Page 130 - 《武汉大学学报（信息科学版）》2025年第10期

第 50 卷第 10 期 卢朝晖等：交通目标特定区域的图像质量评估 2065

［1］
应用 、监控场景 ［2-3］ 等。在道路监控场景中，图 抗模型，对特定区域进行重建生成一幅高质量的
像质量的好坏能直接影响有关部门在执法任务 伪参考图像，通过特征融合和评估器进行图像质
中对图像证据的取舍。在交通视频监控场景下， 量评估。
智能监控系统往往仅抓拍到某一个目标的单张
图像，而无法事先储存该目标的任何参考图像， 1 方法原理
这就要求实现无真实参考图像质量评估方法。
本文研究的目标特定区域为指定车辆中驾
无真实参考图像质量评估是在没有任何参
驶员所在位置的前挡风玻璃区域。
考图像信息的情况下预测图像质量 ［4-6］ ，因其更具
1.1 整体框架
实用价值，吸引了大量的科学研究工作。文献［7-8］
本文方法的整体框架包含两个模块，如图 1
基于自然图像统计特征提出了无参考图像空间
所示。
质量评估器（blind image spatial quality evaluator，
BRISQUE）和 无 参 考 图 像 质 量 评 估 器（natural‑
ness image quality evaluator， NIQE），然而交通监
控图像和自然图像两者的统计特征存在着较大
的差异性；文献［9］提出了深双线性卷积神经网
络（deep bilinear convolutional neural network， 图 1 交通目标特定区域的图像质量评估整体框架
DBCNN），然而其针对的特定失真场景和监控场 Fig. 1 Overall Framework of Image Quality Assessment
景不同；文献［10］提出了基于 Transformer 的多尺 for Specific Areas of Traffic Targets
度 图 像 质 量 变 换 器（multi-scale image quality
1.2 特定区域识别模块
transformer，MUSIQ）模型，文献［11］提出了将图
特定区域识别模块是对指定目标中关键区
像 分 块 的 PAQ2PIQ（from patches to pictures）方
域进行识别，包括交通目标检测、指定目标的匹
法，文献［12］提出了学习图像失真因素之间内在
配/识别及其关键区域的检测等初始任务，目标
关系的图像质量评估（learns distortion graph rep‑
关键区域定义会因具体的应用而不同。现有的
resentations for blind image quality assessment，
目标检测技术是检测所指定类别的所有目标，类
GraphIQA），文献［13］提出使用非局部交互方法
别一般也是常用的类别，因此，无法将现有目标
以实现具有长依赖性的图像质量评估的非局部
检测算法直接移植过来。同时，目标关键区域的
建 模（non-local modeling for image quality assess‑
识别也缺少相应的数据集或模型，特别是针对前
ment， NLNet-IQA），然而这些模型结构复杂，同
挡风玻璃区域的检测，直接采用深度学习模型设
时需要大规模的数据集和资源用于训练，不适用
计前挡风玻璃区域算法比较困难，需要一定规模
于实际监控场景的应用。此外，在交通监控场景
的数据集。因此，在特定区域识别模块中，本文
下，图像分辨率大，干扰信息多，许多具体应用更
使用分而治之的策略，如图 2 所示，针对前挡风玻
关注感兴趣目标的某一区域的图像质量，而非整
璃区域的检测，首先使用现有目标检测模型设计
张图像的图像质量。
检测车辆算法，然后使用传统算法定位前挡风玻
基于上述讨论，本文针对中国交通环境提出
璃区域与车牌。
了感兴趣交通目标中特定区域的图像质量评估
具 体 而 言 ，图 2（a）描 述 了 车 辆 目 标 检 测 过
方法，该方法能够降低对自然图像统计特征的依
程，为了能够实现算法的快速布置，本文采用现
赖，参数量相对较小；并提出了生成式伪参考图
有通用的目标检测模型来设计车辆检测算法，用
方法，利用了基于参考图的图像质量评估方法的
于提取车辆目标；图 2（b）展示了特定区域检测过
优势。所提出的方法包含两个阶段，以交通目标
程，本文通过传统算法提取轮廓和长宽比等形状
特定区域为驾驶员所在位置的车辆前挡风玻璃
区域为例：第一阶段为目标特定区域识别模块， 特征，用于筛选符合车牌及挡风玻璃区域，利用
使用目标检测的方法识别图像中车辆，并对指定 车牌识别算法进行车牌号码识别，筛选对应车牌
车牌的前挡风玻璃区域进行检测与定位；第二阶 号的挡风玻璃区域。如果车牌识别得到的结果
段对特定区域进行基于伪参考图的图像质量评 与指定车牌号匹配，则判定当前车牌所对应的挡
估，提出了一种基于质量评估协同学习的生成对 风玻璃区域为所需的特定区域。