l ogo §51 运动估计研究现状一.pptVIP

§5.3 经典运动估计算法 （2）像素子采样法 通常的匹配准则是把块里所有的象素点进行计算和比较，事实上一个块里相邻象素的差别很小，使得它们之间也存在冗余； 子采样运动估计算法就利用了这一事实，只取其中的一部分象素进行计算，可大大减少计算量，但同时降低了准确性。 §5.3 经典运动估计算法 3、固定搜索模式的快速块匹配方法 该方法假设匹配误差随着离全局误差最小点的距离增加而单调增加； 一般从原点开始，采用固定的搜索模板和搜索策略得到最佳匹配块； 著名的算法有：三步法、梯度下降法、四步法、菱形法、六边形法等。 §5.3 经典运动估计算法 （1）三步搜索法（Three Step Search, TSS） 搜索范围为±7； 搜索模板半径依次减半； 第一步步长过大对小运动 检测效果不好； 搜索范围大于7时，搜索步 骤不止三步； 搜索次数9+8+8=25。 §5.3 经典运动估计算法 （2）四步搜索法（Four Step Search, FSS） 基于现实中序列图像一个特征，即运动矢量都是中心分布的，从而在5×5搜索窗上构造了9个检测点的搜索模板； 首先用5×5搜索窗； 每一步将搜索窗的中心移向最小块误差点处； 后两步搜索窗大小依赖于最小块误差点的位置； 计算复杂度低，搜索幅度较平滑，不会出现方向上误导。 §5.3 经典运动估计算法 窗口保持5×5，搜索模式改变： 上一步最匹配点位于窗口4个角上，则另外在搜索5个检测点； 上一步最匹配点位于窗口的4边中心点处，则需在搜索3个检测点； 若这一次的最匹配点在窗口中心，缩小搜索窗口为3×3，否则重复本步； 窗口缩小到3×3，计算出最匹配点的位置即对应最佳运动矢量。 §5.3 经典运动估计算法 反复使用5×5方形模板进行搜索。模板中心处SAD值最小时再用3×3模板搜索一次确定最佳匹配位置； 搜索次数9+3+5+8=25； 搜索速度不一定快于三步法，但计算复杂度低于三步法； 搜索幅度比较平滑，不会出现方向上的误导，在摄像机镜头伸缩、有快速运动物体的图像序列中广泛应用。 §5.3 经典运动估计算法 （3）基于块的梯度下降搜索法（Block-Based Gradient Descent Search, BBGDS） 利用运动矢量中心分布特性，用3×3搜索窗； 视频帧内相邻像素间具有渐变性，每一步的最小块误差点分布具有一定的方向性，即梯度下降方向； 使用梯度下降方向来决定下一步的搜索方向； 特点： 使用中心匹配块而不是匹配点，降低了陷入局部最优的可能性； 引入梯度下降概念，用梯度下降方向指导搜索方向，减少不必要的搜索，大大降低算法复杂性。 §5.3 经典运动估计算法 反复使用3×3模板进行搜索。模板中心处SAD值最小时结束。 对大运动检测效果不好 §5.3 经典运动估计算法 （4）菱形搜索法（Diamond Search, DS） 搜索窗口太小易陷入局部最优，搜索窗口太大易产生错误的搜索路径； 统计表明，视频图像进行运动估计最优点通常在零矢量周围； 基于上述事实，采用两种模板：9个检测点的大菱形模板；5个检测点的小菱形模板； 先用大模板计算当最小块误差点出现在中心处时，换为小模板，此时5个点中最小块误差点即为最优匹配点；　 §5.3 经典运动估计算法 §5.3 经典运动估计算法 搜索方式与四步法类似，只是搜索模板换为两个菱形模板； 搜索次数9+5+4+4=22； 目前快速匹配算法中性能最优异的算法之一，1999年10月被MPEG-4采用并收入验证模型。 §5.3 经典运动估计算法 菱形搜索法性能分析： 选用了大小两种形状的搜索模版，先用大模板搜索，步长大搜索范围广，进行粗定位，避免搜索窗口太小时，陷入局部最优；粗定位后，再用小模板准确定位，保证匹配精度； 搜索时各步之间相关性强，模板移动只需要在几个新的检测点处进行匹配计算，提高了搜索速度。 §5.3 经典运动估计算法 固定模式搜索法的缺点： 没有利用图像本身的相关信息，不能根据物体运动的剧烈程度自适应的改变搜索起点和搜索半径； 以菱形法为例，对背景图像，也要经历从大模板到小模板的转换过程，至少需要13个搜索点，搜索速度还有待改进； 对于运动剧烈的图像，从原点开始搜索时，要经过多次搜索才能找到匹配点，搜索点过多，且容易陷入局部最优点。 §5.3 经典运动估计算法 4、序列相关性和视觉特性 针对固定模式法的不足，近几年来，人们针对序列图像的时空相关性和人眼视觉特性，提出了许多改进算法，主要可分类下面几类： 预测搜索起点 终止条件 改进搜索模版 宏块运动类型判别 §5.3 经典运动估计算法 （1）预测搜索起点 利用相邻块