一种复杂场景下低质量摄像机画面识别方法及系统技术方案

本发明专利技术提出了一种复杂场景下低质量摄像机画面识别方法及系统，属于图像数据处理分析的技术领域。其中方法包括：步骤1、构建训练数据集和画面识别模型；步骤2、利用所述训练数据集对所述画面识别模型进行性能训练；步骤3、完成性能训练的画面识别模型接受待分析的图像数据；步骤4、利用所述画面识别模型对待分析的图像数据进行超分处理；步骤5、对超分后的图像数据进行检测识别；步骤6、输出步骤5的检测识别结果。本发明专利技术针对实际应用中存在的低质量画面识别需求，通过对采集到的图像数据进行重建，提高画面质量，进而提高最终的画面识别准确率。确率。确率。

【技术实现步骤摘要】
一种复杂场景下低质量摄像机画面识别方法及系统


[0001]本专利技术涉及图像数据处理分析的
，特别涉及一种复杂场景下低质量摄像机画面识别方法及系统。

技术介绍

[0002]图像信息作为信息传播的一种重要数据，在大众生活中占据不可获取地位，例如，依靠图像信息完成目标追踪、情绪传达以及障碍检测等等。根据不同的信息传播需求，图像数据作为基础的信息要素，成为高效完成任务需求的关键。
[0003]现有技术中，获取图像信息的途径来自很多种不同的信息采集设备，因此，在不同的采集环境中，由于不同的信息采集设备的硬件性能，常常会导致获取到的图像数据存在不清晰、画质受损、背景复杂等多种干扰项的存在，使得采集到的画面质量不足，进而导致针对采集的画面进行识别的有效性不高。

技术实现思路

[0004]专利技术目的：提出一种复杂场景下低质量摄像机画面识别方法及系统，以解决现有技术存在的上述问题。
[0005]技术方案：第一方面，提出了一种复杂场景下低质量摄像机画面识别方法，该方法包括以下步骤：
[0006]步骤1、构建训练数据集和画面识别模型；其中，构建训练数据集的过程中，进一步包括以下步骤：
[0007]步骤1.1、采集不同场景下的图像数据，构建初始数据集；
[0008]步骤1.2、构建退化模型，从真实和合成两个层面对初始数据集中的图像数据执行退化操作；
[0009]步骤1.3、获得退化后的低质量图像数据；
[0010]步骤1.4、基于获得的低质量图像数据构建训练数据集，并输出。
[0011]步骤2、利用所述训练数据集对所述画面识别模型进行性能训练；
[0012]步骤3、完成性能训练的画面识别模型接受待分析的图像数据；
[0013]步骤4、利用所述画面识别模型对待分析的图像数据进行超分处理；
[0014]步骤5、对超分后的图像数据进行检测识别；
[0015]步骤6、输出步骤5的检测识别结果。
[0016]在第一方面的一些可实现方式中，通过不用层面执行训练数据集构建的过程中，在在合成层面，利用退化模型执行退化操作的过程中，通过将摄像机画面成像过程中的退化先验知识随机混洗，获得低质量图像数据。其中随机混洗的先验知识包括：运动模糊、噪声和下采样数据。
[0017]执行运动模糊的过程中，对应的表达式为：
[0018][0019]式中，A
M
表示模糊后的图像；Y表示原图像；K表示模糊核矩阵；表示卷积操作；N表示加性噪声。另外，丰富数据集的过程中，将模糊核进行均匀的角度旋转，通过模糊核的大小选择以及角度的旋转两种方式，扩展模糊的退化空间。
[0020]执行下采样数据的过程中，采用双线性插值和双三次插值操作，通过先保留预设范围的高频部分后，再采用先用比例因子执行下采样，最后采用比例因子执行上采样的下采样，对应的表达式为：
[0021][0022]式中，表示比例因子为S/a的下采样；表示比例因子为a的上采样。
[0023]通过不用层面执行训练数据集构建的过程中，在真实层面，利用退化模型执行退化操作的过程中，通过改变摄像机的焦距，以及改变像素传感器尺寸两种退化方式获得低分辨图像数据，并通过数据采集、配准得到两种退化方案的高低分辨率图像对，同时将高低分辨率图像对作为训练数据集的组成元素之一。
[0024]在第一方面的一些可实现方式中，在实际应用场景执行图像数据超分的过程中，现有的技术方案虽然在重建方面获得巨大提升，但是随着网络的加深，非线性能力增强的同时，也会导致传播的过程中出现浅层特征信息的丢失；另外，多尺度感受野特征信息的利用不充分，以及同等对待图像的特征通道，导致不能完美的贴合实际的任务需求。
[0025]因此，本专利技术从不同层次执行信息的交互和提取，通过采用多尺度卷积的方式逐步增加卷积核的宽度，使得网络可以接收到不同尺度的感受野信息。具体的，采用的画面识别模型包括图像超分模块和图像识别模块，采用图像超分模块对待分析的图像数据进行超分处理，采用图像识别模块对超分后的图像数据进行检测识别；执行超分处理的过程中，利用的图像超分模块按序包括：浅层特征提取模块、深层特征提取模块和上采样模块。
[0026]其中浅层特征提取模块用于提取低分辨率图像数据中的底层特征信息；深层特征提取模块通过采用不同尺寸的卷积核提取不同感受野层次的图像特征，获得深层语义信息；上采样模块用于将提取到的特征图像信息重建为高分辨率的图像。
[0027]第二方面，提出一种复杂场景下低质量摄像机画面识别系统，用于实现复杂场景下低质量摄像机画面识别方法，该系统包括：模型构建模块、性能优化模块、数据接收模块、数据分析模块、数据输出模块。
[0028]在第二方面的一些可实现方式中，模型构建模块用于根据数据分析需求构建画面识别模型。性能优化模块包括：数据集构建模块和优化执行模块，其中数据集构建模块用于构建性能优化的训练数据集，优化执行模块用于执行画面识别模型的性能优化。数据接收模块用于接收待分析的图像数据。数据分析模块包括：图像超分模块和图像识别模块，其中图像超分模块用于对待分析的图像数据执行超分操作；图像识别模块用于对超分后的图像数据执行检测识别。数据输出模块用于输出图像识别模块的检测识别结果。
[0029]执行复杂场景下低质量摄像机画面识别方法的过程中，首先根据实际的任务分析需求利用模型构建模块构建画面识别模型；其次，为了提高画面识别模型的性能，采用性能优化模块执行画面识别模型的性能优化；再次，在完成性能优化后，利用数据接收模块接收待分析的图像数据，并传输至数据分析模块中执行需求分析；从次，数据分析模块从超分和检测识别两个层面进行数据分析；最后，利用数据输出模块将数据分析模块的分析结果输
出。
[0030]第三方面，提供了一种复杂场景下低质量摄像机画面识别设备，该设备包括：处理器，以及存储有计算机程序指令的存储器；所述处理器读取并执行计算机程序指令时实现第一方面或第一方面的一些可实现方式中的低质量摄像机画面识别方法。
[0031]第四方面，，提供了一种计算机存储介质，计算机存储介质上存储有计算机程序指令，计算机程序指令被处理器执行时实现第一方面或第一方面的一些可实现方式中的低质量摄像机画面识别方法。
[0032]有益效果：本专利技术提出了一种复杂场景下低质量摄像机画面识别方法及系统，针对实际应用中存在的低质量画面识别需求，通过对采集到的图像数据进行重建，提高画面质量，进而提高最终的画面识别准确率。
附图说明
[0033]图1为本专利技术的数据处理流程图。
具体实施方式
[0034]在下文的描述中，给出了大量具体的细节以便提供对本专利技术更为彻底的理解。然而，对于本领域技术人员而言显而易见的是，本专利技术可以无需一个或多个这些细节而得以实施。在其他的例子中，为了避免与本专利技术发生混淆，对于本领域公知的一些技术特征未进行描述。
[0035]实施例一
[003本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种复杂场景下低质量摄像机画面识别方法，其特征在于，包括以下步骤：步骤1、构建训练数据集和画面识别模型；步骤2、利用所述训练数据集对所述画面识别模型进行性能训练；步骤3、完成性能训练的画面识别模型接受待分析的图像数据；步骤4、利用所述画面识别模型对待分析的图像数据进行超分处理；步骤5、对超分后的图像数据进行检测识别；步骤6、输出步骤5的检测识别结果。2.根据权利要求1所述的一种复杂场景下低质量摄像机画面识别方法，其特征在于，构建所述训练数据集的过程包括以下步骤：步骤1.1、采集不同场景下的图像数据，构建初始数据集；步骤1.2、构建退化模型，从真实和合成两个层面对初始数据集中的图像数据执行退化操作；步骤1.3、获得退化后的低质量图像数据；步骤1.4、基于获得的低质量图像数据构建训练数据集，并输出。3.根据权利要求2所述的一种复杂场景下低质量摄像机画面识别方法，其特征在于，在合成层面，利用退化模型执行退化操作的过程中，通过将摄像机画面成像过程中的退化先验知识随机混洗，获得低质量图像数据；其中随机混洗的先验知识包括：运动模糊、噪声和下采样数据。4.根据权利要求3所述的一种复杂场景下低质量摄像机画面识别方法，其特征在于，执行运动模糊的过程中，对应的表达式为：式中，A
M
表示模糊后的图像；Y表示原图像；K表示模糊核矩阵；表示卷积操作；N表示加性噪声；丰富数据集的过程中，将模糊核进行均匀的角度旋转，通过模糊核的大小选择以及角度的旋转两种方式，扩展模糊的退化空间。5.根据权利要求3所述的一种复杂场景下低质量摄像机画面识别方法，其特征在于，执行下采样数据的过程中，采用双线性插值和双三次插值操作，通过先保留预设范围的高频部分后，再采用先用比例因子执行下采样，最后采用比例因子执行上采样的下采样，对应的表达式为：式中，表示比例因子为S/a...

【专利技术属性】
技术研发人员：余劲，蔡越，
申请(专利权)人：南京智蓝芯联信息科技有限公司，
类型：发明
国别省市：