结合视觉显著性的深度神经网络盲监控图像质量评价
多媒体
2022-06-10 v1 计算机视觉与模式识别
摘要
智能视频监控系统（IVSS）可自动分析监控图像（SI）内容并减轻人力负担。然而，SI 在采集、压缩与传输过程中可能出现质量退化，使 IVSS 难以理解 SI 内容。本文首先通过一个示例实验（即人脸检测任务）说明 SI 质量对 IVSS 性能有关键影响，随后提出一种基于显著性的深度神经网络用于 SI 的盲质量评价，帮助 IVSS 过滤低质量 SI 并提升检测与识别性能。具体而言，我们先计算 SI 的显著性图以选取最显著局部区域，因为显著区域通常包含丰富的机器视觉语义信息，从而对 SI 整体质量有较大影响。接着，采用卷积神经网络（CNN）提取整图与局部区域的质量感知特征，并分别通过全连接（FC）网络映射为全局与局部质量分数。最后，整体质量分数由全局与局部质量分数的加权和算出。在 SI 质量数据库（SIQD）上的实验结果表明，所提方法优于所有对比的 SOTA 盲图像质量评价（BIQA）方法。
引用
@article{arxiv.2206.04318,
title = {Blind Surveillance Image Quality Assessment via Deep Neural Network Combined with the Visual Saliency},
author = {Wei Lu and Wei Sun and Wenhan Zhu and Xiongkuo Min and Zicheng Zhang and Tao Wang and Guangtao Zhai},
journal= {arXiv preprint arXiv:2206.04318},
year = {2022}
}