基于节点搜索的可变形块运动补偿

本文讨论可变形块匹配(DBMA)的运动补偿和预测方法,提出基于节点搜索的可变形块匹配算法(NS-DBMA),并在此基础上提出分数像素精度预测和双模式混合预测方法.实验结果表明,NS-DBMA比全搜索方块匹配法(EBMA)平均改善约2dB;其运算量仅为基于梯度的可变形块匹配算法(GB-DBMA)的一半,但能得到更好的主客观预测质量,且更易于VLSI硬件实现.

适可而止的基于节点搜索的可变形块运动补偿

基于节点搜索的可变形块搜索是一种新型的运动估计方法,它比传统的基于平移的运动搜索有更高的精度,但该方法运算量比较大。本文在基于节点搜索可变形块运动补偿算法中采用适可而止的措施,对搜索精度足够的非平移块终止当前搜索,直接跳到半像素精度搜索。实验结果表明,只要门限选择得当,就能以预测质量降低很小的代价换来运算速度的大幅提高。

带有阀值的基于节点搜索的可变形块运动估计算法

文章在讨论基于节点位移的可变形块运动模型的基础上,分析了NS-DBMA的搜索过程和流程,从而提出了带有阀值的基于节点搜索的可变形块运动估计算法(TNS-DBMA)。以四节点模型为例,详细研究了该算法的流程,并利用两个序列进行测试,测试结果表明,TNS-DBMA算法的预测图像效果与NS-DBMA算法接近,但它的运算量大大的减少,比NS-DBMA算法减少一半多。

基于节点交叉搜索的可变形块匹配运动估计算法

文章在讨论可变形块(DBMA)的运动估计和基于节点位移的可变形块运动模型的基础上,提出了基于节点交叉搜索的可变形块匹配算法(CS-DBMA)。以四节点模型为例,详细研究了该算法的搜索过程和流程,并利用两个序列进行测试,测试结果表明,在预测效果减少很小的情况下,CS-DBMA算法的运算量大大的减少。

A fast block-matching algorithm based on variable shape search

Block-matching motion estimation plays an important role in video coding. The simple and efficient fast block-matching algorithm using Variable Shape Search (VSS) proposed in this paper is based on diamond search and hexagon search. The initial big diamond search is designed to fit the directional centre-biased characteristics of the real-world video se- quence, and the directional hexagon search is designed to identify a small region where the best motion vector is expected to locate. Finally, the small diamond search is used to select the best motion vector in the located small region. Experimental results showed that the proposed VSS algorithm can significantly reduce the computational complexity, and provide competitive computational speedup with similar distortion performance as compared with the popular Diamond-based Search (DS) algorithm in the MPEG-4 Simple Profile.

基于目标检测及高密度轨迹的动作识别

为了实现准确的动作识别效果,我们通常需要提取能够充分代表运动特征的信息。近年来,基于高密度轨迹的动作识别方法因为能够提供丰富的时空信息而受到研究者们的广泛关注。但高密度轨迹类的动作识别算法通常都要面临背景冗余信息干扰的问题,为了解决这一问题,本文在高密度轨迹的动作识别方法基础上引入了目标检测算法,通过可变形块模型方法检测运动主体位置后计算其周围的高密度轨迹,有效地排除了背景冗余信息的干扰。而目标检测算法通常要面临丢帧问题,为了应对这一情况,本文采用了词袋模型和支持向量机进行动作特征表述和分类,词袋模型根据大量数据词频构建特征描述符的工作原理,使得目标检测偶有丢帧的情况并不影响动作识别的最终效果,结合高密度轨迹算法后有效地提高了传统高密度轨迹算法的效率,也获得了更为准确的识别效果。本文算法在KTH,UCF YouTube和UCF Sports数据集上较当前算法都取得了更高的动作识别准确率,尤其在复杂背景数据集UCF YouTube和UCF Sports上识别准确率分别可达89.2%和90.2%。

面向航摄图像目标检测的轻量级特征融合网络

针对现有航摄图像目标检测算法中模型复杂、超参数多、检测精度较低的问题,提出一种面向航摄图像目标检测的轻量级多尺度特征融合网络。该网络采用Anchor-Free思想,通过逐像素预测的方式,减少了与Anchor相关的超参数;利用MobileNetV3作为特征提取网络并使用Ghost瓶颈模块优化多尺度特征融合网络,来降低网络的参数量和计算量;引入可变形卷积来构建可变形感受野模块,提高检测器对航摄图像目标形变的鲁棒性;同时采用标签分配策略SimOTA进行动态样本匹配,以缓解航摄图像目标分布密集、遮挡严重的检测问题。在数据集VisDrone2019-DET和NWPU VHR-10上对所提网络进行评估,检测精度AP50分别达26.6%和94.4%,检测速度分别达59.9 frame/s和79.6 frame/s。与主流目标检测网络相比,所提网络在保持较高检测精度和速度的同时,具有较小的参数量和计算量,更适合应用于机载计算设备。