基于网格模型的运动估计中特征点的提取

《基于网格模型的运动估计中特征点的提取》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、基于网格模型的运动估计中特征点的选取基于网格模型的运动估计中特征点的提取摘要运动估计和运动补偿技术是视频压缩领域去除冗余性的关键技术之一，受到帧内压缩编码发展的推动，小波理论得到了广泛的应用，并在该研究领域出现很多的改进算法，其中采用冗余小波处理是目前较为突出的研究方向；而描述物体运动的运动模型的发展从另一方面促进了视频压缩的研究，不规则运动网格模型因其更佳的描述物体纹理和轮廓，已经成为更进一步的研究热点。在不规则网格运动模型中，关键是网格点的提取。因此，本文以冗余小波变换域的不规则网格模型运动补偿技

2、术为研究的背景，针对现有的提取网格点的算法采用固定阈值的情况，重点研究了不规则网格点，即图像关键特征点的自适应提取方法。提出了用大津法确定阈值，并通过大量试验验证了此方法的有效性。为了有效地提取网格顶点，本文采用了Cui提出的在冗余小波变换域提取的模板，采用自适应确定阈值的方法确定出不同帧的阈值并提出网格点。试验测试图像选自国际标准运动图像测试库，DCIF/CIF图像，选择YUV格式中的亮度分量作理论分析。利用Matlab软件对改进算法进行了试验，理论和试验表明该算法能够根据不同的图像得到相应的阈值，

3、提取的特征点更加准确，在进行多帧的运动估计时可以每间隔几帧重新确定I帧，提高了运动估计的准确性，为今后的运动补偿算法的理论研究奠定了基础。关键词：运动估计/运动补偿，DT网格，冗余离散小波变换，自适应阈值，特征点河北工业大学硕士学位论文THEEXTRACTIONOFFEATUREPOINTSINMOTIONESTIMATIONBASEDONMESHMODELABSTRACTMotionestimation/Motioncompensation(ME/MC)isoneofkeytechniquesfor

4、removingredundancyinimagevideocompressing.Promptedbythedevelopmentofstill-imagecompression,wavelettheoryhasbeenwidelyusedandmanyimprovedalgorithmshaveappeared.Usingredundantwaveletistheprominentresearchdirectionatpresent.Thedevelopmentofmotionmodelpromo

5、tethevideocoderfromanotheraspect.Irregularmeshhasbeenresearchpopforitsbetterpropertyofapproximatethetextureandtheprofileofthemotionobject.Extractingpointsisveryimportantinmotionestimationbasedonirregularmesh.Onthebackgroundofmotionestimationandmotioncom

6、pensationschemebasedonirregularmesh,andthesituationofextractingfeaturepointswithapredefinedthreshold,thispaperstudiedthemethodofextractingfeaturepointswithadaptivethreshold.TheOtsumethodisemployedtogetthethreshold,andtheeffectivenesshasbeenprovedwithala

7、rgenumberofexperiments.Thechoosingofpropercontrolpointsiscompletedusingashiftinvariantredundantwavelettransform,formacorrelationmaskandextractedfeaturepointsaccordingtodifferentthresholds.Theimagessamplesareselectedfromtheinternationalstandardtestwareho

8、use,andareQCIF/CIF（YUV）.Theluminancecomponentisusedintheexperiments.Theexperimentalresultspresentedinthispapershowthattheproposedmethodcangetdifferentthresholdaccordingtodifferentimageandthepointsextractedaremoreexact.Inmotionest