[发明专利]视频去雨方法

说明书

技术领域

本发明涉及计算机视觉技术领域，尤其涉及一种含有光照变化因素的视频雨滴去除方法。

背景技术

雨对视频图像成像有很大的影响，会造成视频图像成像的模糊和信息的覆盖，其直接结果是视频图像的清晰度下降，视频图像的数字化处理也会受此影响而性能下降。对受雨滴污染的视频图像进行修复处理有利于视频图像的进一步处理。而视频图像的目标检测、跟踪、识别或者分割技术在现代军事、交通以及安全监控等多个领域都得到广泛应用。

视频去雨技术从2003年提出到现在已经取得了长足的发展，各种基于不同数学物理模型的方法被学者们先后提出，雨滴去除的效果也逐渐被提高。现有的去雨方法中，基于视频连续帧的算法融入了视频的时间信息，其去除视频雨滴时的效果一般也要优于基于单帧图像的去雨方法，特别是在对背景物体边缘的保留效果上要更加显著。像基于像素亮度偏度(skew)、灰色调、K均值聚类、卡尔曼滤波器、模糊连接度的去雨方法都是比较新颖、有效的。下面以卡尔曼滤波器为例介绍一种基于多帧视频图像进行雨滴去除的方法。

卡尔曼滤波器是一种最优化自回归数据处理算法。对于下式表示离散控制过程系统：

X(k)=AX(k-1)+BU(k)+W(k)         （1）

系统测量值：

Z(k)=HX(k)+V(k)          （2）

其中，X(k)、X(k-1)分别表示时间k和k-1时的系统状态，U(k)表示系统控制参量，W(k)和V(k)分别表示过程和测量的噪声，它们符合高斯分布。A、B为系统参数，H为测量系统参数，对于多因素系统它们都是矩阵。

对于满足上面两个线性随机微分方程的系统，可以用卡尔曼滤波器来进行最优估计。卡尔曼滤波器的核心是下列5个等式：

X(k|k-1)=AX(k-1|k-1)+BU(k)        （3）

P(k|k-1)=AP(k-1|k-1)A'+Q         （4）

X(k|k)=X(k|k-1)+Kg(k)(Z(k)-HX(k|k-1))        （5）

Kg(k)=P(k|k-1)H'/(HP(k|k-1)H'+R)        （6）

P(k|k)=(I-Kg(k)H)P(k|k-1)         （7）

其中，P(k|k)对应X(k|k)的方差，Q是系统过程的方差，Kg(k)称为卡尔曼增益(Kalman Gain)。卡尔曼滤波器简单来说，就是通过系统预测值和测量值来估计实际值。

将Kalman滤波器用于去除雨滴时，设初始值X(0)=100，A=1，H(0)=1，P(0)=1。由于雨滴可以看成方差很大的噪声，因此将V(k)的初始方差设为50，同时将W(k)的初始方差设置为5。方差的大小决定了达到估计值的快慢和对噪声的去除效果好坏，方差小意味着达到预测值更慢，但去除效果更好。

现有技术中，基于视频连续多帧亮度信息的去雨方法都没有考虑到环境光照变化的因素，因此在实际运用中如果存在光照变化，就会很大程度上影响到去雨效果。以卡尔曼滤波器为例，如果某一时刻k光照强度增加，这样根据上述式(5)像素亮度计算得到的“实际值”将会比真正的实际值小很多。

发明内容

针对上述问题，本发明的目的是提供一种含有光照变化因素的视频去雨方法，以增加现有视频去雨方法的鲁棒性。

一种视频去雨方法，其特征在于，包括如下步骤：

S11、计算当前帧的亮度测量值和前一帧的亮度实际值之差，作为第一元素并构建第一矩阵；

S12、计算每一所述第一元素的周围预设区域范围内的其他第一元素之和的均值，作为第二元素并构建第二矩阵；

S13、比较所述第二元素的绝对值和光照变化的阀值，如果所述第二元素的绝对值大于所述光照变化的阀值，则存在光照变化，执行S14，否则执行S16；

S14、计算所述第一元素和所述第二元素之间的元素差，并与预设阀值进行比较，如果所述元素差大于所述预设阀值，则判断所述第一元素对应的像素被雨滴覆盖，并执行S16，否则执行S15；

S15、利用卡尔曼滤波器计算所述当前帧的实际亮度值，并将卡尔曼增益改为Kg=Kg+a*|y|+b，其中a、b为用来将所述第二元素归一化的参数；

S16、利用卡尔曼滤波器计算所述当前帧的实际亮度值；

S17、执行下一帧直到结束。