广域安防系统中视频监控子网性能监测系统及方法
广域安防系统中视频监控子网性能监测系统及方法
【技术领域】
[0001]本发明涉及安防技术领域，特别涉及一种基于网络视频监控平台的系统状态和视频监控服务质量的保障系统及方法。
【背景技术】
[0002]随着社会经济的发展，人们对安防的需求日益提高。目前，视频监控已渗入到社会生活的各个层面，成为公安执法的重要依据。小范围的视频监控子网已经不能满足应用需求，安防工程已向更大的监控范围拓展，如城域监控网络建设。安防系统的规模发展也带来一系列新的问题。主要存在的问题包括:(I)具体设备的检测认证不能保证整个系统性能合格；(2)当前视频监控工程的检测验收以人为主体，所得结论的主观性较强；(3)对运营过程中监控系统状态改变缺少有效的监管。这些问题需要应用新的技术手段加以解决。
[0003]针对视频监控工程验收，中国发明专利200910103217.4中设计了一种视频信号产生器，用其作为信源将产生信号馈入视频监控信道，并在系统输出端检测和分析输出信号，以确定系统所引入的各种误差；中国发明专利201110079555.6提出了一种在网络视频监控平台基础上设计的视频诊断系统和管理中心系统的架构；中国发明专利201110215353.X中公开了一种对视频像素进行分析，进而调整环境照度的方案；中国发明专利201110404648.1中公开了一种通过与存储样本对比检测视频监控系统状态是否异常的方法；中国发明专利201210239325.6中公开了一种应用视频质量诊断服务器对系统降质进行检测的方法。
【发明内容】
[0004]本发明的目的是依据公安部行业标准GA\T367-2001、GA\T669_2008和GA\T792-2008对图像信息采集和编码的技术要求，提供一种广域安防系统中视频监控子网性能监测系统及其方法，对视频监控子网的图像质量进行评估，为视频监控系统的工程验收及系统状态维护提供依据。
[0005]为达到上述目的，本发明所采用的技术方案如下:
[0006]一种广域安防系统中视频监控子网性能监测系统，包括位于视频监控子网和上级监控中心之间的服务质量管理单元，所述服务质量管理单元主要是由通讯模块、存储模块以及运算模块组成，所述通讯模块用于与视频监控子网之间进行视频图像数据以及设备工作状态的传输，所述存储模块用于基准图像的数据保存，所述运算模块用于对视频图像进行运算处理，判断摄像头位置偏移，并与基准图像进行比较得出视频图像的质量评估分数。
[0007]—种广域安防系统中视频监控子网性能监测方法，采用上述的系统来完成，包括步骤如下:
[0008]I)对监控场景进行分类；
[0009]2)通讯模块接收系统发出的状态信号，判断系统的工作状态是否异常；
[0010]3)通讯模块提取视频图像特征；
[0011]4)调用存储模块中存储的相应场景的基准图像质量模型；
[0012]5)运算模块分析所提取的视频图像特征参数，判断摄像头的位置是否发生偏移，建立视频图像本身的图像质量盲评估模型，以及与基准图像质量模型进行参数比较，建立图像质量有参评估模型；
[0013]6)根据图像质量盲评估模型以及图像质量有参评估模型，得出视频监控子网的质量评估分数。
[0014]所述步骤I)中，采用自动场景选择或手动场景选择两种模式对监控场景进行分类。
[0015]所述步骤5)中，建立图像质量盲评估模型的具体方法是:
[0016]首先计算某一类别图像组中所有图像的特征向量，再将特征向量作为输入变量馈入神经网络，图像质量评分作为神经网络的输出，通过机械学习获取神经网络各个节点权重，即产生图像质量盲评估模型；
[0017]所述特征向量是:将视频图像沿水平、垂直及对角线方向求像素差值，再对图像亚采样，在亚采样图像基础上再次进行上述操作，产生差值图像图，将所产生的所有的差值图像与广义高斯曲线拟合，得到一串特征描述符，组成特征向量；
[0018]所述广义高斯曲线是:采用去除均值的归一化对比度描述系数作为图像特征的描述子，该描述子反映了自然图像的统计特征，自然图像中像素的归一化对比度描述系数符合广义高斯曲线分布，在视频图像发生降质时，将改变这一分布。
[0019]所述步骤5)中，建立图像质量有参评估模型的具体方法是:
[0020]首先计算作为基准图像及其降质图像的特征向量，再将两者的特征向量差值作为输入变量馈入神经网络，图像质量评分的差值作为神经网络的输出，通过机械学习获取神经网络各个节点权重，即产生图像质量有参评估模型。
[0021]所述步骤4)中，所述基准图像是以工程验收图像为基准图像，采用SIFT算子描述基准图像性质，所述SIFT算子以向量表形式保存在存储模块中，作为对比的基准。
[0022]所述步骤5)中，系统以一定时隙对场景进行采样，将采样图像的描述特征与基准图像对比，当一定百分比的特征点的描述子及位置发生变化时，判定摄像头位置发生偏移。
[0023]本发明技术方案的有益效果如下:
[0024]本发明监测系统作为通信接口，安放在局域监控网络端实现上级监控中心与底层视频监控子网络间的双向通信。上级监控中心可以通过网络设置该系统的控制参数，并可调阅监控系统中的图像及视频。当视频监控子网的状态发生变化或低于设定标准时，该系统自动向上级管理中心发出警示。
【附图说明】
[0025]通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显:
[0026]图1是本发明监测系统与视频监控子网以及上级监控中心的网络链接框图；
[0027]图2是本发明监控视频质量评分流程框图。
【具体实施方式】
[0028]下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进。这些都属于本发明的保护范围。
[0029]图1所示，本发明所提供的广域安防系统中视频监控子网性能监测系统，包括位于视频监控子网和上级监控中心之间的服务质量管理单元。服务质量管理单元主要是由通讯模块、存储模块以及运算模块组成。通讯模块用于与视频监控子网之间进行视频图像数据以及设备工作状态的传输。存储模块用于基准图像的数据保存。运算模块用于对视频图像进行运算处理，判断摄像头位置偏移，并与基准图像进行比较得出视频图像的质量评估分数。上级监控中心可以通过网络设置该系统的控制参数，并可调阅监控系统中的图像及视频。当视频监控子网的状态发生变化或低于设定标准时，该系统自动向上级管理中心发出警示。服务质量管理单元与上级监控中心之间通过云平台进行数据信令状态的传输和交换。
[0030]本发明系统由中央处理器、内存、Flash等硬件组成，Flash中存储作为基准的每个摄像头工程验收图像与/或图像质量模型。
[0031]本发明监测系统具有两项功能:(I)侦听视频监控网络中关键设备的心跳信息(即设备运行标示信号)、摄像头位置是否变化等二值状态信息；(2)以视频图像为基准，对系统的工作性能是否达标做出连续判断。
[0032]本发明监测系统可全天候对监控影像质量进行度量，在24小时内找到监控系统的薄弱点，作为工程验收的依据。
[0033]本发明监测系统有两种工作模式:(I)有参模式:以工程验收时的影像作为模板，将系统工作时的影像与该模板对比，产生系统质量评估分数；(2)无参模式:就图像本身，如图像钝化、对比度、噪声等因素对图像质量进行判断。
[0034]监控系统采用5分制或5个等级进行描述图像质量，5分表示优秀，4分表示良好，3分表示合格，2分表示图像画质较差，I分表示画质很差。
[0035]参照警方视频监控验收规范，将视频监控场景划分点、线、面三类，并可细分为更多种类的场景。针对不同的场景采用不同的质量评 估标准。对过道等点监控类场景，以运行目标沿过道行进过程中最佳画质影像作为对象进行评估；对门禁或出入口等线监控类场景，以人脸、车牌等关键目标的清晰度作为评估对象；对广场等面目标，以感兴趣对象行为的可识别性作为评估标准。
[0036]本发明运用机械学习的方法分析图像钝化、图像获取噪声、图像压缩噪声等要素与图像质量之间的内联关系，在本发明中该关系被定义为图像质量模型。
[0037]为产生图像质量模型，首先从监控工程实地采集不同场景类型的图像样本，场景覆盖走道、路口、门禁、广场等不同种类。每个场景的图像组是由该场景类型下不同分数的图像组成。每个场景每个分值的图像样本数不低于500幅。
[0038]按公安部门工程验收规范，按应用场景的不同，在图像中提取紧包含感兴趣区域的矩形区域，如路口图像提取其中的车辆轮廓及车牌部分；过道及门禁图像提取人脸等区域。在本实例中，采用Opencv中的库函数实现上述功能；对广场等图像取全局为感兴趣区域。后继图像质量分析及操作均基于上述感兴趣区域进行。
[0039]以感兴趣区域为操作对象，分析该区域的图像特征。在本实例中，采用去除均值的归一化对比度描述系数(MSCN)作为图像特征描述子，该描述子反映了自然图像的统计特征。当视频监控系统引入图像降质时，将改变这一特征值。自然图像中像素的MSCN符合广义高斯分布，图像降质将改变这一分布，所以在本实例中，通过观测像素点的MSCN判断图像质量的变化。实验证明，该方法可以有效鉴别出图像钝化、图像中的高斯白噪声及压缩噪声等图像降质。广义高斯噪声有两个控制参数，参数α控制广义高斯函数的形状，参数σ2描述广义高斯分布的方差。
[0040]在本实例中，将视频图像沿水平、垂直及对角线方向求像素差值，再对图像亚采样，在亚采样图像基础上再次进行上述操作，产生差值图像图。将所产生的所有的差值图像与广义高斯曲线拟合，得到一串特征描述符，组成特征向量。
[0041]针对图像质量的盲评估，在计算图像质量模型时，首先计算某一类别图像组中所有图像的特征向量，再将特征向量作为输入变量馈入神经网络，图像质量评分作为神经网络的输出，通过机械学习获取神经网络各个节点权重，即产生图像质量盲评估模型。
[0042]针对图像质量的有参评估，在计算图像质量模型时，首先计算作为基准的验收图像组及其降质图像组中所有图像的特征向量，再将两者的特征向量差值作为输入变量馈入神经网络，图像质量评分的差值作为神经网络的输出，通过机械学习获取神经网络各个节点权重，即产生图像质量有参评估模型。
[0043]本专利综合考虑环境因素变化对视频监控系统的影响，在24小时内连续对监控系统中的影像质量进行评估记录，进而找出系统的薄弱时段及薄弱环节。由于图像质量模型与监控场景类型密切相关，所以在进行图像质量评估前，需对监控场景进行分类。在本设计中，采用自动和手动两种分类模式。场景模式确定后，调用相应的基础图像质量模型做质量评估。上述过程如图2所示。
[0044]本仪器监督监控网络状态时，通过网线接收设备发出的状态信号，当状态信息失同步时，判断系统异常。
[0045]以工程验收图像为基础，探测图像中的特征点及特征描述子。在本实例中采用SIFT算子描述基准图像性质。图像中探测的SIFT算子以向量表形式存储在存储器中，作为对比的基准。系统运行时，以一定的时隙，如24小时，对场景进行采样，将采样图像的描述特征与基准对比，当一定百分比的特征点的描述子及位置发生变化时，判定摄像头位置发生偏移。
[0046]以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变形或修改，这并不影响本发明的实质内容。
【主权项】
1.一种广域安防系统中视频监控子网性能监测系统，其特征在于，包括位于视频监控子网和上级监控中心之间的服务质量管理单元，所述服务质量管理单元主要是由通讯模块、存储模块以及运算模块组成，所述通讯模块用于与视频监控子网之间进行视频图像数据以及设备工作状态的传输，所述存储模块用于基准图像的数据保存，所述运算模块用于对视频图像进行运算处理，判断摄像头位置偏移，并与基准图像进行比较得出视频图像的质量评估分数。2.一种广域安防系统中视频监控子网性能监测方法，其特征在于，采用如权利要求1所述的系统来完成，包括步骤如下: 1)对监控场景进行分类； 2)通讯模块接收系统发出的状态信号，判断系统的工作状态是否异常； 3)通讯模块提取视频图像特征； 4)调用存储模块中存储的相应场景的基准图像质量模型； 5)运算模块分析所提取的视频图像特征参数，判断摄像头的位置是否发生偏移，建立视频图像本身的图像质量盲评估模型，以及与基准图像质量模型进行参数比较，建立图像质量有参评估模型； 6)根据图像质量盲评估模型以及图像质量有参评估模型，得出视频监控子网的质量评估分数。3.根据权利要求2所述的广域安防系统中视频监控子网性能监测方法，其特征在于，所述步骤I)中，采用自动场景选择或手动场景选择两种模式对监控场景进行分类。4.根据权利要求2所述的广域安防系统中视频监控子网性能监测方法，其特征在于，所述步骤5)中，建立图像质量盲评估模型的具体方法是: 首先计算某一类别图像组中所有图像的特征向量，再将特征向量作为输入变量馈入神经网络，图像质量评分作为神经网络的输出，通过机械学习获取神经网络各个节点权重，即产生图像质量盲评估模型； 所述特征向量是:将视频图像沿水平、垂直及对角线方向求像素差值，再对图像亚采样，在亚采样图像基础上再次进行上述操作，产生差值图像图，将所产生的所有的差值图像与广义高斯曲线拟合，得到一串特征描述符，组成特征向量； 所述广义高斯曲线是:采用去除均值的归一化对比度描述系数作为图像特征的描述子，该描述子反映了自然图像的统计特征，自然图像中像素的归一化对比度描述系数符合广义高斯曲线分布，在视频图像发生降质时，将改变这一分布。5.根据权利要求4所述的广域安防系统中视频监控子网性能监测方法，其特征在于，所述步骤5)中，建立图像质量有参评估模型的具体方法是: 首先计算作为基准图像及其降质图像的特征向量，再将两者的特征向量差值作为输入变量馈入神经网络，图像质量评分的差值作为神经网络的输出，通过机械学习获取神经网络各个节点权重，即产生图像质量有参评估模型。6.根据权利要求4所述的广域安防系统中视频监控子网性能监测方法，其特征在于，所述步骤4)中，所述基准图像是指以工程验收图像为基准图像，采用SIFT算子描述基准图像性质，所述SIFT算子以向量表形式保存在存储模块中，作为对比的基准。7.根据权利要求4所述的广域安防系统中视频监控子网性能监测方法，其特征在于，所述步骤5)中，系统以一定时隙对场景进行采样，将采样图像的描述特征与基准图像对比，当一定百分比的特征点的描述子及位置发生变化时，判定摄像头位置发生偏移。
【专利摘要】本发明提供一种广域安防系统中视频监控子网性能监测系统及方法，包括位于视频监控子网和上级监控中心之间的服务质量管理单元，所述服务质量管理单元主要是由通讯模块、存储模块以及运算模块组成，所述通讯模块用于与视频监控子网之间进行视频图像数据以及设备工作状态的传输，所述存储模块用于基准图像的数据保存，所述运算模块用于对视频图像进行运算处理，判断摄像头位置偏移，并与基准图像进行比较得出视频图像的质量评估分数。质量管理模块按应用场景的不同，采用无参模式对视频监控子系统中的采集噪声、压缩噪声、聚焦情况及摄像头位置等参数进行估计，并采用有参模式与基准图像进行比较，综合上述要素产生标量描述系统性能。本发明的结构简单，使用方便，适用于平安城市建设等场合，可对城域安防网络进行分布式管理。
【IPC分类】G06T7/00, H04N7/18
【公开号】CN104902218
【申请号】CN201410078787
【发明人】王慈, 姚晨
【申请人】王慈
【公开日】2015年9月9日
【申请日】2014年3月5日
【技术领域】
[0001]本发明涉及安防技术领域，特别涉及一种基于网络视频监控平台的系统状态和视频监控服务质量的保障系统及方法。
【背景技术】
[0002]随着社会经济的发展，人们对安防的需求日益提高。目前，视频监控已渗入到社会生活的各个层面，成为公安执法的重要依据。小范围的视频监控子网已经不能满足应用需求，安防工程已向更大的监控范围拓展，如城域监控网络建设。安防系统的规模发展也带来一系列新的问题。主要存在的问题包括:(I)具体设备的检测认证不能保证整个系统性能合格；(2)当前视频监控工程的检测验收以人为主体，所得结论的主观性较强；(3)对运营过程中监控系统状态改变缺少有效的监管。这些问题需要应用新的技术手段加以解决。
[0003]针对视频监控工程验收，中国发明专利200910103217.4中设计了一种视频信号产生器，用其作为信源将产生信号馈入视频监控信道，并在系统输出端检测和分析输出信号，以确定系统所引入的各种误差；中国发明专利201110079555.6提出了一种在网络视频监控平台基础上设计的视频诊断系统和管理中心系统的架构；中国发明专利201110215353.X中公开了一种对视频像素进行分析，进而调整环境照度的方案；中国发明专利201110404648.1中公开了一种通过与存储样本对比检测视频监控系统状态是否异常的方法；中国发明专利201210239325.6中公开了一种应用视频质量诊断服务器对系统降质进行检测的方法。
【发明内容】
[0004]本发明的目的是依据公安部行业标准GA\T367-2001、GA\T669_2008和GA\T792-2008对图像信息采集和编码的技术要求，提供一种广域安防系统中视频监控子网性能监测系统及其方法，对视频监控子网的图像质量进行评估，为视频监控系统的工程验收及系统状态维护提供依据。
[0005]为达到上述目的，本发明所采用的技术方案如下:
[0006]一种广域安防系统中视频监控子网性能监测系统，包括位于视频监控子网和上级监控中心之间的服务质量管理单元，所述服务质量管理单元主要是由通讯模块、存储模块以及运算模块组成，所述通讯模块用于与视频监控子网之间进行视频图像数据以及设备工作状态的传输，所述存储模块用于基准图像的数据保存，所述运算模块用于对视频图像进行运算处理，判断摄像头位置偏移，并与基准图像进行比较得出视频图像的质量评估分数。
[0007]—种广域安防系统中视频监控子网性能监测方法，采用上述的系统来完成，包括步骤如下:
[0008]I)对监控场景进行分类；
[0009]2)通讯模块接收系统发出的状态信号，判断系统的工作状态是否异常；
[0010]3)通讯模块提取视频图像特征；
[0011]4)调用存储模块中存储的相应场景的基准图像质量模型；
[0012]5)运算模块分析所提取的视频图像特征参数，判断摄像头的位置是否发生偏移，建立视频图像本身的图像质量盲评估模型，以及与基准图像质量模型进行参数比较，建立图像质量有参评估模型；
[0013]6)根据图像质量盲评估模型以及图像质量有参评估模型，得出视频监控子网的质量评估分数。
[0014]所述步骤I)中，采用自动场景选择或手动场景选择两种模式对监控场景进行分类。
[0015]所述步骤5)中，建立图像质量盲评估模型的具体方法是:
[0016]首先计算某一类别图像组中所有图像的特征向量，再将特征向量作为输入变量馈入神经网络，图像质量评分作为神经网络的输出，通过机械学习获取神经网络各个节点权重，即产生图像质量盲评估模型；
[0017]所述特征向量是:将视频图像沿水平、垂直及对角线方向求像素差值，再对图像亚采样，在亚采样图像基础上再次进行上述操作，产生差值图像图，将所产生的所有的差值图像与广义高斯曲线拟合，得到一串特征描述符，组成特征向量；
[0018]所述广义高斯曲线是:采用去除均值的归一化对比度描述系数作为图像特征的描述子，该描述子反映了自然图像的统计特征，自然图像中像素的归一化对比度描述系数符合广义高斯曲线分布，在视频图像发生降质时，将改变这一分布。
[0019]所述步骤5)中，建立图像质量有参评估模型的具体方法是:
[0020]首先计算作为基准图像及其降质图像的特征向量，再将两者的特征向量差值作为输入变量馈入神经网络，图像质量评分的差值作为神经网络的输出，通过机械学习获取神经网络各个节点权重，即产生图像质量有参评估模型。
[0021]所述步骤4)中，所述基准图像是以工程验收图像为基准图像，采用SIFT算子描述基准图像性质，所述SIFT算子以向量表形式保存在存储模块中，作为对比的基准。
[0022]所述步骤5)中，系统以一定时隙对场景进行采样，将采样图像的描述特征与基准图像对比，当一定百分比的特征点的描述子及位置发生变化时，判定摄像头位置发生偏移。
[0023]本发明技术方案的有益效果如下:
[0024]本发明监测系统作为通信接口，安放在局域监控网络端实现上级监控中心与底层视频监控子网络间的双向通信。上级监控中心可以通过网络设置该系统的控制参数，并可调阅监控系统中的图像及视频。当视频监控子网的状态发生变化或低于设定标准时，该系统自动向上级管理中心发出警示。
【附图说明】
[0025]通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显:
[0026]图1是本发明监测系统与视频监控子网以及上级监控中心的网络链接框图；
[0027]图2是本发明监控视频质量评分流程框图。
【具体实施方式】
[0028]下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进。这些都属于本发明的保护范围。
[0029]图1所示，本发明所提供的广域安防系统中视频监控子网性能监测系统，包括位于视频监控子网和上级监控中心之间的服务质量管理单元。服务质量管理单元主要是由通讯模块、存储模块以及运算模块组成。通讯模块用于与视频监控子网之间进行视频图像数据以及设备工作状态的传输。存储模块用于基准图像的数据保存。运算模块用于对视频图像进行运算处理，判断摄像头位置偏移，并与基准图像进行比较得出视频图像的质量评估分数。上级监控中心可以通过网络设置该系统的控制参数，并可调阅监控系统中的图像及视频。当视频监控子网的状态发生变化或低于设定标准时，该系统自动向上级管理中心发出警示。服务质量管理单元与上级监控中心之间通过云平台进行数据信令状态的传输和交换。
[0030]本发明系统由中央处理器、内存、Flash等硬件组成，Flash中存储作为基准的每个摄像头工程验收图像与/或图像质量模型。
[0031]本发明监测系统具有两项功能:(I)侦听视频监控网络中关键设备的心跳信息(即设备运行标示信号)、摄像头位置是否变化等二值状态信息；(2)以视频图像为基准，对系统的工作性能是否达标做出连续判断。
[0032]本发明监测系统可全天候对监控影像质量进行度量，在24小时内找到监控系统的薄弱点，作为工程验收的依据。
[0033]本发明监测系统有两种工作模式:(I)有参模式:以工程验收时的影像作为模板，将系统工作时的影像与该模板对比，产生系统质量评估分数；(2)无参模式:就图像本身，如图像钝化、对比度、噪声等因素对图像质量进行判断。
[0034]监控系统采用5分制或5个等级进行描述图像质量，5分表示优秀，4分表示良好，3分表示合格，2分表示图像画质较差，I分表示画质很差。
[0035]参照警方视频监控验收规范，将视频监控场景划分点、线、面三类，并可细分为更多种类的场景。针对不同的场景采用不同的质量评 估标准。对过道等点监控类场景，以运行目标沿过道行进过程中最佳画质影像作为对象进行评估；对门禁或出入口等线监控类场景，以人脸、车牌等关键目标的清晰度作为评估对象；对广场等面目标，以感兴趣对象行为的可识别性作为评估标准。
[0036]本发明运用机械学习的方法分析图像钝化、图像获取噪声、图像压缩噪声等要素与图像质量之间的内联关系，在本发明中该关系被定义为图像质量模型。
[0037]为产生图像质量模型，首先从监控工程实地采集不同场景类型的图像样本，场景覆盖走道、路口、门禁、广场等不同种类。每个场景的图像组是由该场景类型下不同分数的图像组成。每个场景每个分值的图像样本数不低于500幅。
[0038]按公安部门工程验收规范，按应用场景的不同，在图像中提取紧包含感兴趣区域的矩形区域，如路口图像提取其中的车辆轮廓及车牌部分；过道及门禁图像提取人脸等区域。在本实例中，采用Opencv中的库函数实现上述功能；对广场等图像取全局为感兴趣区域。后继图像质量分析及操作均基于上述感兴趣区域进行。
[0039]以感兴趣区域为操作对象，分析该区域的图像特征。在本实例中，采用去除均值的归一化对比度描述系数(MSCN)作为图像特征描述子，该描述子反映了自然图像的统计特征。当视频监控系统引入图像降质时，将改变这一特征值。自然图像中像素的MSCN符合广义高斯分布，图像降质将改变这一分布，所以在本实例中，通过观测像素点的MSCN判断图像质量的变化。实验证明，该方法可以有效鉴别出图像钝化、图像中的高斯白噪声及压缩噪声等图像降质。广义高斯噪声有两个控制参数，参数α控制广义高斯函数的形状，参数σ2描述广义高斯分布的方差。
[0040]在本实例中，将视频图像沿水平、垂直及对角线方向求像素差值，再对图像亚采样，在亚采样图像基础上再次进行上述操作，产生差值图像图。将所产生的所有的差值图像与广义高斯曲线拟合，得到一串特征描述符，组成特征向量。
[0041]针对图像质量的盲评估，在计算图像质量模型时，首先计算某一类别图像组中所有图像的特征向量，再将特征向量作为输入变量馈入神经网络，图像质量评分作为神经网络的输出，通过机械学习获取神经网络各个节点权重，即产生图像质量盲评估模型。
[0042]针对图像质量的有参评估，在计算图像质量模型时，首先计算作为基准的验收图像组及其降质图像组中所有图像的特征向量，再将两者的特征向量差值作为输入变量馈入神经网络，图像质量评分的差值作为神经网络的输出，通过机械学习获取神经网络各个节点权重，即产生图像质量有参评估模型。
[0043]本专利综合考虑环境因素变化对视频监控系统的影响，在24小时内连续对监控系统中的影像质量进行评估记录，进而找出系统的薄弱时段及薄弱环节。由于图像质量模型与监控场景类型密切相关，所以在进行图像质量评估前，需对监控场景进行分类。在本设计中，采用自动和手动两种分类模式。场景模式确定后，调用相应的基础图像质量模型做质量评估。上述过程如图2所示。
[0044]本仪器监督监控网络状态时，通过网线接收设备发出的状态信号，当状态信息失同步时，判断系统异常。
[0045]以工程验收图像为基础，探测图像中的特征点及特征描述子。在本实例中采用SIFT算子描述基准图像性质。图像中探测的SIFT算子以向量表形式存储在存储器中，作为对比的基准。系统运行时，以一定的时隙，如24小时，对场景进行采样，将采样图像的描述特征与基准对比，当一定百分比的特征点的描述子及位置发生变化时，判定摄像头位置发生偏移。
[0046]以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变形或修改，这并不影响本发明的实质内容。
【主权项】
1.一种广域安防系统中视频监控子网性能监测系统，其特征在于，包括位于视频监控子网和上级监控中心之间的服务质量管理单元，所述服务质量管理单元主要是由通讯模块、存储模块以及运算模块组成，所述通讯模块用于与视频监控子网之间进行视频图像数据以及设备工作状态的传输，所述存储模块用于基准图像的数据保存，所述运算模块用于对视频图像进行运算处理，判断摄像头位置偏移，并与基准图像进行比较得出视频图像的质量评估分数。2.一种广域安防系统中视频监控子网性能监测方法，其特征在于，采用如权利要求1所述的系统来完成，包括步骤如下: 1)对监控场景进行分类； 2)通讯模块接收系统发出的状态信号，判断系统的工作状态是否异常； 3)通讯模块提取视频图像特征； 4)调用存储模块中存储的相应场景的基准图像质量模型； 5)运算模块分析所提取的视频图像特征参数，判断摄像头的位置是否发生偏移，建立视频图像本身的图像质量盲评估模型，以及与基准图像质量模型进行参数比较，建立图像质量有参评估模型； 6)根据图像质量盲评估模型以及图像质量有参评估模型，得出视频监控子网的质量评估分数。3.根据权利要求2所述的广域安防系统中视频监控子网性能监测方法，其特征在于，所述步骤I)中，采用自动场景选择或手动场景选择两种模式对监控场景进行分类。4.根据权利要求2所述的广域安防系统中视频监控子网性能监测方法，其特征在于，所述步骤5)中，建立图像质量盲评估模型的具体方法是: 首先计算某一类别图像组中所有图像的特征向量，再将特征向量作为输入变量馈入神经网络，图像质量评分作为神经网络的输出，通过机械学习获取神经网络各个节点权重，即产生图像质量盲评估模型； 所述特征向量是:将视频图像沿水平、垂直及对角线方向求像素差值，再对图像亚采样，在亚采样图像基础上再次进行上述操作，产生差值图像图，将所产生的所有的差值图像与广义高斯曲线拟合，得到一串特征描述符，组成特征向量； 所述广义高斯曲线是:采用去除均值的归一化对比度描述系数作为图像特征的描述子，该描述子反映了自然图像的统计特征，自然图像中像素的归一化对比度描述系数符合广义高斯曲线分布，在视频图像发生降质时，将改变这一分布。5.根据权利要求4所述的广域安防系统中视频监控子网性能监测方法，其特征在于，所述步骤5)中，建立图像质量有参评估模型的具体方法是: 首先计算作为基准图像及其降质图像的特征向量，再将两者的特征向量差值作为输入变量馈入神经网络，图像质量评分的差值作为神经网络的输出，通过机械学习获取神经网络各个节点权重，即产生图像质量有参评估模型。6.根据权利要求4所述的广域安防系统中视频监控子网性能监测方法，其特征在于，所述步骤4)中，所述基准图像是指以工程验收图像为基准图像，采用SIFT算子描述基准图像性质，所述SIFT算子以向量表形式保存在存储模块中，作为对比的基准。7.根据权利要求4所述的广域安防系统中视频监控子网性能监测方法，其特征在于，所述步骤5)中，系统以一定时隙对场景进行采样，将采样图像的描述特征与基准图像对比，当一定百分比的特征点的描述子及位置发生变化时，判定摄像头位置发生偏移。
【专利摘要】本发明提供一种广域安防系统中视频监控子网性能监测系统及方法，包括位于视频监控子网和上级监控中心之间的服务质量管理单元，所述服务质量管理单元主要是由通讯模块、存储模块以及运算模块组成，所述通讯模块用于与视频监控子网之间进行视频图像数据以及设备工作状态的传输，所述存储模块用于基准图像的数据保存，所述运算模块用于对视频图像进行运算处理，判断摄像头位置偏移，并与基准图像进行比较得出视频图像的质量评估分数。质量管理模块按应用场景的不同，采用无参模式对视频监控子系统中的采集噪声、压缩噪声、聚焦情况及摄像头位置等参数进行估计，并采用有参模式与基准图像进行比较，综合上述要素产生标量描述系统性能。本发明的结构简单，使用方便，适用于平安城市建设等场合，可对城域安防网络进行分布式管理。
【IPC分类】G06T7/00, H04N7/18
【公开号】CN104902218
【申请号】CN201410078787
【发明人】王慈, 姚晨
【申请人】王慈
【公开日】2015年9月9日
【申请日】2014年3月5日
最新回复(0)