[发明专利]一种基于视频的摄像机抖动检测方法

说明书

技术领域

本发明涉及摄像机抖动检测领域，尤其涉及一种基于视频的摄像机抖动检测方法。

背景技术

    摄像机安装不稳定时会有抖动。针对电子（数字）稳像，很多文章提出了方法，例如块匹配的方法，灰度投影的方法，基于二值位平面信息的方法，相位相关的方法，Fourier-Mellin域相位相关的方法，基于圆形块匹配的方法，特征跟踪的方法等。

有人提出一种基于特征点跟踪的稳像算法。该算法用SUSAN算子从参考帧图像中提取出一组特征点，然后在后继帧中进行基于Kalman滤波的特征点的跟踪。但是SUSAN算子中存在阈值难以确定的困难。有人提出一种分层位平面匹配的快速全局运动估计算法，算法充分利用多分辨率思想，在每一层选用不同位平面进行匹配以找到运动矢量。但是这种方法存在误匹配概率较高，抗噪声能力较差的弱点。

针对以上困难，本发明选取灰度投影特征，求其相关性得到运动矢量，有效克服了阈值选取的问题，使用PCA计算位移主矢量方向，再利用运动矢量在位移主矢量方向上投影的关系，判断其抖动性，有效利用了其统计特性，提高了抗噪声能力，减少了误报率。

PCA是Principal component analysis的缩写，中文翻译为主元分析。它是一种对数据进行分析的技术，最重要的应用是对原有数据进行简化。正如它的名字：主元分析，这种方法可以有效的找出数据中最“主要”的元素和结构，去除噪音和冗余，将原有的复杂数据降维，揭示隐藏在复杂数据背后的简单结构。它的优点是简单，而且无参数限制，可以方便的应用与各个场合。因此应用极其广泛，从神经科学到计算机图形学都有它的用武之地。被誉为应用线形代数最有价值的结果之一。本文将使用PCA做特征方向提取。

PCA步骤：

(1)  对所有训练向量x_i求均值向量u；

(2)  令A=[x₁-u, x₂-u,…, x_n-u],则C=A*A^T为协方差矩阵；

(3)  求C的前m个特征值(绝对值最大的)对应的特征向量y₁,y₂,…,y_m,它们互不相关且正交,且是单位向量。这些特征向量是x_i对应样本点最离散的方向。

(4)  对任意一个向量V,计算它到各个特征向量上的投影。

Z=V-u

Z≈b₁ y₁+ b₂ y₂+ …+ b_m y_m

其中b_i=y_i^T*Z

用向量（b₁,b₂, …,b_m）表示V。

 

发明内容

本发明要解决的技术问题在于针对现有技术中视频监控图像因为摄像头安装杆受到外力作用，产生的上下抖动的视频现象，提供一种自动识别技术。

本发明解决其技术问题所采用的技术方案是：一种基于视频的摄像机抖动检测方法，包括以下步骤：

1）获取连续N帧图像，分别将彩色图像转化为灰度图像，每张图像均匀划分成b*b个子块；

2）计算每一子块在水平方向和竖直方向上灰度投影；

3）计算N帧图像各子块与第一帧图像对应子块投影的相关系数，取相关系数最大的位移量作为当前帧的位移矢量V_i(i=1,…N)；

4）通过PCA法计算连续N帧图像位移矢量V_i(i=1,…N)的位移主矢量方向                                                ，此矢量方向为图像主要运动方向；

5）计算N帧图像每相邻两帧图像对应子块投影的相关系数，取相关系数最大的位移量作为当前帧的运动矢量M_i(i=1,…N)；

6）将N帧图像各子块的运动矢量M_i(i=1,…N)投影到主矢量方向；

7）分别统计各子块位移主矢量方向上的运动矢量投影，若投影为正且投影幅值大于1的矢量个数和投影为负且投影幅值大于1的矢量个数均大于等于一定阈值，则判定该子块存在抖动，否则判定该子块不存在抖动；