CN107197233A - 基于边缘计算模型的监控视频数据质量评测方法及装置 - Google Patents

基于边缘计算模型的监控视频数据质量评测方法及装置 Download PDF

Info

Publication number
CN107197233A
CN107197233A CN201710486709.0A CN201710486709A CN107197233A CN 107197233 A CN107197233 A CN 107197233A CN 201710486709 A CN201710486709 A CN 201710486709A CN 107197233 A CN107197233 A CN 107197233A
Authority
CN
China
Prior art keywords
color
value
video
background picture
threshold
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
Application number
CN201710486709.0A
Other languages
English (en)
Inventor
孙辉
梁旭
施巍松
仲红
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Anhui University
Original Assignee
Anhui University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Anhui University filed Critical Anhui University
Priority to CN201710486709.0A priority Critical patent/CN107197233A/zh
Publication of CN107197233A publication Critical patent/CN107197233A/zh
Pending legal-status Critical Current

Links

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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种基于边缘计算模型的监控视频数据质量评测方法，其特征在于，包括如下步骤：视频获取步骤，数据处理步骤以及质量检测步骤。质量检测步骤包括模糊检测步骤和/或颜色检测步骤；其中，模糊检测步骤对提取的监控视频背景图片进行分析计算，获得对应的模糊度值；并根据预设的模糊阈值判断图像是否清晰；颜色检测步骤依据颜色直方图算法对提取的背景图片进行分析计算，获得颜色占比值；并根据预设的颜色阈值判断图像颜色是否正常。本发明能够准确判断视频监控画面的质量，从根本上解决人工判断视频监控画面质量费时费力且主观标准不统一的技术缺陷，本发明还能够进一步智能识别网络离线故障，提高故障检测效率。

Description

基于边缘计算模型的监控视频数据质量评测方法及装置
技术领域
本发明属于视频监控技术领域，具体涉及一种基于边缘计算模型的监控视频数据质量评测方法及装置
背景技术
随着城市规模的扩大，视频监控***在公共安全、金融证券、银行、商店、智能大厦等方面的作用不断突出，尤其是在公共安全方面。现如今监控***整体范围在不断扩大，监控密度也在扩大。在数据规模较大的视频监控终端中，对于监控终端设备出错，我们可能无法准确定位和处理所有的故障信息，因此需要一定的人力参与，查看这些故障信息，而在该过程中，终端用户通过用户体验来判断视频的内容，这样对人力和物力的开销也是相当巨大的。所以当视频监控***出错时，运维人员将花费大量的时间来进行查询和纠错，这在大规模视频监控***无法保证其实时性，也无法保证监控视频的数据质量。因此如何管理视频监控***，减少由于监控***出错而导致视频监控***的实时性缺失，以及人力检查所浪费的时间和保证视频监控数据质量，是亟待解决的技术问题。
发明内容
为了解决视频监控***无法准确判断视频监控数据质量问题的上述技术缺陷，本发明提供一种基于边缘计算模型的监控视频数据质量评测方法及装置。
本发明是通过以下技术方案实现的：
一种基于边缘计算模型的监控视频数据质量评测方法，其特征在于，包括如下步骤：
视频获取步骤：
根据预设的时间间隔，定期从视频监控终端中采集获取一段视频；
数据处理步骤：
对采集的视频进行处理，从中提取相应的背景图片；
质量检测步骤：
包括模糊检测步骤和/或颜色检测步骤；其中，
模糊检测步骤具体为：对提取的背景图片进行分析计算，获得对应的模糊度值；并根据预设的模糊阈值进行判断，若模糊度值小于模糊阈值，则判断为图像模糊；若模糊度值大于等于模糊阈值，则判断为图像清晰；
颜色检测步骤具体为：依据颜色直方图算法对提取的背景图片进行分析计算，获得颜色占比值；并根据预设的颜色阈值进行判断，若颜色占比值大于等于颜色阈值，则判断为图像颜色错误；若颜色占比值均小于颜色阈值，则判断为图像颜色正常。
本发明相对于现有技术的有益效果在于：
1.本发明提供的基于边缘计算模型的视频监控数据质量的评测方法和装置，能够准确判断视频监控画面的质量，从根本上解决人工判断视频监控画面质量费时费力且主观标准不统一的技术缺陷。
2.能够及时判断视频监控画面是否正常，若发现错误信息及时向用户发出警报，使用户可以及时的修复损坏的视频监控终端，缩小平均修复时间(MTTR)，实时保障视频数据的质量。
附图说明
图1为实施例1的基于边缘计算模型的视频监控数据质量的评测方法的总流程图；
图2为数据处理步骤的具体流程图；
图3为模糊检测步骤的具体流程图；
图4为颜色检测步骤的具体流程图；
图5为拟进行模糊检测步骤操作的一张背景图片；
图6为模糊检测步骤输出的一种结果；
图7为拟进行模糊检测步骤操作的另一张背景图片；
图8为模糊检测步骤输出的另一种结果。
图9为拟进行颜色检测步骤操作的一张背景图片；
图10为颜色检测步骤输出的一种结果；
图11为拟进行颜色检测步骤操作的另一张背景图片；
图12为颜色检测步骤输出的另一种结果。
图13为实施例2的基于边缘计算模型的视频监控数据质量的评测方法的总流程图；
图14为实施例3的基于边缘计算模型的视频监控数据质量的评测装置的结构框图；
图15为模糊检测模块的结构框图；
图16为颜色检测模块的结构框图；
图17为实施例4的基于边缘计算模型的视频监控数据质量的评测装置的结构框图。
在所有附图中，相同的附图标记用来表示相同的元件或结构，包括：
视频获取单元1，数据处理单元2，质量检测单元3，模糊检测模块31，模糊度值计算子模块311，颜色检测模块32，颜色占比值计算子模块321，离线监测单元4。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不用于限定本发明。
实施例1：
本发明适用于视频监控***，视频监控***主要包含云端、边缘端和客户端三部分组成。本实施例可基于Win7x64、VS2015、opencv3.2.0环境开发。
推荐的硬件环境为[email protected]四核处理器、16GB(金士顿DDR42400MHz)内存、InterHDGraphics530显卡。
以上软硬件环境仅为更好的说明本发明，仅为举例说明，并不限制本发明的保护范围，本领域内的技术人员可以根据实际需要选择其他适合的软硬件环境。
如图1所示，本实施例提供一种基于边缘计算模型的视频监控数据质量的评测方法，包括如下步骤：
视频获取步骤S1：根据预设的时间间隔，定期从视频监控终端中采集获取一段视频。数据处理步骤S2：对采集的视频进行处理，从中提取相应的背景图片。
质量检测步骤S3：包括模糊检测步骤S31和/或颜色检测步骤S32。
其中，
模糊检测步骤S31具体为：对提取的背景图片进行分析计算，获得对应的模糊度值；并根据预设的模糊阈值进行判断，若模糊度值小于模糊阈值，则判断为图像模糊；若模糊度值大于等于模糊阈值，则判断为图像清晰。
颜色检测步骤S32具体为：依据颜色直方图算法对提取的背景图片进行分析计算，获得颜色占比值；并根据预设的颜色阈值进行判断，若颜色占比值大于等于颜色阈值，则判断为图像颜色错误；若颜色占比值均小于颜色阈值，则判断为图像颜色正常。
在本实施例中，视频获取步骤S1具体为：利用VideoCapture类调用监控终端设备并采集获取一段视频。
在本实施例中使用的是Opencv 3.2.0VideoCapture类，该类主要是对视频进行读取操作以及调用摄像头，并且该类提供一系列C++API接口，在本实施例中主要是实现对视频读取操作的功能。
如图2所示，在本实施例中，数据处理步骤S2具体包括如下步骤：
步骤S201，通过VideoCapture类中的read方法获取视频的每一帧的图像；
步骤S202，通过BackgroundSubtractorMOG2类中的apply函数获取前景掩膜；
步骤S203，通过BackgroundSubtractorMOG2类中的getBackgroundImage函数提取背景图片。
上述步骤中调用的均为Opencv自带函数，其中：
VideoCapture::read该函数对于读取视频文件或者捕获数据从解码和返回刚刚捕获的帧，假如没有视频帧被捕获(相机没有连接或者视频文件中没有更多的帧)将返回false。在本实施例中主要实现是读取视频每一帧的功能。
BackgroundSubtractorMOG2::apply该函数主要是计算背景掩膜，在本实施例中主要为通过背景减法获取背景掩膜。
BackgroundSubtractorMOG2::getBackgroundImage该函数主要为计算背景图片，在本实施例中的功能为获取背景图片。
如图3所示，在本实施例中，模糊检测步骤S31中模糊度值的计算方法具体为：
步骤S311，遍历背景图片每个点的RGB值；
步骤S312，根据每个点的RGB值中B值经过变换所得值的总和与背景图片面积比值的绝对值，即为模糊度值。
本步骤中具体变换过程如下：
使用该图片每个点的像素值中的B值的0.5倍减去垂直上方第一个点像素值的B值加上0.5倍的垂直上方第二个点的像素值的B值，得到值sum，sum值加垂直上方第二个点的sum值减去垂直上方第一个点的sum值的0.5倍
如图4所示，在本实施例中，颜色检测步骤S32中颜色占比值的计算方法具体为：
步骤S321，先把背景图片转换为HSV颜色空间；
步骤S322，根据CvHistogram类创建HSV颜色空间图片的二维直方图，并根据cvQueryHistValue_2D函数获取每种颜色的统计次数，找到颜色统计次数的最大值，获取其颜色统计最大值周围的9-16个点；
上述步骤中调用的均为Opencv自带函数，其中：
CvHistogram类为创建多维直方图，在本实施例中主要是实现创建2维直方图。
cvQueryHistValue_2D该函数主要是返回单通道数组的指定值，在本实施例中的功能主要为获取该图片颜色直方图中每一种颜色的高度即统计次数。
步骤S323，计算该最大值和取出周围几个点的统计次数的和与背景图片每种颜色统计次数的和的比例，即为颜色占比值。
关于模糊阈值和颜色阈值可以根据具体情况进行选择，一般情况下，模糊阈值可以在0.00001至0.0001的范围内进行确定，颜色阈值可以在0.7至1的范围内进行确定。此处模糊阈值和颜色阈值的范围仅为举例说明，并不用于限定本发明的保护范围，在实际应用中，本领域内的技术人员可以根据实际情况选择适合的模糊阈值和颜色阈值。
下面结合具体实例进一步详细说明模糊检测步骤S31的工作原理和技术效果：
图5所示的是数据处理步骤S2提取获得的一张背景图片，通过模糊检测步骤S31计算该背景图片的模糊度值的具体计算过程如下：
1.按列遍历图片的每个点得到其像素值rgb；
2.根据rgb值得到该点B通道的值b；
3.b值的0.5倍减去垂直上方第一个点B通道的值再加上0.5倍的垂直上方第二个点的B通道的值得到值sum；
4.sum值加上垂直上方第一个点的sum值再减去0.5倍的垂直上方第二个点的sum值，得到值z；
5.计算该图片每个点的z值的总和total；
6.total值与该图片的面积的比值的绝对值即为该图片的模糊值。
在本实施例中，模糊阈值预设为10-5(可根据实际情况进行调整)，据此，模糊度值小于模糊阈值，判定为图像模糊，输出结果如图6所示，及时通知维修***维修。
图7所示的是数据处理步骤S2提取获得的另一张背景图片，通过模糊检测步骤S31计算该背景图片的模糊度值的具体计算过程如下：
1.按列遍历图片的每个点得到其像素值rgb；
2.根据rgb值得到该点B通道的值b；
3.b值的0.5倍减去垂直上方第一个点B通道的值再加上0.5倍的垂直上方第二个点的B通道的值得到值sum；
4.sum值加上垂直上方第一个点的sum值再减去0.5倍的垂直上方第二个点的sum值，得到值z；
5.计算该图片每个点的z值的总和total；
6.total值与该图片的面积的比值的绝对值即为该图片的模糊值。
在本实施例中，模糊阈值预设为10-5(可根据实际情况进行调整)，据此，模糊度值大于模糊阈值，判定为图像清晰，输出结果如图8所示。
下面结合具体实例进一步详细说明颜色检测步骤S32的工作原理和技术效果：
图9所示的是数据处理步骤S2提取获得的一张背景图片，通过颜色检测步骤S32计算该背景图片的颜色占比值的具体计算过程如下：
1.根据该图片的颜色直方图，找到该颜色直方图中统计次数最大的值；
2.根据最大的值，找到其在图片中的位置m；
3.找到m周围的9-16个点，并计算出这些点的统计次数的总和sum；
4.计算出该图片颜色直方图中所有颜色统计次数的和total；
5.计算出sum与total的比值，即颜色占比值。
在本实施例中，颜色阈值预设为0.9(可根据实际情况进行调整)，据此，颜色占比值大于颜色阈值，判定为图像颜色错误，即图像出现图9所示的黑屏现象，输出结果如图10所示，及时通知维修***维修。
图11所示的是数据处理步骤S2提取获得的另一张背景图片，通过颜色检测步骤S32计算该背景图片的颜色占比值的计算过程：
1.根据该图片的颜色直方图，找到该颜色直方图中统计次数最大的值；
2.根据最大的值，找到其在图片中的位置m；
3.找到m周围的9-16个点，并计算出这些点的统计次数的总和sum；
4.计算出该图片颜色直方图中所有颜色统计次数的和total；
5.计算出sum与total的比值，即颜色占比值。
在本实施例中，颜色阈值预设为0.9(可根据实际情况进行调整)，据此，颜色占比值小于颜色阈值，判定为图像颜色正常，输出结果如图12所示。
根据上述说明可知，本实施例提供的基于边缘计算模型的视频监控数据质量的评测方法能够有效识别由于视频监控终端调焦不准确出现的模糊类问题，以及出现白屏、黑屏、绿屏类问题，能够大大降低在检测和维护视频监控***中花费的大量时间、人力、物力和财力。
实施例2：
如图13所示，本实施例与实施例1相比，区别在于：在视频获取步骤S1之前增加离线监测步骤S0：根据ping命令判断视频监控终端是否离线。
该ping命令具体操作为ping视频监控终端的IP地址，得到丢包率，查看结果中的丢包率来判断视频终端是否离线。一般情况下，当丢包率大于100％时，判断该视频监控终端为离线状态。
本实施例的其他技术特征均与实施例1相同，在此不再赘述。
根据上述说明可知，本实施例提供的基于边缘计算模型的视频监控数据质量的评测方法能够有效监测各视频监控终端的在线状态，能够及时发现处于离线状态的视频监控终端，大大提升发现和解决异常问题的效率。
实施例3：
如图14所示，一种基于边缘计算模型的监控视频数据质量评测装置，包括：
视频获取单元1：用于根据预设的时间间隔，定期从视频监控终端中采集获取一段视频。数据处理单元2：用于对采集的视频进行处理，从中提取相应的背景图片。
质量检测单元3：包括模糊检测模块31和/或颜色检测模块32。
其中，
模糊检测模块31用于对提取的背景图片进行分析计算，获得对应的模糊度值；并根据预设的模糊阈值进行判断，若模糊度值小于模糊阈值，则判断为图像模糊；若模糊度值大于等于模糊阈值，则判断为图像清晰。
颜色检测模块32用于依据颜色直方图算法对提取的背景图片进行分析计算，获得颜色占比值；并根据预设的颜色阈值进行判断，若颜色占比值大于等于颜色阈值，则判断为图像颜色错误；若颜色占比值均小于颜色阈值，则判断为图像颜色正常。
如图15所示，模糊检测模块31包括模糊度值计算子模块311，模糊度值计算子模块311用于遍历背景图片每个点的RGB值；根据每个点的RGB值中B值经过变换所得值的总和与背景图片面积比值的绝对值，即为模糊度值。
如图16所示，颜色检测模块32包括颜色占比值计算子模块321，颜色占比值计算子模块321用于把背景图片转换为HSV颜色空间；根据CvHistogram类创建HSV颜色空间图片的二维直方图，并根据cvQueryHistValue_2D函数获取每种颜色的统计次数，找到颜色统计次数的最大值，获取其颜色统计最大值周围的9-16个点；计算该最大值和取出周围几个点的统计次数的和与背景图片每种颜色统计次数的和的比例，即为颜色占比值。
本实施例提供的视频监控数据质量评测装置主要放在边缘端即视频监控终端设备中，每个视频监控终端设备都包含一个视频监控数据质量评测装置。
本实施例是与实施例1的基于边缘计算模型的监控视频数据质量评测方法相对应的装置，其具体工作原理与实施例1基本相同，在此不再赘述。
实施例4：
如图17所示，本实施例与实施例3相比，区别在于：还包括离线监测单元4：用于根据ping命令判断视频监控终端是否离线。
本实施例是与实施例2的基于边缘计算模型的监控视频数据质量评测方法相对应的装置，其具体工作原理与实施例2基本相同，在此不再赘述。
本领域的技术人员容易理解，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、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于边缘计算模型的监控视频数据质量评测方法，其特征在于，包括如下步骤：
视频获取步骤：根据预设的时间间隔，定期从视频监控终端中采集获取一段视频；
数据处理步骤：对采集的所述视频进行处理，从中提取相应的背景图片；
质量检测步骤：包括模糊检测步骤和/或颜色检测步骤；其中，
所述模糊检测步骤具体为：对提取的背景图片进行分析计算，获得对应的模糊度值；并
根据预设的模糊阈值进行判断，若所述模糊度值小于所述模糊阈值，则判断为图像模糊；
若所述模糊度值大于等于所述模糊阈值，则判断为图像清晰；
所述颜色检测步骤具体为：依据颜色直方图算法对提取的背景图片进行分析计算，获得颜色占比值；并根据预设的颜色阈值进行判断，若所述颜色占比值大于等于所述颜色阈值，则判断为图像颜色错误；若所述颜色占比值均小于所述颜色阈值，则判断为图像颜色正常。
2.根据权利要求1所述的一种基于边缘计算模型的监控视频数据质量评测方法，其特征在于，所述视频获取步骤具体为：
利用VideoCapture类调用监控终端设备并采集获取一段视频。
3.根据权利要求2所述的一种基于边缘计算模型的监控视频数据质量评测方法，其特征在于，所述数据处理步骤具体为：
通过VideoCapture类中的read方法获取所述视频的每一帧的图像；
通过BackgroundSubtractorMOG2类中的apply函数获取前景掩膜；
通过BackgroundSubtractorMOG2类中的getBackgroundImage函数提取背景图片。
4.根据权利要求3所述的一种基于边缘计算模型的监控视频数据质量评测方法，其特征在于，所述模糊检测步骤中所述模糊度值的计算方法具体为：
遍历所述背景图片每个点的RGB值；
根据每个点的RGB值中B值经过变换所得值的总和与所述背景图片面积比值的绝对值，即为所述模糊度值。
5.根据权利要求3所述的一种基于边缘计算模型的监控视频数据质量评测方法，其特征在于，所述颜色检测步骤中所述颜色占比值的计算方法具体为：
先把所述背景图片转换为HSV颜色空间；
根据CvHistogram类创建所述HSV颜色空间图片的二维直方图，并根据cvQueryHistValue_2D函数获取每种颜色的统计次数，找到颜色统计次数的最大值，获取其颜色统计最大值周围的9-16个点；
计算该最大值和取出周围几个点的统计次数的和与所述背景图片每种颜色统计次数的和的比例，即为所述颜色占比值。
6.根据权利要求1-5中任一项所述的一种基于边缘计算模型的监控视频数据质量评测方法，其特征在于，所述模糊阈值的范围为0.00001至0.0001，所述颜色阈值的范围为0.7至1。
7.根据权利要求1一种基于边缘计算模型的监控视频数据质量评测方法，其特征在于，还包括离线监测步骤：根据ping命令判断所述视频监控终端是否离线。
8.一种基于边缘计算模型的监控视频数据质量评测装置，其特征在于，包括：
视频获取单元：用于根据预设的时间间隔，定期从视频监控终端中采集获取一段视频；
数据处理单元：用于对采集的所述视频进行处理，从中提取相应的背景图片；
质量检测单元：包括模糊检测模块和/或颜色检测模块；其中，
所述模糊检测模块用于对提取的背景图片进行分析计算，获得对应的模糊度值；并根据预设的模糊阈值进行判断，若所述模糊度值小于所述模糊阈值，则判断为图像模糊；若所述模糊度值大于等于所述模糊阈值，则判断为图像清晰；
所述颜色检测模块用于依据颜色直方图算法对提取的背景图片进行分析计算，获得颜色占比值；并根据预设的颜色阈值进行判断，若所述颜色占比值大于等于所述颜色阈值，则判断为图像颜色错误；若所述颜色占比值均小于所述颜色阈值，则判断为图像颜色正常。
9.根据权利要求8所述的一种基于边缘计算模型的监控视频数据质量评测装置，其特征在于：
所述模糊检测模块包括模糊度值计算子模块，所述模糊度值计算子模块用于遍历所述背景图片每个点的RGB值；根据每个点的RGB值中B值经过变换所得值的总和与所述背景图片面积比值的绝对值，即为所述模糊度值；
所述颜色检测模块包括颜色占比值计算子模块，所述颜色占比值计算子模块用于把所述背景图片转换为HSV颜色空间；根据CvHistogram类创建所述HSV颜色空间图片的二维直方图，并根据cvQueryHistValue_2D函数获取每种颜色的统计次数，找到颜色统计次数的最大值，获取其颜色统计最大值周围的9-16个点；计算该最大值和取出周围几个点的统计次数的和与所述背景图片每种颜色统计次数的和的比例，即为所述颜色占比值。
10.根据权利要求8所述的一种基于边缘计算模型的监控视频数据质量评测装置，其特征在于，还包括离线监测单元：用于根据ping命令判断所述视频监控终端是否离线。
CN201710486709.0A 2017-06-23 2017-06-23 基于边缘计算模型的监控视频数据质量评测方法及装置 Pending CN107197233A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710486709.0A CN107197233A (zh) 2017-06-23 2017-06-23 基于边缘计算模型的监控视频数据质量评测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710486709.0A CN107197233A (zh) 2017-06-23 2017-06-23 基于边缘计算模型的监控视频数据质量评测方法及装置

Publications (1)

Publication Number Publication Date
CN107197233A true CN107197233A (zh) 2017-09-22

Family

ID=59878700

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710486709.0A Pending CN107197233A (zh) 2017-06-23 2017-06-23 基于边缘计算模型的监控视频数据质量评测方法及装置

Country Status (1)

Country Link
CN (1) CN107197233A (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108280780A (zh) * 2018-01-18 2018-07-13 深圳市麦斯杰网络有限公司 物业质量品控的优化方法及装置
CN109886963A (zh) * 2019-03-28 2019-06-14 北京奇艺世纪科技有限公司 一种图像处理方法及***
CN110827364A (zh) * 2018-08-07 2020-02-21 北京优酷科技有限公司 一种检测绿屏图像的方法及装置
CN112087509A (zh) * 2020-09-03 2020-12-15 哈尔滨工业大学 一种边缘计算平台中任务迁移方法
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***
CN112257691A (zh) * 2020-12-21 2021-01-22 江苏移动信息***集成有限公司 基于5g边缘计算的社区安全实现方法、***及设备
CN112749645A (zh) * 2020-12-30 2021-05-04 成都云盯科技有限公司 基于监控视频的服装颜色检测方法、装置和设备
CN113691801A (zh) * 2021-08-17 2021-11-23 国网安徽省电力有限公司检修分公司 基于视频图像分析的视频监控设备故障监测方法及***
CN114170619A (zh) * 2021-10-18 2022-03-11 中标慧安信息技术股份有限公司 基于边缘计算的数据核查方法和***
CN114581857A (zh) * 2022-05-06 2022-06-03 武汉兑鑫科技实业有限公司 基于图像分析的智能天车控制方法
CN115841478A (zh) * 2022-12-16 2023-03-24 浙江科达利实业有限公司 应用于车载空调软管生产管控的质量检测***

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102006459A (zh) * 2010-11-09 2011-04-06 中国电信股份有限公司 视频图像智能诊断***及方法
CN202085261U (zh) * 2010-12-14 2011-12-21 广东鑫程电子科技有限公司 智能视频诊断监控***
CN104123566A (zh) * 2013-04-24 2014-10-29 信帧电子技术（北京）有限公司 视频模糊不变性目标追踪的方法与***
CN104200475A (zh) * 2014-09-05 2014-12-10 中国传媒大学 一种无参考图像模糊度估计新方法
CN104537649A (zh) * 2014-12-16 2015-04-22 厦门雅迅网络股份有限公司 一种基于图像模糊度比较的车辆转向判断方法及***
CN106851263A (zh) * 2017-03-30 2017-06-13 安徽四创电子股份有限公司 基于定时自学习模块的视频质量诊断方法及***

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102006459A (zh) * 2010-11-09 2011-04-06 中国电信股份有限公司 视频图像智能诊断***及方法
CN202085261U (zh) * 2010-12-14 2011-12-21 广东鑫程电子科技有限公司 智能视频诊断监控***
CN104123566A (zh) * 2013-04-24 2014-10-29 信帧电子技术（北京）有限公司 视频模糊不变性目标追踪的方法与***
CN104200475A (zh) * 2014-09-05 2014-12-10 中国传媒大学 一种无参考图像模糊度估计新方法
CN104537649A (zh) * 2014-12-16 2015-04-22 厦门雅迅网络股份有限公司 一种基于图像模糊度比较的车辆转向判断方法及***
CN106851263A (zh) * 2017-03-30 2017-06-13 安徽四创电子股份有限公司 基于定时自学习模块的视频质量诊断方法及***

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108280780A (zh) * 2018-01-18 2018-07-13 深圳市麦斯杰网络有限公司 物业质量品控的优化方法及装置
CN110827364A (zh) * 2018-08-07 2020-02-21 北京优酷科技有限公司 一种检测绿屏图像的方法及装置
CN109886963A (zh) * 2019-03-28 2019-06-14 北京奇艺世纪科技有限公司 一种图像处理方法及***
CN112087509B (zh) * 2020-09-03 2022-04-19 哈尔滨工业大学 一种边缘计算平台中任务迁移方法
CN112087509A (zh) * 2020-09-03 2020-12-15 哈尔滨工业大学 一种边缘计算平台中任务迁移方法
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***
CN112257691A (zh) * 2020-12-21 2021-01-22 江苏移动信息***集成有限公司 基于5g边缘计算的社区安全实现方法、***及设备
CN112257691B (zh) * 2020-12-21 2021-05-11 江苏移动信息***集成有限公司 基于5g边缘计算的社区安全实现方法、***及设备
CN112749645A (zh) * 2020-12-30 2021-05-04 成都云盯科技有限公司 基于监控视频的服装颜色检测方法、装置和设备
CN112749645B (zh) * 2020-12-30 2023-08-01 成都云盯科技有限公司 基于监控视频的服装颜色检测方法、装置和设备
CN113691801A (zh) * 2021-08-17 2021-11-23 国网安徽省电力有限公司检修分公司 基于视频图像分析的视频监控设备故障监测方法及***
CN113691801B (zh) * 2021-08-17 2024-04-19 国网安徽省电力有限公司超高压分公司 基于视频图像分析的视频监控设备故障监测方法及***
CN114170619A (zh) * 2021-10-18 2022-03-11 中标慧安信息技术股份有限公司 基于边缘计算的数据核查方法和***
CN114581857A (zh) * 2022-05-06 2022-06-03 武汉兑鑫科技实业有限公司 基于图像分析的智能天车控制方法
CN114581857B (zh) * 2022-05-06 2022-07-05 武汉兑鑫科技实业有限公司 基于图像分析的智能天车控制方法
CN115841478A (zh) * 2022-12-16 2023-03-24 浙江科达利实业有限公司 应用于车载空调软管生产管控的质量检测***

Similar Documents

Publication Publication Date Title
CN107197233A (zh) 基于边缘计算模型的监控视频数据质量评测方法及装置
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
WO2022160413A1 (zh) 电力生产异常监控方法、装置、计算机设备和存储介质
CN111222478A (zh) 一种工地安全防护检测方法和***
CN105303158A (zh) 一种变电站隔离开关线段拟合视频智能分析算法
CN105957088B (zh) 基于计算机视觉的变压器复合绝缘子套管监测方法及***
CN104639914A (zh) 一种用于高压线绝缘子成像与污秽检测的装置及方法
CN113837991A (zh) 图像处理方法、装置、设备及存储介质
CN113343779B (zh) 环境异常检测方法、装置、计算机设备和存储介质
CN202444572U (zh) 一种无参考的视频监控图像模糊质量检测装置
CN112396635A (zh) 一种基于多设备的复杂环境下多目标检测方法
CN113096158A (zh) 运动对象的识别方法、装置、电子设备及可读存储介质
CN112287823A (zh) 一种基于视频监控的面部口罩识别方法
CN111723656B (zh) 一种基于YOLO v3与自优化的烟雾检测方法及装置
CN110390784A (zh) 一种基于深度学习的输电线路防外破监控***
CN112967221A (zh) 一种盾构管片生产与拼装信息管理***
CN112053322B (zh) 光伏电池板表面遮挡的分割与检测方法
CN106650546A (zh) 一种基于二维码的变电站开关柜设备对象自动识别方法
CN103996199A (zh) 一种基于深度信息的运动检测方法
CN116612355A (zh) 人脸伪造识别模型训练方法和装置、人脸识别方法和装置
WO2023070955A1 (zh) 一种基于计算机视觉的港口作业区微小目标检测方法和装置
CN105187821A (zh) 一种视频质量智能诊断分析***
KR20180129389A (ko) 시각지능을 이용한 전력량계 측정 데이터 수집 방법
CN114913370A (zh) 基于深度学习与形态学融合的状态自动检测方法与装置
CN114241401A (zh) 异常判定方法、装置、设备、介质及产品

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20170922

RJ01 Rejection of invention patent application after publication