传统图像识别算法与图像质量评估

DMS 在商用车和客车上逐渐得到普及，相信在DMS开发的过程中，工程师都会遇到算法和图像质量的问题。

最近我在这方面也有一些自己的陋见，主要集中在如何评估算法和图像质量上。

 

讨论这个问题，有两个阶段，第一个是，最开始嵌入式设备端，设备还无法采集如ir图像，此时的算法训练素材采集。

第二个阶段，是设备端可以采集图像，此时算法也在持续优化中。

 

本文主要讲第二个阶段，算法和设备图像相爱相杀的阶段。

 

这个问题，有点类似与鸡生蛋和蛋生鸡的问题。其中最重要的问题就是，在驾驶员状态识别不太理想的情况下，

如何界定，是图像的问题还是算法的问题？

是因为图像不符合算法识别的要求，还是，图像已经在算法识别的合理范围内，但是，算法本身存在优化空间。

 

我想，整个过程，都存在着这种界定的艰难判断。

 

要判断这个问题，必须做一些假设。

假设1. 图像效果可以调试到最佳效果附近，且这个最佳效果同时满足人眼看起来是清晰，比较好的；机器识别起来，

准确率也是比较好的；即，存在一个最佳效果的范围，可以让人眼和机器识别同时满足。而不是人眼和机器识别的图像

要求朝相反方向发展，即人眼看起来清晰，算法识别不好，人眼看起来模糊时，算法识别比较好，这种情况，我们定位

为算法问题，可能与训练的原始素材有关。

假设2. 图像效果和算法优化，不同时变动，即要控制变量来做评测。可以调试出一组人眼看起来比较好的参数，并且相关

图像指标，考虑到算法识别的特殊性，做适当倾斜，比如加锐等；此时需要锁定图像质量，让算法来适配图像质量。

我们相信，针对设备采集的图像做标定和训练，得到相应的模型，对提高准确率也是至关重要的。

 

接下来讨论图像调试和算法的问题界定，在图像调试到一个版本后，需要对图像效果锁定，针对性优化算法。

此时，在测试算法时，可以用设备录制一组动作，这组视频作为在该图像效果下的视频测试原材料，对每一次

优化后的算法，作为输入，来测试。理想状态下，在对算法进行优化后，读取录制的视频，进行算法识别，识别

结果与期望的结果，可以进行一个比较计算。

这种情况，用来针对，图像质量锁定的情况下，进行算法优化的测试评估。目标是控制变量，及尽可能自动化，这就需要

每次测试时，测试的每一帧图像要完全一致，已排除环境或其他因素干扰，于是，必然需要录制一组视频。只有录制一组

视频，做控制输入变量的测试，才是客观和可量化的，可以避免主观因素干扰，并且避免每次做一组动作的人工成本。

“尘归尘，土归土”，能交给机器去做的，尽量机器做。能自动化的尽量自动化。客观性也是重要的。

 

第二种情况，算法优化比较好的情况下，或者，算法有瓶颈，或者其他，需要调试图像质量，来适配算法。其实一直

不清楚，为什么需要调试图像质量来适配算法。

算法是不变量，输入的视频是变量，在这种情况下，需要在一个尽可能一致的环境，针对不同的图像效果，各自录制一组

相同的动作，供算法来识别。理论上，也应该能有一个识别出来的情况的比较。

 

关于这中间，其实有很多问题，不是很了解。

1. DMS 传统机器学习实现的算法，对红外图像，有什么样的要求？

这个应该与算法识别原理有关系，比如要求锐利。。。

2.算法训练的样本采集，采集的样本数量要满足什么要求？ 是否完全用嵌入式设备端采集的标定图片?

是否有网上标定好的库的图片？

3. 什么情况下，需要重新训练？ 比如，sensor 不同，图像效果有细微差异，此时是否需要重新训练？

如何准确判定，是算法问题，还是图像问题？

4. 算法要求的图像特征，如何进行量化？

在找到一组满意的参数时，如何对采集的图像做定量分析，比如 具备什么样的信噪比， 锐利程度是否能有量化

比较？ 以及亮度的量化比较？ 曝光行数的量化比较？

比如，有很多的设备，可能sensor 不一定相同，都能采集到比较好的图像时，这些图像有什么共性。

通过这种分析，是否可以得出一些图片共性？以方便知道图像调试方向。

5. 图像调试，什么时候是个头，何时锁定图像质量，推动算法优化？

 

很多问题，需要大家共同讨论和思考。。。

愿真理越辩越明，没有思考的重复是无意义的，没有变化的重复，是廉价的，只有创新才创造价值。。