Automatic Detection of Deficient Video Log Images Using a Histogram Equity Index and an Adaptive Gaussian Mixture Model
Notice bibliographique
Résumé
Abstract: Video log images are often used by transportation agencies to manually or automatically extract roadway infrastructure information, including roadway geometry, signs, etc. Poor-quality images, especially those having illumination-related deficiencies caused by color corruption with a plain-like grayscale histogram, sun glare, or darkness problems, are unacceptable and need to be identified. Manually reviewing the tens of millions of video log images for quality control is labor intensive and time-consuming, so there is a need to develop automatic video log image quality control procedures. The contribution of this article is that it formulates a new problem of roadway video log image quality control and then proposes a reasonable solution to address this problem in the hope that it will motivate the development of new algorithms by other researchers. For the first time, an algorithm using a Histogram Equity Index (HEI) and an adaptive Gaussian Mixture Model is proposed to address the video log image quality issue by automatically detecting illumination-related deficiencies. The Alberta Department of Transportation provided 15,489 video log images to test the proposed algorithm. Test results show that the developed algorithm can detect illumination-related video log image deficiencies with a false positive rate of 4%, 3%, and 12%; a false negative rate of 15%, 17%, and 19% for plain-like color corruption, dark, and sun glare conditions, respectively; computation time is 0.1 second/image. The proposed algorithm could potentially be used to improve video log image data quality control.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».