基于矢量预测和MDGDS的运动估计算法

在充分考虑了各种图像序列的运动特性的基础上,提出一种基于矢量预测和多方向梯度下降搜索（MDGDS）的运动估计算法。该算法首先利用运动矢量的时间和空间上的相关性来得到预测矢量的搜索起始点,再通过使用自适应阈值来判断当前块的运动类型,以此智能地选择不同的搜索策略。实验结果表明,与FS、UMHexagonS、简化UMHS以及EPZS等传统算法相比,该算法能在保证精度的同时节约大量的编码时间。     

引入搜索预测与阈值决策的改进菱形运动估计算法

为了提高视频的压缩效率,在传统菱形搜索算法基础上提出一种改进菱形搜索算 法。该算法通过引入动态阈值,在起始搜索点预测、菱形搜索模式和搜索中止算法方面进行了 优化,减少了SAD 计算的内部冗余和搜索区域中不相关的块匹配计算,同时采用自适应搜索模 式选择技术减少运输复杂度。实验结果表明：提出的改进菱形搜索算法适合各种运动类型的视 频序列,特别适用于运动变化剧烈的序列,相比于FS 算法,能够在PSNR 值和码率值极其接 近于FS 算法的情况下对所有序列的MET 减少约95%,大大减少运动估计时间。     

基于起点预测和SAD分布的快速运动估计算法

基于块的运动估计是视频压缩国际标准中广泛采用的关键技术。文中提出了结合相邻块运动向量相等和SAD值比较的起点预测方法,减少了起点预测时计算SAD的开销;利用SAD分布的方向性,对SAD值偏小部分重点搜索,加速了块匹配的快速搜索策略。在此基础上设计了一种新的快速运动估计算法,该算法在大幅度提高搜索效率的同时,得到了与全搜索非常接近的搜索结果,从而减少或避免了不必要的搜索。     

基于方向自适应的运动估计混合模板搜索算法

提出了一种基于方向自适应的运动估计混合模板搜索算法。该算法利用了运动矢量的时空相关性,对搜索起点进行预测,与仅利用空间相关性预测起点相比,提高了搜索的 准确性;然后通过自适应阀值静止块判定技术,对静止块直接中止搜索,解决了常量阀值静止块判定技术仅适应于某种特定序列类型的缺点;最后根据运动类型自适应选择采用小 菱形、六边形-小菱形或方向十字-小菱形搜索策略,解决了单一搜索策略模式下,不能兼顾视频压缩图像质量和速度的局限。实验表明,提出算法与H.264标准提供的UMHexagonS算 法相比,在保证编码质量的前提下,大大降低了运动估计时间,提高了编码效率。     

快速而有效的块运动估计算法

为了提高基于块匹配的运动估计的速度和精度,提出了一种带中心偏置点检测模式的自适应快速块运动估计算法。该算法根据图像序列的运动向量基于中心偏置分布的特点和相邻块运动向量间的高度相关性,依据块的不同运动内容来确定其搜索起点、搜索范围和搜索策略,从而实现块运动向量的快速而有效地估计。同时,对于大运动块,采用了多侯选者方式,进一步提高了搜索精度。实验结果表明,该算法的搜索速度接近N3SS,N4SS,而搜索精度比它们高,与HSS相似,接近FSBM。     

基于多级顺序排除算法(MSEA)的改进

块匹配运动估计是视频编码国际标准中广泛采用的关键技术.许多快速块匹配法通过限制搜索点数来减少运算量,但与全搜索算法相比极易出现匹配误差.该文介绍了一种应用新的判别条件的多级顺序排除算法（MSEA）,并在此基础上提出一种新的算法,该算法引入了尺度化的部分失真消除（PDE）技术,用于尺度化累积部分误差和当前最小误差.实验证明,相对于一脉相承的同为穷举搜索算法的全搜索算法（FS）、顺序排除算法（SEA）、多级顺序排除算法（MSEA）等,该算法大幅度提高了搜索效率.与多级顺序排除算法相比,平均每宏块节省了大约75%的运算次数.该算法在保证图像质量的前提下,使视频编码的速度大大提高.     

视频监控系统中运动检测算法的研究

运动检测是现代视频监控系统的核心.在分析和探讨了几种运动检测算法后,提出了一种新的应用于视频监控系统的运动检测算法,该算法结合统计法和边缘检测筛选出运动边缘点,对运动边缘点逐个进行块匹配最优搜索,估算出运动矢量.该算法的应用有效地压缩了存储的视频数据,改善了系统性能,有很好的实用价值.     

一种快速高效的部分失真块运动估计搜索算法

在保证图像质量与全搜索算法（FS）相近的前提下，为降低现有部分失真块运动估计算法的计算量，提出了一种快速高效的搜索算法——基于运动场预测的部分失真块运动估计搜索算法（PMVPDS）。PMVPDS将本文提出的可调部分失真准则和运动场估计技术、中途停止技术相结合，能快速找到匹配点。仿真结果表明PMVPDS和正规化部分失真搜索算法（NPDS）、分级部分失真搜索算法（PPDS）相比，搜索速度分别加快了2—7倍和0．6—3倍，并且图像质量也有一定的提高。另外，PMVPDS算法中的图像质量和搜索速度是可调的。     

基于小菱形-线形搜索模板的快速运动估计

提出一种基于小菱形-线形搜索模板的块匹配算法。对于静止块,通过小菱形搜索一步到位。对于运动块,利用已计算的块误差的分布,得到块误差下降方向,并用小菱形-线形混合模板快速定位运动矢量,使搜索点数大幅减少。通过预测搜索中心,使速度和精度进一步优化。实验结果表明,在保持图像信噪比的基础上,搜索点数比菱形搜索法、十字-菱形搜索法等平均减少50%以上。     

一种八边形的混合快速运动估计算法

根据图像序列的运动矢量的时空相关性和中心偏移特性,并结合零运动判断,设计研究了一种八边形模式搜索[1]。其在中等或大运动块的情况下相对于FS、TSS、DS、MVFAST能够得到更高的精确度,又由于对非静止块采用了起始点预测,减少了搜索的时间,同时可以大大提高搜索速度。     

基于时空相似度量的复杂场景背景估计

针对复杂场景中背景的不完整性、背景噪声的影响以及场景中目标运动快慢不一等影响背景估计的因素,该文提出了一种基于时空相似度量的估计视觉监视场景背景的递进式策略。首先利用无运动假设分析时域相似度量矩阵中相邻时刻有运动的子块对,将相似度量矩阵分解为连续的相对平坦子相似矩阵;然后在子相似矩阵中,搜索候选背景子块集合,通过度量与邻近时刻的时域相似度及子块周围场景的空间相似度,判别最可能的背景子块;最后对于一直有运动目标遮挡的位置直接进行有损重建。该方法对噪声、运动目标速度有较强的适应性,计算代价较低。     

基于图像块和边缘增强的运动目标检测

针对复杂背景下的噪声、动态背景和阴影等影响,提出一种基于图像块和边缘增强的运动目标检测算法。用图像块建模,按掩膜结构特点修补断桥使掩膜连续,采用高层图像金字塔建模得到目标质心,用于提取目标,用Sobel平移算子得到细化的边缘,按边缘信息对掩膜进行增强处理从而得到完整的目标。实验结果表明,该算法可有效提取目标,消除单高斯建模法去除不了的复杂背景和阴影,克服传统帧差法常见的边缘不完整的缺点。     

一种应用于运动车辆检测的背景更新方法

基于分块思想的选择性背景更新方法存在块与块之间衔接不自然、抗干扰性弱等不足。为此,提出一种引入滤波和逐渐修正的背景更新方法。利用分块思想将图像分成区域小块,根据均值和方差确立前景区域、背景区域及其变化大小,对前景区域和背景区域分别进行更新。实验结果证明,应用该方法进行运动车辆检测,其检测正确率能提高9%左右,时间效率也稍有提高。     

基于背景重建的运动目标检测与阴影抑制

提出了一种静止摄像机条件下的运动目标检测和去除阴影的方法。该方法采用以图像亮度和能量大小为判断依据的分块背景重建方法来快速更新背景,并结合背景相减法,网格化连通域检测,形态学滤波等步骤来检测和提取运动目标,同时运用边缘检测获取阴影边缘信息,并结合形态学运算来去除阴影区域,恢复出完整物体目标。实验结果表明,该方法能够有效地检测出运动目标和抑制阴影。     

基于背景图像集与稀疏分析的运动目标检测

组视频序列中得到系列背景图像,组合这些背景图像为背景集合。以图像块为基本单元,基于稀疏表示方法对图像块分析处理,提取运动目标。实验仿真表明该方法能够在环境光照突变时,有效消除噪声对目标检测的影响,降低目标检测的误检率,达到较为鲁棒的检测效果。     

基于改进背景减法的视频图像运动目标检测

为解决传统背景减法在动态背景下受噪声干扰和运动目标检测准确性不高的问题,提出一种基于改进背景减法的视频图像运动目标检测方法。在背景建模阶段,为易于计算和提高检测精度,采用基于GMM的图像块均值方法重构背景模型;在目标检测阶段,采用数学形态学和小波半软阈值函数相结合的方法对检测到的运动目标进行去噪处理;在背景更新阶段,采用自适应背景更新方法进行背景更新。实验结果表明,所提方法提高了运动目标检测的准确性,验证了其有效性。     

基于差分图像分块的视频背景提取算法

为了降低背景提取算法的时间复杂度和空间复杂度,提出一种结合差分图像分块、背景减除和帧间差法的背景提取方法。对差分图像进行分块分类,提出了一种统计像素值的子块分类法,对不同类的块用不同的更新策略进行背景实时更新。该算法有效解决了背景更新过程中运动目标逗留、背景物体移入移出等问题的影响。实验结果表明该算法运算速度快、鲁棒性高、能准确地提取实时背景。     

基于加权运动估计和矢量分割的运动补偿内插算法

提出了一种基于加权运动估计、矢量分割和可变块层次化处理的运动补偿内插(Motion-compensated frame interpolation, MCFI)算法. 首先, 提出一种加权运动估计改善了运动矢量(Motion vector, MV)的准确度, 其次, 通过矢量聚类分割将视频帧分割为运动区域和背景, 然后对运动区域的运动矢量进行了可变块层次化处理. 此过程中, 采用可变块合并算法保证了运动物体的边缘结构信息不被损坏. 同时考虑到部分可变块的多方向性, 使用了自适应矢量中值滤波器和矢量平滑降低了运动块大小, 能有效地消除传统方法中出现的方块效应和重影现象. 实验结果表明该算法在内插图像的主观视觉效果和客观评估标准上都有所提高, 而且对于运动较快及背景较复杂的视频序列同样具有较强的适应性.     

Optimal Representative Blocks for the Efficient Tracking of a Moving Object

Optimal representative blocks are proposed for an efficient tracking of a moving object and it is verified experimentally by using a mobile robot with a pan‐tilt camera. The key idea comes from the fact that when the image size of a moving object is shrunk in an image frame according to the distance between the camera of mobile robot and the moving object, the tracking performance of a moving object can be improved by shrinking the size of representative blocks according to the object image size. Motion estimation using edge detection (ED) and block‐matching algorithm (BMA) are often used in the case of moving object tracking by vision sensors. However, these methods often miss the real‐time vision data since these schemes suffer from the heavy computational load. To overcome this problem and to improve the tracking performance, the optimal representative block that can reduce a lot of data to be computed is defined and optimized by changing the size of the representative block according to the size of object in the image frame. The proposed algorithm is verified experimentally by using a mobile robot with a two degree‐of‐freedom active camera. © 2004 Wiley Periodicals, Inc.     

融合高斯混合模型和小波变换的运动目标检测

当前景目标与背景在颜色上接近时,仅采用高斯混合模型进行目标检测容易导致误判。为了提高模型分割算法的鲁棒性,提出一种融合高斯混合模型和小波变换的运动目标检测算法。通过小波变换提取图像的纹理特征信息,利用高斯混合模型拟合背景信息。将两者融合起来,把纹理信息作为颜色信息的补偿,保证了模型在线更新背景信息时模型的稳定性和收敛性,同时弥补了目标分割中前景与背景颜色信息接近时容易导致误判的不足。实验结果表明,本文方法比经典高斯混合模型方法具有较高的分割精度。