CN114630110A - 一种视频图像在线率检测方法 - Google Patents
一种视频图像在线率检测方法 Download PDFInfo
- Publication number
- CN114630110A CN114630110A CN202210262900.8A CN202210262900A CN114630110A CN 114630110 A CN114630110 A CN 114630110A CN 202210262900 A CN202210262900 A CN 202210262900A CN 114630110 A CN114630110 A CN 114630110A
- Authority
- CN
- China
- Prior art keywords
- video images
- video
- group
- processing
- analysis
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 24
- 238000012545 processing Methods 0.000 claims abstract description 52
- 230000002159 abnormal effect Effects 0.000 claims abstract description 17
- 238000010606 normalization Methods 0.000 claims abstract description 14
- 238000005457 optimization Methods 0.000 claims abstract description 12
- 238000012216 screening Methods 0.000 claims abstract description 4
- 238000004458 analytical method Methods 0.000 claims description 49
- 238000013528 artificial neural network Methods 0.000 claims description 26
- 238000012549 training Methods 0.000 claims description 21
- 238000000034 method Methods 0.000 claims description 14
- 238000012544 monitoring process Methods 0.000 claims description 11
- 238000010191 image analysis Methods 0.000 claims description 8
- 238000012795 verification Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 4
- 230000000903 blocking effect Effects 0.000 claims description 3
- 238000003709 image segmentation Methods 0.000 claims description 3
- 230000007774 longterm Effects 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 2
- 238000011084 recovery Methods 0.000 claims description 2
- 239000000284 extract Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003703 image analysis method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Images
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Signal Processing (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种视频图像在线率检测方法,属于视频检测技术领域,该检测方法具体步骤如下:(1)收集视频图像并对其进行分类处理;(2)对视频图像进行分组优化;(3)对比各组视频图像以进行数据筛选;(4)修复异常视频图像并反馈;本发明通过对分块后的各组视频图像像素进行归一化处理,能够大幅提高视频图形的检测准确率,同时降低人工检测成本,提高工作人员检测效率,能够更直观地向工作人员反馈各组视频图像地清晰度,同时避免人工检测产生过多误差。
Description
技术领域
本发明涉及视频检测技术领域,尤其涉及一种视频图像在线率检测方法。
背景技术
当前,公共安全视频监控的应用极大地推动社会治安综合治理能力,有效促进图像数据集成应用,由于视频和图像的特殊性,在视频和图像质量、在线率、稳定性方面的评估还不完善,特别是视频图像质量的第三方评估,还采用人工采样方式,以人眼感测主管判断视频图像质量是否到达实际要求,在实际工作当中,需要判断视频图像质量,快速统计在线率,有效保证准确率,采用人工判断就不可行了,而且视频图像的质量以及在线率直接关乎使用成本,有可能造成较大损失。
发明内容
本发明的目的是为了解决现有技术中存在的缺陷,而提出的一种视频图像在线率检测方法。
为了实现上述目的,本发明采用了如下技术方案:
一种视频图像在线率检测方法,该检测方法具体步骤如下:
(1)收集视频图像并对其进行分类处理:实时收集视频图像,同时对各组图像进行区域分割处理,并对收集的视频图像进行分类处理;
(2)对视频图像进行分组优化:构建深度神经网络,并将各组视频图像导入该神经网络中进行数据调整,同时将优化完成的数据分别录入两组分析数据集中;
(3)对比各组视频图像以进行数据筛选:对两组对比数据集进行比较分析,同时对两组对比数据集进行归一化处理,并依据处理结果对其进行图像分析;
(4)修复异常视频图像并反馈:对筛选出的异常图像进行数据修复,同时将修复完成的图形再次进行图像分析,并将修复的图像信息反馈给工作人员。
作为本发明的进一步方案,步骤(1)中所述分类处理具体步骤如下:
步骤一:将分割完成的各区域视频图像按照不同的监控摄像头的拍摄画面进行分类,同时按照各监控摄像头在服务器中所存储的编号对各组视频图像进行排序;
步骤二:将排序完成的各组视频图像按照拍摄时间前后进行有序排列,同时构建分析记录表,并记录各组视频图像、拍摄时间以及监控摄像头编号。
作为本发明的进一步方案,步骤(2)中所述数据调整具体步骤如下:
第一步:对构建的神经网络进行训练优化,优化完成后,接收各组视频图像;
第二步:神经网络构建两组分析数据集,并分别标记为分析数据集A以及分析数据集B;
第三步:将视频数据分别导入分析数据集A以及分析数据集B,同时依据分析数据集A中各组视频图像的显示比例来确定分块数量,并对各组视频图像进行分块处理;
第四步:依据分析数据集B中各组视频图像的显示比例来确定分块数量,并对各组视频图像进行分块处理,同时对分块完成的视频图像通过低通滤波进行模糊处理。
作为本发明的进一步方案,第一步中所述训练优化具体步骤如下:
S1.1:从视频图像中选取一个作为验证数据,并重复多次使用该验证数据来验证该神经网络的精度;
S1.2:对于每一组视频图像,选取任意一个子集作为测试集,再取剩余子集作为训练集,并对每组数据都进行一次预测,并将预测结果最好的数据作为最优参数输出;
S1.3:依据最优参数对训练数据集进行标准化处理,最后将训练样本输送到神经网络中,并采用长期迭代法训练该模型,再依据训练结果对该训练模型进行实时优化。
作为本发明的进一步方案,步骤(3)中所述图像分析具体步骤如下:
S2.1:提取分析数据集A中每个块的视频图像像素,并对其进行归一化处理,最后通过比对函数对每个块的视频图像像素进行比对,最终确定视频图像是否正常,并将正常图像与异常视频图像在分析记录表中进行标注;
S2.2:通过对比函数对分析数据集B中模糊处理前后的视频图像进行比对,比对完成后,对各组视频图像像素进行归一化处理,并依据归一化结果确定视频图像清晰度,并将确定的视频图像清晰度录入分析记录表中。
作为本发明的进一步方案,步骤(4)中所述数据修复具体步骤如下:
S3.1:神经网络对分析记录表中的正常视频图像筛除,同时对剩余的异常视频图像进行图像分割处理;
S3.2:对分割完成的各组视频图像进行降噪处理,同时对各组视频图像进行灰度处理,并再次对异常视频图像进行分析,同时将分析记录表反馈给工作人员进行查看。
相比于现有技术,本发明的有益效果在于:
1、该视频图像在线率检测方法相较于以往检测方法,本发明收集各组监控摄像头采集到的各组视频图像,并分析采集到的各组视频图像的显示比例来确定分块数量,同时对各组视频图像进行分块处理,神经网络再提取每个块的视频图像像素,并对其进行归一化处理,最后通过比对函数对每个块的视频图像像素进行比对,最终确定视频图像是否正常,并将正常图像与异常视频图像在分析记录表中进行标注,通过对分块后的各组视频图像像素进行归一化处理,能够大幅提高视频图形的检测准确率,同时降低人工检测成本,提高工作人员检测效率;
2、该视频图像在线率检测方法对收集到的各组视频图像进行分类处理,同时通过神经网络对各组视频图像进行分块,并通过低通滤波的方式对分块后的视频图像进行模糊处理,各组视频图像模糊处理完成后,通过对比函数对模糊处理前后的各组视频图像进行比对,比对完成后,对各组视频图像像素进行归一化处理,并依据归一化结果确定视频图像清晰度,并将确定的视频图像清晰度录入分析记录表中,同时将分析记录表反馈给工作人员,能够更直观地向工作人员反馈各组视频图像地清晰度,同时避免人工检测产生过多误差。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。
图1为本发明提出的一种视频图像在线率检测方法的流程框图。
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。
实施例1
参照图1,一种视频图像在线率检测方法,本实施例具体公开了一种数据调整方法:
收集视频图像并对其进行分类处理:实时收集视频图像,同时对各组图像进行区域分割处理,并对收集的视频图像进行分类处理。
具体的,首先计算机将分割完成的各区域视频图像按照不同的监控摄像头的拍摄画面进行分类,同时按照各监控摄像头在服务器中所存储的编号对各组视频图像进行排序,排序完成后,将排序完成的各组视频图像按照拍摄时间前后进行有序排列,同时构建分析记录表,并记录各组视频图像、拍摄时间以及监控摄像头编号。
对视频图像进行分组优化:构建深度神经网络,并将各组视频图像导入该神经网络中进行数据调整,同时将优化完成的数据分别录入两组分析数据集中。
具体的,计算机对构建的神经网络进行训练优化,优化完成后,接收各组视频图像,同时神经网络构建两组分析数据集,并分别标记为分析数据集A以及分析数据集B,并将视频数据分别导入分析数据集A以及分析数据集B,同时依据分析数据集A中各组视频图像的显示比例来确定分块数量,并对各组视频图像进行分块处理,同时神经网络依据分析数据集B中各组视频图像的显示比例来确定分块数量,并对各组视频图像进行分块处理,同时对分块完成的视频图像通过低通滤波进行模糊处理。
需要进一步说明的是,神经网络从视频图像中选取一个作为验证数据,并重复多次使用该验证数据来验证该神经网络的精度,并对于每一组视频图像,选取任意一个子集作为测试集,再取剩余子集作为训练集,并对每组数据都进行一次预测,并将预测结果最好的数据作为最优参数输出,同时依据最优参数对训练数据集进行标准化处理,最后将训练样本输送到神经网络中,并采用长期迭代法训练该模型,再依据训练结果对该训练模型进行实时优化。
实施例2
参照图1,一种视频图像在线率检测方法,本实施例具体公开了一种图像分析方法:
对比各组视频图像以进行数据筛选:对两组对比数据集进行比较分析,同时对两组对比数据集进行归一化处理,并依据处理结果对其进行图像分析。
具体的,神经网络提取分析数据集A中每个块的视频图像像素,并对其进行归一化处理,最后通过比对函数对每个块的视频图像像素进行比对,最终确定视频图像是否正常,并将正常图像与异常视频图像在分析记录表中进行标注,同时通过对比函数对分析数据集B中模糊处理前后的视频图像进行比对,比对完成后,对各组视频图像像素进行归一化处理,并依据归一化结果确定视频图像清晰度,并将确定的视频图像清晰度录入分析记录表中,通过对分块后的各组视频图像像素进行归一化处理,能够大幅提高视频图形的检测准确率,同时降低人工检测成本,提高工作人员检测效率,能够更直观地向工作人员反馈各组视频图像地清晰度,同时避免人工检测产生过多误差。
修复异常视频图像并反馈:对筛选出的异常图像进行数据修复,同时将修复完成的图形再次进行图像分析,并将修复的图像信息反馈给工作人员。
具体的,神经网络对分析记录表中的正常视频图像筛除,同时对剩余的异常视频图像进行图像分割处理,并对分割完成的各组视频图像进行降噪处理,同时对各组视频图像进行灰度处理,并再次对异常视频图像进行分析,同时将分析记录表反馈给工作人员进行查看。
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 (6)
1.一种视频图像在线率检测方法,其特征在于,该检测方法具体步骤如下:
(1)收集视频图像并对其进行分类处理:实时收集视频图像,同时对各组图像进行区域分割处理,并对收集的视频图像进行分类处理;
(2)对视频图像进行分组优化:构建深度神经网络,并将各组视频图像导入该神经网络中进行数据调整,同时将优化完成的数据分别录入两组分析数据集中;
(3)对比各组视频图像以进行数据筛选:对两组对比数据集进行比较分析,同时对两组对比数据集进行归一化处理,并依据处理结果对其进行图像分析;
(4)修复异常视频图像并反馈:对筛选出的异常图像进行数据修复,同时将修复完成的图形再次进行图像分析,并将修复的图像信息反馈给工作人员。
2.根据权利要求1所述的一种视频图像在线率检测方法,其特征在于,步骤(1)中所述分类处理具体步骤如下:
步骤一:将分割完成的各区域视频图像按照不同的监控摄像头的拍摄画面进行分类,同时按照各监控摄像头在服务器中所存储的编号对各组视频图像进行排序;
步骤二:将排序完成的各组视频图像按照拍摄时间前后进行有序排列,同时构建分析记录表,并记录各组视频图像、拍摄时间以及监控摄像头编号。
3.根据权利要求1所述的一种视频图像在线率检测方法,其特征在于,步骤(2)中所述数据调整具体步骤如下:
第一步:对构建的神经网络进行训练优化,优化完成后,接收各组视频图像;
第二步:神经网络构建两组分析数据集,并分别标记为分析数据集A以及分析数据集B;
第三步:将视频数据分别导入分析数据集A以及分析数据集B,同时依据分析数据集A中各组视频图像的显示比例来确定分块数量,并对各组视频图像进行分块处理;
第四步:依据分析数据集B中各组视频图像的显示比例来确定分块数量,并对各组视频图像进行分块处理,同时对分块完成的视频图像通过低通滤波进行模糊处理。
4.根据权利要求3所述的一种视频图像在线率检测方法,其特征在于,第一步中所述训练优化具体步骤如下:
S1.1:从视频图像中选取一个作为验证数据,并重复多次使用该验证数据来验证该神经网络的精度;
S1.2:对于每一组视频图像,选取任意一个子集作为测试集,再取剩余子集作为训练集,并对每组数据都进行一次预测,并将预测结果最好的数据作为最优参数输出;
S1.3:依据最优参数对训练数据集进行标准化处理,最后将训练样本输送到神经网络中,并采用长期迭代法训练该模型,再依据训练结果对该训练模型进行实时优化。
5.根据权利要求3所述的一种视频图像在线率检测方法,其特征在于,步骤(3)中所述图像分析具体步骤如下:
S2.1:提取分析数据集A中每个块的视频图像像素,并对其进行归一化处理,最后通过比对函数对每个块的视频图像像素进行比对,最终确定视频图像是否正常,并将正常图像与异常视频图像在分析记录表中进行标注;
S2.2:通过对比函数对分析数据集B中模糊处理前后的视频图像进行比对,比对完成后,对各组视频图像像素进行归一化处理,并依据归一化结果确定视频图像清晰度,并将确定的视频图像清晰度录入分析记录表中。
6.根据权利要求5所述的一种视频图像在线率检测方法,其特征在于,步骤(4)中所述数据修复具体步骤如下:
S3.1:神经网络对分析记录表中的正常视频图像筛除,同时对剩余的异常视频图像进行图像分割处理;
S3.2:对分割完成的各组视频图像进行降噪处理,同时对各组视频图像进行灰度处理,并再次对异常视频图像进行分析,同时将分析记录表反馈给工作人员进行查看。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210262900.8A CN114630110A (zh) | 2022-03-17 | 2022-03-17 | 一种视频图像在线率检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210262900.8A CN114630110A (zh) | 2022-03-17 | 2022-03-17 | 一种视频图像在线率检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114630110A true CN114630110A (zh) | 2022-06-14 |
Family
ID=81901277
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210262900.8A Pending CN114630110A (zh) | 2022-03-17 | 2022-03-17 | 一种视频图像在线率检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114630110A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114967629A (zh) * | 2022-07-14 | 2022-08-30 | 沧州信昌化工股份有限公司 | 污油泥处理装置的远程监控*** |
-
2022
- 2022-03-17 CN CN202210262900.8A patent/CN114630110A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114967629A (zh) * | 2022-07-14 | 2022-08-30 | 沧州信昌化工股份有限公司 | 污油泥处理装置的远程监控*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110826538B (zh) | 一种用于电力营业厅的异常离岗识别*** | |
CN112036755B (zh) | 一种建筑工程质量检测的监管方法及*** | |
CN114757900B (zh) | 基于人工智能的纺织品缺陷类型识别方法 | |
TWI747686B (zh) | 缺陷檢測方法及檢測裝置 | |
CN113160023A (zh) | 一种土地利用核查*** | |
CN113590906A (zh) | 一种土地利用变更举证的核查*** | |
CN113850183A (zh) | 一种基于人工智能技术判断视频中行为的方法 | |
CN114630110A (zh) | 一种视频图像在线率检测方法 | |
CN111415339A (zh) | 一种复杂纹理工业产品图像缺陷检测方法 | |
CN113269903A (zh) | 人脸识别课堂考勤*** | |
CN115719283A (zh) | 一种智能化会计管理*** | |
CN111507854A (zh) | 基于历史赔案的车辆定损方法、装置、介质和电子设备 | |
CN107607205A (zh) | 线束颜色顺序检测***和方法 | |
CN112541367A (zh) | 一种基于深度学习和图像处理的多种二维码识别方法 | |
CN113077423A (zh) | 基于卷积神经网络的激光选区熔化熔池图像分析*** | |
CN116823795A (zh) | 橡胶制品的缺陷检测方法、装置、电子设备及存储介质 | |
CN112101454A (zh) | 一种污水曝气分析方法 | |
CN111027937A (zh) | 一种考勤*** | |
CN115760246A (zh) | 基于物联网的店面满意度智能分析方法和*** | |
CN115830732A (zh) | 一种基于大数据分析的考勤方法和*** | |
CN112818150B (zh) | 一种图片内容审核方法、装置、设备和介质 | |
CN108362708A (zh) | 基于机器视觉的笔芯划线标准化检测***及方法 | |
CN114119500A (zh) | 一种基于生成对抗网络的色织物缺陷区域的检测方法 | |
CN113706178A (zh) | 一种产品检验过程的监督方法 | |
CN112115876A (zh) | 一种基于3d卷积神经网络的水溶法实验过程识别方法 |
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 |