專利名稱：一種基于視頻中物體運動特征的視覺顯著性算法的制作方法
技術領域：
本發(fā)明涉及的是一種基于視頻中物體運動特征的視覺顯著性算法，屬于計算機視覺、圖像處理技術領域。
背景技術：
隨著信息技術的發(fā)展，生活中人們接觸到的視頻信息量越來越龐大，如何高效提取視頻中顯著物體引起了越來越多研究者的關注，視覺顯著性在視頻信號處理方面有著廣泛的應用，比如視頻檢索、視頻壓縮、視頻監(jiān)控、視頻跟蹤等領域。視頻檢索方面，由于視頻數(shù)據(jù)量非常大，因此提取出視頻中的顯著性物體，并將其作為視頻的特征可以有效的提高檢索的準確性。視頻壓縮方面，由于現(xiàn)在視頻分辨率越來越高，因此高效的視頻壓縮算法也是研究的熱點之一。同時結合人眼視覺模型的視頻壓縮算法是下一代視頻編解碼的關鍵技術之一，因此視覺顯著性作為人眼視覺模型的一個重要方面也就顯得尤為重要。視頻監(jiān)控方面，視覺顯著性可以有效的提高視頻監(jiān)控的智能程度，因此視覺顯著性研究就有非常重要的意義。視頻跟蹤方面，通常人們主要跟蹤顯著性物體的運動，通過視覺顯著性算法可以有效的提高視頻跟蹤的準確率。視覺顯著性在視頻信號處理方面有著廣泛的應用，因此對視覺顯著性研究有非常重要的意義，視覺顯著性主要根據(jù)視覺特性，提取出圖像視頻中的顯著區(qū)域。目前視覺顯著性的研究主要針對圖像顯著性進行研究，圖像顯著性算法主要利用圖像的顏色、亮度等特征計算圖像的顯著性，但是圖像的顯著性算法沒有利用視頻的運動特征，因此將圖像顯著性算法直接應用視頻顯著性檢測時效果不好。然而對視頻顯著性算法研究較少，并且存在算法復雜度較高的缺點。通常視頻中物體的運動主要由兩個方面構成的一個方面是由于攝像機的運動造成的全局運動，另一方面是由于視頻中物體的相對運動造成的局部運動。 視頻中物體的局部運動與全局運動相比，視頻中物體的局部運動顯著性更高，而視頻中物體的全局運動顯著性更低，若不預先降低視頻中物體的全局運動的對視覺顯著性的影響， 將降低顯著性算法的準確度。上述視頻中物體相對運動和全局運動可以通過塊匹配的運動估計算法獲取。例如，題為“一種新鉆石搜索快速快匹配運動估計算法”(該文作者是shan zhu，發(fā)表于2000 年出版的“電子電器工程師協(xié)會圖像處理會刊”，2000，9 O):觀7-四0)的出版物報道，該文介紹了塊匹配的運動估計算法，其算法是將當前塊與前一幀中對應的塊相比較，計算兩塊的誤差，將誤差最小的塊作為最佳匹配塊，兩塊間的運動的位移為運動矢量。為了得到與當前幀大小一致的運動矢量可以采用雙線性插值算法(K. R. Castleman著，朱志剛譯，數(shù)字圖像處理，電子工業(yè)出版社，2006:96-97)，該插值算法是將所需求解的像素值由其周圍四個最近點的像素值加權平均得到。
發(fā)明內(nèi)容
本發(fā)明的目的在于針對現(xiàn)有技術存在的問題，提出一種基于視頻中物體運動特征的視覺顯著性算法。該算法通過檢測出視頻中物體的運動，降低視頻中物體的全局運動對視覺顯著性的影響，能有效提高視覺顯著性算法的準確度。為達到上述目的，本發(fā)明采用了以下方案
一種基于視頻中物體運動特征的視覺顯著性算法，其具體步驟如下
(1)、采用基于塊匹配的運動估計算法計算出當前幀亮度分量的運動矢量；
(2)、獲取去除均值后的運動矢量；
(3)、對去除均值后的運動矢量進行高斯濾波；
G)、分別計算運動矢量的水平方向分量和垂直方向分量的平方，得到水平方向和垂直方向的視覺顯著(5)、獲取最終的視覺顯著圖。上述步驟(1)中所述的采用基于塊匹配的運動估計算法計算當前幀亮度分量的運動矢量，具體步驟如下
(11)、提取需要進行視覺顯著性檢測的視頻流的當前幀原圖像和及其前一幀原圖像；
(12)、分別提取上述相鄰兩幀的亮度分量；
(13)、將視頻流的當前幀亮度分量按照16X16像素塊大小進行分塊；
(14)、采用基于塊匹配的運動估計算法計算出當前幀亮度分量中的每個像素塊的運動
矢量；
(15)、采用雙線性插值算法將運動矢量放大，得到與當前幀大小一致的運動矢量廠⑴。上述步驟O)中所述的獲取去除均值后的運動矢量，具體步驟如下
(21)、對當前幀亮度分量中的每個像素塊的運動矢量求均值，得到運動矢量的均值
W ；
(22)、將步驟(15)計算出的運動矢量減去運動矢量的均值Km( )得到去除均值后的運動矢量；
上述步驟(3)中所述的對去除均值后的運動矢量進行高斯濾波，其具體步驟如下
(31)、采用高斯濾波器對去除均值后的運動矢量濾波，得到濾波后的運動矢量；
(32)、將濾波后的運動矢量的邊界置為0，得到最終的濾波后的運動矢量VfU)。上述步驟中所述的分別計算運動矢量的水平方向分量和垂直方向分量的平方，得到水平方向和垂直方向的視覺顯著圖，具體步驟如下
(41)、將濾波后的運動矢量的水平分量Kfx⑴平方，得到水平方向的視覺顯著圖 ⑴；
(42)、將濾波后的運動矢量的垂直分量Kfy⑴平方，得到垂直方向的視覺顯著圖 ⑴。上述步驟(5)中所述的獲取最終的視覺顯著圖，其具體是
將水平方向和垂直方向的視覺顯著圖相加并將其映射到(Γ255，得到最終的視覺顯著圖S(i)，視覺顯著圖的計算表達式為
權利要求
1.一種基于視頻中物體運動特征的視覺顯著性算法，其具體步驟如下(1)、采用基于塊匹配的運動估計算法計算出當前幀亮度分量的運動矢量；(2)、獲取去除均值后的運動矢量；(3)、對去除均值后的運動矢量進行高斯濾波；G)、分別計算運動矢量的水平方向分量和垂直方向分量的平方，得到水平方向和垂直方向的視覺顯著圖；(5)、獲取最終的視覺顯著圖。
2.根據(jù)權利要求1所述的一種基于視頻中物體運動特征的視覺顯著性算法，其特征在于，上述步驟(1)中所述的采用基于塊匹配的運動估計算法計算當前幀亮度分量的運動矢量，具體步驟如下(11)、提取需要進行視覺顯著性檢測的視頻流的當前幀原圖像和及其前一幀原圖像；(12)、分別提取上述相鄰兩幀的亮度分量；(13)、將視頻流的當前幀亮度分量按照16X16像素塊大小進行分塊；(14)、采用基于塊匹配的運動估計算法計算出當前幀亮度分量中的每個像素塊的運動矢量；(15)、采用雙線性插值算法將運動矢量放大，得到與當前幀大小一致的運動矢量廠⑴。
3.根據(jù)權利要求1所述的一種基于視頻中物體運動特征的視覺顯著性算法，其特征在于，上述步驟O)中所述的獲取去除均值后的運動矢量，具體步驟如下(21)、對當前幀亮度分量中的每個像素塊的運動矢量求均值，得到運動矢量均值W ；(22)、將步驟(15)計算出的運動矢量減去運動矢量的均值Km( )得到去除均值后的運動矢量。
4.根據(jù)權利要求1所述的一種基于視頻中物體運動特征的視覺顯著性算法，其特征在于，上述步驟(3)中所述的對去除均值后的運動矢量進行高斯濾波，其具體步驟如下(31)、采用高斯濾波器對去除均值后的運動矢量濾波，得到濾波后的運動矢量；(32)、將濾波后的運動矢量的邊界置為0，得到最終的濾波后的運動矢量VfU)。
5.根據(jù)權利要求1所述的一種基于視頻中物體運動特征的視覺顯著性算法，其特征在于，上述步驟中所述的分別計算運動矢量的水平方向分量和垂直方向分量的平方，得到水平方向和垂直方向的視覺顯著圖，具體步驟如下(41)、將濾波后的運動矢量的水平分量Kfx⑴平方，得到水平方向的視覺顯著圖 ⑴；(42)、將濾波后的運動矢量的垂直分量Kfy⑴平方，得到垂直方向的視覺顯著圖 ⑴。
6.根據(jù)權利要求1所述的一種基于視頻中物體運動特征的視覺顯著性算法，其特征在于，上述步驟(5)中所述的獲取最終的視覺顯著圖，其具體是將水平方向和垂直方向的視覺顯著圖相加并將其映射到(Γ255，得到最終的視覺顯著圖S(i)，視覺顯著圖的計算表達式為
全文摘要
本發(fā)明公開了一種基于視頻中物體運動特征的視覺顯著性算法，其具體步驟如下(1)采用基于塊匹配的運動估計算法計算出當前幀亮度分量的運動矢量；(2)獲取去除均值后的運動矢量；(3)對去除均值后的運動矢量進行高斯濾波；(4)分別計算運動矢量的水平方向分量和垂直方向分量的平方，得到水平方向和垂直方向的視覺顯著圖；(5)獲取最終的視覺顯著圖。該方法在考慮視頻中物體運動因素時，通過降低視頻中物體的全局運動的對視覺顯著性的影響，依據(jù)視頻中顯著性物體的局部運動矢量特征提取出運動顯著性，能有效提高視覺顯著性算法的準確度，而且本發(fā)明的算法復雜度低。
文檔編號G06T7/20GK102568006SQ201210006930
公開日2012年7月11日 申請日期2012年1月11日 優(yōu)先權日2011年3月2日
發(fā)明者沈慧, 王杜瑤, 王鐸成, 譚剛, 黃素娟 申請人:上海大學