视频监控图像异常检测及质量评价
论文名称：《视频监控图像异常检测及质量评价》
指导教师：罗显科
论文作者：柴毅
毕业院校：重庆大学
文章内容概要
- 对视频监控图像异常情况进行检测和质量评价的意义和国内外研究现状进行了阐述
- 针对视频监控系统中易发的信号故障给出了相应的检测算法，重点研究了视频图像色偏检测算法
- 利用数字图像的色偏与其色度分布特性的相互关系，提出了一种基于图像平均色度和色度均方差的色偏检测算法
- 通过分析摄像头干扰发生前后监控图像 SIFT 特征的变化，提出了一种基于 SIFT 的图像特征函数
- 基于 SVM 的视频质量评价。通过提取视频图像的 MSE、PSNR 和SSIM 特征作为评价指标，利用机器学习的方法，通过训练获取图像质量评价模型
视频监控信号故障检测
- 图像色偏检测,常用的检测算法有直方图统计法、灰平衡法、白平衡法、神经网络法等
- 灰平衡法又叫灰度世界法（geryworld algorithm），即首先假设图像在 R、G、B 三个通道的亮度均值相等，然后统计出三个通道的平均亮度
- 白平衡法也叫白色区域法（white-patch algorithm），此算法主要针对存在镜面反射的图像,通过分别比较在标准光源照射下白色区域的 R、G、B 值与图像中对应颜色通道中的最大值来实现判断
- 神经网络法就是通过构建网络模型，对典型环境下的色偏知识进行学习完成对模型的训练，然后利用训练好的模型去判断是否存在色偏
摄像头干扰检测研究
- SIFT 算法的具体实现可分为构建尺度空间金字塔、对极值点进行检测、特征点过滤与定位、确定特征点的方向和生成特征点描述子
- SIFT 描述子的具体构造过程
- 以特征点为中心，确定一个大小为 R×R（例如 8×8）的特征提取区域
- 将极值点邻域内图像梯度的位置和方向进行旋转，把特征提取区域的 y 轴旋转至与特征点方向一致
- 采用高斯函数进行加权，用二维高斯函数2分别与特征提取区域中每个像素的梯度幅值进行相乘
- 将特征区域规则划分为若干个子区域，然后分别计算各个子区域上 8 个方向的梯度方向直方图，最后绘制各个梯度方向的累加值
- 统计各个种子点的梯度方向直方图
- SIFT 算法的计算时间主要消耗在极值点检测和特征向量描述这两个步骤，而实际计算时并不需要所有的极值点都参与运算
基于SVM的视频质量评价
- 传统的图像质量客观评价模型都是直接以待测图像和原始图像在数值上的差异程度来衡量待测图像的质量
- 均方误差是指原始图像和待测图像各像素差值的均方值,均方误差法便是通过均方值的大小来判断待测图像的失真程度
- 衡量图像质量的另一个重要指标是峰值信噪比,它是对图像像素灰度值的统计和平均计算，是最大信号量与噪声强度的比值
- 结合人眼视觉特性（HVS）的误差统计所得到的图像质量评价结果更加可靠
实验结果图
-
实验结果图
