[发明专利]一种智能视频监控图像去噪方法及系统

说明书

本发明公开一种智能视频监控图像去噪方法，包括：行视频采集获得视频监控数据集；基于视频监控数据集划分代表性领域，为视频数据集中的每个代表性领域建立一个专家库，基于各自的专家库对数据的可用性进行评估和分类，通过无监督的聚类方法计算最小化MoE损失，基于最小化MoE损失筛选视频数据集中的有效视频监控数据；将有视频监控有效数据进行分类获得第一类数据、第二类数据、第三类数据、第四类数据和第五类数据；针对分类后的数据采用不同的方法进行去噪获得第一去噪数据子集、第二去噪数据子集、第三去噪数据子集和第四去噪数据子集；基于四个去噪数据子集的并集获得去噪后的视频监控图像。还公开了对应的系统、电子设备及计算机可读存储介质。

技术领域

本发明属于目标跟踪以及工控系统安防技术领域，尤其涉及一种智能视频监控图像去噪方法及系统。

背景技术

图像的去噪研究是计算机视觉领域的重要组成部分。近年来，基于深度学习的去噪方法被成功应用于合成噪声，但对真实噪声的泛化性能较差。真实噪声是指由拍照设备在照明条件差、相机抖动、物体运动、空间像素不对准、颜色亮度不匹配等情况下获取的图像中存在的噪声，具有噪声水平未知、噪声类型多样、噪声分布复杂且难以参数化等特点。而合成噪声是指噪声类型符合某种概率分布，且噪声水平可自主设定，如高斯噪声、椒盐噪声、斑点噪声等。相对于传统图像去噪方法，基于深度学习的图像去噪方法具有强大的学习能力，不仅可以拟合复杂噪声分布，还节省了计算时间。早期深度学习图像去噪方法使用强化学习技术，如政策梯度(Policy Gradients)和Q学习(Q-learning)训练递归神经网络。但基于强化学习的方法计算量大，搜索效率低。深度学习去噪方法结合跳跃连接(Skip-connect)、注意力机制(Attention)、多尺度(Multi-scale)特征融合等方式提高网络特征表达能力。但这些方法的网络结构较深，容易在训练过程中出现梯度爆炸或弥散问题。近年来，一些采用迁移学习(Transfer Learning)和模型压缩思想的去噪方法，如AINDNet和MPI_DA_CNN把已经训练好的参数转移到新的轻量模型上，从而加快并优化学习效率，有效避免梯度问题的出现。

目前，基于CNN的图像去噪方法主要包括自监督学习和监督学习。如N2N、N2V、N2S、S2S以及VDN等去噪方法利用像素之间的独立性，以自监督训练方式寻找目标像素与输入像素之间的映射关系，从而实现去噪任务。自监督方式忽视了空间信息之间的依赖关系，提取的特征对噪声的表达能力不足，且网络训练参数的调整方式缺乏灵活性，不能很好地表示含噪图像到清晰图像之间的复杂映射关系。基于监督学习的图像去噪方法，如DnCNN-B、FFDNet和CBDNet利用高斯混合模型对多种不同噪声水平的样本图像进行训练，并在真实噪声图像上验证以上方法的去噪效果。上述方法存在一个共同的问题，即对训练域外的噪声图像适应性差。

发明内容

本发明的目的是提供一种智能视频监控图像去噪方法及系统，针对真实噪声和合成噪声实现智能视频监控图像的有效去噪，以解决现有技术的问题。

本发明一方面提供了一种智能视频监控图像去噪方法，包括：

S1，进行视频采集获得视频监控数据集；

S2，基于所述视频监控数据集划分代表性领域，为视频数据集中的每个代表性领域建立一个专家库，基于各自的专家库对数据的可用性进行评估和分类，并通过无监督的聚类方法计算最小化MoE损失，基于最小化MoE损失筛选视频数据集中的有效视频监控数据；

S3，将所述有视频监控有效数据进行分类，分别获得第一类数据、第二类数据、第三类数据、第四类数据和第五类数据；针对分类后的数据采用不同的方法进行去噪获得第一去噪数据子集、第二去噪数据子集、第三去噪数据子集和第四去噪数据子集；

S4，基于第一去噪数据子集、第二去噪数据子集、第三去噪数据子集和第四去噪数据子集的并集获得去噪后的视频监控图像。