一种适用于视频监控系统的无参考视频质量评价方法技术方案

本发明专利技术公开了一种适用于视频监控系统的无参考视频质量评价方法，根据视频监控系统的特定结构，对监控视频的失真类型进行分类，失真类型分为空域失真和时域失真；建立图像失真模型；通过支持向量机预测出监控视频的失真类型，并利用图像失真模型对监控视频中的每帧图像进行评分；为监控视频中的每一帧图像分配不同的权重系数，然后结合每帧图像的质量评分。本发明专利技术能够准确地评价视频监控系统的视频质量；训练后的图像失真模型直接应用于视频监控系统，后期计算监控视频质量评分的过程较为简单，可以实现实时的视频质量评价。该方法不局限于特定的监控场景，并且对不同失真类型的监控视频均有较好的评价性能，通用性好；可以实现实时的质量评价。

【技术实现步骤摘要】

本专利技术涉及视频监控
，特别是涉及一种适用于视频监控系统的视频质量评价模型。
技术介绍
随着信息技术的发展，视频监控现在已经被应用到了各个领域，用于保证社会治安、方便生产生活。视频监控系统一般由前端、传输部分、控制部分以及显示记录部分四个主要部分组成。前端主要包括摄像机以及与之配套的设备，用于完成视频图像的采集工作；传输部分包括电缆或光缆，以及有线或无线信号调制解调器等，用于传输前端所采集的视频信号；控制部分主要包括视频切换器、监视器等设备，用于完成摄像机监控位置的变动和监控视频的处理；显示记录部分主要包括录像机、画面分割器等设备，用于完成对视频信号的处理、显示以及存储。而视频质量成为衡量视频监控系统可用性的关键性指标。视频质量评价对优化监控视频的获取、压缩、传输以及存储有着极其重要的作用。由于视频监控系统的接收端无法获取原始视频，因此唯一可用于评价视频监控系统中的视频质量的方法是无参考视频质量评价算法。由于无参考质量评价算法完全不依赖原始信息，具有广泛的实际应用意义，因此众多学者和机构就此展开了研究。ZhouWang等人提出了《基于特征学习的方法》：将图像的平均误差和活跃性等特征与主观质量进行非线性拟合得到模型参数，实现了无参考图像质量评价；AnushKrishnaMoorthy等人基于“图像失真会影响图像小波域自然统计特性”这一理论，提出了《一种基于两级框架的无参考图像质量评价模型》。相对于无参考图像质量评价算法，无参考视频质量评价算法的研究还比较少，还需要进一步的发展和完善。AnishMittal等人通过“对图像的空域归一化系数提取统计特征训练失真图像模型”，提出了《基于空域统计特征的无参考图像质量评价算法(Blind/ReferencelessImageSpatialQualityEvaluator，BRISQUE)》，该算法是目前最好的无参考图像质量评价算法之一。本专利技术借鉴BRISQUE评价无参考图像质量的方法，并依据人眼的掩蔽性特征，提出了一种新的权重分配方式，适用于视频监控系统的无参考视频质量评价模型(NoReferenceVideoQualityAssessmentModelforVideoMonitoringSystem,NRVQAM)。
技术实现思路
基于上述现有技术，本专利技术提出了一种适用于视频监控系统的无参考视频质量评价模型，通过计算得到的监控视频的质量评分能够准确地评价视频监控系统的视频质量，旨在提高监控视频的客观质量评价与人眼主观质量评价的一致。本专利技术提出了一种适用于视频监控系统的无参考视频质量评价方法，该方法包括以下步骤：步骤一、根据视频监控系统的特定结构，对监控视频的失真类型进行分类，失真类型分为空域失真和时域失真，其中：空域失真包括块效应、高斯模糊、快衰落和白噪声；时域失真包括跳帧、重影、抖动和拖尾效应；步骤二、建立图像失真模型，具体包括以下计算：对于一幅图像进行分离归一化处理，公式如下：I^(i,j)=I(i,j)-μ(i,j)σ(i,j)+C---(1)]]>μ(i,j)＝ΣΣwk,lIk,l(2)σ(i,j)=ΣΣwk,l(Ik,l(i,j)-μ(i,j))2---(3)]]>其中，I(i,j)为亮度分量，μ(i,j)为均值，σ(i,j)为标准差，i∈1,2,...,M，j∈1,2,...,N表示图像空域坐标，M、N分别是图像的高度和宽度，C是常数，w＝{wk,l|k＝-3,...,3；l＝-3,...,3本文档来自技高网...

【技术保护点】
一种适用于视频监控系统的无参考视频质量评价方法，该方法包括以下步骤：步骤一、根据视频监控系统的特定结构，对监控视频的失真类型进行分类，失真类型分为空域失真和时域失真，其中：空域失真包括块效应、高斯模糊、快衰落和白噪声；时域失真包括跳帧、重影、抖动和拖尾效应；步骤二、建立图像失真模型，具体包括以下计算：对于一幅图像进行分离归一化处理，公式如下：I^(i,j)=I(i,j)-μ(i,j)σ(i,j)+C---(1)]]>μ(i,j)＝ΣΣwk,lIk,l   (2)σ(i,j)=ΣΣwk,l(Ik,l(i,j)-μ(i,j))2---(3)]]>其中，I(i,j)为亮度分量，μ(i,j)为均值，σ(i,j)为标准差，i∈1,2,...,M，j∈1,2,...,N表示图像空域坐标，M、N分别是图像的高度和宽度，C是常数，w＝{wk,l|k＝‑3,...,3；l＝‑3,...,3}为圆形对称的高斯权重函数，为均值减损对比归一化(Mean Subtracted Contrast Normalized，MSCN)系数；对广义高斯分布函数进行变换，得到：f(x;a,σ2)=a2βΓ(1/a)exp(-(|x|β)a)---(4)]]>其中，x表示像素值，a表示形状参数，σ为标准差，Γ(.)是gamma函数，对于高斯分布特征，利用公式(4)对图像的MSCN系数进行拟合，并将得到的(a,σ2)作为视频图像的高斯分布特征；f(x；a,σ2)表示变换后的广义高斯分布函数；利用MSCN系数，对视频图像分别从水平方向H、垂直方向V、主对角线方向D1、次对角线方向D2进行拟合，并将得到的每个方向的参数(η,v,σl,σr)作为相邻系数相关性特征，公式如下：H(i,j)=I^(i,j)I^(i,j+1)V(i,j)=I^(i,j)I^(i+1,j)D1(i,j)=I^(i,j)I^(i+1,j+1)D2(i,j)=I^(i,j)I^(i+1,j-1)---(5)]]>并且利用公式(1)～(5)提取图像的特征，通过SVR训练出图像失真模型；步骤三、通过支持向量机预测出监控视频的失真类型，并利用图像失真模型对监控视频中的每帧图像进行评分，记为Se，其中e∈1,2,...,K，K为监控视频的帧数；步骤四、为监控视频中的每一帧图像分配不同的权重系数，然后结合每帧图像的质量评分，评价模型为：NRVQAM=Σe=1KSe·We---(6)]]>其中，e∈1,2,...,K，K为监控视频的帧数，Se为每帧图像的质量评分，We为每帧图像分配的权重，且根据公式(6)即可得到监控视频的质量评分。...

【技术特征摘要】
1.一种适用于视频监控系统的无参考视频质量评价方法，该方法包括以下步骤：
步骤一、根据视频监控系统的特定结构，对监控视频的失真类型进行分类，失真类
型分为空域失真和时域失真，其中：空域失真包括块效应、高斯模糊、快衰落和白噪声；
时域失真包括跳帧、重影、抖动和拖尾效应；
步骤二、建立图像失真模型，具体包括以下计算：
对于一幅图像进行分离归一化处理，公式如下：
I^(i,j)=I(i,j)-μ(i,j)&sig...

【专利技术属性】
技术研发人员：张淑芳，韩泽欣，王馥瑶，张聪，
申请(专利权)人：天津大学，
类型：发明
国别省市：天津;12