人眼看到的运动范围是有边界的,无法感知到运动幅度非常小的运动。微小运动放大算法就是将人眼观察不到的微小运动放大,一定程度上扩展了人眼的感知范围,在医疗、工程测量等领域具有较高的实用价值。根据处理方式的不同,微小运动放大算法分为拉格朗日运动放大算法、欧拉视频放大算法以及基于学习的运动放大算法。其中,欧拉视频放大算法需要手工设置多个参数,并反复尝试不同的参数才能得到较好的放大效果。基于学习的运动放大算法采用深度学习算法替代欧拉视频放大算法中的滤波器部分,得到了更好的放大效果,所存在的问题是需要对视频进行逐帧处理,每帧图像都需要运行一次神经网络模型,导致运算速度较慢。首先,针对欧拉视频放大算法需要手工选取多个参数的问题,本文提出了全自动微小运动放大算法。通过详细分析放大倍数、通频带、金字塔层数对微小运动放大算法的影响以及各个参数的决定要素,确定了放大倍数与视频中前景目标的运动频率和运动幅度相关,通频带与视频中目标的运动频率范围相关,金字塔层数与前景目标的运动幅度相关。在此基础上,利用前景检测、时频分析等方法搭建了从原始视频中自动计算欧拉视频放大算法各个参数的框架,实现了全自动微小运动放大算法。经实验表明,本文提出的全自动微小运动放大算法所得到的参数具有较好的放大效果。其次,针对基于学习的运动放大算法运算速度较慢的问题,本文提出了基于Shuffle Net的预裁剪微小运动放大算法。一方面,本文详细分析了基于学习的运动放大算法模型中的各个模块,将模型修改为参数规模更小的轻量级模型,从而实现了模型压缩,提高了算法的推理速度。另一方面,在图片输入到模型之前,应用前景检测算法将图片中的前景部分裁剪出来,设计前景最大化算法将相邻帧前景的最大公共区域输入到模型中,实现了对算法结构的优化。经实验表明,本文提出的基于Shuffle Net的预裁剪微小运动放大算法有效提升了放大算法的处理性能,缩短了计算时间。最后,搭建了基于视频图像的心率监测系统,实现了单次的心率测量和连续的心率监测的功能。本系统使用视频的非接触心率测量方式,相比于传统设备有着更舒适的测量体验。经与传统指夹式医用心率测量设备相对比,本系统采用的算法能准确测量出使用者的心率值。