專利名稱：基于馬爾科夫鏈模型的可伸縮性視頻編解碼系統(tǒng)運(yùn)動(dòng)估計(jì)方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種基于馬爾科夫鏈模型的可伸縮性視頻編解碼系統(tǒng)運(yùn)動(dòng)估計(jì)方法，屬于圖像處理領(lǐng)域。

背景技術(shù)：
隨著計(jì)算機(jī)技術(shù)和通信技術(shù)的發(fā)展，人們對(duì)視頻信息的需求不斷增長，要求也越來越多樣化，傳統(tǒng)的視頻編碼方法無法根據(jù)用戶需求和網(wǎng)絡(luò)條件動(dòng)態(tài)地調(diào)整數(shù)據(jù)流，因此不能很好地適應(yīng)目前的網(wǎng)絡(luò)傳輸狀況。于是可伸縮性視頻編碼(SVC)便應(yīng)運(yùn)而生，并且成為近幾年視頻編碼領(lǐng)域的研究熱點(diǎn)，取得了顯著的研究成果。
目前，可伸縮性視頻編解碼系統(tǒng)中主要有基于離散余弦變換(DCT)和離散小波變換(DWT)兩大類，由于采用DWT在低碼率情況下不會(huì)出現(xiàn)明顯的塊效應(yīng)，而且隨著小波理論的日益成熟，基于離散小波變換DWT的編碼技術(shù)得到越來越多的研究。
基于小波的可伸縮性視頻編解碼系統(tǒng)主要由三大部分組成編碼器、提取器和解碼器。其中，編碼器是實(shí)現(xiàn)系統(tǒng)可伸縮性能關(guān)鍵環(huán)節(jié)，也是系統(tǒng)中運(yùn)算復(fù)雜度最高，最復(fù)雜其最耗時(shí)的部分，編碼器基本結(jié)構(gòu)框圖如圖1所示。輸入視頻序列經(jīng)過編碼器通過對(duì)原始視頻序列進(jìn)行運(yùn)動(dòng)估計(jì)/運(yùn)動(dòng)補(bǔ)償時(shí)域?yàn)V波(MCTF，Motion Compensation Temporal Filtering)以去除時(shí)間冗余信息，同時(shí)實(shí)現(xiàn)了時(shí)間可伸縮性；通過對(duì)MCTF結(jié)構(gòu)中各高通幀(多幀)及低通幀(1幀)進(jìn)行二維離散小波變換DWT操作實(shí)現(xiàn)原始視頻序列空間冗余信息的去除；通過對(duì)低通幀和高通幀DWT變換后的小波系數(shù)進(jìn)行三維質(zhì)量伸縮性編碼實(shí)現(xiàn)PSNR可伸縮性。最后進(jìn)行編碼數(shù)據(jù)流組織、輸出。
如上所述，編碼器中需要完成運(yùn)動(dòng)估計(jì)/運(yùn)動(dòng)補(bǔ)償時(shí)域?yàn)V波、離散小波變換及小波系數(shù)的可伸縮性編碼等幾個(gè)緊密相連的主要操作。其中，第一個(gè)環(huán)節(jié)中運(yùn)動(dòng)估計(jì)算法的優(yōu)劣對(duì)編碼器性能的影響至關(guān)重要，該技術(shù)的優(yōu)劣直接影響整個(gè)系統(tǒng)的編解碼效率，而且也是編碼器中最耗時(shí)的部分?，F(xiàn)有視頻編解碼系統(tǒng)中所用運(yùn)動(dòng)估計(jì)算法都是采用對(duì)最優(yōu)運(yùn)動(dòng)矢量預(yù)測(cè)后搜索的預(yù)測(cè)式塊匹配運(yùn)動(dòng)估計(jì)，近年來，相繼提出的光流法、像素遞歸法、統(tǒng)計(jì)分析法、變換域分析方法、塊匹配法，都從不同角度為提高運(yùn)動(dòng)估計(jì)的效果取得了一系列研究成果。由于基于塊匹配法運(yùn)動(dòng)估計(jì)技術(shù)在估計(jì)的精度和算法復(fù)雜度之間提供了很好的折衷，因此應(yīng)用最為廣泛。并且，在目前的視頻編碼相關(guān)標(biāo)準(zhǔn)H.26L、MPEG-X中得到了采用。其中，MVFAST(Motion Vector Field Adaptive Search Technique)運(yùn)動(dòng)估計(jì)方法已于2001年被采納為MPEG4 Part7運(yùn)動(dòng)估計(jì)的核心算法。PMVFAST(Predictive Motion Vector Field Adaptive Search Technique)算法是MVFAST算法的一種改進(jìn)算法。
而現(xiàn)有預(yù)測(cè)式運(yùn)動(dòng)估計(jì)算法中的預(yù)測(cè)方法——MVFAST、PMVFAST及其衍生算法都是建立在對(duì)運(yùn)動(dòng)矢量統(tǒng)計(jì)分析的一些經(jīng)驗(yàn)性結(jié)論的基礎(chǔ)之上，如運(yùn)動(dòng)矢量分布的中心偏離特性及中值偏離特性等，并沒有一個(gè)完善的理論基礎(chǔ)。視頻序列中各宏塊的運(yùn)動(dòng)性質(zhì)的變化是一個(gè)隨機(jī)波動(dòng)的過程，視頻運(yùn)動(dòng)本身具有時(shí)間、空間的一致性，采用MVFAST、PMVFAST算法進(jìn)行運(yùn)動(dòng)估計(jì)，編碼器及整個(gè)編解碼系統(tǒng)的編碼效率低，運(yùn)算速度低。


發(fā)明內(nèi)容
本發(fā)明的目的是解決采用MVFAST、PMVFAST算法進(jìn)行運(yùn)動(dòng)估計(jì)，編碼器及整個(gè)編解碼系統(tǒng)的編碼效率低，運(yùn)算速度低的問題，提供了一種基于馬爾科夫鏈模型的可伸縮性視頻編解碼系統(tǒng)運(yùn)動(dòng)估計(jì)方法。
本發(fā)明方法包括以下步驟 步驟一、將測(cè)試序列建立馬爾科夫鏈模型， 將輸入視頻中的每一幀分成多個(gè)宏塊，所有幀相同位置的宏塊構(gòu)成一個(gè)馬爾科夫鏈，一個(gè)馬爾科夫鏈當(dāng)前宏塊的狀態(tài)空間SM表示為 SM＝{S1，S2，S3}＝{(mvx1，mvy1)，(mvx2，mvy2)，(mvx3，mvy3)}， 式中，S1＝(mvx1，mvy1)為前一幀相同位置的參考矢量，S2＝(mvx2，mvy2)為零矢量，S3＝(mvx3，mvy3)為空間預(yù)測(cè)中值矢量， 步驟二、所述測(cè)試序列的馬爾科夫鏈下一個(gè)宏塊的預(yù)測(cè)狀態(tài)Si為 其中，為測(cè)試序列的狀態(tài)轉(zhuǎn)移矩陣， P(S1)為當(dāng)前幀宏塊狀態(tài)為S1的概率， P(S2)為當(dāng)前幀宏塊狀態(tài)為S2的概率， P(S3)為當(dāng)前幀宏塊狀態(tài)為S3的概率， 步驟三、所述測(cè)試序列的馬爾科夫鏈下一個(gè)宏塊的預(yù)測(cè)運(yùn)動(dòng)矢量為當(dāng)前宏塊狀態(tài)空間SM中與Si對(duì)應(yīng)的矢量。
本發(fā)明的優(yōu)點(diǎn)本發(fā)明的方法在視頻重構(gòu)質(zhì)量方面與MVFAST、PMVFAST算法相當(dāng)，但是運(yùn)動(dòng)估計(jì)的運(yùn)算速度有了很大的提高。



圖1是基于小波的可伸縮性視頻編解碼系統(tǒng)的編碼器的基本框圖，圖2是本發(fā)明方法流程圖，圖3是測(cè)試點(diǎn)預(yù)測(cè)的馬爾科夫鏈狀態(tài)轉(zhuǎn)換圖，圖4是基于二叉樹結(jié)構(gòu)的二類分類器構(gòu)建多類分類器結(jié)構(gòu)示意圖，圖5是Coastguard序列的加速倍數(shù)曲線，圖6是Foreman序列的加速倍數(shù)曲線，圖7是Highway序列的加速倍數(shù)曲線，圖8是Bus序列的加速倍數(shù)曲線，圖9是Mobile序列的加速倍數(shù)曲線，圖10是Carphone序列的加速倍數(shù)曲線，圖11是Coastguard序列重構(gòu)圖像PSNR曲線，圖12是Foreman序列重構(gòu)圖像PSNR曲線，圖13是Highway序列重構(gòu)圖像PSNR曲線，圖14是Bus序列重構(gòu)圖像PSNR曲線，圖15是Mobile序列重構(gòu)圖像PSNR曲線，圖16是Carphone序列重構(gòu)圖像PSNR曲線。

具體實(shí)施例方式具體實(shí)施方式
一下面結(jié)合圖1至圖16說明本實(shí)施方式，本實(shí)施方式方法包括以下步驟 步驟一、將測(cè)試序列建立馬爾科夫鏈模型， 將輸入視頻中的每一幀分成多個(gè)宏塊，所有幀相同位置的宏塊構(gòu)成一個(gè)馬爾科夫鏈，一個(gè)馬爾科夫鏈當(dāng)前宏塊的狀態(tài)空間SM表示為 SM＝{S1，S2，S3}＝{(mvx1，mvy1)，(mvx2，mvy2)，(mvx3，mvy3)}， 式中，S1＝(mvx1，mvy1)為前一幀相同位置的參考矢量，S2＝(mvx2，mvy2)為零矢量，S3＝(mvx3，mvy3)為空間預(yù)測(cè)中值矢量， 步驟二、所述測(cè)試序列的馬爾科夫鏈下一個(gè)宏塊的預(yù)測(cè)狀態(tài)Si為 其中，為測(cè)試序列的狀態(tài)轉(zhuǎn)移矩陣， P(S1)為當(dāng)前幀宏塊狀態(tài)為S1的概率， P(S2)為當(dāng)前幀宏塊狀態(tài)為S2的概率， P(S3)為當(dāng)前幀宏塊狀態(tài)為S3的概率， 測(cè)試序列的狀態(tài)轉(zhuǎn)移矩陣的獲得方法為 步驟a、采用八個(gè)基于二叉樹結(jié)構(gòu)的二類分類器構(gòu)建多類分類器，分別為第一二類分類器、第二二類分類器、……、第八二類分類器， 步驟b、以Foreman序列的視頻作為訓(xùn)練樣本，獲得多類分類器中八個(gè)二類分類器的正確分類概率Pi，其中i＝1，2，……，8，即 P1為第一二類分類器的正確分類率，P2為第二二類分類器的正確分類率， P3為第三二類分類器的正確分類率，P4為第四二類分類器的正確分類率， P5為第五二類分類器的正確分類率，P6為第六二類分類器的正確分類率， P7為第七二類分類器的正確分類率，P8為第八二類分類器的正確分類率， 步驟c、測(cè)試序列的狀態(tài)轉(zhuǎn)移矩陣的九個(gè)元素利用如下公式計(jì)算，進(jìn)而獲得狀態(tài)轉(zhuǎn)移矩陣 Z11＝(P11·P1+P12·(1-P1))·(P21·P2+P22·(1-P2))(1) Z12＝(P11·P1+P12·(1-P1))· (2)(P22·P2+P21·(1-P2))(P41·P4+P42·(1-P4)) Z13＝(P11·P1+P12·(1-P1))· (3)(P22·P2+P21·(1-P2))(P42·P4+P41·(1-P4)) Z21＝(P12·P1+P11·(1-P1))· (4)(P31·P3+P32·(1-P3))(P51·P5+P52·(1-P5)) Z22＝(P12·P1+P11·(1-P1))·(P31·P3+P32·(1-P3))·(5)(P52·P5+P51·(1-P5))·(P71·P7+P72·(1-P7)) Z23＝(P12·P1+P11·(1-P1))·(P31·P3+P32·(1-P3))·(6)(P52·P5+P51·(1-P5))·(P72·P7+P71·(1-P7)) Z31＝(P12·P1+P11·(1-P1))· (7)(P31·P3+P32·(1-P3))·(P61·P6+P62·(1-P6)) Z32＝(P12·P1+P11·(1-P1))·(P31·P3+P32·(1-P3))·(8)(P62·P6+P61·(1-P6))·(P81·P8+P82·(1-P8)) Z33＝(P12·P1+P11·(1-P1))·(P31·P3+P32·(1-P3))·(9)(P62·P6+P61·(1-P6))·(P82·P8+P81·(1-P8)) 其中， P11為第一二類分類器的正類樣本分配概率， P12為第一二類分類器的負(fù)類樣本分配概率，P12＝1-P11， P21為第二二類分類器的正類樣本分配概率， P22為第二二類分類器的負(fù)類樣本分配概率，P22＝1-P21， P31為第三二類分類器的正類樣本分配概率， P32為第三二類分類器的負(fù)類樣本分配概率，P32＝1-P31， P41為第四二類分類器的正類樣本分配概率， P42為第四二類分類器的負(fù)類樣本分配概率，P42＝1-P41， P51為第五二類分類器的正類樣本分配概率， P52為第五二類分類器的負(fù)類樣本分配概率，P52＝1-P51， P61為第六二類分類器的正類樣本分配概率， P62為第六二類分類器的負(fù)類樣本分配概率，P62＝1-P61， P71為第七二類分類器的正類樣本分配概率， P72為第七二類分類器的負(fù)類樣本分配概率，P72＝1-P71， P81為第八二類分類器的正類樣本分配概率， P82為第八二類分類器的負(fù)類樣本分配概率，P82＝1-P81， P11、P21、P31、P41、P51、P61、P71和P81是由測(cè)試序列的前3-5幀利用全搜索運(yùn)動(dòng)估計(jì)統(tǒng)計(jì)出。
步驟三、所述測(cè)試序列的馬爾科夫鏈下一個(gè)宏塊的預(yù)測(cè)運(yùn)動(dòng)矢量為當(dāng)前宏塊狀態(tài)空間SM中與Si對(duì)應(yīng)的矢量。
下面給出一個(gè)具體實(shí)施例對(duì)本發(fā)明方法進(jìn)行說明 設(shè)定測(cè)試序列為Football序列，首先建立馬爾科夫鏈模型，將輸入視頻中的每一幀分成多個(gè)宏塊，所有幀相同位置的宏塊構(gòu)成一個(gè)馬爾科夫鏈，一個(gè)馬爾科夫鏈當(dāng)前宏塊的狀態(tài)空間SM表示為 SM＝{S1，S2，S3}＝{(mvx1，mvy1)，(mvx2，mvy2)，(mvx3，mvy3)}， 式中，S1＝(mvx1，mvy1)為前一幀相同位置的參考矢量，S2＝(mvx2，mvy2)為零矢量，S3＝(mvx3，mvy3)為空間預(yù)測(cè)中值矢量。
在馬爾科夫鏈中，下一個(gè)宏塊的運(yùn)動(dòng)狀態(tài)轉(zhuǎn)換圖如圖3所示，狀態(tài)S1的下一個(gè)宏塊的運(yùn)動(dòng)狀態(tài)可能有三種——S1、S2、S3，至于能轉(zhuǎn)換成什么狀態(tài)，按公式 進(jìn)行估計(jì)。
P(S1)為當(dāng)前幀宏塊狀態(tài)為S1的概率，P(S2)為當(dāng)前幀宏塊狀態(tài)為S2的概率，P(S3)為當(dāng)前幀宏塊狀態(tài)為S3的概率，P(S1)、P(S2)和P(S3)為已知量，現(xiàn)在只需要知道狀態(tài)轉(zhuǎn)移矩陣即可預(yù)測(cè)馬爾科夫鏈中下一宏塊的運(yùn)動(dòng)狀態(tài)，完成運(yùn)動(dòng)估計(jì)。
不同測(cè)試序列的狀態(tài)轉(zhuǎn)移矩陣是不同的，我們構(gòu)建如圖4所示的多類分類器，所述多類分類器包括八個(gè)二類分類器SVM，每個(gè)二類分類器的正確分類率是不同的，先用Foreman序列的視頻作為訓(xùn)練樣本獲得，這樣第一二類分類器的正確分類率P1、第二二類分類器的正確分類率P2、第三二類分類器的正確分類率P3，第四二類分類器的正確分類率P4、第五二類分類器的正確分類率P5、第六二類分類器的正確分類率P6、第七二類分類器的正確分類率P7、第八二類分類器的正確分類率P8就確定了，F(xiàn)oreman序列中存在運(yùn)動(dòng)性質(zhì)豐富的各種類型宏塊，而且其相應(yīng)分布也和自然世界中視頻場(chǎng)景的分布類似，其正態(tài)分布中運(yùn)動(dòng)中等、較平緩的視頻場(chǎng)景(宏塊)較多，而運(yùn)動(dòng)劇烈和靜止(準(zhǔn)靜止)的視頻場(chǎng)景(宏塊)相對(duì)較少，基本成正態(tài)分布，比較具有代表性，因此，用Foreman序列樣本訓(xùn)練八個(gè)二類分類器的正確分類率。經(jīng)過具體訓(xùn)練，可得出P1＝0.16、P2＝0.154、P3＝0.266，P4＝0.278、P5＝0.233、P6＝0.298、P7＝0.314、P8＝0.303。
本具體實(shí)施例中給出一個(gè)屬于Football的序列作為測(cè)試序列，取出它的前三幀視頻放入多類分類器中進(jìn)行測(cè)試，得出每個(gè)二類分類器的正類樣本分配概率為P11＝0.32513、P21＝0.427、P31＝0.398、P41＝0.427、P51＝0.233、P61＝0.334、P71＝0.491、P81＝0.303，根據(jù)每個(gè)二類分類器的正類樣本分配概率可得出每個(gè)二類分類器的負(fù)類樣本分配概率P12＝0.67487、P22＝0.573、P32＝0.602、P42＝0.573、P52＝0.767、P62＝0.666、P72＝0.509、P82＝0.697。
將每個(gè)二類分類器的正確分類率及正類/負(fù)類分配概率代入公式(1)——公式(9)，進(jìn)而計(jì)算出所述多類分類器的九個(gè)輸出概率，形成狀態(tài)轉(zhuǎn)移矩陣為 獲得Football測(cè)試序列的狀態(tài)矩陣后，就可以快速的按照公式 預(yù)測(cè)馬爾科夫鏈中下一宏塊的運(yùn)動(dòng)狀態(tài)了。
其它的測(cè)試序列的運(yùn)動(dòng)狀態(tài)估計(jì)與Football序列相同。
本發(fā)明的運(yùn)動(dòng)估計(jì)方法的估計(jì)速度很理想，與MVFAST和PMVFAST相比有了很大的提高，為了驗(yàn)證改進(jìn)本發(fā)明方法的有效性，對(duì)Coastguard序列，F(xiàn)oreman序列，Highway序列，Bus序列，Mobile序列，Carphone序列分別用MVFAST、PMVFAST和本發(fā)明方法進(jìn)行了測(cè)試，得到了各算法相對(duì)全搜索FS算法的加速倍數(shù)如表1、圖5至圖10所示，以及各自重構(gòu)圖像質(zhì)量的PSNR值如表2、圖11至圖16所示。
表1相對(duì)全搜索運(yùn)動(dòng)估計(jì)FS的加速倍數(shù)對(duì)比(％)
表2PSNR值對(duì)比(dB)
從表1和表2可以看出，本發(fā)明方法的峰值信噪比PSNR值與MVFAST和PMVFAST的峰值信噪比PSNR值基本相當(dāng)，即能保證視頻重構(gòu)質(zhì)量，而加倍速度有了很大的提高。
權(quán)利要求
1.基于馬爾科夫鏈模型的可伸縮性視頻編解碼系統(tǒng)運(yùn)動(dòng)估計(jì)方法，其特征在于，該方法包括以下步驟
步驟一、將測(cè)試序列建立馬爾科夫鏈模型，
將輸入視頻中的每一幀分成多個(gè)宏塊，所有幀相同位置的宏塊構(gòu)成一個(gè)馬爾科夫鏈，一個(gè)馬爾科夫鏈當(dāng)前宏塊的狀態(tài)空間SM表示為
SM＝{S1，S2，S3}＝{(mvx1，mvy1)，(mvx2，mvy2)，(mvx3，mvy3)}，
式中，S1＝(mvx1，mvy1)為前一幀相同位置的參考矢量，S2＝(mvx2，mvy2)為零矢量，S3＝(mvx3，mvy3)為空間預(yù)測(cè)中值矢量，
步驟二、所述測(cè)試序列的馬爾科夫鏈下一個(gè)宏塊的預(yù)測(cè)狀態(tài)Si為
其中，為測(cè)試序列的狀態(tài)轉(zhuǎn)移矩陣，
P(S1)為當(dāng)前幀宏塊狀態(tài)為S1的概率，
P(S2)為當(dāng)前幀宏塊狀態(tài)為S2的概率，
P(S3)為當(dāng)前幀宏塊狀態(tài)為S3的概率，
步驟三、所述測(cè)試序列的馬爾科夫鏈下一個(gè)宏塊的預(yù)測(cè)運(yùn)動(dòng)矢量為當(dāng)前宏塊狀態(tài)空間SM中與Si對(duì)應(yīng)的矢量。
2.根據(jù)權(quán)利要求1所述的基于馬爾科夫鏈模型的可伸縮性視頻編解碼系統(tǒng)運(yùn)動(dòng)估計(jì)方法，其特征在于，步驟二中測(cè)試序列的狀態(tài)轉(zhuǎn)移矩陣的獲得方法為
步驟a、采用八個(gè)基于二叉樹結(jié)構(gòu)的二類分類器構(gòu)建多類分類器，分別為第一二類分類器、第二二類分類器、……、第八二類分類器，
步驟b、以Foreman序列的視頻作為訓(xùn)練樣本，獲得多類分類器中八個(gè)二類分類器的正確分類概率Pi，其中i＝1，2，……，8，即
P1為第一二類分類器的正確分類率，P2為第二二類分類器的正確分類率，
P3為第三二類分類器的正確分類率，P4為第四二類分類器的正確分類率，
P5為第五二類分類器的正確分類率，P6為第六二類分類器的正確分類率，
P7為第七二類分類器的正確分類率，P8為第八二類分類器的正確分類率，
步驟c、測(cè)試序列的狀態(tài)轉(zhuǎn)移矩陣的九個(gè)元素利用如下公式計(jì)算，進(jìn)而獲得狀態(tài)轉(zhuǎn)移矩陣
Z11＝(P11·P1+P12·(1-P1))·(P21·P2+P22·(1-P2))，
Z12＝(P11·P1+P12·(1-P1))·
(P22·P2+P21·(1-P2))(P41·P4+P42·(1-P4))’
Z13＝(P11·P1+P12·(1-P1))·
(P22·P2+P21·(1-P2))(P42·P4+P41·(1-P4))’
Z21＝(P12·P1+P11·(1-P1))·
(P31·P3+P32·(1-P3))(P51·P5+P52·(1-P5))’
Z22＝(P12·P1+P11·(1-P1))·(P31·P3+P32·(1-P3))·
(P52·P5+P51·(1-P5))·(P71·P7+P72·(1-P7))’
Z23＝(P12·P1+P11·(1-P1))·(P31·P3+P32·(1-P3))·
(P52·P5+P51·(1-P5))·(P72·P7+P71·(1-P7))’
Z31＝(P12·P1+P11·(1-P1))·
(P31·P3+P32·(1-P3))·(P61·P6+P62·(1-P6))’
Z32＝(P12·P1+P11·(1-P1))·(P31·P3+P32·(1-P3))·
(P62·P6+P61·(1-P6))·(P81·P8+P82·(1-P8))’
Z33＝(P12·P1+P11·(1-P1))·(P31·P3+P32·(1-P3))·
(P62·P6+P61·(1-P6))·(P82·P8+P81·(1-P8))’
其中，
P11為第一二類分類器的正類樣本分配概率，
P12為第一二類分類器的負(fù)類樣本分配概率，P12＝1-P11，
P21為第二二類分類器的正類樣本分配概率，
P22為第二二類分類器的負(fù)類樣本分配概率，P22＝1-P21，
P31為第三二類分類器的正類樣本分配概率，
P32為第三二類分類器的負(fù)類樣本分配概率，P32＝1-P31，
P41為第四二類分類器的正類樣本分配概率，
P42為第四二類分類器的負(fù)類樣本分配概率，P42＝1-P41，
P51為第五二類分類器的正類樣本分配概率，
P52為第五二類分類器的負(fù)類樣本分配概率，P52＝1-P51，
P61為第六二類分類器的正類樣本分配概率，
P62為第六二類分類器的負(fù)類樣本分配概率，P62＝1-P61，
P71為第七二類分類器的正類樣本分配概率，
P72為第七二類分類器的負(fù)類樣本分配概率，P72＝1-P71，
P81為第八二類分類器的正類樣本分配概率，
P82為第八二類分類器的負(fù)類樣本分配概率，P82＝1-P81，
P11、P21、P31、P41、P51、P61、P71和P81是由測(cè)試序列的前3-5幀利用全搜索運(yùn)動(dòng)估計(jì)統(tǒng)計(jì)出。
全文摘要
基于馬爾科夫鏈模型的可伸縮性視頻編解碼系統(tǒng)運(yùn)動(dòng)估計(jì)方法，屬于圖像處理領(lǐng)域，本發(fā)明是為了解決采用MVFAST、PMVFAST算法進(jìn)行運(yùn)動(dòng)估計(jì)，編碼器及整個(gè)編解碼系統(tǒng)的編碼效率低，運(yùn)算速度低的問題。本發(fā)明的方法包括步驟一、將測(cè)試序列建立馬爾科夫鏈模型，將輸入視頻中的每一幀分成多個(gè)宏塊，所有幀相同位置的宏塊構(gòu)成一個(gè)馬爾科夫鏈；步驟二、所述測(cè)試序列的馬爾科夫鏈下一個(gè)宏塊的預(yù)測(cè)狀態(tài)Si為步驟三、所述測(cè)試序列的馬爾科夫鏈下一個(gè)宏塊的預(yù)測(cè)運(yùn)動(dòng)矢量為當(dāng)前宏塊狀態(tài)空間SM中與Si對(duì)應(yīng)的矢量。
文檔編號(hào)H04N7/50GK101742305SQ20091007337
公開日2010年6月16日 申請(qǐng)日期2009年12月9日 優(yōu)先權(quán)日2009年12月9日
發(fā)明者趙志杰, 曹志民, 林茂六, 金雪松, 張立志, 楊龍 申請(qǐng)人:哈爾濱商業(yè)大學(xué)