视频监控中的视频质量是采用视频图像分析的方法来测量系统中可能存在的故障。从现在普遍出现的摄像头故障类型来看，影响视频监控系统视频质量的因素有很多，主要概括来说有以下几点：
摄像机的设置不当或器件老化失效，包含摄像机的分辨率、摄像机对光照的灵敏度、镜头聚焦调整、色彩校正等;
大型监控网络中视频信号通过长距离电缆传输、多级矩阵切换以及多级网络转发，电源、控制器等多种干扰信号可能对视频信号产生强烈的干扰，线路老化、接头松动等现场环境的变化可能带来视频噪声;
大量使用PTZ球机，长期的运动变焦有可能让部分球机发生方向错误、不可控等故障。
针对以上提到的种种视频故障，可将故障类型分成视频信号缺失、视频清晰度异常、视频亮度异常、视频噪声、视频雪花、视频偏色、画面冻结、PTZ运动失控8种。这其中，视频信号缺失、画面冻结两种故障可通过人工设计基于视频图像比对的方法得出结论;PTZ运动失控则是由故障检测系统发出运动指令，然后通过对视频图像的运动分析来检测是否有故障;而对于其他的5种故障，很难通过人工设定规则的方法来检测，这就需要通过机器学习的方法，让机器来模拟人的视觉反应，检测视频是否存在故障。
针对这5种不同类型视频故障，设计5个不同的基于机器学习的检测器，每个检测器负责分析一段视频是否存在某一种故障，以及这种故障的严重性。
而在实际运行的视频监控系统中提取大量的视频片断，包括正常视频以及存在各种故障的视频，形成训练样本，并模拟人类视觉特性，针对不同故障类型提取了大量视频图像特征参数，用以训练得到诊断不同故障的检测器。在分析阶段，获取需要分析的一段固定长度的视频，根据用户设定的该路视频的检测项目，使用不同的故障检测器，提取相应的视频图像特征，然后输入到已训练好的故障检测模型中，即可获取对该段视频的故障评价结果。
基于优秀的底层算法，视频质量诊断系统具备以下技术特点：
高准确度：采用大量的实际视频监控系统的视频作为训练样本，各种故障检测器均来源于实际系统，并经过大量实际系统的测试，因此检测准确率高;
良好的摄像机角度适应性：故障检测器的训练样本来自多种不同场景，涵盖了治安视频监控系统中众多常见的摄像头监视角度，因此对各种摄像头角度、焦距以及不同的摄像内容都有良好的适应性;
独特的抵抗球机运动的能力：在每一中类型的故障检测器的设计和训练过程中，都考虑到了摄像头云台运动以及镜头推近拉远有可能带来的视频图像特征的变化，在检测过程中都首先进行摄像头运动分析，一旦发现摄像头处于PTZ运动过程中，则首先不再检测PTZ运动是否异常，以防止检测时发送运动指令影响当前的球机运动;其次，仅使用对摄像头运动不敏感的特征来进行其他类型的故障分析，避免因运动原因造成误报或漏报;
出色的环境适应能力：算法模块对于场景内由于车流、人流、季节、气候产生的光线、阴影变化不敏感，因此，可以适用于多种不同的室外环境;
强化学习能力：现有的视频质量诊断系统与人类的故障识别能力仍有明显的差距，因此应用场景的差异对于视频质量诊断系统的性能是有影响的。像人类的视觉系统一样，视频质量诊断分析模块也具备后天强化学习的能力，只要加入当地的新样本重新训练检测器，算法的性能将进一步提高。
====================================分割线================================
本文转自d1net（转载）
