(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210913904.8 (22)申请日 2022.08.01 (71)申请人 甘肃省公路 建设管理集团有限公司 地址 730030 甘肃省兰州市城关区酒泉路 213号 (72)发明人 郭凤斌　 (74)专利代理 机构 保定运维知识产权代理事务 所(普通合伙) 1313 3 专利代理师 李通 (51)Int.Cl. G06T 17/00(2006.01) G06N 20/00(2019.01) H04N 5/232(2006.01) H04N 7/18(2006.01) (54)发明名称 云联网视频AI图像增强方法、 系统、 设备、 介 质及终端 (57)摘要 本发明属于图像处理技术领域， 公开了云联 网视频AI图像增强方法、 系统、 设备、 介质及终 端。 所述云联网视频AI图像增强方法包括： 对获 取的道路、 车辆、 地质构成的道路材质数据库进 行图像分析， 梳理图像属性， 并归类整理， 配合图 像增强算法， 通过材质替换、 画面修补、 对比增 强、 智能调配获得清晰画面。 本发明增强了标清 及以下图像的清晰度， 使之达到符合要求的高清 视频要求。 本发明通过材质的算法更换， 使得原 有不清晰的图像变为高清的图像。 由于公路视频 相比较公安监控图像内容相对单一， 故画面提升 效果较为明显， 从而提高了后期智能分析、 事件 检测功能的准确性， 应用效果明显。 本发明降低 了监控设备的建设费用。 本发明具备较好的兼容 性。 权利要求书3页 说明书9页 附图2页 CN 115272580 A 2022.11.01 CN 115272580 A 1.一种云联网视频AI图像增强系统， 其特征在于， 所述云联网视频AI图像增强系统包 括： 视频源数据处理模块(1)， 用于通过私有协议对各条道路上传的视频数据进行视频图 像的解析与分析， 输出符合要求的视频 数据； 道路材质数据库(2)， 用于将从道路摄像机抽取出来材质、 整理的材质、 机器学习后智 能制作的材质， 构成包 含道路、 车辆、 地质信息的道路材质数据库(2)； 智能AI增强算法模块(3)， 用于对所述道路材质数据库(2)中的道路、 车辆、 地质的图像 进行图像分析， 梳理图像属性， 并归类整理， 配合图像增强算法， 通过材质替换、 画面修补、 对比增强、 智能调配进行道路、 车辆、 地质图像的增强； 画面输出模块(4)， 用于 输出道路、 车辆、 地质图像增强后视频图像。 2.一种根据权利要求1所述云联网视频AI图像增强系统的云联网视频AI图像增强方 法， 其特征在于， 所述云联网视频AI图像增强方法包括： 利用建立好的道路材质数据库(2)， 通过AI视频识别的方式， 智能化的将原有标清的图 像升级为高清图像， 在不更 换原有摄 像机的情况 下， 得到道路高清的图像。 3.根据权利要求2所述的云联网视频AI图像增强方法， 其特征在于， 在得到道路高清的 图像中， 对获取的道路材质数据库(2)进行图像 分析， 梳理图像属性， 并归类整理， 配合图像 增强算法， 通过 材质替换、 画面 修补、 对比增强、 智能调配获得清晰画面； 所述图像分析包括： 拟合一个多维材质模型数据体包括首先根据导入的材质图像数据的数量、 材质数据类 型利用OpendTect软件建立 一个材质图像的三维坐标系； 其次将处 理过的材质图像数据导入到OpendTect软件； 然后确认材质采集时测线的布置间距和材质数据的道间距， 在OpendTect软件的 Manipulate模块中输入与间距相关的参数， 确定相应的计算 函数； 最后， 通过计算命令 完成材质图像数据的插值， 构建出一个材质三维空间信息图； 所述图像属性分析包括相干属性、 瞬时属性、 速度属性和范围属性的分析。 4.根据权利要求3所述的云联网视频AI图像增强方法， 其特征在于， 根据已构建的三维 空间信息图， 确定属性分析的剖面图和属性分析类型， 并利用图像分析分析功能中的 Attribute模块选择相应的属性类型； 首先在水平切面图上运用相干属性， 相干属性量化材 质波形在轴向和垂向的相似性， 获取材质的三 维空间信息， 得到初判的疑似异常点； 其次在 纵向剖面图上运用瞬时属 性， 瞬时属 性突出水平连续性的微弱变化， 然后在横向剖面图上 运用速度属性， 速度属性得到一个包 含丰富信息的频谱。 5.根据权利要求3所述的云联网视频AI图像增强方法， 其特征在于， 所述归类整理包 括： (1)将不同监测的视线方向STEC投影成VTEC； 假设基于高清摄像机本地图像处理单元 监测的全时段图像表示为STECGNSS， 高清摄像机本地图像处理单元的静态图像表示为 STECLEO‑BTM， 动态图像表示为STECLEO‑UP； 那么投影到交通路段方向后， 分别表示为VTECGNSS、 VTECLEO‑BTM和VTECLEO‑UP； 为避免投影误差较大， 尽可能选取与路面相交的高度角；权　利　要　求　书 1/3 页 2 CN 115272580 A 2式中， α、 β分别表示STECGNSS和STECLEO‑BTM对应穿刺点处的交通路段距， γ表示 高清摄像机的交通路段距； 其中， R为投影平均半径； H为投影的高度； z1， z2分别表示STECGNSS、 STECLEO‑BTM对应的高清摄 像机处的交通路段距； (2)通过引入IRI模型分别计算交通路段动态和静态图像TEC值， 其计算值分别为 VTECIRI‑BTM和VTECIRI‑UP； 基于IRI模型表 征的材质TEC上下部比值关系， 计算得到初步归类的 全时段图像监测值， 如下式所示： 式中， VTECLEO‑BTM‑ALL为材质总数量， VTECLEO‑UP‑ALL为材质属性， ξLEO‑BTM为归类后材质总数 量未被模型化的系统性偏差， ξLEO‑UP为归类后材质属性未被模型化的系统性偏差； 此时， VTECLEO‑BTM‑ALL和VTECLEO‑UP‑ALL均为与VTE CGNSS一样完整的材质TE C值。 6.根据权利要求5所述的云联网视频AI图像增强方法， 其特征在于， 图像增强算法采用 Retinex方法， 包括以下步骤： 引入半参数Retinex模型， 将ξLEO‑BTM为归类后材质总数量未被模型化的系统性偏差， ξLEO‑UP为归类后材质属性未被模型化的系统性偏差视为非参数参量， 从偶然误差中分离出 来， 监测方程表示 为下式： L＝BX+S+Δ； 式中， L为监测向量； Δ为误差向量； B为列满秩设计矩阵； P为对称正定方阵， 是监测值L 的权； S＝(s1,s2,…,sn)T为描述不同类材质监测值之间未模型化系统偏差， 即 半参数分量； 为得到参数分量和非参数分量的唯一解， 在平差准则中引入Retinex矩阵和平滑因子， 即： 式中， R为一个适当的整 理矩阵， 成为Retinex矩阵； α 为一个给定的纯量因子， 在极小化 过程中在V与 之间起平衡作用， 称之平 滑因子。 7.根据权利要求6所述的云联网视频AI图像增强方法， 其特征在于， 得未知参数X的估 值为： 通过选取合适的平滑因子α和Retinex矩阵R， 就得到非参数分量的估计值 和参数分量 的估计值 这样， 当Retinex矩阵R整理时， 就把非参数分量S和参数分量X以及偶然 误差从权　利　要　求　书 2/3 页 3 CN 115272580 A 3