基于噪声的光流场估计.docxVIP

基于噪声的光流场估计

0基于h-s法的光流场估计算法

光流是图像粒度模型的表面运动，分光光流法是计算致密光流场的重要方法。1981年,Horn和Schunck创造性地将二维速度场与灰度场相结合,在光流基本约束方程的基础上引入了全局平滑约束,得到了光流计算的基本方法(H-S法)。此后,人们又在基本方程的基础上引入了不同的光流场约束,提出了许多新的光流计算方法[2,3,4,5,6,7,8,9,10,11,12]。这些方法大都基于H-S法的一个基本假设,即运动物体表面是平坦的,以保证场景图像不出现遮挡和显露问题。这里的遮挡和显露是相对于两帧连续相邻的视频图像而言的,是物体运动造成的,前一帧图像的部分场景区域在后一帧图像中消失称为遮挡;前一帧图像中没有的场景区域在后一帧图像中出现称为显露。

自然场景图像中遮挡和显露是不可避免的。一方面,物体表面平坦难以保证,大多数情况下物体的运动会造成其像平面投影的遮挡和显露;另一方面,物体的运动可能造成背景区域的遮挡和显露。遮挡和显露使得两帧连续相邻图像的像素并非一一对应。这给光流估计带来极大困难:遮挡和显露区域像素不满足基本方程,所以传统的光流估计方法在这些图像区域会给出错误的光流场估计,进而影响后续的图像处理和模式识别等工作。同时,图像在采集、传输过程中可能会受到噪声污染,因此噪声干扰也是进行准确光流场估计必须考虑的问题。

基于以上分析,提出了一种适用于自然场景的光流场估计方法。该方法引入了可视矩阵标记场景区域的遮挡与显露状态,并在Bayes框架下建立了自然场景图像光流场估计的数学模型,最后通过迭代方法获得了准确的致密光流场。仿真实验证明该方法能较好地估计自然场景图像的光流场分布。

1p1.x,2x

设I1(x)、I2(x)(x=x1,x2,…,其中,x,x1,x2,…均为二维向量)为连续相邻图像,f(x)为I1(x)到I2(x)的光流场。光流估计只能在两帧图像中都可视的场景区域进行。出于这种考虑,引入可视矩阵v(x)来引导光流估计,v(x)与图像I1(x)、I2(x)等尺寸,定义如下:

v(x)={-1,x∈遮挡区域1,x∈显露区域0,x∈可视区域(1)

式中,遮挡区域是指I1(x)中存在、I2(x)中被遮挡的场景区域;显露区域是指I2(x)中存在、I1(x)中是被遮挡的场景区域。v(x)同时标识了I1(x)、I2(x)中不宜进行光流估计的场景区域,以下所进行的光流估计将只在I1(x)、I2(x)中均为可视的场景区域进行,这就避免了传统方法中遮挡与显露区域参与光流估计所引起的错误。文献采用了相似的可视矩阵,但其可视矩阵只考虑了遮挡问题而没有涉及显露问题。

估计光流场f(x)即是求解:

?f(x)=argmax{p(f(x)|Ι1(x),Ι2(x))}(2)

根据Bayes原理,有

p(f(x)|Ι1(x),Ι2(x))=∑v(x)p(Ι1(x),Ι2(x)|f(x),v(x))p(f(x)|v(x))p(v(x))p(Ι1(x),Ι2(x))(3)

式中,p(I1(x),I2(x))为标准化常量,从而

max{p(f(x)|I1(x),I2(x))}?

max{∑v(x)p(Ι1(x),Ι2(x)|f(x),v(x))p(f(x)|v(x))p(v(x))}≤

max{p(I1(x),I2(x)|f(x),v(x))max{p(f(x)|v(x))}}?

max{p(I1(x),I2(x)|f(x),v(x))}max{p(f(x)|v(x))}(4)

式中,p(I1(x),I2(x)|f(x),v(x))为I1(x)、I2(x)的后验概率。

当v(x)=0时,p(I1(x),I2(x)|f(x),v(x))反映同一场景区域在像平面上连续相邻投影的相似程度,可以用同一场景点在I1(x)、I2(x)对应的像素灰度差值的概率分布来表示。考虑噪声因素,设

Ι2(x)=Ι1(x+f(x))+Ν(x)(5)

则

max{p(Ι1(x),Ι2(x)|f(x),v(x))}?max{p(Ι2(x)-Ι1(x+f(x)))}(6)

式(5)中,N(x)是由噪声引起的灰度误差,不失一般性,设其服从正态分布,则

Ι2(x)-Ι1(x+f(x))=Ν(x)～Ν(0,σ2)(7)

当v(x)=-1时,图像I1(x)中x+f(x)点在I2(x)中的对应点被遮挡,被遮挡点的灰度可视为取任意值,此时

max{p(Ι1(x),Ι2(x)|f(x),v(x))}?max{p(Ι1(x+f(x)))}(8)

式中,p(I1(x+f(x)))表示灰度I1(x+f(x))的先验概率,可以用图像I1(x)的灰度直方图H1(l)中灰度级I1(x+f(x))对应像素数与图像总像素数的比率ρI1(x+f(