一种有效的三步运动估计算法.doc

一种有效的三步运动估计算法 摘 要：为了减小运动估计算法的计算复杂度及提高序列图像超分辨率重建的可靠性，提出了一种有效的三步搜索算法。该算法采用多步搜索策略，根据运动矢量分布的中心偏移性及并行处理的思想，在最佳匹配点所在的区域使用菱形小模板代替原有的正方形小模板来进行精细搜索，以提高算法的搜索精度。实验结果表明，该算法在保证搜索精度的同时能大幅度缩短消耗时间。 关键词：超分辨率重建；运动估计；块匹配；运动矢量 由于误差表面通常并不是单调的，所以搜索窗口太小，就容易陷入局部最优；而搜索窗口太大，又容易产生错误的搜索路径[7]。3SS搜索法第一步搜索步长较大，在图像运动较小的时候会影响运动估计的效果，使运动估计的精度明显下降。在超分辨率图像重建中，序列图像的每一帧变化都很小，帧与帧之间大多为小运动估计，而在实际应用中，除了要保证运动估计的精度之外，对算法的实时性也提出了更高的要求。根据这个特点，本文提出一种根据N3SS法演变而来的一种有效的三步搜索算法(effective three step search，E3SS)。图2为E3SS的搜索模板，搜索窗宽度为5，即搜索范围是。 图2 E3SS搜索模板 在真实的视频序列中，运动矢量的分布具有中心偏移的特点，由全搜索算法FS的匹配结果表明，匹配点在中心点的概率最高，其次为在中心点周围上、下、左、右的4个邻点，而在中心点周围左上、右上、右下、左下4个对角点的概率最小[8]，因此在搜索窗口的中心采用了一个小的菱形搜索模板来替代N3SS算法中的正方形小模板。 首先，搜索模板上的13个检测点，如果最小块误差(minimum block distortion，MBD) 点 (SAD值最小的点)，在搜索窗口的中心则算法结束。 如果MBD点位于中心点的4个相邻点中，移动菱形小模板到上一步的MBD点，继续搜索菱形小模板中的其他点，直到MBD点是菱形中心的点或者菱形小模板到达搜索窗口边缘为止，如图3(a)中，点(0，-1)是第一步的MBD点，也是第二阶段的MBD点，且位于搜索窗中心，故最终运动矢量就是(0，-1)。图中每个点上的数字表明了不同阶段搜索时的检测点。 如果MBD点是模板中的8点之一，搜索方法同3SS，即将步长减半，中心点移到上一步的MBD点，重新在周围距离步长的8个点处进行块匹配计算并比较，重复此步骤，直到步长为1，该点所在位置即对应最优运动矢量，如图3(b)中，(4，4)是第一步的MBD点，然后以(4，4)为中心点进行第二步搜索，此时搜索半径已经缩减为2像素，最后以当前MBD点(2，6)完成第三步搜索，找到最优匹配点。 (a) (b) 图3 E3SS搜索示意图 4 实验结果与分析 为了验证E3SS算法的性能，在相同条件下进行了一系列的仿真实验。实验的搜索区域在水平与竖直方向的最大位移均为±7，块的大小为16×16，并采用SAD作为最佳匹配准则。实验时，首先利用预测帧的峰值信噪比(peak signal to noise ratio，PSNR)来度量搜索的准确性，同时选取多个不同性质的序列图像来检测算法的稳定性，其中Garden为全局运动，Table-tennis为大幅度运动，Susie为小幅度运动。最后选取全搜索算法FS、菱形搜索算法DS、预测性菱形搜索算法PDS三种算法进行搜索，以对比E3SS算法的各项性能。 表1 实验数据 Garden Table-tennis Susie PSNR/dB TIME/s PSNR/dB TIME/s PSNR/dB TIME/s FS 22.687 43.484 27.059 43.156 36.156 41.132 DS 19.923 9.056 26.381 7.226 35.421 9.025 E3SS 20.641 0.359 26.895 0.489 35.815 0.531 PDS 20.183 12.785 26.489 6.597 34.498 7.245 从表1可以看出，相对于其他几种算法，E3SS算法在时间上的优势非常大，比目前比较常用的DS算法和PDS算法缩短95%左右，不仅大大提高了搜索的速度，而且降低了计算的复杂度，在对算法实时性要求比较高的场合能发挥更重要的作用。而通过比较峰值信噪比我们可以看出，E3SS在提高了搜索速度的同时也保证了搜索精度，其精度除了比FS算法略低外，比起其他两种算法都有细微程度的提高。 5 结论 本文提出了一种E3SS算法，该算法根据相邻块之间的运动相关性和运动矢量分布的中心偏移性对目标点的运动进行估计，在最佳匹配点所在的区域使用菱形小模板代替N3SS算法中的正方形小模板来进行精细搜索，以