基于深度学习的视频质量诊断算法

时间：2019-10-25 10:22:19 来源：浙江大华技术股份有限公司

[法安导读] 　　本文算法是基于VGG-16卷积神经网络为原型实现的多任务多标签深度学习网络模型,用卷积网络进行多帧图像的特征图提取,然后连接到一起,做

　　本文算法是基于VGG-16卷积神经网络为原型实现的多任务多标签深度学习网络模型,用卷积网络进行多帧图像的特征图提取,然后连接到一起,做异常类型分类和质量打分回归任务。为了扩展训练集和测试环境,引入金字塔池化(SPP),输入的视频图像的尺寸可以不受限制。不同尺寸的图像经过卷积层后将获得不同尺寸的特征图,由于全连接层的参数个数是固定的,无法与全连层连接,通过金字塔池化的方式能够将不同尺寸的特征图转为尺寸相同的特征向量。其网络结构框图如图1所示。

基于深度学习的视频质量诊断算法

　　训练过程中,首先训练出异常类型分类,在此基础上再根据分类结果训练出质量分数。利用训练好的模型预测时可以输入不同尺寸的视频序列,经过模型处理可获得视频的异常类型,如果连续多帧图像有相同的异常,就可以认为系统存在某种故障,对视频各本文在探讨了视频诊断技术的传统算法后,详细介绍了从视频数据集的标注和多任务深度学习网络架构实现的解决方案。将成对比较思想引入视频质量主观评分中,降低了主观评价图像质量的难度, 使制作大规模主观评价数据库成为可能。视频质量诊断算法中引入多任务卷积网络的思想实现异常视频类型分类和质量预测,视频质量诊断系统中的应用程序根据算法提供结果再结合监控设备本身的状况,使视频诊断系统具备更好的兼容性和降低监控系统运维过程中的误报率。由于评价视频质量好坏存在人为的主观性,没有统一的标准,造成在主观评价过程中给出的质量评分会存在人为偏差,虽然在主观评价时通过成对比较方案能大幅提升精度,但依然无法做到完美的精确性,所以,基于该数据集训练出的深度学习模型预测精度仍需要进一步提升。

作者：王佑卿、李振杰

编辑：广汉

声明:

本网站图片，文字之类版权申明，因为网站可以由注册用户自行上传图片或文字，本网站无法鉴别所上传图片或文字的知识版权，如果侵犯，请及时通知我们，本网站将在第一时间及时删除。