[发明专利]一种基于混沌差分进化粒子群的运动估计算法

说明书

本发明公开了一种基于混沌差分进化粒子群的运动估计算法，针对视频序列运动矢量的分布具有中心偏置性，对部分固定点进行搜索将更有利于提高搜索速度，为保留粒子群算法的随机搜索特性，种群的初始搜索位置具体由13个固定点和2个随机点组成；在迭代过程中将对影响速度更新的惯性权重因子进行动态调整；另外，为提高算法的运行速度，加入了相同点检测方案；最后由混沌差分进化搜索协同迭代进化寻找全局最优解，同时通过恰当的终止策略以降低算法的运算复杂度。本发明该算法能在搜索精度和运算复杂度中实现动态平衡。在运动状态较为平缓的序列中能实现快速的运动估计，在运动状态较为剧烈的序列中能适应性地搜寻更多的宏块以得到更佳的匹配块。

技术领域

本发明涉及基于群智能优化的运动估计算法，具体涉及一种基于混沌差分进化粒子群的运动估计算法。

背景技术

随着信息技术的发展，现实生活中出现了频繁的图像和视频交流，其庞大的数据量给当今的存储和传输技术带来了巨大的挑战。从而，研发高效的视频处理技术成为了当务之急。运动估计是视频处理技术的一个重要研究内容，能有效减少视频序列中帧与帧之间的时间冗余。然而，其计算量占据了视频编码约60％～80％的运算时间，对整个编码系统的性能造成了严重的影响。

所谓运动估计，实质上就是利用视频序列存在大量时间、空间冗余的特征，计算出当前帧与参考帧对应坐标点的差值(运动矢量)，从而对运动趋势进行预测。目前，运动估计的研究方法包括基于块匹配的方法、基于光流的方法、基于像素的方法等。其中，块匹配法由于原理简单，且易于硬件实现，已被多种编码标准采纳。在块匹配运动估计中，视频序列的每一帧被分成N×N大小的、互不重叠的块，块中的所有像素遵循物体刚性平动的假设模型。根据当前帧中当前搜索宏块的特征值，在参考帧的一定搜索范围内进行多次搜索、对比，得出最佳匹配块，从而计算出宏块的运动矢量。在众多的块匹配运动估计搜索算法中，全搜索法(Full Search Method，FS)的原理最为简单，搜索精度最高，但其运算复杂度也是最高的，并不适用于实时视频处理。从而，基于固定搜索模板的快速运动估计算法相继被推出，如三步搜索法(Three Step Search，TSS)、四步搜索法(Four Step Search，FSS)、菱形搜索法(Diamond Search，DS)、十字搜索法(Adaptive Road Pattern Search，ARPS)等。此类搜索算法虽大幅度地降低了运算复杂度，但都是在匹配误差单调递减的前提下提出的，也就是说，在整个搜索范围内，有且只有一个最小值。然而，这种前提在大部分视频序列中并不成立，特别是运动情况较为复杂的序列其匹配误差往往表现为多极值状态，因此，这类算法易于陷入局部最优解。换句话说，它们以搜索精度为代价换取了搜索速度。为了更好地权衡搜索精度和搜素速度，先后提出了一些基于全局优化技术的运动估计算法。其中通过群智能优化改进的运动估计算法取得了较好的性能，但它们大多也存在收敛速度较慢、运算复杂度较高、易于陷入局部最优解等缺点。

发明内容

针对上述的不足，本发明所要解决的技术问题是提供一种基于混沌差分进化粒子群的运动估计算法(Chaotic Differential Evolution Particle Swarm Optimization，CDEPSO)，该算法能在搜索精度和运算复杂度中实现动态平衡。在运动状态较为平缓的序列中能实现快速的运动估计，在运动状态较为剧烈的序列中能适应性地搜寻更多的宏块以得到更佳的匹配块。

为实现上述目的，本发明提出一种基于混沌差分进化粒子群的运动估计算法，基本方案如下：针对视频序列运动矢量的分布具有中心偏置性，对部分固定点进行搜索将更有利于提高搜索速度，为保留粒子群算法的随机搜索特性，初始搜索种群位置由部分固定点和随机点组成；为更合理地控制算法的开发和探索能力，在迭代过程中将对影响速度更新的惯性权重因子ω进行动态调整；另外，为提高算法的运行速度，加入了相同点检测方案；最后由混沌差分进化搜索协同迭代进化寻找全局最优解，同时通过恰当的终止策略以降低算法的运算复杂度。