【技术实现步骤摘要】
本专利技术涉及深度学习，尤其涉及一种分析图像质量异常的方法、装置及电子设备。
技术介绍
1、开放场景下摄像头部署范围广泛、数量多，一旦图像质量发生问题，则意味着该点位无法进行正常的监控，单纯依赖人工每日反复查看摄像头是否正常的话。一来，人工对大量的摄像头进行排查需要耗费大量的时间；二来，摄像头的图像质量问题往往是无规律且突发性的，人工无法在第一时间发现摄像头问题并及时处理，可能导致摄像头长期处于非正常状态。
2、开放场景是环境复杂、背景多样的场景，图像质量检测是提高摄像头利用率的方式。近年来，随着智能相机和智能系统的快速发展，摄像头画面检查也逐渐由人工巡检演变为智能监测、智能报警，并在检测到异常图像时报警，该方法可同时快速且高效地覆盖多种开发式场景。
3、目前，图像质量检测的主要方法由传统算法计算像素值变化的方法为主：像素计算法，通过人工设定阈值，进而计算整张图像的平均像素值来判断是否过暗过亮。或者分离图片的色度图，分析色度图的直方图分布来判断是否模糊或花屏。遮挡则是通过图片的黑色连通区域的大小进行判断。然而，现有的图像质量检测方法在面对背景多变的环境时无法保持高质量的检测效果。
技术实现思路
1、本专利技术的目的在于提供一种分析图像质量异常的方法、装置及电子设备，以解决现有的图像质量检测方法在面对背景多变的环境时无法保持高质量的检测效果的问题。
2、第一方面，本专利技术提供一种分析图像质量异常的方法，包括：
3、获取开放场景的图片；
4、对所述图片计算过暗数值、过亮数值；
5、将所述图片输入深度学习检测网络，对图片中遮挡区域进行识别；将所述遮挡区域输入特征提取网络进行特征提取；将提取的特征与遮挡数据库进行对比，得到遮挡区域判断结果；
6、将所述图片输入深度学习检测网络，对图片中花屏区域和模糊区域进行识别；将所述花屏区域和模糊区域输入分类网络进行判断，得到花屏区域和模糊区域判断结果；
7、将所述图片输入深度学习检测网络，对图片中过暗区域和过亮区域进行识别；将所述过暗区域和过亮区域输入分类网络进行判断，得到过暗区域和过亮区域判断结果；将所述过暗区域和过亮区域判断结果分别与过暗数值、过亮数值进行加权处理，得到过暗区域和过亮区域最终判断结果；
8、根据所述遮挡区域判断结果、所述花屏区域和模糊区域判断结果以及所述过暗区域和过亮区域最终判断结果，输出当前图片的图像质量判断结果。
9、进一步地，将所述图片输入深度学习检测网络，对图片中遮挡区域进行识别；将所述遮挡区域输入特征提取网络进行特征提取；将提取的特征与遮挡数据库进行对比，得到遮挡区域判断结果，包括：
10、将所述图片输入深度学习检测网络，对图片中的遮挡物进行检测和位置返回；
11、根据所述检测和位置返回的结果，截取遮挡物图像；
12、计算所述遮挡物图像的面积；
13、判断所述遮挡物图像的面积是否大于预设面积阈值；
14、如果所述遮挡物图像的面积大于预设面积阈值，将所述遮挡区域输入特征提取网络进行特征提取；
15、将提取的特征与遮挡数据库进行对比，计算提取的特征与遮挡数据库中特征的相似度；
16、判断所述相似度是否大于预设相似度阈值；
17、如果所述相似度大于预设相似度阈值，输出遮挡区域判断结果为该摄像头正在被遮挡。
18、进一步地，将所述图片输入深度学习检测网络，对图片中花屏区域和模糊区域进行识别；将所述花屏区域和模糊区域输入分类网络进行判断，得到花屏区域和模糊区域判断结果，包括：
19、将所述图片分解为hsv图；
20、根据所述hsv图，对色度分量h求dft频谱图；
21、根据所述dft频谱图得到异常亮点数；
22、判断所述异常亮点数是否大于预设异常亮点数阈值；
23、如果所述异常亮点数大于预设异常亮点数阈值，输出花屏区域判断结果为发生花屏。
24、进一步地，将所述图片输入深度学习检测网络，对图片中花屏区域和模糊区域进行识别；将所述花屏区域和模糊区域输入分类网络进行判断，得到花屏区域和模糊区域判断结果，还包括：
25、将所述图像划分为数个区域；
26、计算每个区域的对比度，公式为：对比度＝(max-min)/max，max为最大像素值，min为最小像素值；
27、计算所有区域对比度的平均值作为模糊率；
28、判断所述模糊率是否大于预设的模糊率阈值；
29、如果所述模糊率大于预设的模糊率阈值，输出模糊区域判断结果为发生模糊。
30、进一步地，将所述图片输入深度学习检测网络，对图片中过暗区域和过亮区域进行识别；将所述过暗区域和过亮区域输入分类网络进行判断，得到过暗区域和过亮区域判断结果；将所述过暗区域和过亮区域判断结果分别与过暗数值、过亮数值进行加权处理，得到过暗区域和过亮区域最终判断结果，包括：
31、利用yolov8深度学习检测网络，分别检测图片中过暗区域和过亮区域；
32、分别对所述图片中过暗区域和过亮区域进行剪裁；
33、利用resnet18分类网络对剪裁的区域进行分类处理，获取该区域的概率；
34、将所述概率、过暗数值以及过亮数进行加权处理，计算得到综合值；
35、判断所述综合值是否大于预设综合值阈值；
36、如果所述综合值大于预设综合值阈值，输出过暗区域和过亮区域最终判断结果。
37、进一步地，所述方法还包括：
38、判断是否连续n帧出现某一个异常图像类别信息，其中n为正整数；
39、如果连续n帧出现某一个异常图像类别信息，判断是否达到间隔报警时间；
40、如果达到间隔报警时间，发出图像质量异常报警。
41、第二方面，本专利技术提供一种分析图像质量异常的装置，包括：
42、获取单元，用于获取开放场景的图片；
43、计算单元，用于对所述图片计算过暗数值、过亮数值；
44、第一判断单元，用于将所述图片输入深度学习检测网络，对图片中遮挡区域进行识别；将所述遮挡区域输入特征提取网络进行特征提取；将提取的特征与遮挡数据库进行对比，得到遮挡区域判断结果；
45、第二判断单元，用于将所述图片输入深度学习检测网络，对图片中花屏区域和模糊区域进行识别；将所述花屏区域和模糊区域输入分类网络进行判断，得到花屏区域和模糊区域判断结果；
46、第三判断单元，用于将所述图片输入深度学习检测网络，对图片中过暗区域和过亮区域进行识别；将所述过暗区域和过亮区域输入分类网络进行判断，得到过暗区域和过亮区域判断结果；将所述过暗区域和过亮区域判断结果分别与过暗数值、过亮数值进行加权处理，得到过暗区域和过亮区域最终判断结果；
47、输出单元，用于本文档来自技高网...
【技术保护点】
1.一种分析图像质量异常的方法，其特征在于，包括：
2.如权利要求1所述的分析图像质量异常的方法，其特征在于，将所述图片输入深度学习检测网络，对图片中遮挡区域进行识别；将所述遮挡区域输入特征提取网络进行特征提取；将提取的特征与遮挡数据库进行对比，得到遮挡区域判断结果，包括：
3.如权利要求2所述的分析图像质量异常的方法，其特征在于，将所述图片输入深度学习检测网络，对图片中花屏区域和模糊区域进行识别；将所述花屏区域和模糊区域输入分类网络进行判断，得到花屏区域和模糊区域判断结果，包括：
4.如权利要求3所述的分析图像质量异常的方法，其特征在于，将所述图片输入深度学习检测网络，对图片中花屏区域和模糊区域进行识别；将所述花屏区域和模糊区域输入分类网络进行判断，得到花屏区域和模糊区域判断结果，还包括：
5.如权利要求4所述的分析图像质量异常的方法，其特征在于，将所述图片输入深度学习检测网络，对图片中过暗区域和过亮区域进行识别；将所述过暗区域和过亮区域输入分类网络进行判断，得到过暗区域和过亮区域判断结果；将所述过暗区域和过亮区域判断结果分别与过
6.如权利要求5所述的分析图像质量异常的方法，其特征在于，所述方法还包括：
7.一种分析图像质量异常的装置，其特征在于，包括：
8.一种电子设备，其特征在于，包括：存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1-6中任一项所述方法的步骤。
...【技术特征摘要】
1.一种分析图像质量异常的方法，其特征在于，包括：
2.如权利要求1所述的分析图像质量异常的方法，其特征在于，将所述图片输入深度学习检测网络，对图片中遮挡区域进行识别；将所述遮挡区域输入特征提取网络进行特征提取；将提取的特征与遮挡数据库进行对比，得到遮挡区域判断结果，包括：
3.如权利要求2所述的分析图像质量异常的方法，其特征在于，将所述图片输入深度学习检测网络，对图片中花屏区域和模糊区域进行识别；将所述花屏区域和模糊区域输入分类网络进行判断，得到花屏区域和模糊区域判断结果，包括：
4.如权利要求3所述的分析图像质量异常的方法，其特征在于，将所述图片输入深度学习检测网络，对图片中花屏区域和模糊区域进行识别；将所述花屏区域和模糊区域输入分类网络进行判断，得到花...
【专利技术属性】
技术研发人员：宇文天，闾凡兵，吴婷，
申请(专利权)人：长沙海信智能系统研究院有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。