CN103020915B - 一种基于视频数据的物像增强方法 - Google Patents

Abstract

本发明公开了基于视频数据的物像增强方法，该方法包括步骤：步骤1，将视频数据d的第k帧画面d_k中出现的物像作为物像模板T，其中该视频数据包含L帧，1≤k≤L；步骤2，在视频数据的每一帧画面中寻找模板T的匹配位置，其中第i帧的匹配位置为(x_i，y_i)，T在d_k中的位置记为(x_k，y_k)，其中1≤i≤L；步骤3，获得第i帧的偏移量为s_i＝(x_i-x_k，y_i-y_k)，将视频数据的各帧按照其偏移量进行偏移；步骤4，判断偏移后的结果是否符合要求，如果符合，则结束流程。利用本发明的方法，能够从视频资料中提取目标人物或物体的影像信息。

Description

一种基于视频数据的物像增强方法

技术领域

本发明涉及视频数据处理技术领域，特别涉及一种基于视频数据的物像增强方法。

背景技术

如今，通过各种拍摄工具获取的视频数据越来越普遍，例如，除通过高性能、专业设备主动录制得到的视频节目之外，银行、商店、居民小区等场所的安全监控摄像存档数据，通过智能手机等便携设备进行“街拍”等活动得到的影像资料，也都不断被制造出来。并且，随着社会经济的发展和大众生活方式“数字化”和“媒体化”，视频数据量的增长速度也有越来越高的趋势。

尽管视频中包含了海量的数据，但由于拍摄设备以及条件的限制，通常感兴趣的目标在视频中的图像并不总是清晰、可分辨的。

因此，需要提供一种方法，能够从视频资料中提取目标人物或物体的影像信息。目前默认的方法是，用户使用裸眼从视频中挑选出较为清晰的一帧，然后将其保存成静态的图像，再借助其他软件，如Photoshop等进行后续的增强工作。由于没有可用的软件，现在还无法使用整段视频数据的全部信息复原用户感兴趣的图像。

发明内容

为了克服现有技术的上述缺陷，本发明提供了一种基于视频数据的物像增强方法。

本发明的基于视频数据的物像增强方法包括步骤：步骤1，将视频数据d的第k帧画面d_k中出现的物像作为物像模板T，其中该视频数据包含L帧，1≤k≤L；步骤2，在视频数据的每一帧画面中确定模板T的匹配位置，其中第i帧的匹配位置为(x_i，y_i)，T在d_k中的位置记为(x_k，y_k)，其中1≤i≤L；步骤3，获得L帧中每一帧的偏移量，其中第i帧的偏移量为s_i＝(x_i-x_k，y_i-y_k)，将视频数据的各帧按照其偏移量进行偏移；步骤4，判断偏移后的视频数据的质量指标是否能够达到预先设定的阈值，如果达到，则结束流程。

可选地，步骤2进一步包括：

步骤2.0，令i＝1；

步骤2.1，使用àtrous算法对T进行完全小波变换，得到第1至J阶尺度的小波系数w₁至w_J；

步骤2.2，使用àtrous算法对d_i进行1至J阶小波变换，得到第1至J阶尺度的小波系数v₁至v_J；

步骤2.3，令j＝1，执行：

步骤2.3.1，计算v_j与w_j的交叉相关系数矩阵c_j，记该矩阵的最大值为cmax_j；

步骤2.3.2，j＝j+1，然后重复步骤2.3.1；直到j＝J，继续下一步；

步骤2.4，从得到的J个cmax_j中寻找最大值cmax以及最大值对应的小波尺度j_m；

步骤2.5，确定c_jm中该最大值cmax出现的位置(x_i，y_i)，T在d_k中的位置记为(x_k，y_k)；

在步骤2.6，记第i帧的偏移量为s_i＝(x_i-x_k，y_i-y_k)；

步骤2.7，令i＝i+1，重复步骤2.1；直到i＝L。

可选地，步骤3进一步包括：

经偏移后的视频数据为 $d_s(x,y)=\frac{1}{L}{\mathrm{\Σ}}_{i=1}^L{d}_i(x-x_i+x_k,y-y_i+y_k),$ 其中，d_i是原视频的第i帧数据，d_s是通过平移增强后的视频数据。可选地，如果步骤4中判断ds的质量指标不能够达到预先设定的阈值，并且是因为偏移造成的模糊，则将视频数据中不同于第k帧画面的另外一帧画面中的物像作为物像模板T，返回步骤2重新执行各步骤。

可选地，如果步骤4中得到的d_s的质量指标能够达到预先设定的阈值，则将平移校正过的图像d_s中的物像作为物像模板T，执行下一步，并执行以下步骤：

步骤5，令A＝180度，令i＝1，执行：

步骤5.1，令n＝1，a＝A/10

步骤5.2，将d_i旋转n*a-A

步骤5.3，计算旋转后的画面第1至J阶尺度小波系数，寻找各尺度小波系数与模板T的各尺度小波系数的交叉相关系数矩阵最大值，得到该最大值为

步骤5.4，如果n＝20，则执行步骤6，如果n＜20，令n＝n+1，返回到步骤5.2；

步骤6，比较n从1至20的各个其中最大的为其对应的旋转角度为r_i＝n_ma-A；

步骤7，如果i＝L，则进行下一步，如果i＜L，则令i＝i+1，返回步骤5.1；

步骤8，将视频数据各帧旋转量、偏移量校正，然后叠加得到

$d_{\mathrm{rs}}(x,y)=\frac{1}{L}{\mathrm{\Σ}}_{i=1}^L\mathrm{rot}\left(d_i(x-x_i+x_k,y-y_i+y_k),r_i\right)$

步骤9，如果对d_rs的质量指标能够达到预先设定的阈值，则结束程序；

可选地，如果步骤9中的d_rs的质量指标不能够达到预先设定的阈值，并且是由于旋转造成的模糊，则令A＝a、更新T，然后返回步骤5.1重新执行各步骤。

可选地，如果步骤9中的d_rs的质量指标不能够达到预先设定的阈值，并且是由于有缩放造成的模糊，则更新T然后进行下一步；

步骤10，令Z＝Z_m，其中Z_m是目测视频中最大物像尺寸与模板物像尺寸的比值；令i＝1，执行：

步骤10.1，令 $\mathrm{\β}=\frac{\log \left(Z_m\right)}{10},n=1;$

步骤10.2，将d_i按照旋转角度r_i旋转，得到d_r，irot(d_i，r_i)，再按照缩放系数 $e^{\mathrm{n\β}-\log \left(Z_m\right)}$ 缩放，得到 $d_{r,i,n}=\mathrm{zoom}(d_{r,i},e^{\mathrm{n\β}-\log \left(Z_m\right)});$

步骤10.3，计算d_r，i，n的1至J阶尺度小波系数，寻找各尺度小波系数模板T的各尺度小波系数的交叉相关系数的交叉相关系数矩阵最大值，得到最大值为 ${c\max }_{i,n,j_m};$

步骤10.4，如果n＝20，则执行步骤11，如果n＜20，则令n＝n+1，回到10.2；

步骤11，比较n＝1到20的各个其中最大的为对应的缩放系数为 $Z_i=e^{\frac{n_m\log \left(Z_m\right)}{10}-\log \left(Z_m\right)};$

步骤12，如果i＝L，则进行下一步；如果i＜L，则令i＝i+1，返回步骤10.1；

步骤13，将视频数据各帧缩放系数、偏移量校正，然后叠加得到

$d_{\mathrm{zrs}}(x,y)=\frac{1}{L}{\mathrm{\Σ}}_{i=1}^L{d}_{r,i,n_m}(x-x_i+x_k,y-y_i+y_k);$

步骤14，如果对d_zrs的质量指标能够达到预先设定的阈值，则结束程序。可选地，如果对d_zrs的质量指标不能够达到预先设定的阈值，并且其中仍含有尺度差异造成的模糊，则令更新T，然后返回10.1执行各步骤。

可选地，所述视频数据是指通过数字摄影设备拍摄的数字格式视频数据，或经模拟摄影设备拍摄的模拟视频经转换后得到的数字视频数据。

可选地，所述视频数据是静态数字图片的离散时间序列，每一张数字图片称为该视频数据的“一帧”。每一帧对应的时刻由其序数以及该视频数据的帧速率计算得到。

利用本发明，能够从视频资料中提取目标人物或物体的影像信息。

附图说明

图1为本发明基于视频数据的物象增强方法的基本流程图；

图2为本发明基于视频数据的物象增强方法的详细流程图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。

本发明提出一种基于视频数据的物象增强方法，其中视频数据是指通过数字摄影设备(如智能手机、电脑摄像头等)拍摄的数字格式视频数据，或经模拟摄影设备(如一些监控摄像头、模拟式摄像机等)拍摄的模拟视频经转换后得到的数字视频数据。该数据为静态数字图片的离散时间序列，每一张数字图片称为该视频数据的“一帧”。每一帧对应的时刻可以由其序数以及该视频数据的帧速率计算得到。每一帧可以是单通道格式的数字图片，对应于灰度(有时也称黑白)视频数据；也可以是三通道格式的数字图片，三个通道分别对应红、绿、蓝三色分量，则对应于彩色视频数据。

而物像增强是指从对比度、分辨率、信噪比三个方面对物像进行修正。

对比度也称反衬度，是衡量画面中最亮部分和最暗部分的亮度的比值。通常一副画面的对比度越高，看起来也就越生动。但由于图像输出设备的限制，图像值要规格化到某一个确定的范围，并且只能用有限的位数来近似规格化后的数值。如果图像中存在某个亮度远大于其他部分的局部，则其他部分的亮度差异将会被近似为很接近甚至相同的数值。这样一来，画面整体的对比度虽然很高，但大部分区域的局部对比度却是很差的。假如我们感兴趣的物像恰好位于对比度低的区域，我们就需要调整其对比度，将其亮度范围拉伸至较大的区间。

分辨率用于衡量图像中相邻物体被分辨的程度。假设有一理想的点光源，其空间亮度分布函数即为点脉冲函数。使用实际的成像系统对这样一个光源进行成像，其图像为具有一定面积和形状以及亮度分布的光斑。这个效应叫做点扩展效应，如果前述的理想点光源亮度为单位亮度，那么其光斑即为该成像系统的点扩展函数。点扩展函数与成像系统的分辨率密切相关，常常用点扩展函数半高全宽来量化分辨率。

信噪比是用来衡量图像质量的重要指标。数字图像的信噪比由信号强度与噪声强度的比值计算得到。通常还会取该比值的以10为底的对数，并乘以系数10，得到单位为“分贝”(dB)的数值。在噪声强度保持不变的情况下，成像系统的分辨率越高，物像的点扩展效应越细微，信号就越集中，因此信噪比也就越好。

本发明基于视频数据的物像增强方法的原理是：将视频数据考虑为对目标真实亮度分布的连续、多次成像。每次成像结果都是视频数据中的一帧画面。这些画面中不相关的像素叠加到一起，由于无论图像中的信号成分还是噪声成分都没有相关性，所以会趋于某个未知的均值。对应于目标同一个位置的像素因包含相关的信号成分，而噪声成分是不相关的，因此将这样的像素叠加之后得到的信号成分趋于真实亮度，而噪声则彼此相互抵消。该方法的实现包含两个环节：以物像模板搜索相关像素和更新物像模板。本发明中将对应于目标同一个位置的像素称为相关像素。不同帧的相关像素之所以不一定出现在同样的位置，主要有以下几个原因：1)在拍摄视频过程中，目标发生了移动。如平移、旋转、靠近或者远离等等；2)目标没有移动，而是拍摄者(或设备)有移动，如抖动等；3)目标发生了形变。比如目标人物面部有表情变化、肢体有动作，或者目标物体有其他形变。

对于不同类型的视频数据，以上三种因素的成分不同。例如，固定式监控摄像头取得的视频数据中，造成相关像素位置变化的主要原因就是目标的运动；手持设备取得的视频数据中，造成相关像素位置变化的主要原因则可能是拍摄者手部难以避免的抖动。

图1为本发明基于视频数据的物像增强方法流程图。图2为本发明基于视频数据的物象增强方法的详细流程图。参照图1并结合图2，该方法包括步骤：

步骤1，将视频数据d的第k帧画面d_k中出现的物像作为物像模板T，其中该视频数据包含L帧，1≤k≤L；选择模板T的方法是，用户在视频中手动挑选出最为优化的的一帧d_opt(假设为第k帧d_k)，然后从中圈选出矩形区域，内含图像模板T。后面的增强均基于此模板。因此该模板应该包含用户感兴趣的所有目标，且尽可能不含无关对象。

步骤2，在视频数据的每一帧画面中寻找模板T的匹配位置，其中第i帧的匹配位置为(x_i，y_i)，T在d_k中的位置记为(x_k，y_k)，其中1≤i≤L；

其中结合图2，步骤2进一步包括：

步骤2.0，令i＝1；

步骤2.1，使用àtrous算法对T进行完全小波变换，得到第1至J阶尺度的小波系数w₁至w_J；àtrous算法在本领域通常被称为“多孔算法”，属于该领域公知的一种技术。该技术用于计算离散小波变换，优点是可以将小波变换表达成卷积形式，且各个尺度的小波基可以写成卷积核内嵌0元素的形式。

步骤2.2，使用àtrous算法对d_i进行1至J阶小波变换，得到第1至J阶尺度的小波系数v₁至v_J；假设图像高度为H像素，宽度为W像素，则J＝floor(log(min(H，W))/log(2))，亦即，不大于H与W中较小者的以2为底的对数的最大的正数。

步骤2.3，令j＝1，

步骤2.3.1，计算v_j与w_j的交叉相关系数矩阵c_j，记该矩阵的最大值为cmax_j；

步骤2.3.2，j＝j+1，然后重复步骤2.3.1；直到j＝J，继续下一步2.4；

步骤2.4，从得到的J个cmax_j中寻找最大值cmax以及最大值(cmax_j，j＝1，...J，共J个，从中找到最大的，假设第j_m个最大，则记cmax_j_m为cmax)对应的小波尺度j_m；j_m是1至J中的一个。

步骤2.5，确定c_jm中该最大值cmax出现的位置(x_i，y_i)，作为视频数据第i帧画面中模板T的匹配位置，T在d_k中的位置记为(x_k，y_k)；

在步骤2.6，记第i帧的偏移量为s_i＝(x_i-x_k，y_i-y_k)；

步骤2.7，令i＝i+1，重复步骤2.1；直到i＝L。

步骤3，将视频数据的各帧按照其偏移量s_i进行偏移，然后叠加得到

$d_s(x,y)=\frac{1}{L}{\mathrm{\Σ}}_{i=1}^L{d}_i(x-x_i+x_k,y-y_i+y_k)$

d_i是原视频的第i帧数据；d_s是通过平移增强后的一帧。同时，视频数据的各帧也被更正为：

d_s_i(x，y)＝d_i(x-x_i+x_k，y-y_i+y_k)

$d_{s_i}(x,y)=d_i(x-x_i+x_k,y-y_i+y_k)$

步骤4，如果d_s令人满意的质量指标能够达到预先设定的阈值指标，则结束流程。在该步骤，d_s，的质量主要从分辨率、信噪比、对比度三个角度判定，判定依据是针对分辨率、信噪比、对比度预先设定阈值，如果d_s的分辨率、信噪比、对比度均能够达到预先设定的阈值，则认为经偏移后的视频数据符合要求，则结束程序；如果d_s不符合质量要求，并且是因为偏移造成的模糊，(判定依据：参与此步骤的d_i各帧中目标在图像中的大小、角度基本不变，只有位置变化，且d_s的模糊是均匀的，并不存在某个特别的角度或者维度。)则返回步骤2重新执行各步骤。下面提到的视频数据是否符合要求，均是指视频数据的质量指标是否能够达到预先设定的阈值指标。

如果步骤4中得到的d_s满足要求符合要求，则将平移校正过的图像d_s中的物像作为物像模板T，执行下一步。

步骤5，令A＝180度，令i＝1，执行：

步骤5.1，令n＝1，a＝A/10

步骤5.2，将旋转n*a-A(此处A是旋转校正的上界，a为校正的步长)。

步骤5.3，使用àtrous算法对旋转后的d_s_i进行1至J阶小波变换，得到第1至J阶尺度的小波系数v₁至v_J：

步骤5.3.1计算v_j与w_j的交叉相关系数矩阵c_j，记该矩阵的最大值为cmax_j；

步骤5.3.2，j＝j+1，然后重复步骤5.3.1；直到j＝J，继续下一步；

步骤5.4，从得到的J个cmax_j中寻找最大值cmax以及最大值(cmax_j，j＝1，...J，共J个，从中找到最大的，假设第j_m个最大，则记为cmax)，到该最大值为

步骤5.5，如果n＝20，则执行步骤6，如果n＜20，令n＝n+1，返回到步骤5.2；

步骤6，比较n从1至20的各个其中最大的为其对应的旋转角度为r_i＝n_ma-A；

步骤7，如果i＝L，则进行下一步，如果i＜L，则令i＝i+1，返回步骤5.1；

步骤8，将视频数据各帧旋转量、偏移量校正。首先根据旋转量校正，校正方法为反向旋转相等的角度；然后根据偏移量校正，方法为反向移动相等的距离。然后叠加得到 $d_{\mathrm{rs}}(x,y)=\frac{1}{L}{\mathrm{\Σ}}_{i=1}^L\mathrm{rot}\left(d_i(x-x_i+x_k,y-y_i+y_k),r_i\right),$ 其中rot的含义为图像旋转操作，数字图像处理中有多种方法均可实现这个操作，例如双三次插值、双线性插值等方法，均是很成熟的公开方法。

步骤9，如果d_rs满足要求符合要求，则结束程序。

如果步骤9中的d_rs不符合要求，并且是由于旋转造成的模糊，则令A＝a、

更新T，然后返回步骤5.1重新执行各步骤。如果步骤9中的d_rs不满要求，并且是由于有缩放造成的模糊，则更新T(从增强后的图像中重新选取矩形区域，即为新的模板T)然后进行下一步；

步骤10，令Z＝Z_m，其中Z_m是目测视频中最大物像尺寸与模板物像尺寸的比值；令i＝1，执行：

步骤10.1，令 $\mathrm{\β}=\frac{\log \left(Z_m\right)}{10},n=1;$

步骤10.2，将d_i按照旋转角度r_i(该角度即为上一步得到的各帧的角度校正量)旋转，得到d_r，irot(d_i，r_i)，再按照缩放系数缩放，得到 $d_{r,i,n}=\mathrm{zoom}(d_{r,i},e^{\mathrm{n\β}-\log \left(Z_m\right)});$ 其中，β是指数等间隔化的缩放系数；zoom是图像缩放操作，用插值法实现。

步骤10.3，计算d_r，i，n的1至J阶尺度小波系数v_j，令j＝1至J：

步骤10.3.1计算v_j与w_j的交叉相关系数矩阵c_j，记该矩阵的最大值为cmax_j；

步骤10.3.2，j＝j+1，然后重复步骤10.3.1；直到j＝J，继续下一步；

步骤10.4，从得到的J个cmax_j中寻找最大值cmax以及最大值(cmax_j，j＝1，...J，共J个，从中找到最大的，假设第j_m个最大，则记为cmax)，到该最大值为

步骤10.5，如果n＝20，则执行步骤11，如果n＜20，则令n＝n+1，回到10.2；

步骤11，比较n＝1到20的各个其中最大的为对应的缩放系数为 $Z_i=e^{\frac{n_m\log \left(Z_m\right)}{10}-\log \left(Z_m\right)};$

步骤12，如果i＝L，则进行下一步；如果i＜L，则令i＝i+1，返回步骤10.1；

令i＝i+1，返回步骤10.1；如果i＝L，则进行下一步；

步骤13，将视频数据各帧缩放系数、偏移量校正(其中缩放校正是指使用缩放操作，对图像进行z_i的倒数的缩放操作(例，如z_i大于1，则说明图像需要缩小；反之，则需要放大)。然后叠加得到 $d_{\mathrm{zrs}}(x,y)=$

$\frac{1}{L}{\mathrm{\Σ}}_{i=1}^L{d}_{r,i{,n}_m}(x-x_i+x_k,y-y_i+y_k)$

步骤14，如果对d_zrs满足要求符合要求，则结束程序。如果对d_zrs不满足要求，并且其中仍含有尺度差异造成的模糊，则令更新T，然后返回10.1执行各步骤。

上述提到的缩放、偏移以及旋转例如是安装于银行大堂墙角与天花板处的监控摄像中可以拍摄到某人进门后走近、移动、身体晃动等正面画面，其中走近对应缩放、移动对应偏移、身体晃动则对应旋转。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于视频数据的物像增强方法，该方法包括步骤：

步骤1，将视频数据d的第k帧画面d_k中出现的物像作为物像模板T，其中该视频数据包含L帧，1≤k≤L；

步骤2，第i帧的匹配位置为(x_i，y_i)，T在d_k中的位置记为(x_k，y_k)，其中1≤i≤L，在视频数据的每一帧画面中确定模板T的匹配位置，包括以下步骤：

步骤2.0，令i＝1；

步骤2.1，使用àtrous算法对T进行完全小波变换，得到第1至J阶尺度的小波系数w₁至w_J；

步骤2.2，使用àtrous算法对d_i进行1至J阶小波变换，得到第1至J阶尺度的小波系数v₁至v_J；

步骤2.3，令j＝1，执行：

步骤2.3.1，计算v_j与w_j的交叉相关系数矩阵c_j，记该矩阵的最大值为cmax_j；

步骤2.3.2，j＝j+1，然后重复步骤2.3.1；直到j＝J，继续下一步；

步骤2.4，从得到的J个cmax_j中寻找最大值cmax以及最大值对应的小波尺度j_m；

步骤2.5，确定c_jm中该最大值cmax出现的位置(x_i，y_i)，T在d_k中的位置记为(x_k，y_k)；

在步骤2.6，记第i帧的偏移量为s_i＝(x_i-x_k，y_i-y_k)；

步骤2.7，如果i＜L，则令i＝i+1，重复步骤2.1，如果i＝L则执行下一步；

步骤3，获得L帧中每一帧的偏移量，其中第i帧的偏移量为s_i＝(x_i-x_k，y_i-y_k)，将视频数据的各帧按照其偏移量进行偏移；

步骤4，判断偏移后的视频数据的质量指标是否能够达到预先设定的阈值，如果能够达到，则结束流程。

2.根据权利要求1所述的基于视频数据的物像增强方法，其特征在于，步骤3进一步包括：

经平移校正后的视频数据为 其中，d_i是原视频的第i帧数据，d_s是通过平移增强后的视频数据。

3.根据权利要求2所述的基于视频数据的物像增强方法，其特征在于，如果步骤4中判断d_s的质量指标不能够达到预先设定的阈值，并且是因为偏移造成的模糊，则将视频数据中不同于第k帧画面的另外一帧画面中的物像作为物像模板T，返回步骤2重新执行各步骤。

4.根据权利要求2所述的基于视频数据的物像增强方法，其特征在于，如果步骤4中得到的d_s的质量指标能够达到预先设定的阈值，则将平移校正过的视频数据d_s中的物像作为物像模板T，并执行以下步骤：

步骤5，令A＝180度，令i＝1，执行：

步骤5.1，令n＝1，a＝A/10，其中n为循环中标记当前循环次数的变量；

步骤5.2，将d_i旋转n*a-A；

步骤5.3，计算旋转后的画面第1至J阶尺度小波系数，寻找各尺度小波系数与模板T的各尺度小波系数的交叉相关系数矩阵最大值，得到该最大值为

步骤5.4，如果n＝20，则执行步骤6，如果n＜20，令n＝n+1，返回到步骤5.2；

步骤6，比较n从1至20的各个其中最大的为其对应的旋转角度为r_i＝n_ma-A；

步骤7，如果i＝L，则进行下一步，如果i＜L，则令i＝i+1，返回步骤5.1；

步骤8，将视频数据各帧旋转量、偏移量校正，然后叠加得到

其中，rot()为图像旋转函数，表示将输入的二维离散图像绕其中心逆时针旋转输入的角度，并将旋转后的图像返回；

步骤9，如果d_rs的质量指标能够达到预先设定的阈值，则结束程序。

5.根据权利要求4所述的基于视频数据的物像增强方法，其特征在于，如果步骤9中的d_rs的质量指标不能够达到预先设定的阈值，并且是由于旋转造成的模糊，则令A＝a、更新T，然后返回步骤5.1重新执行各步骤。

6.根据权利要求5所述的基于视频数据的物像增强方法，其特征在于，如果步骤9中的d_rs的质量指标不能够达到预先设定的阈值，并且是由于有缩放造成的模糊，则更新T然后进行下一步；

步骤10，令Z＝Z_m，其中Z_m是目测视频中最大物像尺寸与模板物像尺寸的比值；令i＝1，执行：

步骤10.1，令

步骤10.2，将d_i按照旋转角度r_i旋转，得到d_r，i＝rot(d_i，r_i)，再按照缩放系数缩放，得到其中d_r，i表示对d_i旋转角度r_i后得到的图像，即d_r，i＝rot(d_i，r_i)，d_r，i，n是循环步骤中第n步循环的缩放结果，zoom()为图像缩放函数，表示将输入的二维离散图像缩放给定的倍数，当倍数大于1时，对应的操作为放大，当倍数小于1时，对应的操作为缩小；

步骤10.3，计算d_r，i，n的1至J阶尺度小波系数，寻找各尺度小波系数模板T的各尺度小波系数的交叉相关系数的交叉相关系数矩阵最大值，得到最大值为

步骤10.4，如果n＝20，则执行步骤11，如果n＜20，则令n＝n+1，回到10.2；

步骤11，比较n＝1到20的各个其中最大的为对应的缩放系数为

步骤12，如果i＝L，则进行下一步；如果i＜L，则令i＝i+1，返回步骤10.1；

步骤13，将视频数据各帧缩放系数、偏移量校正，然后叠加得到

步骤14，如果d_zrs的质量指标能够达到预先设定的阈值，则结束程序。

7.根据权利要求6所述的基于视频数据的物像增强方法，其特征在于，如果在步骤14中d_zrs的质量指标不能够达到预先设定的阈值，并且其中仍含有尺度差异造成的模糊，则令更新T，然后返回10.1执行各步骤。

8.根据权利要求1-7任一项所述的基于视频数据的物像增强方法，其特征在于，所述视频数据是指通过数字摄影设备拍摄的数字格式视频数据，或经模拟摄影设备拍摄的模拟视频经转换后得到的数字视频数据。

9.根据权利要求8所述的基于视频数据的物像增强方法，其特征在于，所述视频数据是静态数字图片的离散时间序列，每一张数字图片称为该视频数据的“一帧”，每一帧对应的时刻由其序数以及该视频数据的帧速率计算得到。