CN101212681A - 一种快速运动搜索方法 - Google Patents
一种快速运动搜索方法 Download PDFInfo
- Publication number
- CN101212681A CN101212681A CN 200710116360 CN200710116360A CN101212681A CN 101212681 A CN101212681 A CN 101212681A CN 200710116360 CN200710116360 CN 200710116360 CN 200710116360 A CN200710116360 A CN 200710116360A CN 101212681 A CN101212681 A CN 101212681A
- Authority
- CN
- China
- Prior art keywords
- image
- rapid movement
- matched
- searching method
- genetic algorithm
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Compression Or Coding Systems Of Tv Signals (AREA)
Abstract
本发明公开了一种快速运动搜索方法,结合视频图像自身的特点,采用新的编码方式,定义了新的交叉算子和变异算子,引入竞争进化策略,有效降低了运动估计的计算复杂度,提高了视频编码效率。所述运动搜索方法包括下述步骤:a.首先对待匹配图像上的各个点的横坐标和纵坐标的位置信息进行整数编码,然后从图像中抽取若干个点,形成初始种群;b.根据预设的适应度函数计算初始种群中的每个个体的适应度值;c.采用轮转法选择用来繁殖后代的父代群体;d.进行遗传算法中的交叉操作;e.进行遗传算法中的变异操作,生成子代群体;f.迭代执行步骤c~e,直至满足终止条件,寻找到匹配点;g.根据匹配点计算运动矢量。
Description
技术领域
本发明涉及一种运动搜索方法,具体地说,是涉及一种基于遗传算法的快速运动搜索方法,属于数字视频编解码技术领域。
背景技术
在基于块匹配运动补偿算法的视频编码体系中,运动搜索算法是运动补偿算法的核心,也是其中计算复杂性最高的模块,一直处于非常重要的地位。在各种视频编解码标准(如AVS,H.264等)中,并没有规定具体的搜索算法,只是规定得到运动矢量MV(Motion Vector)后如何进行预测和编码,同时也规定了解码端如何对其进行解码。这样一来,无论通过哪种算法得到MV都可以利用这个MV进行运动补偿,从而得到预测值,进而对残差值进行编码传输,同时也对MV进行编码传输;解码端将MV和残差值解出来后,所要作的操作也仅仅是将通过MV得到的恢复后的预测值与残差值相加,就能够得到相应的解码结果了。
遗传算法是对生物界自然选择和自然遗传机制进化过程的模拟,最初是由Holland在70年代提出来的。由于遗传算法能利用简单的编码技术和繁殖机制来表现复杂的现象,从而可以解决非常困难的问题。而且由于它不受搜索空间限制性假设的约束,不必要求诸如单调、连续等假设,因此能以很大的概率快速找到全局最优解。如今遗传算法以其固有的计算并行性,已广泛应用于问题优化、模型识别、并行处理等领域。
编码机制是遗传算法的基础。通常遗传算法不直接处理问题空间的资料,而是将各种实际问题变换为与问题无关的串个体。对染色体串的遗传操作只与遗传算法的理论、技术有关,而与具体实际问题无关,这一特性增大了遗传算法的适用性。当实际问题变化时,可只改变适应度函数,而无需改变其它操作,加强了代码的通用性。传统的编码方式有两种,即直接的二进制编码和格雷码编码。二进制编码方式编码译码操作简单易行、交叉变异操作便于实现、符合最小字符集编码原则,而且便于利用模式定理进行理论分析;但是二进制编码方式不便于反映所求问题的特定知识,而且由于遗传算法的随机特性而使得其局部搜索能力较差。格雷码编码虽然便于提高遗传算法的局部搜索能力,但由于其编码时相邻数字的码字之间只有一位不同,导致格雷码对于编译操作不易产生新的不同个体,使得遗传算法容易陷于局部最优。
基于以上原因,如何结合图像匹配本身的特点,找到一种适合于视频编码过程中的快速运动搜索方法,提高视频编码效率,是本发明所要解决的主要问题。
发明内容
本发明提供了一种快速运动搜索方法,所述搜索方法基于遗传算法,并结合视频图像自身的特点,采用新的编码方式,定义了新的交叉算子和变异算子,引入竞争进化策略,有效降低了运动估计的计算复杂度,减少了视频编码时间。
为解决上述技术问题,本发明采用以下技术方案予以实现:
一种快速运动搜索方法,包括以下步骤:
a、对待匹配图像上的各个点的横坐标和纵坐标的位置信息进行整数编码,然后从图像中抽取若干个点,形成初始种群;
b、根据预设的适应度函数计算初始种群中的每个个体的适应度值;
c、采用轮转法选择用来繁殖后代的父代群体;
d、进行遗传算法中的交叉操作;
e、进行遗传算法中的变异操作,生成子代群体;
f、迭代执行步骤c~e,直至满足终止条件,寻找到匹配点;
g、根据匹配点计算运动矢量。
进一步地,所述步骤d中的交叉操作包括两步:d1、定义交叉算子:直接交换两个父代个体的横坐标或纵坐标;d2、根据预设的交叉概率对父代群体进行交配或复制操作,所述交叉概率根据待匹配图像的像素及尺寸确定。
所述步骤e中的变异操作也包括两步骤:e1、定义变异算子:将要变异的个体的横坐标或纵坐标分别加上一个常数,所述常数是根据待匹配图像的灰度级确定的一个固定范围内的随机值;e2、根据预设的变异频率,对需要进行变异操作的个体的横坐标和纵坐标分别进行变异操作,所述变异概率根据待匹配图像的像素及尺寸确定。
由于对视频图像进行遗传操作时的特殊性,变异操作在搜索中起主要作用,所以选择的变异概率要大于0.3。
同时,考虑到图像信号数据本身具有马尔可夫特性,即某一像素的信息与其邻近的的像素信息具有很强的相关性,本发明不采用传统的随机产生初始种群的办法,而是采用抽样法,即以固定间隔在待匹配图像上抽取若干个点作为初始种群。所述固定间隔根据待匹配图像的尺寸及所需要的初始种群内个体的数量确定。
进一步地,本发明中计算个体适应度的适应度函数依据绝对误差和SAD匹配准则进行设计。
再进一步地,在确定遗传算法一次迭代过程中的子代群体时,首先根据预设的适应度函数计算变异操作得到的个体的适应度值,然后将变异后的所有个体与所有本次迭代中的父代个体按适应度值从大到小排列,选取适应度值较大的个体组成遗传算法的子代群体。
更进一步地,所述遗传算法终止条件为迭代执行遗传操作的次数超过预设值;所述预设值依据待匹配图像的尺寸来确定。
优选地,在寻找到匹配点后,不直接计算运动矢量。而是以所述匹配点为中心进行局部搜索,找到一个最佳匹配点,然后根据最佳匹配点计算运动矢量。
本发明将遗传算法应用到视频编码中的运动搜索方法中,结合视频图像匹配本身的特点,采用了新的整数编码方式,又根据整数编码的特点,定义了新的交叉算子和遗传算子,在运动搜索过程中引入竞争进化策略,有效降低了计算量,提高了视频编码效率。而且在选择遗传算法中的初始种群时,采用了固定间隔抽样的初始化方法,能够保证初始化个体均匀分布于整个解空间,以较少的个体和迭代次数获得最佳匹配点。
附图说明
图1是本发明所提出的快速运动搜索方法的流程图;
图2是图1所示流程图中交叉操作的示意图。
具体实施方式
下面结合附图对本发明的实施方式作进一步详细的说明。
图1是本发明所提出的快速运动搜索方法的流程图,具体过程描述如下:
步骤S101:流程开始。
步骤S102:种群初始化。首先对待匹配图像上的各个点的横坐标和纵坐标的位置信息进行整数编码;然后采用抽样法,以固定间隔在待匹配图像上抽取I个点,形成初始种群C1(x1,y1),C2(x2,y2),...Ci(xn,yn),i=0,1,2...I;其中x、y分别为各点的横坐标值和纵坐标值。固定间隔根据待匹配图像的尺寸和所需要的初始种群内个体的数量确定。例如,待匹配图像的尺寸为256×256,初始种群数设为100,则以一个10×10的网格叠加在待匹配图像上,所有交叉点可成为初始种群。这种初始化方法可以保证初始化个体均匀分布于整个解空间,以较少的个体和迭代次数获得最佳匹配点。
步骤S103:计算初始种群的适应度值。本发明根据匹配准则SAD设计适应度函数,然后用适应度函数计算个体的适应度。设模板图像T的尺寸为M×N,S(u,v)和T(u,v)分别为待匹配图像与模板图像对应像素的灰度值,根据下式计算群体中各个体的适应度值:
步骤S104:采用轮转法选择I个用来繁殖后代的个体形成父代群体,将父代群体放入交配池。轮转法中个体被选择的概率与其适应度值成正比,个体适应度越大,被选择的概率就越高;个体适应度越小,被选择的概率就越低。根据轮转法计算出种群中每一个体的选择概率后,就可以决定哪些个体被选出。
步骤S105:进行遗传算法中的交叉操作。针对视频图像整数编码的特点,定义交叉算子为直接交换两个父代个体的横坐标或者纵坐标,例如,设有两个父代个体A0(xa,ya)和B0(xb,yb),交叉操作产生两个新个体:A1(xa,yb)和新个体B1(xb,ya);然后根据待匹配图像的像素及尺寸确定一个交叉概率Pc,从交配池的父代群体中任选两个个体,根据预设的交叉频率Pc进行交配或复制;重复进行选择、交配或复制,最后得到I个交叉操作后的个体。
步骤S106:进行遗传算法中的变异操作。考虑到视频图像数据的相关性较大,定义变异算子为:
x′=x+n n∈[-N,N]
x为一个需要进行变异操作的基因,即个体的横坐标或纵坐标;x′为变异后基因,n为-N~N之间的一个随机常数,N为固定值。N值根据待匹配图像的灰度确定,例如,对于亮度数据,如果灰度级为8位,其取值范围为0~255,则N可设为255/10。然后根据预设的变异概率Pm,对步骤S105得到的I个个体的横坐标和纵坐标分别按上述变异算子进行变异操作,得到I个变异操作后的个体。
需要说明的是,理论上来说,在遗传算法中,交叉操作的作用是主要的,变异操作的作用是次要的,所以在传统遗传操作中变异概率常常小于0.1。但由于本发明中交叉操作和变异操作具有特殊性,变异操作在搜索中起主要作用,故应预设一个较大的变异概率,一般要大于0.3。
步骤S107:选择适应度值较大的个体形成子代群体。根据步骤S103的适应度函数计算变异操作后的I个个体的适应度值;然后将变异操作后的I个个体与步骤S104中的I个父代个体按适应度值从大到小依次排列,取前I个适应度较大的个体,形成第一次遗传操作的子代群体。
步骤S108:判断遗传操作是否满足终止条件,即判断迭代次数是否超过预设值。如果迭代次数超过预设值,转至下述步骤;否则转至步骤S104,重复遗传操作过程。迭代次数预设值根据图像尺寸进行确定。
步骤S109:遗传操作满足终止条件终止后,获得遗传搜索的匹配点p(x,y)。
步骤S110:通过遗传搜索得到一个匹配点p(x,y)后,以p(x,y)为中心,在n×m范围内进行一次局部搜索,得到最佳匹配点p′(x,y)。n,m一般分别取模板长度和宽度的一半。
步骤S111:根据上述最佳匹配点计算运动矢量。设模板图像左上角位置座标为(x0,y0),得到的最佳匹配点p′(x,y)的座标为(x1,y1),则有:
mv_x=x1-x0,mv_y=y1-y0
这里,(mv_x,mv_y)就是所需要的运动矢量。根据上述搜索计算得到的运动矢量,可以对视频图像进行预测和编码。
步骤S112:流程结束。
图2所示为用上述所定义的交叉算子进行交叉操作的示意图,图中,A0(10,10)和B0(20,20)为两个父代个体,通过交叉操作即互换纵坐标后,产生两个新的个体A1(10,20)和B1(20,10)。
应当指出,上述说明并非是对本发明的限制,本发明也并不仅限于上述举例,本技术领域的普通技术人员在本发明的实质范围内所做出的修改、变形、添加或替换,也应属于本发明的保护范围。
Claims (10)
1.一种快速运动搜索方法,其特征在于包括以下步骤:
a、对待匹配图像上的各个点的横坐标和纵坐标的位置信息进行整数编码,然后从图像中抽取若干个点,形成初始种群;
b、根据预设的适应度函数计算初始种群中的每个个体的适应度值;
c、采用轮转法选择用来繁殖后代的父代群体;
d、进行遗传算法中的交叉操作;
e、进行遗传算法中的变异操作,生成子代群体;
f、迭代执行步骤c~e,直至满足终止条件,寻找到匹配点;
g、根据匹配点计算运动矢量。
2.根据权利要求1所述的快速运动搜索方法,其特征在于,所述交叉操作包括下述步骤:
d1、定义交叉算子:直接交换两个父代个体的横坐标或纵坐标;
d2、根据预设的交叉概率对父代群体进行交配或复制操作,所述交叉概率根据待匹配图像的像素及尺寸确定。
3.根据权利要求1或2所述的快速运动搜索方法,其特征在于,所述变异操作包括下述步骤:
e1、定义变异算子:将要变异的个体的横坐标或纵坐标分别加上一个常数;
e2、根据预设的变异频率,对需要进行变异操作的个体的横坐标和纵坐标分别进行变异操作,所述变异概率根据待匹配图像的像素及尺寸确定。
4.根据权利要求3所述的快速运动搜索方法,其特征在于,所述变异概率大于0.3。
5.根据权利要求3所述的快速运动搜索法方法,其特征在于,所述常数为一个固定范围内的随机数;所述固定范围根据待匹配图像的灰度级确定。
6.根据权利要求1所述的快速运动搜索方法,其特征在于,从待匹配图像上以固定间隔抽取若干个点,所述固定间隔根据待匹配图像的尺寸及所需要的初始种群内个体的数量确定。
7.根据权利要求1所述的快速运动搜索方法,其特征在于,所述适应度函数依据绝对误差和SAD匹配准则进行设计。
8.根据权利要求1所述的快速运动搜索方法,其特征在于,根据预设的适应度函数计算变异操作得到的个体的适应度值,然后将变异后的所有个体与所有父代个体按适应度值从大到小排列,选取适应度值较大的个体组成遗传算法的子代群体。
9.根据权利要求1所述的快速运动搜索方法,其特征在于,所述终止条件为迭代执行遗传操作的次数超过预设值;所述预设值依据待匹配图像的尺寸确定。
10.根据权利要求1或9所述的快速运动搜索方法,其特征在于,寻找到匹配点后,以所述匹配点为中心进行局部搜索,得到最佳匹配点,然后根据所述最佳匹配点计算运动矢量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 200710116360 CN101212681A (zh) | 2007-12-25 | 2007-12-25 | 一种快速运动搜索方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 200710116360 CN101212681A (zh) | 2007-12-25 | 2007-12-25 | 一种快速运动搜索方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN101212681A true CN101212681A (zh) | 2008-07-02 |
Family
ID=39612284
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 200710116360 Pending CN101212681A (zh) | 2007-12-25 | 2007-12-25 | 一种快速运动搜索方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101212681A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102143364A (zh) * | 2011-04-19 | 2011-08-03 | 浙江大学 | 一种基于遗传搜索和模板匹配的运动估计方法 |
CN102467635A (zh) * | 2011-07-01 | 2012-05-23 | 中国人民解放军国防科学技术大学 | 一种木马事件预测方法 |
CN103646317A (zh) * | 2013-12-30 | 2014-03-19 | 广西科技大学 | 一种应用于项目管理系统的实时数据智能关联计算方法 |
CN108765510A (zh) * | 2018-05-24 | 2018-11-06 | 河南理工大学 | 一种基于遗传优化搜索策略的快速纹理合成方法 |
CN110135498A (zh) * | 2019-05-17 | 2019-08-16 | 电子科技大学 | 一种基于深度进化神经网络的图像识别方法 |
CN112116672A (zh) * | 2020-08-13 | 2020-12-22 | 河南大学 | 基于遗传算法的彩色图像保存缩略图加密算法 |
-
2007
- 2007-12-25 CN CN 200710116360 patent/CN101212681A/zh active Pending
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102143364A (zh) * | 2011-04-19 | 2011-08-03 | 浙江大学 | 一种基于遗传搜索和模板匹配的运动估计方法 |
CN102143364B (zh) * | 2011-04-19 | 2012-11-14 | 浙江大学 | 一种基于遗传搜索和模板匹配的运动估计方法 |
CN102467635A (zh) * | 2011-07-01 | 2012-05-23 | 中国人民解放军国防科学技术大学 | 一种木马事件预测方法 |
CN103646317A (zh) * | 2013-12-30 | 2014-03-19 | 广西科技大学 | 一种应用于项目管理系统的实时数据智能关联计算方法 |
CN108765510A (zh) * | 2018-05-24 | 2018-11-06 | 河南理工大学 | 一种基于遗传优化搜索策略的快速纹理合成方法 |
CN110135498A (zh) * | 2019-05-17 | 2019-08-16 | 电子科技大学 | 一种基于深度进化神经网络的图像识别方法 |
CN112116672A (zh) * | 2020-08-13 | 2020-12-22 | 河南大学 | 基于遗传算法的彩色图像保存缩略图加密算法 |
CN112116672B (zh) * | 2020-08-13 | 2024-02-02 | 河南大学 | 基于遗传算法的彩色图像保存缩略图加密算法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Scrucca | GA: A package for genetic algorithms in R | |
Hoyer | Non-negative sparse coding | |
CN111832101B (zh) | 一种水泥强度预测模型的构建方法及水泥强度预测方法 | |
CN113299354B (zh) | 基于Transformer和增强交互型MPNN神经网络的小分子表示学习方法 | |
CN101212681A (zh) | 一种快速运动搜索方法 | |
CN103345767A (zh) | 一种高安全性的jpeg图像隐写方法 | |
CN109902808B (zh) | 一种基于浮点数位变异遗传算法优化卷积神经网络的方法 | |
Gu et al. | Compression of human motion capture data using motion pattern indexing | |
Wiggers et al. | Predictive sampling with forecasting autoregressive models | |
Idais et al. | Optimal knots allocation in the cubic and bicubic spline interpolation problems | |
CN114817773A (zh) | 一种基于多级分解和融合的时序预测系统及方法 | |
CN115064216A (zh) | 一种基于位置序列矩阵的蛋白质编码方法 | |
CN116975782A (zh) | 基于多层次信息融合的层次化时间序列预测方法和系统 | |
CN115331073A (zh) | 一种基于TransUnet架构的影像自监督学习方法 | |
CN115311515A (zh) | 混合量子经典的生成对抗网络的训练方法及相关设备 | |
CN114647758A (zh) | 基于Transformer和深度强化学习的视频摘要生成网络 | |
CN102521654A (zh) | Rna遗传算法的超临界水氧化反应动力学模型参数估计方法 | |
Kozma et al. | Binary principal component analysis in the Netflix collaborative filtering task | |
Williams et al. | Experimental results on learning stochastic memoryless policies for partially observable markov decision processes | |
CN109286817B (zh) | 一种视频编码中dct系数的量化失真信息处理方法 | |
Zhang et al. | Adaptive Robust Blind Watermarking Scheme Improved by Entropy‐Based SVM and Optimized Quantum Genetic Algorithm | |
CN110349228B (zh) | 一种数据驱动最小二乘预测的三角网格压缩方法 | |
Hajizadeh et al. | Predictive compression of animated 3D models by optimized weighted blending of key‐frames | |
Hwang et al. | Genetic entropy-constrained vector quantizer design algorithm | |
CN117097624B (zh) | 一种网络拓扑结构增强方法、装置、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C12 | Rejection of a patent application after its publication | ||
RJ01 | Rejection of invention patent application after publication |
Open date: 20080702 |