文献综述
1. 本课题研究的意义和价值：
视频监控是安防系统的重要组成部分，它具有直观、准确、及时等优势，被广泛应用在生产管理、商场监控、智能交通等各种场景中。视频质量是视频监控系统的重要技术指标，影响监控视频质量的因素有很多，例如摄像机镜头状况、传输线路状况以及人为干扰等。因此，对监控视频进行异常检测与质量诊断是视频监控中的一个重要环节。目前，视频监控核心是对视频图像的分析和处理，其关键技术包括目标检测、目标分类及目标跟踪等。为检测视频质量诊断中较易出现的画面模糊的情况，本文需要研究并设计了准确、有效的异常检测算法，对传统的模糊度检测算法进行改进来提高视频质量诊断中画面模糊度检测的准确性，并提高在特殊环境下的检测能力。
2.本课题的现状及发展趋势：
本课题针对视频诊断中较易出现的画面模糊的情况，研究并设计准确、有效地异常检测方法，为实现提高监控系统的维护效率打下基础。当视频画面出现清晰度异常时，帧图像内容的边缘信息越稀少，即画面物体之间的轮廓不清晰，严重影响视频监控画面的质量。清晰度异常检测的主要方法是梯度的统计特征，通常梯度值越高，画面的边缘信息越丰富，图像越清晰。需要注意的是梯度信息与每一个图像本身的特点有关系，如果图像中本身纹理就很少，即使不失焦，梯度统计信息也会很少。视频清晰度是衡量视频质量最主要、直接的因素，也是人类感知图像质量最主要的特征。监控视频由于聚焦不当、镜头损坏等原因引起视野主体部分图像模糊，出现视频内容中高频区域内空间细节丢失和边缘清晰度减弱等情况，这就是视频清晰度异常的表现。本文的清晰度评价方法是对视频图像在空域进行运算，计算得到图像的梯度信息，最终采用平均梯度强度作为图像清晰度的评价准则。本课题基于OpenCV、VC/Matlab进行仿真验证，实现视频质量诊断中的异常检测算法。将读取到的视频图像帧数据进行灰度化处理，采用结合了高斯平滑和微分求导的Sobel算子来计算图像灰度函数的近似梯度，并滤除较小的梯度值，对处理后的梯度图像计算均值和方差并利用均值和方差计算出清晰度指标与预设的模糊度阈值比较，小于预设值，判定图像模糊。在未来，随着视频数量的快速增加，当前深度学习技术的不断发展以及大数据平台的不断完善。未来视频质量诊断可以通过深度学习技术对数据进行端到端的学习，这样进一步减少了人工参与的特征提取，提高视频质量诊断技术的发展，使其应用更加广泛。在系统和应用方面，随着云计算和大数据的蓬勃发展，未来的视频质量诊断必将逐步部署到云端，并且与其他相关系统进行深度整合，打通各系统直接数据的互联互通。
3.本课题设计方案：
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
