基于3D视频的错误隐藏技术分析

随着3D视频产品的逐步问世,3D视频技术逐渐成为当前研究的热点。由于3D视频编码是利用多个视点的空间、时间及视点间的相关性进行压缩编码,导致当3D视频遭遇不可靠信道差错时,其受损的影响比传统的2D视频更严重。因此,研究基于3D视频的差错控制技术十分必要,针对3D视频的3种视频格式,初步探讨了目前已经出现或正在研究中的错误隐藏技术。     

面向编码和绘制的多视点图像深度估计

针对自由视点三维电视系统中深度估计不准确将给后续多视点深度编码和虚拟视点绘制带来困难的问题,提出一种面向编码和绘制的多视点图像深度估计算法。首先对初始深度进行一致性检查,并采用自适应匹配误差策略删除不可靠的匹配以减小初始深度的误匹配。然后根据融合准则将多幅参考深度图合成为一幅深度图以提高深度图的精度。最后,采用多边滤波...     

深度图时域一致性增强

在自由视点电视(FTV)系统的发送端,数据由多摄像机采集的纹理图和其相应的深度信息组成;在接收端,虚拟视点由视点纹理序列和估计的深度信息经过3D变换绘制。因此,获取高质量的深度信息是FTV系统的一个重要部分。由于当前非交互方式深度估计方法是逐帧进行的,所得到的深度图序列往往缺乏时域一致性。理想情况下相邻帧静止区域的深度值应该相同,但是对这些区域深度值的估计结果往往不同,这将严重影响编码效率和绘制质量。由于深度图表征的是纹理图中相应场景离摄像机的距离,所以可以通过对纹理图的有效分析,判断出错误的深度值。通过对深度值可靠性和当前区域运动属性的判断,提出一种基于自适应时域加权的深度图一致性增强等。实验表明,本文算法能有效抑制静止区域深度值不连续的错误,产生更加稳定的深度图序列,使虚拟视点的时域绘制质量得到增强,同时编码效率得到提高。     

基于复杂度HEVC码率控制的算法优化

针对视频编码标准HEVC(high efficiency video coding)在编码过程中复杂度较高的帧层带宽相对不足而复杂度较低的帧层带宽相对富余之一的问题,为了降低计算复杂度,提高编码质量,本文首先通过研究复杂度在帧层编码过程中对码率分配的影响,提出了由SATD(sum of absolute transformed difference)构建复杂度模型,根据视频内容每帧的复杂程度,通过复杂度模型对帧层进行合理的比特分配。为了建立R-Q曲线,结合最大编码单元(LCU,largest coding unit)层的编码树特点,根据LCU残差信号的混合高斯分布特性进行量化参数(QP)的计算,从而使得输出码率与目标比特相等的同时尽可能提高视频质量。实验结果表明,所提出的算法比HEVC现行码率控制算法性能更加优良并且具有较强的鲁棒性,码率误差在0.01%以内,PSNR增益平均可达0.21dB。     

基于熵模型的压缩域运动对象检测

随着视频编解码技术的发展,H.264已成为最主要的标准之一。为了能从H.264码流中准确有效地分割和提取出运动对象,提出了一种压缩域下的对象检测算法。该算法主要利用压缩域下对象的运动矢量信息,先对矢量进行中值滤波预处理,目的是为了减少运动估计算法和对象实际运动所产生的误差。然后利用基于熵的原理,建立运动对象在空间和时间上的一致性模型。在该模型基础上,采用最大熵方法自适应获得阈值,检测得到运动对象。实验结果证明,该算法可以获得比较好的检测结果。     

基于压缩域信息的立体视频对象分割方法

立体视频对象分割是交互式多视点视频应用的关键技术。为了提高对象分割的时效性和精确性,提出了一种利用压缩域视差和运动信息的立体视频对象分割算法。该算法首先对运动矢量场和视差场进行提取和修正处理,然后对视频帧进行分割作为初始值,最后用均值偏移算法聚类得到最终的对象分割结果。实验结果表明,对于纹理复杂的场景有很好的分割效果,可以获得与语义一致的对象。     

采用特征描述的H.264压缩视频运动分割

H264视频压缩标准以其优良的压缩效率和编码灵活性得到了广泛的应用。提出了一种基于H264压缩域的运动对象分割方法,首先从压缩视频中提取运动场,采用加权中值滤波方法滤除运动场的噪声矢量,再运用后向估计的方法重建预测运动场并进行运动场的累积,然后基于幅度、散度和旋度3个运动特征, 采用改进的统计区域合并方法将运动对象分割出来。实验结果表明,该方法可有效地从H264压缩视频中提取运动对象且分割质量较好。     

DIBR中基于平面扫描的深度重建方法

提出一种 DIBR 中基于平面扫描法的深度重建方法,与立体深度重建算法和基于图像的视觉壳算法不同,本文进一步改进平面扫描算法,无需任何场景的几何先验知识,而是利用每个像素点的深度信息合成真实场景的虚拟视点.当输入图像映射至相互平行的虚拟深度平面时,采用"动态判决方法"来计算像素间的色彩一致度;并在虚拟视合成中采用了基于视向权重策略的新视点重建方法.本文算法获取的深度信息更为精确,虚拟新视点的质量得到较大提高.