[发明专利]一种基于改进欧拉放大的分段平稳视频放大方法

说明书

本发明公开了一种基于改进欧拉放大的分段平稳视频放大方法，包括：步骤S1、采集包含微小运动的第一输入视频，将所述第一输入视频按照运动类型分为多个类别；步骤S2、对所述第一输入视频进行预处理；步骤S3、针对不同类别的第一输入视频，构建放大因子与时间的关系模型，得到改进后的EVM模型；步骤S4、将第一输入视频按照所述类别分别对应输入改进后的EVM模型中进行放大，并且输出第一输出视频。本发明一方面可以对各种各样包含微小运动的视频进行放大，具有较好的适用性，鲁棒性强；另一方面放大后视频包含的噪声更少，改善了放大后视频的显像效果。

技术领域

本发明涉及计算机视觉图像处理领域，特别是涉及一种基于改进欧拉放大的分段平稳视频放大方法。

背景技术

人类的视觉感知范围有限，将低于人类视觉灵敏度的运动信息放大到肉眼可见的效果，可以挖掘出微弱变化中重要的细节信息。而微小运动放大技术就是一种将人眼无法感知的微弱变化放大到可以观察的幅度，达到视觉增强效果的技术。根据对运动信息处理方式的不同，微小运动放大技术可以分为基于运动特征跟踪的拉格朗日显式运动放大方法和基于像素点分析的欧拉隐式视频放大方法(EVM)。欧拉法亦为当前重点研究的视频放大方法。欧拉放大方法作为微小运动放大技术中的一种重要方法，近年来一直备受人们的关注。它对于智慧医疗、智能建筑、智能驾驶的未来具有非常重要的意义。智慧医疗方面，此技术对人体血液循环、人体脉搏跳动以及其他的情况以更直观的方式通过视频来观察，还可以用于远程医疗探视病人，辅助诊断病人生理变化；智能建筑和智能驾驶方面，能够实时感知室内或车内成员的皮肤纹理等变化，从而实时提供反馈信号给控制系统，以减少能源消耗或抵御风险。此技术对工业生产等其他方面也具有深远的前景和重大的意义。

关于影像微变放大的研究最早可以追溯到2005年，Liu等人提出了一种针对影像的运动放大技术，该方法首先对目标的特征点进行聚类，然后跟踪这些点随时间的运动轨迹，最后将这些点的运动幅度变大。该方法的实现基于拉格朗日视角，存在着几点不足。它不仅会消耗大量的计算资源，而且缺乏对整体图像的考虑，这会影响放大效果。为了克服这些缺点，Wu等人在2012年提出了一种称为欧拉影像放大技术(EVM)的方法，该方法不会显式的跟踪粒子的运动轨迹，而是以固定视角观察整幅图像。首先对视频进行预处理，将视频序列进行金字塔多分辨率分解，接着对每个尺度的图像进行时域带通滤波，得到感兴趣的频带。经过预处理后，对每个频带的信号用泰勒级数来差分逼近，线性放大逼近的结果，最后合成经过放大后的图像，得到输出视频。当然，欧拉视频放大技术也有一些缺陷，它放大的对象比较单一，只能处理包含小动作的视频，此外放大运动的同时也会放大噪声。2013年，Rubinstein等人对EVM算法进行了重大修改，提出了基于相位的欧拉视频放大技术，这是一种相移放大运动，它导致噪声被移动而不会被放大，但是它在空频域进行相位分解的算法要复杂得多。2017年，张艺超等人提出了一种针对大型运动视频的视频加速算法，该算法可以专注于大型运动的微小变化，但同时也增加了算法的时间复杂度。2018年，RonnachaiJaroensri等人提出了一种基于学习的视频运动放大技术，该技术利用深度卷积神经网络直接从例子中学习滤波器，可达到较大的放大倍数，从而实现基于频率的运动选择。

然而，大多现有的技术采用欧拉视频放大方法只适用于特定类型的视频，在实际的应用场景中，存在着放大因子不可过大或者需要消耗大量计算资源的缺点。

发明内容

有鉴于此，本发明的目的在于提供一种基于改进欧拉放大的分段平稳视频放大方法，以提高对更多视频类型的适用性和抗噪性；本发明要解决的技术问题是：现有技术中，采用欧拉视频放大方法只适用于特定类型的视频，在实际的应用场景中，存在着放大因子不可过大或者需要消耗大量计算资源的缺点。

为了实现上述目的，本发明的技术解决方案为：一种基于改进欧拉放大的分段平稳视频放大方法，包括如下步骤：

步骤S1、采集包含微小运动的第一输入视频，将所述第一输入视频按照运动类型分为多个类别。

步骤S2、对所述第一输入视频进行预处理。