1.一种基于迁移学习方法的视频雨量反演方法，所述方法包括以下步骤：步骤1、数据集准备：从高速公路和城区的视频监控站点采集得到大量不同时段下的视频数据，根据视频采集的时间和位置将数据和气象监测的降雨信息进行匹配，删除部分损坏视频图像和问题视频，构建视频图像数据集；

步骤2、数据集分类：通过迁移学习降雨分类模型将数据集分类为降雨和晴朗两类数据集，从而有效提高雨量估算的精确度；

步骤3、数据预处理：对步骤2中得到的降雨图像数据集，采用语义分割和基于时间滤波的背景差分方法选取合适的ROI区域，去除造成干扰的环境提高算法的准确度；

步骤4、雨滴筛选：雨滴真实的雨滴在HSV颜色模型中的饱和度值相对偏低基于这一特征，构建以灰度变化和饱和度为特征的多元高斯混合模型，进一步对ROI区域内的候选雨滴进行筛选；

步骤5、雨量反演：基于步骤4筛选后得到的雨滴，依据雨滴谱定义，采用Gamma分布模型，反演得到降雨量。

2.如权利要求1所述的基于迁移学习方法的视频雨量反演方法，其特征在于，所述步骤

1中，匹配视频采集的时间和位置将数据和气象监测的降雨信息，对筛选后的数据，进行人工复查，删除采集失败、大面积异物遮挡的数据，最后，对重复多次出现的同一场景的视频图像，进行随机删除，使得不同场景不同降雨量的数据分布均衡。

3.如权利要求1或2所述的基于迁移学习方法的视频雨量反演方法，其特征在于，所述步骤2中，通过迁移学习降雨分类模型将数据集分类为降雨和晴朗两类数据集，有效提高雨量估算的精确度；首先将在ImageNet上训练好的Inception v3模型参数迁移到晴雨分类任务中，提取视频图像特征，得到2048维的特征向量；然后把特征图输入超限学习机全连接网络，训练网络参数对这些特征向量进行二分类，得到晴朗图片和有雨图片。

4.如权利要求1所述的基于迁移学习方法的视频雨量反演方法，其特征在于，所述步骤

3中，采用HRFormer网络对步骤1得到的有雨图片进行语义分割，再通过形状特征检测得到非雨滴运动区域，将两区域差集运算得到雨滴的候选区域ROI，避免过大的灰色天空还有无关区域对雨滴识别的干扰。

5.如权利要求1所述的基于迁移学习方法的视频雨量反演方法，其特征在于，所述步骤

4中，研究发现雨滴三原色像素的变化值近似相等，而非雨滴的运动像素变化存在明显差异，同时利用像素差异特性，采用聚类方法检测雨滴，雨滴像素变化特性的数学描述为：Δr≈Δg≈Δb≈c

式中，Δr，Δg，Δb为雨滴三原色在相邻两帧的像素变化，c为常数，HSV颜色模型中的饱和度S的计算公式如下：可以得出真实的雨滴饱和度值相对偏低的结论，基于这一特征，构建以灰度变化和饱和度为特征的多元高斯混合模型，进一步对ROI区域内的候选雨滴进行筛选。

6.如权利要求1所述的基于迁移学习方法的视频雨量反演方法，其特征在于，所述步骤

5中，利用像平面上雨滴长度l，相机焦平面位置z，焦距f和曝光时间T计算雨滴直径d：依据气象学的雨滴谱定义，统计雨滴直径d落在[d‑0.5,d+0.5]区间的雨滴个数，从而获得雨滴谱N(d)；

采用Gamma分布模型，其数学描述为：

μ (‑ωd)

N(d)＝N0de

式中，N0为雨滴谱截距参数，N(d)为单位体积中，粒径大小在以d为中心，间隔为单位直径尺度范围内的雨滴个数；

式中，μ为雨滴谱的形状参数，ω为影响雨滴谱斜率的参数，Γ(·)为伽玛函数，最后根据此式子反演得到降雨量。