一种基于块匹配的自适应快速运动估计算法

块匹配运动估计算法是实时视频编解码技术的研究重点.为降低视频编码中运动估计的计算复杂度,考虑到现实序列运动矢量的分布存在方向性,文章提出了基于块匹配的自适应快速运动估计算法.该算法在运动估计的初始阶段,利用相邻宏块间的空间相关性来预测初始搜索点的位置,使搜索起点更接近理想的最优匹配点;在搜索过程中引入具有方向特征的非对称十字形搜索模型,加快了搜索速度.实验结果表明该算法具有很好的性能.     

求取真实运动矢量的一种算法

针对物体基视频编码与分割应用,提出了求取特征区域真实运动矢量的一种算法。首先,利用运动检测器将图像序列的每一帧分割成静止区域与运动区域。然后只对运动区域进行运动估计。为了克服传统块匹配法的固有缺点,本文算法采用变尺寸块匹配法,大的均匀区用大方块,运动物体的边缘区用小方块;在进行块匹配搜索期间,在易误匹配的区域,为了不遗漏真实的运动矢量,先按照ＭＡＥ准则预选出多个候选运动矢量,尽可能保证真实的运动矢量包含其中,接着再根据相邻块运动矢量的相关性,从多个候选运动矢量中选出一个比较可靠的运动矢量。实验结果表明,该算法产生的运动矢量真实可靠,而且一致性好,可用于识别可靠的运动区域。     

一种面向H.264/AVC的快速块匹配搜索算法

基于块匹配的运动估计在视频编码中占有很重要的地位.针对H.264/AVC的特点,提出一种快速块匹配搜索算法.该算法充分利用宏块编码模式间的关联特性和运动矢量的统计特征,极大地提高了算法的搜索速度.与经典的搜索算法菱形搜索(DS)、十字-菱形搜索(CDS)和运动矢量场自适应搜索算法(MVFAST)相比,快速搜索算法在保持了与它们相当的搜索精度的同时,搜索速度分别提高了240.5%、149.9%和30.7%.     

一种基于搜索策略的新算法

基于块匹配的运动估计是降低视频序列图像冗余度的一项关键技术,本文在简单描述块匹配运动估计原理的基础上,就运动搜索策略对提高运动估计算法的效率方面作了重点论述,并根据运动矢量概率分布特性提出了一种基于混合模板搜索的新算法,模拟实验表明,新算法在图像质量和搜索速度方面有较好的优势.     

一种新的快速块运动估计的分级筛选法

提出了一种新的分级筛选法用于快速的块匹配运动估计 .该方法中最佳匹配块通过若干个筛选过程得到 ,每个筛选过程用不同大小级别的子块作为基元进行匹配 .在初始的级别中用很少的运算代价通过简单的特征匹配先淘汰一部分候选匹配块 ;然后在上一级剩余的候选块中 ,逐级用更加细致的特征继续筛选 ;直至找到最佳匹配块 .对不同运动复杂性的视频的实验表明 ,在搜索范围为 (- 7,7)× (- 7,7)的情况下 ,分级筛选法不仅在速度上比一些常见的快速运动估计方法要快 ,而且估计精度与全搜索法非常相近 .     

视频分析中利用可变阈值的运动估计算法研究

研究的是基于阈值的运动矢量估计技术,根据视频序列中运动矢量的特性,构建阈值函数。对于匹配搜索的不同位置自动生成对应的阈值,建立从中心向外逐渐松弛的约束条件,及时终止对不必要候选块的匹配搜索。不仅能够提高匹配速度,而且能够避免遍历搜索中容易陷入局部最小化的问题。同钻石搜索法相结合,能进一步提供运算速度。还提出了通过均值累加阈值法消除由于全局运动补偿引入的噪声,该方法可以确保捕获运动对象的真实性。通过实验验证,对大多数的视频序列,能在不损失精度的情况下,运动估计速度提高几乎一个数量级,运动矢量捕获的真实率在70%以上。     

基于运动估计的视频隐写检测算法

提出一种基于运动估计的的视频隐写检测算法。通过块均方误差的变化研究信息嵌入对运动估计的影响,发现运动矢量对隐写具有敏感性,且分块越小,对隐写越敏感。反映视频时变特性的运动矢量场被作为隐写检测中视频数据的表征,特征提取过程中,先取定分块大小,使用最小均方误差块匹配运动估计算法,得到运动矢量场。再提取运动矢量场3个方向相邻元素的共生矩阵,使用共生矩阵的主对角线及其相邻元素作为特征。使用支持向量机分类器实施检测,实验结果表明文中算法与Budhia的算法相比,具有更好的检测性能。     

一种快速分类搜索运动估计新方法

在视频编码中 ,基于块的运动估计算法被广泛应用 .在保证估计质量的前提下 ,为了降低运动估计算法的搜索次数 ,提出了一种对于不同类型的块采用不同的搜索范围和搜索步骤的分类快速搜索 (CFS)运动估计新算法 .该算法首先对块进行分类 ,然后确定其搜索范围和搜索步骤 ,在应用分类搜索法时 ,根据运动矢量的中心偏置特性 ,将第 1步和第 2步的搜索窗采用 5× 5的窗口 ,第 3步采用 3× 3的窗口 .结果表明 ,该分类快速搜索新算法在运动矢量的估计质量上 ,明显优于传统三步搜索法 ,且搜索次数与传统三步搜索法相比 ,降低了 2 3% ,与全搜索法相比 ,降低了 91% .实验结果证明 ,该算法尤其适用于快速运动、复杂运动序列的运动估计 .与传统的全搜索法和三步搜索法相比 ,其更适合于用硬件实现 .     

一种基于概率矩阵的快速运动估计算法

基于块匹配的运动向量估计算法已被多种国际视频编码标准所采用,但其计算复杂度一直是一个研究热点。为了提高运动向量估计算法的速度和精度,提出了一种新的基于概率矩阵的快速块匹配运动估计算法,该算法首先根据之前宏块的运动向量来估计当前宏块各可能的运动向量对应的概率值,以组成和搜索窗口同样大小的概率矩阵,然后依据概率大小限制搜索的次数,以平衡算法的速度和精度。仿真实验结果表明,和标准菱形搜索法相比,该算法在精度略有提高的同时,还有效地提高了搜索效率。     

基于并行处理的快速运动估计算法

运动估计是视频编码的一项关键技术。该文针对传统搜索算法串行处理的缺点,提出了一种基于并行处理的快速运动估计算法。该算法利用序列图像的相邻块运动矢量的高度相关性和运动矢量的中心偏移特性,在搜索过程中根据图像的内容(运动类型)进行并行处理,加速了块匹配的快速搜索策略。实验结果表明,该算法在速度和准确性方面都有了很大的提高。     

An efficient multi-layer reference frame motion estimation for video coding

Most of the fast search motion estimation algorithms reduce the computational complexity of motion estimation (ME) greatly by checking only a few search points inside the search area. In this paper, we propose a new algorithm—multi-layer motion estimation (MME) which reduces the computational complexity of each distortion measure instead of reducing the number of search points. The conventional fast search motion estimation algorithms perform ME on the reference frame with full distortion measure; on the contrary, the MME performs ME on the layers with partial distortion measures to enhance the computational speed of ME. A layer is an image which is derived from the reference frame; each macro-pixel value in the layer represents the sum of the values of the corresponding pixels in the reference frame. A hierarchical quad-tree structure is employed in this paper to construct multiple layers from the reference frame. Experimental results on different video sequences show evidence that many motion vectors have been found similar both in the reference frame and the layers. The effectiveness of the proposed MME algorithm is compared with that of some state-of-the-art fast block matching algorithms with respect to speed and motion prediction quality. Experimental results on a wide variety of video sequences show that the proposed algorithm outperforms the other popular conventional fast search motion estimation algorithms computationally while maintaining the motion prediction quality very close to the full-search algorithm. Moreover, the proposed algorithm can achieve a maximum of 97.99 % speed-improvement rate against the fast full-search motion estimation algorithms which are based on hierarchical block matching process. The proposed MME performs the motion estimation on the layers by using three types of search patterns. The derivation of these search patterns exploits the characteristic of the center-biased motion vector distribution and that of less intensive block distortion measurement of the layers.     

一种新的基于运动矢量场及弹性模板的自适应快速搜索算法

该文提出了一种新的基于运动矢量场及弹性模板自适应快速搜索算法，它是以视频运动具有高度时空相关性为基础，从运动矢量场的均匀性出发，综合采用了快速块匹配、自适应弹性模板选择策略、自适应阈值与搜索中止准则等一系列技术，是一种具有伸缩性结构的自适应快速运动估计算法．实验结果表明，该算法以极小的搜索代价得到了与全搜索相当的效果，并在搜索速度和搜索效果方面明显优于MPEG-4最新推荐的快速运动估计算法，特别是在中低码率压缩时有着更优良的性能，非常适合于低码率实时视频压缩领域的应用．     

基于滤波的运动向量的快速估计算法

基于块匹配的运动向量的估计算法被多种国际视频编码标准所采用,其计算复杂度一直是一个研究的热点。为了提高运动向量估计算法的速度和精度,从运动向量的均匀性出发,提出了一种由宏块分类、运动向量滤波和高效搜索中止准则等策略构成的运动向量场自适应搜索算法,从而实现了块运动向量快速而有效地估计。实验表明,本算法搜索速度接近N3SS和N4SS,而搜索效果方面优于MPEG-4最新推荐的快速运动估计算法PMVFAST和MVFAST。     

基于块运动类型的自适应菱形运动估计搜索算法

基于对图像序列运动矢量时空相关性和中心偏置特性的研究，对传统的菱形算法进行了改进，设计了自适应大菱形搜索模板，提出了一种基于块运动类型的自适应菱形运动估计算法，对大运动块进行起始点预测，再划分相对运动类型，对不同运动类型的块自适应地采用不同的搜索策略。实验结果证明，图像质量较好时，该算法相比运动矢量场自适应搜索算法，加快了搜索速度，降低了计算复杂度。     

一种利用预测运动矢量改进的H.264快速运动估计算法

针对H.264标准推荐使用的快速运动估计算法——非对称十字型多层次六边形格点搜索（Unsymmetrical cross multi-hexagon grid search, UMHexagonS）算法搜索速度慢的问题,提出了一种改进算法。在起始搜索点的预测环节,建立预测矢量集,并根据预测矢量集的长度信息决定后续的搜索策略;在全局搜索环节,利用预测运动矢量之间的相关性适当跳过某些搜索步骤,并更换一些搜索模板;并且,根据整数变换和量化的特性检测全零系数块,提前终止运动估计过程。实验结果表明,在量化步长为28时,本文算法比UMHexagonS算法平均减少了34.80%的运动估计时间,同时编码性能基本不变。该算法在不同量化步长的条件下能够适应不同运动强度的视频序列,是一种适合H.264的速度快且性能好的快速运动估计算法。     

基于运动矢量投影的帧率转换算法

提出一种基于运动矢量投影的帧率转换算法。在运动估计阶段，采用连续消除算法SEA，将该算法与全搜索相结合，对块匹配准则的计算过程进行优化，可以在保证图像质量的同时减小计算复杂度。在运动矢量场投影过程中，定义一个新的运动矢量选取标准，在匹配准则的基础上添加了块的位置信息，相对于传统标准，本标准更能代表内插块的真实运动，准确性更高。在运动补偿阶段，针对投影过程中产生的重叠现象，采用自适应加权补偿插值算法，考虑所有重叠投影块的运动信息。对于产生的空洞现象，采用运动矢量中值滤波的算法来填充。实验结果表明，该算法可以减少运动信息的丢失，插值效果更加准确。     

Dynamic initial search pattern defined on Cartesian product of neighboring motion vectors for fast block-based motion estimation

Block-based motion estimation is widely used in video compression for reducing the temporal data redundancy. However, it is still a main problem to effectively reduce the computational complexity of motion estimation. The median predictor is usually used for initial search center prediction, however it is not always accurate enough, especially for fast motion sequences. In this paper, a novel dynamic initial search pattern algorithm for fast block-based motion estimation is proposed. Based on the observation that the components of the current motion vector are very similar to the corresponding components of its neighboring motion vectors, Cartesian product of neighboring motion vectors is introduced to generate the proposed dynamic initial search pattern (DISP). And then the cross search pattern is employed to search for the best matching block. The number of search points of the proposed DISP is adaptive to the neighboring correlation of the current block. In fact, the proposed DISP can be considered as a generalization of median prediction scheme and it performs better in capturing the best matching block than median prediction. Experiment results show that the proposed DISP method with small cross search pattern can save about 1.71 search points on average compared with adaptive rood pattern search (ARPS) algorithm and can achieve the similar PSNR to full search (FS) algorithm by combining large cross search pattern.     

A pattern based PSO approach for block matching in motion estimation

Block matching motion estimation is a popular method in developing video coding applications. A new algorithm has been proposed for reducing the number of search points using a pattern based particle swarm optimization (PSO) for motion estimation. The conventional particle swarm optimization has been modified to provide accurate solutions in motion estimation problems. This leads to very low computational cost and good estimation accuracy. Due to the center biased nature of the videos, the proposed approach uses an initial pattern to speed up the convergence of the algorithm. Simulation results show that improvements over other fast block matching motion estimation algorithms could be achieved with 31%～63% of search point reduction, without degradation of image quality.     

Block matching algorithm for motion estimation based on Artificial Bee Colony (ABC)

Block matching (BM) motion estimation plays a very important role in video coding. In a BM approach, image frames in a video sequence are divided into blocks. For each block in the current frame, the best matching block is identified inside a region of the previous frame, aiming to minimize the sum of absolute differences (SAD). Unfortunately, the SAD evaluation is computationally expensive and represents the most consuming operation in the BM process. Therefore, BM motion estimation can be approached as an optimization problem, where the goal is to find the best matching block within a search space. The simplest available BM method is the full search algorithm (FSA) which finds the most accurate motion vector through an exhaustive computation of SAD values for all elements of the search window. Recently, several fast BM algorithms have been proposed to reduce the number of SAD operations by calculating only a fixed subset of search locations at the price of poor accuracy. In this paper, a new algorithm based on Artificial Bee Colony (ABC) optimization is proposed to reduce the number of search locations in the BM process. In our algorithm, the computation of search locations is drastically reduced by considering a fitness calculation strategy which indicates when it is feasible to calculate or only estimate new search locations. Since the proposed algorithm does not consider any fixed search pattern or any other movement assumption as most of other BM approaches do, a high probability for finding the true minimum (accurate motion vector) is expected. Conducted simulations show that the proposed method achieves the best balance over other fast BM algorithms, in terms of both estimation accuracy and computational cost.