一種基于塊匹配的運動檢測及降低錯誤率的方法
【專利摘要】本發明公開了一種基于塊匹配的運動檢測及降低錯誤率的方法，主要包括以下步驟：獲取圖像序列，包括t-1時刻、t時刻的幀圖像；對t-1時刻與t時刻的幀圖像進行塊匹配算法，找出每個block的運動向量；對t-1時刻到t時刻的向量進行異常點檢測，并予以修正；對修正后的圖像中的向量進行聚類。本發明能有效的在運動背景的視頻中達到較好的效果，尤其是克服了在攝像機跟隨運動前景移動時，前景在畫面中移動距離小于背景移動距離時的特殊情況，本發明能有效適應不同的拍攝方式，通過異常點檢測，避免了由于相鄰幀中的遮擋問題導致的誤匹配問題。
【專利說明】-種基于塊匹配的運動檢測及降低錯誤率的方法
【技術領域】：
[0001] 本發明屬于圖像處理與計算機視覺【技術領域】，具體涉及一種基于塊匹配的運動檢 測及降低錯誤率的方法。
【背景技術】：
[0002] 運動目標檢測是智能電視視頻的系統中各項智能分析處理的基礎與關鍵的所在， 他的目的是在序列圖像中檢測出變化的區域并將運動的目標從背景的圖像中提取出來，為 后續的運動目標識別、跟蹤以及行為分析，深度賦值等算法提供了支持。
[0003] 目前，常用的運動目標檢測算法主要有幀間差分法、光流法、背景差分法。其中幀 間差分法計算簡單實時性強，但是其計算誤差較大，無法處理背景移動的情況，應用范圍非 常受限。背景差分是通過提取場景中的特征數據來對該場景背景進行背景參考圖像的構 建，將當前幀與構建的背景參考圖像相減，再對差值結果進行閾值的判決，從而分割出運動 前景，其在計算速度與檢測精度上有著不錯的效果。但是背景差法檢測精度取決于背景圖 像構建的精度，即構建背景參考圖像時候需要能夠真實反映當前場景，且參數的實時更新 能否反映背景的變化，這些背景的變化有：光照的變化（包括緩慢的光照變化和光照的突 變等），背景中隨風擺動的樹葉、云、煙、雨、霧等運動的物體，以及攝像機的抖動和陰影問題 等，同時背景減法也不能處理背景運動的情況。由于構建背景參考的圖像需要考慮這些困 難的因素，使得目前構建一個不錯背景建模以及自適應的背景圖像更新算法成為一項比較 困難的工作。
[0004] 由于視頻序列圖像在時間上相鄰幀間具有較強的相關性，運動估計（ME)以及運 動補償（MC)技術可以有效的減少時間相關性。運動估計用來估計物體的位移，得到運動矢 量；運動補償根據得到的運動矢量，對前一幀中由于運動而產生的位移進行調整，從而得到 盡可能接近本幀的預測幀。因此運動估計算法越完善，估計出的運動矢量越準確，運動補償 性能就越好，從而使得預測誤差越小。
[0005] 塊匹配法是視頻壓縮中的算法，用以利用相鄰幀間的相關性來提高視頻的壓縮 t匕，但其中的塊匹配法的應用不知此，塊匹配法同樣可以用在運動檢測的算法中，因為圖像 中的運動物體在相鄰幀間存在位移關系，可以用向量表示，其長短就是運動的距離，通常情 況下前景物體的運動向量長度較長，而背景中的運動向量較短，從而利用塊匹配法可以有 效解決背景運動的場景，實用性較強。
【發明內容】
：
[0006] 本發明是針對解決背景移動的視頻中提取前景運動背景的算法，提供一種基于塊 匹配的運動檢測及降低錯誤率的方法，在視頻序列中幀與幀之間存在相同的信息，同一個 模塊在相鄰幀之間存在移動，從而產生移動向量；通常情況下前景的移動較快，背景移動較 慢，所以在相鄰幀間，前景的向量較長，背景的較短。
[0007] 本發明采用的技術方案是：
[0008] -種基于塊匹配的運動檢測及降低錯誤率的方法，其特征在于，主要包括以下步 驟：
[0009] (A):獲取圖像序列，包括t-Ι時刻、t時刻的幀圖像；
[0010] ⑶：對t-Ι時刻與t時刻的幀圖像進行塊匹配算法，找出每個block的運動向量；
[0011] (C):對t-i時刻到t時刻的向量進行異常點檢測，并予以修正；
[0012] (D):對修正后的圖像中的向量進行聚類。
[0013] 所述的一種基于塊匹配的運動檢測及降低錯誤率的方法，其特征在于，所述的步 驟B的具體步驟如下：
[0014] (1)對步驟A中提取的視頻圖像中的t-ι時刻、t時刻的圖像進行分割成M*N的宏 塊；
[0015] ⑵根據使SAD算法的值最小的準則，在t-ι幀或t幀中在給定的搜索范圍內找出 與當前塊最相似的塊，即匹配塊：
[0016] SAD(vx，vy) = Σ (x，y) eB| Ih(x，y)-It(x+vx，y+vy) | (1)
[0017] 其中It (x+vx, y+vy)為t時刻的巾貞圖像在（x+vx, y+vy)位置的灰度值，Ih (x, y)為 t_l時刻的幀圖像位于（x，y)位置的灰度值，\與vy是向量的橫坐標與縱坐標，B為圖像的 搜索范圍（search range);
[0018] (3)根據匹配塊與當前塊的相對位置計算出運動位移，所得運動位移即為當前運 動塊的運動矢量，計算出每個宏塊的運動向量vector (x,y) = (vx,vy)。
[0019] 所述的一種基于塊匹配的運動檢測及降低錯誤率的方法，其特征在于，所述的步 驟C的具體步驟如下：
[0020] (1)假設當前向量為V。向量，根據V(l向量周圍的八個向量判斷確定V(l向量是否為 異常向量，判斷標準為式（2):
[0021] D〇>Dm (2)；
[0022] 其中DQ= I k-v」I即vQ與周邊向量的均值Vni之差的模，Α?=|Σ?Ιν,_- v?ll即V。 的周邊向量與vm的差的模的均值，其中;
[0023] 若不符合判斷標準（2)，則根據公式（3)、（4)、（5)來對屬于異常向量的運動向量 進行修正，得到修正后的V。。；
【權利要求】
1. 一種基于塊匹配的運動檢測及降低錯誤率的方法，其特征在于，主要包括以下步 驟： ㈧：獲取圖像序列，包括t-i時刻、t時刻的幀圖像； (B) :對t-Ι時刻與t時刻的幀圖像進行塊匹配算法，找出每個block的運動向量； (C) :對t-Ι時刻到t時刻的向量進行異常點檢測，并予以修正； (D) :對修正后的圖像中的向量進行聚類。
2. 根據權利要求1所述的一種基于塊匹配的運動檢測及降低錯誤率的方法，其特征在 于，所述的步驟B的具體步驟如下： (1)對步驟A中提取的視頻圖像中的t-Ι時刻、t時刻的圖像進行分割成M*N的宏塊； ⑵根據使SAD算法的值最小的準則，在t-Ι幀或t幀中在給定的搜索范圍內找出與當 前塊最相似的塊，即匹配塊： SAD (vx, vy) = Σ (xj y) e BI It_! (x, y) -It (x+vx, y+vy) (1) 其中It(x+vx,y+vy)為t時刻的巾貞圖像在（x+vx,y+v y)位置的灰度值，Uxj)為t-1 時刻的幀圖像位于（x，y)位置的灰度值，\與\是向量的橫坐標與縱坐標，B為圖像的搜 索范圍； (3)根據匹配塊與當前塊的相對位置計算出運動位移，所得運動位移即為當前運動塊 的運動矢量，計算出每個宏塊的運動向量vector (x，y) = (vx，vy)，其中￥!￡與？7是向量的橫 坐標與縱坐標。
3. 根據權利要求1所述的一種基于塊匹配的運動檢測及降低錯誤率的方法，其特征在 于，所述的步驟C的具體步驟如下： ⑴假設當前向量為向量，根據V。向量周圍的八個向量判斷確定V。向量是否為異常 向量，判斷標準為式（2): D〇>Dffl (2)； 其中DQ = I I v^v」I即V。與周邊向量的均值差的模，=fEll V; - vm II |即V(l的 〇 /-1 周邊向量與vm的差的模的均值，其中; 若不符合（2)式的判斷標準，則根據公式（3)、（4)、（5)來對屬于異常向量的運動向量 進行修正，得到修正后的v。。；
其中⑶式中％。為修正后的％，（4)式中的$為修正后的D%與％的偏差在橫坐標與 縱坐標上的偏移量，（5)式的v%為修正后的向量vQ。
4. 根據權利要求1所述的一種基于塊匹配的運動檢測及降低錯誤率的方法，其特征在 于，所述的步驟D的具體步驟如下： (1) 前景與后景宏塊的移動距離是不同的，前景是運動物體，所以移動的向量長度相對 較長
其中，為前景物體的運動向量的模，為背景中的運動向量的模。 找到圖中最長向量丨涵^^^并將其所在的搜索范圍si設為前景； (2) 以si的邊界上的向量為中心，若以邊界上的向量為中心的搜索范圍內所有向量長 度與中心向量存在以下關系，則將該搜索范圍設定為前景S2 :
其中Μ匕^為搜索區域的中心、向量，W為搜索區域內除了中心、向量:以外的其他向 量，為中心向量及其周圍的八個向量的長度的平均長度； (3) 重復上述過程直到無法繼續擴張為止； (4) 在圖片剩余的向量中尋找新的丨并且重復上述過程。
【文檔編號】H04N5/14GK104123733SQ201410336731
【公開日】2014年10月29日 申請日期:2014年7月15日 優先權日:2014年7月15日
【發明者】解光軍, 衛偉, 楊依忠, 馬蘢, 丁繼生 申請人:合肥工業大學