\Σ}}\underset{j=-1}{\overset{2}{\Σ}}{\left(f\right(x+i,y+j)-\mathrm{\μ})}^2;$

其中，N代表窗口5×5中信息点的个数，f(x+i,y+j)代表5×5窗口中信息点的灰度值，μ为信息点的均值；

根据大部分图像局部象素点灰度值分布的特点,本文采用高斯曲线型的隶属度函数，其数学表达式为

f(x)＝exp{-(x-μ)²/2σ²}；

当二次检测的象素点的隶属度函数的函数值大于等于阈值T₂时,该点二次判断结果是信息点,g_xy＝0标记；如果函数值小于阈值T₂时，该点二次判断结果为噪声点，用g_xy＝1标记，即

$g_{xy}=\left\{\begin{array}{cc}1& f\left(x\right)\≥T_{2}andN\left(x,y\right)>T_1,\\ 0& else.\end{array}\right.;$

因为不同的检测窗口，噪声感染率有差别，当窗口噪声感染率高时，待判断点被感染的可能性就大，可用的信息点就相对减少，这时阈值应该相应变大，相反当窗口噪声感染率小时，阈值应相应变小，所以阈值T的表达式为

T₂＝(1-r)·σ；

其中，代表大小为5×5的窗口的噪声感染率；

统计噪声点个数G，G的取值为图像中的g_xy＝1总个数，按式估计图像中噪声密度R，

$R=\frac{G}{M\×N}.$

3.根据权利要求1的视频质量智能诊断分析***，其特征在于：所述视频监控摄像装置为硬盘录像机DVR装置、视频服务器DVS装置或者网络摄像机装置。