專利名稱：基于運動目標(biāo)的反交錯方法
技術(shù)領(lǐng)域：
本發(fā)明屬于圖像/視頻處理領(lǐng)域，涉及電視圖像增強和視頻格式轉(zhuǎn)換，應(yīng)用于視頻壓縮編碼，濾波，計算機視覺，圖像恢復(fù)的處理。

背景技術(shù)：
目前，隔行掃描標(biāo)準(zhǔn)還廣泛地應(yīng)用于電視系統(tǒng)，它是壓縮電視信號帶寬的簡便方法。但是在高分辨率顯示器上，這種隔行掃描方式存在著行閃爍、行爬行、邊緣羽化或交錯等缺點，并且在視頻產(chǎn)業(yè)由模擬向數(shù)字轉(zhuǎn)化的過程中，越來越多的視頻設(shè)備已從模擬轉(zhuǎn)為數(shù)字?，F(xiàn)在的模擬電視標(biāo)準(zhǔn)是基于隔行掃描的，而一些數(shù)字設(shè)備，如圖像打印機、計算機、等離子顯示器等，需要逐行掃描的素材，因此就需要一種將隔行掃描視頻轉(zhuǎn)化為逐行掃描視頻的技術(shù)，即所謂的反交錯技術(shù)。該技術(shù)是一種通過對沒有信息的行進(jìn)行插值而將一場隔行掃描的視頻圖像變?yōu)橹鹦袙呙栊问降姆椒ā?br> 目前的反交錯方法按照插值方式的不同可以分為場內(nèi)插值和場間插值。
場內(nèi)插值包括行重復(fù)法和線性濾波法。這類方法是利用同一場中采樣點和插值點之間的相關(guān)性進(jìn)行插值的，所需要的存儲成本低，而且易于硬件實現(xiàn)，但不能提高畫面的垂直分辨率，而且由于抑制了高頻分量，使得畫面邊緣模糊。
場間插值法則至少需要存儲一場圖像，方法自由度的增加提高了反交錯的效果。場復(fù)制法(Weave)是簡單的場間插值方法，對于圖像中的靜止部分的反交錯效果良好，但對于運動部分，則會產(chǎn)生偽影。因此，人們又提出了各種針對運動自適應(yīng)的方法，例如基于中值濾波的方法(MF)、利用運動檢測的方法等，其中運動補償方法(motioncompensation，MC)是一種對運動自適應(yīng)的先進(jìn)方法。
與上述基于統(tǒng)計觀點的方法相比，運動補償方法有其物理背景物體具有慣性，它完全消失或改變形狀都需要一定的時間，因此相鄰圖像間具有很強的相關(guān)性。運動補償方法就是試圖在具有最高相關(guān)性的方向上插值，即沿運動軌跡插值。要進(jìn)行運動補償首先要進(jìn)行運動矢量估計，L.Vandendorpe等認(rèn)為塊匹配法是一種常用且易于實現(xiàn)的運動估計方法“L.Vandendorpe，L.Cuvelier，B.Maison，P.Queluz and P.Delogne，“Motion-compensated conversion from interlaced to progressive formats，”SignalProcessingImage Communication.vol.6，pp.193-211，Jun.1994.”，它假設(shè)塊內(nèi)各象素只作相同的平移運動。在很多視頻序列中，平移是最常見的運動形式，因此該方法取得了較好的效果。但是這個假設(shè)的局限性限制了方法性能的進(jìn)一步提高首先，塊的劃分是硬性的，在物體的邊緣處，塊的劃分與物體本身的自然變化是不適應(yīng)的，從而在運動目標(biāo)的邊緣容易產(chǎn)生塊狀鋸齒，即使在物體內(nèi)部，同一塊內(nèi)象素做同樣運動的假設(shè)也可能不成立，即存在塊內(nèi)象素運動不相同的混合塊；其次，塊匹配法僅適用于平移的情況，無法處理旋轉(zhuǎn)、尺度變換等復(fù)雜運動；最后，匹配準(zhǔn)則中一般僅能使用亮度信息，這又影響了運動估計的精度。所以如何克服塊匹配存在的固有缺陷成為提高反交錯方法性能的關(guān)鍵。


發(fā)明內(nèi)容
本發(fā)明的目的在于克服上述已有技術(shù)的不足，提出了一種基于運動目標(biāo)的反交錯方法，以解決塊匹配方法存在的固有缺陷，從而達(dá)到運算量和運動估計性能上的較好平衡。
技術(shù)方案 為實現(xiàn)上述目的，本發(fā)明基于運動目標(biāo)的反交錯方法包括如下步驟 (1)對輸入視頻序列，使用高階統(tǒng)計模型檢測出待處理場和參考場的運動區(qū)域和靜止部分； (2)對待處理場和參考場的運動區(qū)域，通過同性場的區(qū)域相與得到它們的運動物體，并用待處理場的運動區(qū)域減去它的運動物體得到顯露背景； (3)使用分水嶺算法對待處理場和參考場的運動物體進(jìn)行初始空間分割，根據(jù)空間分割結(jié)果中目標(biāo)具有運動像素的百分比，得到它們的運動目標(biāo)； (4)在參考場中選擇待處理場的運動目標(biāo)的候選匹配目標(biāo)集，并在選擇的候選匹配目標(biāo)集中使用免疫克隆選擇算法進(jìn)行搜索，得到該目標(biāo)的匹配目標(biāo)和運動矢量場； (5)使用運動矢量場對搜索到的匹配目標(biāo)的運動目標(biāo)，進(jìn)行基于時域中值濾波的運動補償； (6)通過線性濾波法對沒有搜索到匹配目標(biāo)的部分以及背景顯露部分進(jìn)行處理，使用場復(fù)制法對靜止部分進(jìn)行處理。
本發(fā)明具有如下優(yōu)點 1)由于基于運動目標(biāo)的反交錯方法是對目標(biāo)操作，而一個目標(biāo)通常包括很多塊，所以解決了混合塊的問題，并且該方法的運行時間一般少于運動補償?shù)娜阉鞣椒ā?br> 2)由于使用了多個特征來進(jìn)行匹配目標(biāo)的判定，提高了匹配運動目標(biāo)的精度，其顯著錯誤率要低于現(xiàn)有其它方法。
3)由于在定義的目標(biāo)匹配親合度函數(shù)中引入了旋轉(zhuǎn)因子和尺度變換因子，所以該方法可以同時處理平移、旋轉(zhuǎn)、尺度等變換的運動目標(biāo)。
4)由于在該方法中融合了運動補償、中值濾波、場復(fù)制、線性濾波等反交錯方法，更適應(yīng)于復(fù)雜多變的視頻序列。



圖1是發(fā)明模型中，基于運動目標(biāo)的反交錯方法的流程圖； 圖2是發(fā)明模型中，運動預(yù)檢測和后處理示意圖； 圖3是發(fā)明模型中，運動物體檢測示意圖； 圖4是發(fā)明模型中，運動物體檢測結(jié)果示意圖； 圖5是發(fā)明模型中，運動目標(biāo)提取示意圖； 圖6是發(fā)明模型中，4個序列全圖的PSNR曲線圖； 圖7是發(fā)明模型中，4個序列運動域的PSNR曲線圖。

具體實施例方式 本發(fā)明的核心思想是對運動目標(biāo)進(jìn)行反交錯操作，先按照視頻空間分割方法對待處理的圖像進(jìn)行區(qū)域分割，之后再結(jié)合運動物體檢測的結(jié)果獲得運動目標(biāo)，最后，對運動估計和運動補償。
參照圖1，本發(fā)明的具體步驟如下 步驟一，運動物體檢測。
1.用高階統(tǒng)計模型進(jìn)行運動預(yù)測。
本發(fā)明利用噪聲一般為高斯分布狀態(tài)的特點，在同性場間提取出非高斯信號，達(dá)到運動物體檢測的目的。
(1a)定義圖像場的光流亮度矩陣ik ik＝sk，n+mk+μk，n+nk 其中sk，n表示第k場相對于第n場的靜止背景部分，mk表示第k場的運動物體部分，μk，n表示第k場相對于第n場的背景顯露部分，nk表示第k場的攝像機噪聲和背景噪聲； (1b)根據(jù)光流亮度矩陣ik，計算同性場k＝n和k＝n-2時的絕對光流亮度矩陣差ddn，n-2 (1c)根據(jù)絕對光流亮度矩陣差ddn，n-2，計算圖像當(dāng)前區(qū)域的4階距
其中W為以

為中心的滑動窗口，Nw為此滑動窗口中的象素總數(shù)，

為ddn，n-2此窗口內(nèi)的抽樣均值； (1d)計算運動區(qū)域的比較門限γ1 γ1＝c(σn2)2 其中c為常數(shù)，σn2為噪聲方差； (1e)將四階距

與門限γ1進(jìn)行比較，判定運動區(qū)域和靜止區(qū)域，得到運動標(biāo)記圖
“1”代表(x，y)位置處為運動區(qū)域，否則為靜止區(qū)域。
2.運動預(yù)檢測的后處理。
光流場并不總是對應(yīng)于運動場。在實際應(yīng)用中，它存在兩個局限一是外部照明每幀都在變化時，即使沒有運動，光流也能被觀測到；二是對于紋理信息不足且兩場間有重疊的運動部分檢測不足，如圖2(a)所示，為運動預(yù)檢測圖，“golf”序列中人的腿部。數(shù)學(xué)形態(tài)學(xué)濾波可以降低過檢測運動標(biāo)記圖的背景噪聲，彌補由于紋理不足造成的運動檢測的“漏警”。如圖2(b)所示，為基于數(shù)學(xué)形態(tài)學(xué)的運動檢測的后處理結(jié)果。
3.運動物體檢測。
運動預(yù)檢測后，得到的運動部分包括運動物體和顯露的背景。要是對顯露背景也進(jìn)行目標(biāo)分割及檢測，將會大大增加不必要的運算量，因此要將真正的運動物體提取出來。運動物體提取的示意圖如圖3所示。其中，3(a)為第1場的運動物體；3(b)為第2場的運動物體；3(c)為第3場的運動物體；3(d)為第4場的運動物體；3(e)為第5場的運動物體；3(f)為第3場與第1場的運動檢測；3(g)為第3場與第1場的運動檢測；3(h)為第3場的運動物體；在待處理場與其它場進(jìn)行運動預(yù)檢測時，運動物體具有很高的相關(guān)性，理想情況下待處理場的運動物體會在每次的檢測結(jié)果中出現(xiàn)，而顯露的背景部分則具隨著物體的運動而不斷變化，如果兩次檢測的結(jié)果中顯露的背景部分不同，將它們相“與”運算就可得到待處理場的運動物體。
物體運動后顯露出的背景部分在參考場是找不到相匹配的部分的，因此對于顯露背景用線性濾波法進(jìn)行反交錯處理。待處理場的顯露背景是由在參考場中處于運動物體部分而在待處理場中不是運動物體的象素組成。圖4是“golf”序列的第5場和第6場的實驗結(jié)果。其中，4(a)為第5場原圖像；4(b)為第6場原圖像；4(c)為第5場的運動物體；4(e)為第6場的運動物體；4(f)為背景顯露部分。
步驟二運動目標(biāo)提取。
在進(jìn)行運動估計以前，無法獲得象素的運動矢量，因此空間相鄰的運動象素是否具有相同的運動矢量是無法判斷的。這里假設(shè)同一個運動目標(biāo)滿足勻質(zhì)性，這樣就可以先對待處理的圖像進(jìn)行空間分割，之后再結(jié)合運動物體檢測的結(jié)果得到運動目標(biāo)。
1.基于分水嶺方法的空域圖像分割。
用分水嶺變換方法進(jìn)行目標(biāo)的初始分割。圖5(a)顯示的就是用分水嶺方法對“golf”序列的第5場進(jìn)行初始分割的結(jié)果。
2.運動目標(biāo)提取。
(2a)定義空間分割的目標(biāo)集OS OS＝{O1，O2，O3，......，OM} 其中Oj為空間分割結(jié)果的第j個目標(biāo)，(1≤j≤M)； (2b)計算Oj具有運動像素的百分比r(Oj) 其中mj為Oj目標(biāo)中的運動像素，Mj為Oj目標(biāo)中的總像素； (2c)判斷Oj屬于運動目標(biāo)的條件為 其中t1為一個比較門限，MO(j)＝1表示Oj為運動目標(biāo)，否則不是運動目標(biāo)。
3后處理。
由于分水嶺方法常造成過分割，如圖5(b)的運動部分被分割為320個目標(biāo)。為了降低過分割的影響，對目標(biāo)面積占整幅圖面積的百分比小于某一閾值t2的目標(biāo)進(jìn)行合并或去除，即首先判斷該目標(biāo)是否有鄰接目標(biāo)，若沒有鄰接目標(biāo)，則認(rèn)為是孤立噪聲而直接去除，若有鄰接目標(biāo)，則將其歸入平均亮度最相近的目標(biāo)。圖5(c)為按照該合并準(zhǔn)則進(jìn)行后處理的結(jié)果，運動部分被分割為82個目標(biāo)。
步驟三，運動估計。
當(dāng)視頻中的運動目標(biāo)很多時，在運動估計前要先根據(jù)待處理場中目標(biāo)的一些特征在參考場選取該目標(biāo)的候選匹配目標(biāo)集。這樣就僅在該目標(biāo)的候選匹配目標(biāo)集中搜索該目標(biāo)的匹配目標(biāo)。當(dāng)候選目標(biāo)較多，尤其是目標(biāo)存在旋轉(zhuǎn)時，搜索匹配目標(biāo)需要大量的計算，為此，引入了免疫克隆選擇方法來加速匹配目標(biāo)的搜索過程。該過程包括兩個步驟 1.選擇候選匹配目標(biāo)集。
(1a)定義待處理場的第i個目標(biāo)相對參考場的第j個目標(biāo)的綜合指標(biāo)di，j di，j＝w×yi，j+(1-w)×ai，j 其中，yi，j，ai，j分別表示待處理場的第i個目標(biāo)與參考場的第j個目標(biāo)的相對平均亮度差和相對面積差，w為權(quán)系數(shù)； (1b)若di，j小于給定的閾值t3，則認(rèn)為參考場的第j個目標(biāo)屬于待處理場第i個目標(biāo)的候選匹配目標(biāo)集，否則不屬于匹配目標(biāo)集。
2.匹配目標(biāo)搜索。
先將選擇的候選匹配目標(biāo)集的每一個目標(biāo)作為進(jìn)一步搜索的基準(zhǔn)點，使用免疫克隆選擇算法進(jìn)行搜索，得到相對于該基準(zhǔn)點的最優(yōu)解和運動矢量場；然后將所有基準(zhǔn)點的最優(yōu)解進(jìn)行比較，得到最優(yōu)解的匹配目標(biāo)，若該最優(yōu)匹配目標(biāo)的匹配誤差小于某一個給定的閾值t4，則認(rèn)為找到了匹配目標(biāo)，否則認(rèn)為沒有找到匹配目標(biāo)。顯然這種方法是很耗時的，為此，本發(fā)明引入免疫克隆選擇方法來加速匹配區(qū)域的搜索過程。
利用免疫克隆方法進(jìn)行匹配目標(biāo)搜索需要解決2個問題，一是構(gòu)造合適的抗體-抗原親合度函數(shù)，二是將運動矢量的解編碼到抗體中。
(2a)構(gòu)造合適的親合度函數(shù)f(x，y，a，s) 其中，A、βB分別為待處理場的某一目標(biāo)、相應(yīng)候選匹配目標(biāo)集中以目標(biāo)B為基準(zhǔn)點的某一待匹配目標(biāo)，D(A，βB)為A、βB的一種匹配距離誤差，(x，y，a，s)構(gòu)成了解空間中待尋找的四個參數(shù)，(x，y)表示目標(biāo)βB的中心偏移基準(zhǔn)點B的位移，a為旋轉(zhuǎn)因子，s為尺度變換因子，M(βB)為運動因子 其中，m(A)表示待處理場的某一目標(biāo)中運動象素的個數(shù)，m(βB)表示候選匹配目標(biāo)集中以目標(biāo)B為基準(zhǔn)點的某一待匹配目標(biāo)中運動像素的個數(shù)； (2b)將運動矢量的解編碼到抗體串中。
設(shè)定解參數(shù)編碼串為ga＝{x，y，a，s}，對該編碼串中的每個參數(shù)采用二進(jìn)制編碼，參數(shù)(x，y)的搜索范圍分別為[-H，H]，[-W，W]，a與s為固定的常數(shù)。
步驟四，運動補償。
基于運動目標(biāo)的反交錯方法的最后一步為運動補償。對不同的部分采用不同的處理方法對靜止部分用場復(fù)制法進(jìn)行反交錯處理；對于搜索到匹配目標(biāo)的運動目標(biāo)進(jìn)行基于時域中值濾波的運動補償處理；沒有搜索到匹配目標(biāo)的部分以及背景顯露部分用線性濾波法進(jìn)行處理。
本發(fā)明的效果通過以下仿真進(jìn)一步說明 實驗中采用了背景噪聲較小并以水平運動為主要運動的“man”序列(URLhttp://www.cim.mcgill.ca/～mlamarre/particle_filter.html)，背景不光滑并以垂直運動為主要運動的“tennisl”序列(URL:http://sampl.eng.ohio-state.edu/～sampl/database.htm)，背景上存在草晃動且運動情況較復(fù)雜的“golf”序列，以及背景不光滑且運動復(fù)雜的“tennis2”序列(URL:http://sampl.eng.ohio-state.edu/～sampl/database.htm)分別作為測試信號，每個測試序列的一幅代表圖象如圖6所示。
a)性能評價準(zhǔn)則 在比較各種反交錯方法的性能時有主觀和客觀兩種評價方法，這里我們引入以逐行掃描視頻作為測試信號的客觀評價方法。首先從逐行掃描的幀序列中依次提取出奇場、偶場圖像，一幀提取一場，然后用反交錯方法對場圖像進(jìn)行處理，最后把處理結(jié)果與原逐行掃描的幀圖像進(jìn)行比較，以評價反交錯效果；若只有隔行掃描視頻，則只取隔行掃描視頻中的同性場，把它看作是逐行掃描的圖像，再按照逐行掃描視頻的方法進(jìn)行評價。
具體評價準(zhǔn)則采用峰值信噪比PSNR和顯著錯誤率。PSNR表征了圖像質(zhì)量的整體性能，而顯著錯誤率表示的是對視覺形成明顯影響的誤差。PSNR定義為 其中Gmax為最大灰度值，σ為噪聲圖的標(biāo)準(zhǔn)差。我們將計算圖像RGB三色分量的PSNR的平均值。而顯著錯誤率定義如下將原逐行掃描圖像A和被測試方法反交錯處理后的圖像B相比較，對應(yīng)像素差的絕對值大于某一給定的容忍閾值t的所有象素占圖像總像素數(shù)的百分比定義為顯著錯誤率 b)實驗結(jié)果與分析 表1列出了實驗中各閾值的取值。
表2列出了實驗結(jié)果的統(tǒng)計量，其中運行時間相對于全搜索法時間進(jìn)行了歸一化。
圖6為4個序列全圖的PSNR的曲線圖。其中，圖6(a)為人序列；圖6(b)為乒乓球序列1；圖6(c)為高爾夫序列；圖6(d)為乒乓球序列2。
圖7為4個序列運動域的PSNR的曲線圖。其中，圖7(a)為人序列的運動部分；圖7(b)為乒乓球序列1的運動部分；圖7(c)為高爾夫序列的運動部分；圖7(d)為乒乓球序列2的運動部分。由圖6、圖7、表2可得到如下幾條結(jié)論 對于以水平運動為主要運動的“man”序列，運動自適應(yīng)的三種方法要優(yōu)于Weave法或Bob法，DA-MO的平均PSNR高于BM-FS或MF，但是DA-MO穩(wěn)定性要差些； 對于以垂直運動為主要運動的“tennisl”序列，DA-MO的平均PSNR要遠(yuǎn)大于BM-FS或MF，此外，Weave法的性能也較好。這是因為“tennisl”序列的背景不光滑，并且運動區(qū)域較小，靜止部分所占的比例很大，這種情況下場重復(fù)操作的優(yōu)越性得以體現(xiàn)。而在運動區(qū)域，運動自適應(yīng)的方法則優(yōu)于Weave法； 對于運動比較復(fù)雜的室外“golf”序列，在原逐行掃描的視頻中，它的大部分草地背景上就存在輕微的變化，因此就整體的PSNR而言MF的性能最好，Weave法的性能在運動區(qū)域很小的15-20場較好，而在運動區(qū)域，DA-MO方法還是優(yōu)于其它方法的；對于“tennis2”序列，序列中的主要運動物體的運動比較復(fù)雜，且存在較多的變形運動，并且它的背景與“tennisl”序列一樣，也不光滑，因此DA-MO和Weave法的整體性能較優(yōu)，在運動區(qū)域，DA-MO方法優(yōu)于其它運動自適應(yīng)方法。
表1 實驗中閾值的取值
表2 測試實驗結(jié)果統(tǒng)計表

權(quán)利要求
1.一種基于運動目標(biāo)的反交錯方法，包括如下步驟
(1)對輸入視頻序列，使用高階統(tǒng)計模型檢測出待處理場和參考場的運動區(qū)域和靜止部分；
(2)對待處理場和參考場的運動區(qū)域，通過同性場的區(qū)域相與得到它們的運動物體，并用待處理場的運動區(qū)域減去它的運動物體得到顯露背景；
(3)使用分水嶺算法對待處理場和參考場的運動物體進(jìn)行初始空間分割，根據(jù)空間分割結(jié)果中目標(biāo)具有運動像素的百分比，得到它們的運動目標(biāo)；
(4)在參考場中選擇待處理場的運動目標(biāo)的候選匹配目標(biāo)集，并在選擇的候選匹配目標(biāo)集中使用免疫克隆選擇算法進(jìn)行搜索，得到該目標(biāo)的匹配目標(biāo)和運動矢量場；
(5)使用運動矢量場對搜索到的匹配目標(biāo)的運動目標(biāo)，進(jìn)行基于時域中值濾波的運動補償；
(6)通過線性濾波法對沒有搜索到匹配目標(biāo)的部分以及背景顯露部分進(jìn)行處理，使用場復(fù)制法對靜止部分進(jìn)行處理。
2.按權(quán)利要求1所述的方法，其中步驟(1)所述的“使用高階統(tǒng)計模型檢測出待處理場和參考場的運動區(qū)域和靜止部分”，按如下步驟進(jìn)行
(2a)定義圖像場的光流亮度矩陣ik
ik＝sk，n+mk+μk，n+nk
其中sk，n表示第k場相對于第n場的靜止背景部分，mk表示第k場的運動物體部分，μk，n表示第k場相對于第n場的背景顯露部分，nk表示第k場的攝像機噪聲和背景噪聲；
(2b)根據(jù)光流亮度矩陣ik，計算同性場k＝n和k＝n-2時的絕對光流亮度矩陣差ddn，n-2
(2c)根據(jù)絕對光流亮度矩陣差ddn，n-2，計算圖像當(dāng)前區(qū)域的4階距
其中W為以
為中心的滑動窗口，NW為此滑動窗口中的象素總數(shù)，
為ddn，n-2在此窗口內(nèi)的抽樣均值；
(2d)計算運動區(qū)域的比較門限γ1
γ1＝c(σn2)2
其中c為常數(shù)，σn2為噪聲方差；
(2e)將四階距
與門限γ1進(jìn)行比較，判定運動區(qū)域和靜止區(qū)域，得到運動標(biāo)記圖
“1”代表(x，y)位置處為運動區(qū)域，否則為靜止區(qū)域。
3.按權(quán)利要求1所述的方法，其中步驟(3)所述的“根據(jù)空間分割結(jié)果中目標(biāo)具有運動像素的百分比，得到它們的運動目標(biāo)”，按如下步驟進(jìn)行
(3a)定義空間分割的目標(biāo)集OS
OS＝{O1，O2，O3，.......，OM}
其中Oj為空間分割結(jié)果的第j個目標(biāo)，(1≤j≤M)；
(3b)計算Oj具有運動像素的百分比r(Oj)
其中mj為Oj目標(biāo)中的運動像素，Mj為Oj目標(biāo)中的總像素；
(3c)判斷Oj屬于運動目標(biāo)的條件為
其中t1為一個比較門限，MO(j)＝1表示Oj為運動目標(biāo)，否則不是運動目標(biāo)。
4.按權(quán)利要求1所述的方法，其中步驟(4)所述的“在參考場中選擇待處理場的運動目標(biāo)的候選匹配目標(biāo)集”，按如下步驟進(jìn)行
(4a)定義待處理場的第i個目標(biāo)相對參考場的第j個目標(biāo)的綜合指標(biāo)di，j
di，j＝w×yi，j+(1-w)×ai，j
其中，yi，j，ai，j分別表示待處理場的第i個目標(biāo)與參考場的第j個目標(biāo)的相對平均亮度差和相對面積差，w為權(quán)系數(shù)；
(4b)若di，j小于給定的閾值t3，則認(rèn)為參考場的第j個目標(biāo)屬于待處理場第i個目標(biāo)的候選匹配目標(biāo)集，否則不屬于。
5.按權(quán)利要求1所述的方法，其中步驟(5)所述的“在選擇的候選匹配目標(biāo)集中使用免疫克隆選擇算法進(jìn)行搜索，得到該目標(biāo)的匹配目標(biāo)和運動矢量場”，是先將選擇的候選匹配目標(biāo)集的每一個目標(biāo)作為進(jìn)一步搜索的基準(zhǔn)點，使用免疫克隆選擇算法進(jìn)行搜索，得到相對于該基準(zhǔn)點的最優(yōu)解和運動矢量場；然后將所有基準(zhǔn)點的最優(yōu)解進(jìn)行比較，得到最優(yōu)解的匹配目標(biāo)，若該最優(yōu)匹配目標(biāo)的匹配誤差小于某一個給定的閾值t4，則認(rèn)為找到了匹配目標(biāo)，否則認(rèn)為沒有找到匹配目標(biāo)。
6.按權(quán)利要求5所述的方法，其中步驟(5)所述的“使用免疫克隆選擇算法進(jìn)行搜索”，按如下步驟進(jìn)行
(6a)構(gòu)造合適的親合度函數(shù)f(x，y，a，s)
其中，A、βB分別為待處理場的某一目標(biāo)、相應(yīng)候選匹配目標(biāo)集中以目標(biāo)B為基準(zhǔn)點的某一待匹配目標(biāo)，D(A，βB)為A、βB的一種匹配距離誤差，(x，y，a，s)構(gòu)成了解空間中待尋找的四個參數(shù)，(x，y)表示目標(biāo)βB的中心偏移基準(zhǔn)點B的位移，a為旋轉(zhuǎn)因子，s為尺度變換因子，M(βB)為運動因子
其中，m(A)表示待處理場的某一目標(biāo)中運動象素的個數(shù)，m(βB)表示候選匹配目標(biāo)集中以目標(biāo)B為基準(zhǔn)點的某一待匹配目標(biāo)中運動像素的個數(shù)；
(6b)將運動矢量的解編碼到抗體串中
設(shè)定解參數(shù)編碼串為ga＝{x，y，a，s}，對該編碼串中的每個參數(shù)采用二進(jìn)制編碼，參數(shù)(x，y)的搜索范圍分別為[-H，H]，[-W，W]，a與s為固定的常數(shù)。
全文摘要
本發(fā)明公開了一種基于運動目標(biāo)的反交錯方法。其步驟為對輸入視頻序列，通過運動物體檢測得到待處理場的運動物體、顯露背景、靜止區(qū)域以及參考場的運動物體；對待處理場和參考場的運動物體進(jìn)行初始空間分割，并將運動物體和空間分割相結(jié)合，提取它們的運動目標(biāo)；在參考場中選擇待處理場的運動目標(biāo)的候選匹配目標(biāo)集，使用免疫克隆選擇算法進(jìn)行搜索，得到該目標(biāo)的匹配目標(biāo)和運動矢量場；對搜索到的匹配目標(biāo)的運動目標(biāo)，進(jìn)行基于時域中值濾波的運動補償，對沒有搜索到匹配目標(biāo)的部分以及背景顯露部分用線性濾波法進(jìn)行處理，靜止部分用場復(fù)制法處理。本發(fā)明具有運動估計準(zhǔn)確，時間復(fù)雜度低的優(yōu)點，用于壓縮編碼，濾波，計算機視覺和圖像恢復(fù)領(lǐng)域。
文檔編號H04N5/14GK101483713SQ20091002094
公開日2009年7月15日 申請日期2009年1月16日 優(yōu)先權(quán)日2009年1月16日
發(fā)明者高新波, 文 路, 王旭宇, 何力火, 妮 劉 申請人:西安電子科技大學(xué)