一种相机抗扰动评估方法、系统、设备及存储介质

技术领域

本公开涉及扰动评估技术领域，具体涉及一种相机抗扰动评估方法、系统、设备及存储介质。

背景技术

图像技术涉及娱乐、工业、军事等各大领域，是科学技术发展和世界进步不可或缺的重要技术。但图像技术存在相机扰动，相机扰动是光线条件、背景杂乱、反射、长时间拍摄引起的性能下降造成的结果，是工程结构变形测量等的主要误差来源之一。

综上所述，现有技术中存在由于拍摄光线条件、环境干扰、长时间拍摄引起的性能下降，导致相机扰动程度较高的技术问题。

发明内容

本公开提供了一种相机抗扰动评估方法、系统、设备及存储介质，用以解决现有技术中存在由于拍摄光线条件、环境干扰、长时间拍摄引起的性能下降，导致相机扰动程度较高的技术问题。

根据本公开的第一方面，提供了一种相机抗扰动评估方法，包括：构建模拟环境，所述模拟环境包括反射条件变量、光线变量；调整反射条件变量、光线变量，同时保持目标相机参数恒定，对所述模拟环境进行多次图像采集，获取样本图像集合；获取定性评估指标，包括细节保留、颜色还原能力、抗干扰能力；根据所述定性评估指标对所述样本图像集合进行主观评估，获取主观评估结果；构建客观评估模型；将所述样本图像集合输入所述客观评估模型进行客观评估，获取客观评估结果；结合所述客观评估结果和所述主观评估结果，获取目标相机的抗扰动评估结果。

根据本公开的第二方面，提供了一种相机抗扰动评估系统，包括：模拟环境获得模块，所述模拟环境获得模块用于构建模拟环境，所述模拟环境包括反射条件变量、光线变量；样本图像集合获得模块，所述样本图像集合获得模块用于调整反射条件变量、光线变量，同时保持目标相机参数恒定，对所述模拟环境进行多次图像采集，获取样本图像集合；定性评估指标获得模块，所述定性评估指标获得模块用于获取定性评估指标，包括细节保留、颜色还原能力、抗干扰能力；主观评估结果获得模块，所述主观评估结果获得模块用于根据所述定性评估指标对所述样本图像集合进行主观评估，获取主观评估结果；客观评估模型获得模块，所述客观评估模型获得模块用于构建客观评估模型；客观评估结果获得模块，所述客观评估结果获得模块用于将所述样本图像集合输入所述客观评估模型进行客观评估，获取客观评估结果；抗扰动评估结果获得模块，所述抗扰动评估结果获得模块用于结合所述客观评估结果和所述主观评估结果，获取目标相机的抗扰动评估结果。

根据本公开的第三方面，一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器实现能够执行第一方面中任一项所述的方法。

根据本公开的第四方面，一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现能够执行第一方面中任一项所述的方法。

本公开中提供的一个或多个技术方案，至少具有如下技术效果或优点：根据本公开采用的通过构建模拟环境，所述模拟环境包括反射条件变量、光线变量；调整反射条件变量、光线变量，同时保持目标相机参数恒定，对所述模拟环境进行多次图像采集，获取样本图像集合；获取定性评估指标，包括细节保留、颜色还原能力、抗干扰能力；根据所述定性评估指标对所述样本图像集合进行主观评估，获取主观评估结果；构建客观评估模型；将所述样本图像集合输入所述客观评估模型进行客观评估，获取客观评估结果；结合所述客观评估结果和所述主观评估结果，获取目标相机的抗扰动评估结果，解决了现有技术中存在由于拍摄光线条件、环境干扰、长时间拍摄引起的性能下降，导致相机扰动程度较高的技术问题，实现降低相机扰动程度的目标，达到提高相机性能的技术效果。

应当理解，本部分所描述的内容并非旨在标示本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其他特征将通过以下的说明书而变得容易理解。

附图说明

为了更清楚地说明本公开或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本公开实施例提供的一种相机抗扰动评估方法的流程示意图；

图2为本公开实施例一种相机抗扰动评估方法中装置关系的逻辑示意图；

图3为本公开实施例提供的一种相机抗扰动评估系统的结构示意图；

图4为本公开实施例提供的一种计算机设备的结构示意图。

附图标记说明：模拟环境获得模块11，样本图像集合获得模块12，定性评估指标获得模块13，主观评估结果获得模块14，客观评估模型获得模块15，客观评估结果获得模块16，抗扰动评估结果获得模块17，计算机设备100，处理器101，存储器102，总线103。

具体实施方式

以下结合附图对本公开的示范性实施例作出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

实施例一

本公开实施例提供的一种相机抗扰动评估方法，兹参照图1及图2作说明，所述方法包括：

本公开实施例提供的方法中包括：

构建模拟环境，所述模拟环境包括反射条件变量、光线变量；

具体地，确定需要模拟的场景类型，并在所选场景类型内引入杂乱背景，获取预设模拟环境。进一步地，预设模拟环境内的反射表面为通过光照反射预设模拟环境内物体的表面。进一步地，对预设模拟环境内的反射表面进行反射效果分析，获得物体的反射时间，进而计算物体位置获得分析结果。根据分析结果调整反射物体的位置、角度，获取反射条件变量。进一步地，在预设模拟环境内布设多个照明设备，通过调整多个照明设备的位置、强度和色温等参数，获取光线变量，用于通过光线变量获得物体位置的多变量结果。

调整反射条件变量、光线变量，同时保持目标相机参数恒定，对所述模拟环境进行多次图像采集，获取样本图像集合；

具体地，调整反射条件变量、光线变量，同时保持目标相机参数恒定，对模拟环境进行多次图像采集，获取样本图像集合。举例而言，目标相机参数包括分辨率、传感器尺寸、像元尺寸、像素深度、动态范围、最大帧率、曝光时间等参数。进一步地，在保持目标相机参数恒定的条件下，调整反射条件变量、光线变量对模拟环境进行多次图像采集。

获取定性评估指标，包括细节保留、颜色还原能力、抗干扰能力；

具体地，定性评估指标为定量无法描述的指标，通过对难以量化的指标的主观分析和判断，解决量化中不能解决的问题。进一步地，获取样本图像集合的定性评估指标，包括细节保留、颜色还原能力、抗干扰能力。

根据所述定性评估指标对所述样本图像集合进行主观评估，获取主观评估结果；

具体地，根据定性评估指标对样本图像集合进行主观评估，获取主观评估结果。进一步地，主观评估结果为细节保留、颜色还原能力、抗干扰能力的主观评估结果，即细节保留、颜色还原能力、抗干扰能力的主观优劣评估结果。

构建客观评估模型；

具体地，基于大数据进行检索获取历史样本图像集合，并对历史样本图像集合内的每个历史样本图像进行评估和标识，获得多个历史样本评估结果。进一步地，对所述历史样本图像集合及其对应的历史样本评估结果进行映射匹配，对映射匹配结果进行数据预处理，将历史样本图像转换为适合网络模型输入的尺寸，获得转换结果，输入网络模型，输出获取调整样本图像集合。进一步地，对调整样本图像集合进行随机划分，获取训练样本集、验证样本集、测试样本集。将训练样本集、验证样本集、测试样本集作为预处理数据集，获取预处理数据集。进一步地，构建客观评估网络。进一步地，根据反射条件变量、光线变量，对预处理数据集内的样本图像进行分组，构建反射变量样本集合、光线变量样本集合。进一步地，基于BP神经网络，构建反射变量评估通道、光线变量评估通道。进一步地，将反射变量评估通道、光线变量评估通道进行并行连接，获取客观评估模型。

将所述样本图像集合输入所述客观评估模型进行客观评估，获取客观评估结果；

具体地，将样本图像集合作为输入数据输入客观评估模型进行客观评估，在反射条件变量、光线变量和目标相机参数恒定的条件下，模拟环境进行多次图像采集的样本图像集合进行客观评估，获取客观评估结果。

结合所述客观评估结果和所述主观评估结果，获取目标相机的抗扰动评估结果。

具体地，结合客观评估结果和主观评估结果，根据本领域技术人员自定义对客观评估结果和主观评估结果分配权数，按照权数分配结果进行加权计算，获取目标相机的抗扰动评估结果。

其中，通过本实施例可以解决现有技术中存在由于拍摄光线条件、环境干扰、长时间拍摄引起的性能下降，导致相机扰动程度较高的技术问题，实现降低相机扰动程度的目标，达到提高相机性能的技术效果。

本公开实施例提供的方法中还包括：

将所述反射条件变量、所述光线变量调整至正常水平，使用目标相机进行长时间连续拍摄，获取抗扰动评估结果随时间变化的抗扰动变化曲线；

对所述抗扰动变化曲线进行趋势分析，根据趋势分析结果对抗扰动评估结果进行修正。

具体地，将反射条件变量、光线变量调整至正常水平，使用目标相机进行长时间连续拍摄，获取抗扰动评估结果随时间变化的抗扰动变化曲线。进一步地，对抗扰动变化曲线进行趋势分析，根据趋势分析结果对抗扰动评估结果进行修正。其中，将所得到的抗扰动变化曲线与之前的评估结果进行对比，根据曲线的趋势和变化，包括转折节点、斜率等，对之前的抗扰动评估结果进行修正。举例而言，如果曲线显示相机在长时间使用后性能下降较大，降低评估结果的抗扰动能力评分。如果曲线显示相机在长时间使用后性能保持稳定，维持原有评估结果。

其中，对抗扰动变化曲线进行趋势分析，根据趋势分析结果对抗扰动评估结果进行修正，可以提高相机抗扰动评估效率。

本公开实施例提供的方法中还包括：

确定需要模拟的场景类型，包括室内和室外场景，并在所选场景类型内引入杂乱背景，获取预设模拟环境；

对所述预设模拟环境内的反射表面进行反射效果分析，根据分析结果调整反射物体的位置、角度，获取反射条件变量；

在所述预设模拟环境内布设多个照明设备，通过调整所述多个照明设备的位置、强度和色温等参数，获取光线变量。

具体地，确定需要模拟的场景类型，场景类型包括室内和室外场景，并在所选场景类型内引入杂乱背景，获取预设模拟环境。其中，模拟真实世界中的复杂环境，包括摆放家具、添加装饰物、设置障碍物或增加视觉噪点等，确保杂乱因素不会过于明显，以免影响评估结果。

进一步地，预设模拟环境内的反射表面为通过光照反射预设模拟环境内物体的表面。举例而言，反射表面为反光板等。进一步地，对预设模拟环境内的反射表面进行反射效果分析，获得物体的反射时间，进而计算物体位置获得分析结果。根据分析结果调整反射物体的位置、角度，获取反射条件变量。

进一步地，在预设模拟环境内布设多个照明设备，通过调整多个照明设备的位置、强度和色温等参数，获取光线变量，用于通过光线变量获得物体位置的多变量结果。

其中，构建模拟环境，可以提高获得结果的准确程度。

本公开实施例提供的方法中还包括：

获取历史样本图像集合，并对历史样本图像集合内的每个历史样本图像进行评估和标识，获得多个历史样本评估结果；

对所述历史样本图像集合及其对应的历史样本评估结果进行映射匹配，对映射匹配结果进行数据预处理，获取预处理数据集；

构建客观评估网络；

使用所述客观评估网络训练所述预处理数据集，获取客观评估模型。

具体地，基于大数据进行检索获取历史样本图像集合，并对历史样本图像集合内的每个历史样本图像进行评估和标识，获得多个历史样本评估结果。

进一步地，对所述历史样本图像集合及其对应的历史样本评估结果进行映射匹配，对映射匹配结果进行数据预处理，将历史样本图像转换为适合网络模型输入的尺寸，获得转换结果，将转换结果作为输入数据，输入网络模型，输出获取调整样本图像集合。进一步地，对调整样本图像集合进行随机划分，获取训练样本集、验证样本集、测试样本集。其中，获取训练样本集、验证样本集、测试样本集内的各数据量大小为随机获得。将训练样本集、验证样本集、测试样本集作为预处理数据集，获取预处理数据集。

进一步地，构建客观评估网络，用于获得客观评估结果结合主观评估结果，提高相机抗扰动评估的可靠程度。

进一步地，根据反射条件变量、光线变量，对预处理数据集内的样本图像进行分组，构建反射变量样本集合、光线变量样本集合。进一步地，基于BP神经网络，构建反射变量评估通道、光线变量评估通道。

进一步地，进一步地，基于BP神经网络，构建反射变量评估通道，反射变量评估通道为机器学习中可以不断进行迭代优化的神经网络模型，将反射变量样本集合作为训练数据集，通过训练数据集进行监督训练获得。按照预设数据划分规则将样本数据集划分为样本训练集和样本验证集，预设数据划分比例本领域技术人员可基于实际情况自定义设置，例如：85％、15％。通过样本训练集对反射变量评估通道进行监督训练，当模型输出结果趋于收敛状态时，通过样本验证集对反射变量评估通道的输出结果准确率进行验证，获取预设验证准确率指标，预设验证准确率指标本领域技术人员可基于实际情况自定义设置，例如：95％。当反射变量评估通道输出结果准确率大于等于预设验证准确率指标时，获得反射变量评估通道。

进一步地，按照获得反射变量评估通道的方法，获得光线变量评估通道。进一步地，将反射变量评估通道、光线变量评估通道进行并行连接，获取客观评估模型。

其中，构建客观评估模型，可以提高相机抗扰动评估的效率。

本公开实施例提供的方法中还包括：

将历史样本图像转换为适合网络模型输入的尺寸，获取调整样本图像集合；

对所述调整样本图像集合进行随机划分，获取训练样本集、验证样本集、测试样本集；

将所述训练样本集、所述验证样本集、所述测试样本集作为所述预处理数据集。

具体地，将历史样本图像转换为适合网络模型输入的尺寸，获得转换结果，将转换结果作为输入数据，输入网络模型，输出获取调整样本图像集合。进一步地，对调整样本图像集合进行随机划分，获取训练样本集、验证样本集、测试样本集。其中，获取训练样本集、验证样本集、测试样本集内的各数据量大小为随机获得。进一步地，将训练样本集、验证样本集、测试样本集作为预处理数据集，用于进行数据预处理。

其中，获取预处理数据集，可以提高相机抗扰动评估效率。

本公开实施例提供的方法中还包括：

根据反射条件变量、光线变量，对所述预处理数据集内的样本图像进行分组，构建反射变量样本集合、光线变量样本集合；

基于BP神经网络，构建反射变量评估通道、光线变量评估通道；

采用反射变量样本集合对反射变量评估通道进行训练至收敛，获得反射变量评估通道；

采用光线变量样本集合对光线变量评估通道进行训练至收敛，获取光线变量评估通道；

将所述反射变量评估通道、光线变量评估通道进行并行连接，获取客观评估模型。

具体地，根据反射条件变量、光线变量，对预处理数据集内的样本图像进行分组，构建反射变量样本集合、光线变量样本集合。进一步地，基于BP神经网络，构建反射变量评估通道、光线变量评估通道。

进一步地，进一步地，基于BP神经网络，构建反射变量评估通道，反射变量评估通道为机器学习中可以不断进行迭代优化的神经网络模型，将反射变量样本集合作为训练数据集，通过训练数据集进行监督训练获得。按照预设数据划分规则将样本数据集划分为样本训练集和样本验证集，预设数据划分比例本领域技术人员可基于实际情况自定义设置，例如：85％、15％。通过样本训练集对反射变量评估通道进行监督训练，当模型输出结果趋于收敛状态时，通过样本验证集对反射变量评估通道的输出结果准确率进行验证，获取预设验证准确率指标，预设验证准确率指标本领域技术人员可基于实际情况自定义设置，例如：95％。当反射变量评估通道输出结果准确率大于等于预设验证准确率指标时，获得反射变量评估通道。

进一步地，基于BP神经网络，构建光线变量评估通道，光线变量评估通道为机器学习中可以不断进行迭代优化的神经网络模型，将光线变量样本集合作为训练数据集，通过训练数据集进行监督训练获得。按照预设数据划分规则将样本数据集划分为样本训练集和样本验证集，预设数据划分比例本领域技术人员可基于实际情况自定义设置，例如：85％、15％。通过样本训练集对光线变量评估通道进行监督训练，当模型输出结果趋于收敛状态时，通过样本验证集对光线变量评估通道的输出结果准确率进行验证，获取预设验证准确率指标，预设验证准确率指标本领域技术人员可基于实际情况自定义设置，例如：95％。当光线变量评估通道输出结果准确率大于等于预设验证准确率指标时，获得光线变量评估通道。

进一步地，将反射变量评估通道、光线变量评估通道进行并行连接，获取客观评估模型。

其中，使用所述客观评估网络训练所述预处理数据集，获取客观评估模型，可以提高相机抗扰动评估效率。

实施例二

基于与前述实施例中一种相机抗扰动评估方法同样的发明构思，兹参照图3作说明，本公开还提供了一种相机抗扰动评估系统，所述系统包括：

模拟环境获得模块11，所述模拟环境获得模块11用于构建模拟环境，所述模拟环境包括反射条件变量、光线变量；

样本图像集合获得模块12，所述样本图像集合获得模块12用于调整反射条件变量、光线变量，同时保持目标相机参数恒定，对所述模拟环境进行多次图像采集，获取样本图像集合；

定性评估指标获得模块13，所述定性评估指标获得模块13用于获取定性评估指标，包括细节保留、颜色还原能力、抗干扰能力；

主观评估结果获得模块14，所述主观评估结果获得模块14用于根据所述定性评估指标对所述样本图像集合进行主观评估，获取主观评估结果；

客观评估模型获得模块15，所述客观评估模型获得模块15用于构建客观评估模型；

客观评估结果获得模块16，所述客观评估结果获得模块16用于将所述样本图像集合输入所述客观评估模型进行客观评估，获取客观评估结果；

抗扰动评估结果获得模块17，所述抗扰动评估结果获得模块17用于结合所述客观评估结果和所述主观评估结果，获取目标相机的抗扰动评估结果。

进一步地，所述系统还包括：

抗扰动变化曲线获得模块，所述抗扰动变化曲线获得模块用于将所述反射条件变量、所述光线变量调整至正常水平，使用目标相机进行长时间连续拍摄，获取抗扰动评估结果随时间变化的抗扰动变化曲线；

趋势分析结果获得模块，所述趋势分析结果获得模块用于对所述抗扰动变化曲线进行趋势分析，根据趋势分析结果对抗扰动评估结果进行修正。

进一步地，所述系统还包括：

预设模拟环境获得模块，所述预设模拟环境获得模块用于确定需要模拟的场景类型，包括室内和室外场景，并在所选场景类型内引入杂乱背景，获取预设模拟环境；

反射条件变量获得模块，所述反射条件变量获得模块用于对所述预设模拟环境内的反射表面进行反射效果分析，根据分析结果调整反射物体的位置、角度，获取反射条件变量；

光线变量获得模块，所述光线变量获得模块用于在所述预设模拟环境内布设多个照明设备，通过调整所述多个照明设备的位置、强度和色温等参数，获取光线变量。

进一步地，所述系统还包括：

历史样本评估结果获得模块，所述历史样本评估结果获得模块用于获取历史样本图像集合，并对历史样本图像集合内的每个历史样本图像进行评估和标识，获得多个历史样本评估结果；

预处理数据集获得模块，所述预处理数据集获得模块用于对所述历史样本图像集合及其对应的历史样本评估结果进行映射匹配，对映射匹配结果进行数据预处理，获取预处理数据集；

客观评估网络获得模块，所述客观评估网络获得模块用于构建客观评估网络；

客观评估模型获得模块，所述客观评估模型获得模块用于使用所述客观评估网络训练所述预处理数据集，获取客观评估模型。

进一步地，所述系统还包括：

调整样本图像集合获得模块，所述调整样本图像集合获得模块用于将历史样本图像转换为适合网络模型输入的尺寸，获取调整样本图像集合；

训练样本集获得模块，所述训练样本集获得模块用于对所述调整样本图像集合进行随机划分，获取训练样本集、验证样本集、测试样本集；

预处理数据集获得模块，所述预处理数据集获得模块用于将所述训练样本集、所述验证样本集、所述测试样本集作为所述预处理数据集。

进一步地，所述系统还包括：

光线变量样本集合获得模块，所述光线变量样本集合获得模块用于根据反射条件变量、光线变量，对所述预处理数据集内的样本图像进行分组，构建反射变量样本集合、光线变量样本集合；

光线变量评估通道获得模块，所述光线变量评估通道获得模块用于基于BP神经网络，构建反射变量评估通道、光线变量评估通道；

反射变量评估通道获得模块，所述反射变量评估通道获得模块用于采用反射变量样本集合对反射变量评估通道进行训练至收敛，获得反射变量评估通道；

光线变量评估通道获得模块，所述光线变量评估通道获得模块用于采用光线变量样本集合对光线变量评估通道进行训练至收敛，获取光线变量评估通道；

客观评估模型获得模块，所述客观评估模型获得模块用于将所述反射变量评估通道、光线变量评估通道进行并行连接，获取客观评估模型。

前述实施例一中的一种相机抗扰动评估方法具体实例同样适用于本实施例的一种相机抗扰动评估系统，通过前述对一种相机抗扰动评估方法的详细描述，本领域技术人员可以清楚地知道本实施例中一种相机抗扰动评估系统，所以为了说明书的简洁，在此不再详述。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述得比较简单，相关之处参见方法部分说明即可。

实施例三

图4是根据本公开第三实施例的示意图，如图4所示，本公开中的计算机设备100可以包括：处理器101和存储器102。

存储器102，用于存储程序；存储器102，可以包括易失性存储器(英文：volatilememory)，例如随机存取存储器(英文：random-access memory，缩写：RAM)，如静态随机存取存储器(英文：static random-access memory，缩写：SRAM)，双倍数据率同步动态随机存取存储器(英文：Double Data Rate Synchronous Dynamic Random Access Memory，缩写：DDR SDRAM)等；存储器也可以包括非易失性存储器(英文：non-volatile memory)，例如快闪存储器(英文：flash memory)。存储器102用于存储计算机程序(如实现上述方法的应用程序、功能模块等)、计算机指令等，上述的计算机程序、计算机指令等可以分区存储在一个或多个存储器102中。并且上述的计算机程序、计算机指令、数据等可以被处理器101调用。

上述的计算机程序、计算机指令等可以分区存储在一个或多个存储器102中。并且上述的计算机程序、计算机指令等可以被处理器101调用。

处理器101，用于执行存储器102存储的计算机程序，以实现上述实施例涉及的方法中的各个步骤。

具体可以参见前面方法实施例中的相关描述。

处理器101和存储器102可以是独立结构，也可以是集成在一起的集成结构。当处理器101和存储器102是独立结构时，存储器102、处理器101可以通过总线103耦合连接。

本实施例的计算机设备可以执行上述方法中的技术方案，其具体实现过程和技术原理相同，此处不再赘述。

根据本公开的实施例，本公开还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序在执行时实现上述任一实施例提供的步骤。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合和替代。任何在本公开的精神和原则之内所做的修改、等同替换和改进等，均应包含在本公开保护范围之内。