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