CN102685437B - 视频图像补偿方法及监视器 - Google Patents

Abstract

本发明适用于视频处理领域，提供了一种视频图像补偿方法及监视器，所述方法包括步骤：获取图像数据的原始数据和原始帧率；获取数据终端的图像刷新率；根据获取的图像数据的原始数据、原始帧率以及获取的数据终端的图像刷新率生成插入帧；将生成的插入帧和原始图像进行合成处理，并播放合成处理后获取的合成帧。本发明实施例中，由于插入帧的图像数据并不是直接采用图像的原始数据，而是对原始数据进行处理获取的原始数据的运动矢量，并参照获取的运动矢量运算出所插帧的图像数据，因此，所插帧的图像数据能够反映物体的运动轨迹，能够对各种场景下的图像起到相应的补偿作用，从而在播放包含插入帧的合成帧时更平滑，播出的图像处理效果更理想。

Description

视频图像补偿方法及监视器

技术领域

本发明属于视频处理领域，尤其涉及视频图像补偿方法及监视器。

背景技术

随着现代显示技术的不断进步，人们可以看到越来越清晰的画面，但由于各个技术方面的限制，诸如数据采集、信号编解码、信号传输等等因素的制约，使得我们观看的画面还是有很多欠缺，视觉效果还不够理想。

为了改善视觉效果，发展了一代一代的运动补偿技术。最早的是普通的隔行视频，使用该技术显示出来的视频图象具有非常明显的晃动及飞彩；后来出现了3D梳状滤波器(3DCOMBFILTER)技术，对相对静止画面画质有了显著改善，但对以24帧/s的视频信号的图象转成视频信号播放，由于LCD或LED屏的刷新率通常是与帧率不匹配的50HZ或60HZ，所以在屏幕上显示的视频图像仍是非常晃眼，于是发展了3:2和2:2PULLDOWN技术，它采用的是在两帧图像之间插入一个与前一帧相同的图像帧，所以视觉效果依然不很理想；于是又有了运动估计和运动补偿(MotionEstimateandMotion，MEMC)技术，该运动画质补偿技术经常在液晶电视中用到，其原理是采用动态映像系统，在传统的两帧图像之间加插一帧与前一帧图像相同的运动补偿帧，比如原始的帧顺序是：123456，采用MEMC技术，插帧后的顺序为：11C22C33C44C55C6，采用MEMC技术后，将普通平板电视的50/60Hz刷新率提升至100/120Hz，使运动画面优于常态响应效果。但MEMC不能对各种场景下的图像都能起到相应的补偿作用，当屏幕中的物体运动的路线无法预测时，则MEMC算法有失效的可能，另外如果图像为现在流行的网络视频，一般帧率都较低时,MEMC就失去了效果,播出的图像处理效果并不理想，还是会有比较严重的抖动现象。

发明内容

本发明实施例提供了一种视频图像补偿方法，旨在解决现有的视频图像补偿方法难以对各种场景下的图像都起到相应的补偿作用，播放效果不理想的问题。

本发明实施例是这样实现的，一种视频图像补偿方法，所述方法包括下述步骤：

获取图像数据的原始数据和原始帧率；

获取数据终端的图像刷新率；

根据获取的图像数据的原始数据、原始帧率以及获取的数据终端的图像刷新率生成插入帧，所述插入帧的图像数据为通过对原始数据进行处理，获取该原始数据的运动矢量，之后根据运动矢量运算得出；

将生成的插入帧和原始图像进行合成处理，并播放合成处理后获取的合成帧。

本发明实施例的另一目的在于提供一种视频图像补偿监视器，所述监视器包括：

图像原始参数获取单元，用于获取图像数据的原始数据和原始帧率；

数据终端参数获取单元，用于获取数据终端的图像刷新率；

插入帧生成单元，用于根据获取的图像数据的原始数据、原始帧率以及获取的数据终端的图像刷新率生成插入帧，所述插入帧的图像数据为通过对原始数据进行处理，获取该原始数据的运动矢量，之后根据运动矢量运算得出；

视频播放单元，用于将生成的插入帧和原始图像进行合成处理，并播放合成处理后获取的合成帧。

本实施例中，由于插入帧的图像数据并不是直接采用图像的原始数据，而是对原始数据进行处理获取的原始数据的运动矢量，并参照获取的运动矢量运算出所插帧的图像数据，因此，所插帧的图像数据能够反映物体的运动轨迹，能够对各种场景下的图像起到相应的补偿作用，从而在播放包含插入帧的合成帧时更平滑，不会产生严重的抖动现象，使播出的图像处理效果更理想。

附图说明

图1是本发明第一实施例提供的一种视频图像补偿方法流程；

图2是本发明第一实施例提供的预测序列位置分布图；

图3是本发明第一实施例提供的双矩形训练窗口；

图4是采用本发明第一实施例提供的视频图像补偿方法处理前、后的对比图像；

图5是本发明第二实施例提供的一种视频图像补偿监视器结构；

图6是本发明第二实施例提供的另一种视频图像补偿监视器结构。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明实施例中，通过获取图像数据的原始数据、原始帧率，以及获取数据中的图像刷新率来估算物体的运动轨迹，并将估算的结果作为插入帧的数据插入到图像数据的原始数据之间，最后播放混合了原始数据和插入数据的视频图像。

本发明实施例提供了一种：视频图像补偿方法及监视器。

所述方法包括：获取图像数据的原始数据和原始帧率；

获取数据终端的图像刷新率；

根据获取的图像数据的原始数据、原始帧率以及获取的数据终端的图像刷新率生成插入帧；

将生成的插入帧和原始图像进行合成处理，并播放合成处理后获取的合成帧。

所述监视器包括：图像原始参数获取单元，用于获取图像数据的原始数据和原始帧率；

数据终端参数获取单元，用于获取数据终端的图像刷新率；

插入帧生成单元，用于根据获取的图像数据的原始数据、原始帧率以及获取的数据终端的图像刷新率生成插入帧；

视频播放单元，用于将生成的插入帧和原始图像进行合成处理，并播放合成处理后获取的合成帧。

本实施例中，由于插入帧的图像数据并不是直接采用图像的原始数据，而是对原始数据进行处理获取的原始数据的运动矢量，并参照获取的运动矢量运算出所插帧的图像数据，因此，所插帧的图像数据能够反映物体的运动轨迹，能够对各种场景下的图像起到相应的补偿作用，从而在播放包含插入帧的合成帧时更平滑，不会产生严重的抖动现象，使播出的图像处理效果更理想。

为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。

实施例一：

图1示出了本发明第一实施例提供的视频图像补偿方法流程，本实施例中，通过在两个图像帧之间插入估算的图像帧来达到平滑视频的效果，详述如下：

步骤S11，获取图像数据的原始数据和原始帧率。

本实施例中，捕捉并缓存输入的图像数据，再利用CPU高速的计算处理能力对捕捉的信号逐点比较，从而捕捉出图像数据的原始数据及原始帧率。其中，图像数据包括经过处理前的图像数据，也包括经过处理后的图像数据。比如，在接收的图像数据为经过前端播放器的播放、SOC芯片的处理以及SCALER的转化的低压差分信号(LowVoltageDifferentialSignaling，LVDS)时，本实施例侦测的图像数据的原始帧率为该LVDS未经过前端播放器播放、SOC芯片处理以及SCALER的转化处理的原始帧率。在本实施例中，若图像数据从网络摄像机或网络视频中获取，由于基于网络的信号帧频通常较低，则侦测获取的图像数据的原始帧率通常也较低。

作为本发明一优选实施例，在获取图像数据的原始数据和原始帧率的步骤之前，进一步包括下述步骤：

侦测图像数据的原始帧率是否发生变化，并在图像数据的原始帧率发生变化时，获取变化后的帧率。

由于网络视频的帧一般都会局限于网络的状态，因而容易造成帧率不稳定，为了保证获取准确的图像数据的原始帧率，本实施例连续侦测图像数据的原始帧率是否发生变化，若没有发生变化，则不更改之前获取的图像数据的原始帧率，若发生变化，则使用变化后的帧率代替之前获取的图像数据的原始帧率。

步骤S12，获取数据终端的图像刷新率。

本实施例中，数据终端的图像刷新率包括50Hz、60Hz、75Hz、…、或120Hz等，不同数据终端的图像刷新率可能不同，常见的液晶电视刷新率为100Hz或120Hz。

步骤S13，根据获取的图像数据的原始数据、原始帧率以及获取的数据终端的图像刷新率生成插入帧。

本实施例中，根据图像数据的原始数据生成插入帧的数据，根据原始帧率和数据终端的图像刷新率判断需生成的插入帧的帧数。比如，若原始帧率为12～60帧，数据终端的图像刷新率为50Hz、60Hz、75Hz、….，或120Hz，则生成相应的插入帧，以使图像数据的帧率从12～60帧转换为稳定的50Hz、60Hz、75Hz、….，或120Hz等。

作为本发明一优选实施例，根据获取的图像数据的原始数据、原始帧率以及获取的数据终端的图像刷新率生成插入帧的步骤具体包括：

A1、采用获取的原始数据构造预测模型的预测序列，该预测模型基于马尔科夫模型建立，用于预测图像数据。

A2、确定预测模型的预测系数。

A3、根据预测序列和预测系数建立的预测模型预测图像数据。

A4、根据预测的图像数据、原始帧率以及获取的数据终端的图像刷新率生成插入帧。

本实施例中，利用马尔科夫模型构建预测模型，以便对图像数据的原始数据序列进行预测。假设预测模型为：

${\hat{X}}_n=\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\α}}_k\×X_{n-k}$

该为获取的预测数据，α_k为预测系数，X_n-k为预测序列，n＝1,2，….，预测系数和预测系列相乘之后再相加以确定预测数据。该预测模型的预测序列按就近原则选取，预测序列的各个图像数据(或称像素点)的顺序可随机排列，比如选取的预测序列分布如图2所示。本实施例中，根据预测模型的公式可知，在预测序列和预测系数确定之后，就能确定相应的预测模型，并能根据该确定的预测模型预测图像数据。

作为本发明一优选实施例，确定预测模型的预测系数的步骤具体包括：

B1、根据获取的原始数据构造一个M维向量，该向量的维数根据预设的双矩形的训练窗口的长和宽确定，其中，M＝2*T*(T+1)，其中，T为任一矩形训练窗口的宽，(T+1)为任一矩形训练窗口的长，T＝1,2,3，…。

B2、根据该M维向量以及马尔科夫模型的阶数构造预测矩阵。

B3、结合最小平方(LeastSquare，LS)准则，根据M维向量和预测矩阵确定预测模型的预测系数。

本实施例中，为了确定预测系数α_k，可设定一个双矩形的训练窗口，具体如图3所示，在图3中，任一矩形的长为(T+1)，宽为T，T＝1,2,3，…。在双矩形的训练窗口内，图像数据个数(或称像素点个数)为M＝2*T*(T+1)，采用该M个图像数据构成一个M维向量，设该M维向量为 $\stackrel{\‾}{y}={[X_{n-1},X_{n-2},...,X_{n-M}]}^T,$ 则预测矩阵C为：

$C=\left[\begin{array}{cccc}{X}_{n-1-1}& X_{n-1-2}& ...& X_{n-1-N}\\ X_{n-2-1}& X_{n-2-2}& ...& X_{n-2-N}\\ ..& ..& & ..\\ X_{n-M-1}& X_{n-M-2}& ...& X_{n-M-N}\end{array}\right]$

其中，X_n-j-k是X_n-j预测序列中的第K个元素，j＝1,2…,M；k＝1,2..,N。按照LS准则，有优化目标

$E=\min {\left|\right|\stackrel{\→}{y}-C{\stackrel{\→}{\mathrm{\α}}}_k\left|\right|}_2$

根据极值条件，即当E＝0时可求得预测系数α_k，

本实施例中，当确定预测系数、预测序列之后就能够确定LS预测模型，该LS预测模型能够隐式地预测边缘的走向，显著地提高了自然图像像素值预测的精度。

步骤S14，将生成的插入帧和原始图像进行合成处理，并播放合成处理后获取的合成帧。

在本发明第一实施例中，采用预测模型获取的预测数据生成插入帧，并将生成的插入帧插入到原始图像之间，获取合成后的视频图像。由于本实施例的插入帧的图像数据并不是直接采用图像的原始数据，而是对原始数据进行处理，从而获取该原始数据的运动矢量，参照获取的运动矢量运算出所插帧的图像数据，因此，所插帧的图像数据能够反映物体的运动轨迹，能够对各种场景下的图像起到相应的补偿作用，从而在播放包含插入帧的合成帧时更平滑，不会产生严重的抖动现象，使播出的图像处理效果更理想。

为了更清楚地描述本实施例提供的预测模型(或称预测器)的优势，下面从理论和实际效果对建立的预测模型进行分析：

图像中像素值的突变程度可以用方差来描述，通过预测前后的方差对比，可以衡量LS预测器在改善图像质量方面的性能。

考虑LS预测器对像素灰度值相等的一个局部图像来说，LS预测器应该准确地得到相同的数值，设(k＝1,2，..，N)，则

$\widehat{X_n}=X_{\mathrm{const}}\underset{k=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\α}}_k$ 必有

$\underset{k=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\α}}_k=1...\left(2\right)$

为了便于分析，将预测序列的值作中心化处理，则式(1)化为

$\stackrel{\widehat{\‾}}{X_n}=\underset{k=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\α}}_k\×{\stackrel{\‾}{X}}_{n-k}...\left(3\right)$

由式(2)可知，式(3)和式(1)的预测系数是相同的，X_n的方差为对α_k各求偏导，则

$\∂E/\∂{\mathrm{\α}}_k=-2E\left\{({\stackrel{\‾}{X}}_n-{\stackrel{\‾}{X}}_{n-1}){\stackrel{\‾}{X}}_{n-k}\right\},k=\mathrm{1,2},...,N$

根据极值条件令上述N个表达式等于0，可得N个等式组成的方程组为：

$E\left\{\right[{\stackrel{\‾}{X}}_n-({\mathrm{\α}}_1{\stackrel{\‾}{X}}_{|n-1}+...+{\mathrm{\α}}_N{\stackrel{\‾}{X}}_{n-N}){\stackrel{\‾}{X}}_{n-k}\}=0,k=\mathrm{1,2},...,N...\left(4\right)$

令X_n-k和X_n-i的协方差为R_ki，

R_ki＝E{X_n-k.X_n-i}，k＝0,1,2，…，N；i＝0,1,2，…，N

则式(4)可以化为

$\left[\begin{array}{c}{R}_{01}\\ R_{02}\\ ..\\ R_{0n}\end{array}\right]\left[\begin{array}{cccc}{R}_{11}& R_{21}& ...& R_{N1}\\ R_{12}& R_{22}& ...& R_{N2}\\ ..& ..& ..& ..\\ R_{1n}& R_{2n}& ...& R_{\mathrm{Nn}}\end{array}\right]\left[\begin{array}{c}{\mathrm{\α}}_1\\ {\mathrm{\α}}_2\\ ..\\ {\mathrm{\α}}_n\end{array}\right]...\left(5\right)$

式(5)反映了预测系数与预测序列中像素灰度值协方差矩阵之间的关系。由式(5)的结果，经过预测处理的图像的方差为：

$\begin{array}{c}{{\mathrm{\σ}}_e}^2=E\left\{{({\stackrel{\‾}{X}}_n-{\stackrel{\widehat{\‾}}{X}}_n)}^2\right\}\\ =E\left\{{[{{\stackrel{\‾}{X}}_n}^2-({\mathrm{\α}}_1{\stackrel{\‾}{X}}_{n-1}+...+{\mathrm{\α}}_N{\stackrel{\‾}{X}}_{n-N})]}^2\right\}\\ ={\mathrm{\σ}}^2-{\widehat{\mathrm{\σ}}}^2\end{array}$

其中，σ为原始预测序列的标准差，为图像的预测值标准差，由于大于等于0，因此经过预测处理后的图像的方差总是变小。

一般地，预测器中预测系数的符号与相应像素值协方差的符号一致；而在图像中，由运动估计中遮挡问题造成的具有突变值的像素，总是沿着运动对象的边界分布，存在很强的相关性，这样，这些像素点间的协方差较大，所以，经过预测器预测处理的图像，其方差大大减少了，像素值分布趋于平稳。通过模型的建立和性能分析，证明算法的可行性和效率，再通过高速MCU的处理能力完美实现了运动补偿技术。

在本实施例中，图4示出了采用本发明提供的视频图像补偿方法处理前、后的图像，从图4可以看出，采用本发明提供的补偿方法处理后的图像更清晰。

实施例二：

图5示出了本发明第二实施例提供的一种视频图像补偿监视器结构，为了便于说明，仅示出了与本实施例相关的部分。

该视频图像补偿监视器可以运行于终端内的软件单元、硬件单元或者软硬件相结合的单元，也可以作为独立的挂件集成到这些终端中或者运行于这些终端的应用系统中，其中：

图像原始参数获取单元51，用于获取图像数据的原始数据和原始帧率。

本实施例中，对输入的图像数据进行捕捉和缓存，再逐点比较缓存的图像数据，比如，对输入的LVDS信号进行捕捉和缓存，再利用CPU高速的处理能力对该LVDS信号逐点比较，从而捕捉出图像数据的原始数据和原始帧率。

数据终端参数获取单元52，用于获取数据终端的图像刷新率。

本实施例中，获取用于播放图像数据的数据终端的图像刷新率。

插入帧生成单元53，用于根据获取的图像数据的原始数据、原始帧率以及获取的数据终端的图像刷新率生成插入帧。

本实施例中，插入帧的图像数据是根据图像数据的原始数据计算获取的，插入帧的帧数是根据图像数据的原始帧率和数据终端的图像刷新率计算获取的。

视频播放单元54，用于将生成的插入帧和原始图像进行合成处理，并播放合成处理后获取的合成帧。

本实施例中，由于插入帧的图像数据并不是直接采用图像的原始数据，而是对原始数据进行处理，从而获取该原始数据的运动矢量，参照获取的运动矢量运算出所插帧的图像数据，因此，所插帧的图像数据能够反映物体的运动轨迹，能够对各种场景下的图像起到相应的补偿作用，从而在播放包含插入帧的合成帧时更平滑，不会产生严重的抖动现象，使播出的图像处理效果更理想。

图6示出了本发明第二实施例提供的另一种视频图像补偿监视器结构，为了便于说明，仅示出了与本实施例相关的部分。

在本实施例中，该视频图像补偿监视器除了包括图像原始参数获取单元51、数据终端参数获取单元52、插入帧生成单元53以及视频播放单元54之外，还包括帧率判断单元55。

该帧率判断单元55用于侦测图像数据的原始帧率是否发生变化。

本实施例中，连续侦测图像数据的原始帧率是否发生变化，若没有发生变化，则不更改之前获取的图像数据的原始帧率，若发生变化，则使用变化后的帧率代替之前获取的图像数据的原始帧率。

作为本发明一优选实施例，该插入帧生成单元53包括：

预测序列确定模块531，用于采用获取的原始数据构造预测模型的预测序列，该预测模型基于马尔科夫模型建立，用于预测图像数据。

预测系数确定模块532，用于确定预测模型的预测系数。

预测数据确定模块533，用于根据预测序列和预测系数建立的预测模型预测图像数据。

预测帧确定模块534，用于根据预测的图像数据、原始帧率以及获取的数据终端的图像刷新率生成插入帧。

本实施例中，利用马尔科夫模型构建预测模型，以便对图像数据的原始数据序列进行预测。其中，构建的预测模型可设为：

${\hat{X}}_n=\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\α}}_k\·X_{n-k}$

该为获取的预测数据，α_k为预测系数，X_n-k为预测序列，n＝1,2，….，预测系数和预测系列相乘之后再相加以确定预测数据。

作为本发明一优选实施例，该预测系数确定模块532包括：

向量构造模块61，用于根据获取的原始数据构造一个M维向量，该向量的维数M根据预设的双矩形的训练窗口的长和宽确定。

本实施例中，M＝2*T*(T+1)，其中，T为任一矩形训练窗口的宽，(T+1)为任一矩形训练窗口的长，T＝1,2,3，…。

预测矩阵构造模块62，用于根据该M维向量以及马尔科夫模型的阶数构造预测矩阵。

预测系数获取模块63，用于结合最小平方(LeastSquare，LS)准则，根据M维向量和预测矩阵确定预测模型的预测系数。

本实施例中，根据双矩形的训练窗口的大小以及该训练窗口内的预测序列X_n确定一个M维向量，并根据该M维向量确定预测矩阵，假设M维向量为预测矩阵为C，则：

$\stackrel{\‾}{y}={[X_{n-1},X_{n-2},...,X_{n-M}]}^T$

$C=\left[\begin{array}{cccc}{X}_{n-1-1}& X_{n-1-2}& ...& X_{n-1-N}\\ X_{n-2-1}& X_{n-2-2}& ...& X_{n-2-N}\\ ..& ..& & ..\\ X_{n-M-1}& X_{n-M-2}& ...& X_{n-M-N}\end{array}\right]$

其中，X_n-j-k是X_n-j预测序列中的第K个元素，j＝1,2…,M；k＝1,2..,N。按照LS准则，有优化目标

$E=\min {\left|\right|\stackrel{\→}{y}-C{\stackrel{\→}{\mathrm{\α}}}_k\left|\right|}_2$

根据极值条件，即当E＝0时可求得预测系数α_k，

本实施例中，当确定预测系数、预测序列之后就能够确定LS预测模型，该LS预测模型能够隐式地预测边缘的走向，显著地提高了自然图像像素值预测的精度。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种视频图像补偿方法，其特征在于，所述方法包括下述步骤：

获取图像数据的原始数据和原始帧率；所述图像数据的原始帧率为未经过前端播放器播放、未经过SOC芯片处理以及未经过SCALER的转化处理的原始帧率；

获取数据终端的图像刷新率；

根据获取的图像数据的原始数据、原始帧率以及获取的数据终端的图像刷新率生成插入帧，所述插入帧的图像数据为通过对原始数据进行处理，获取该原始数据的运动矢量，之后根据运动矢量运算得出；将生成的插入帧和原始图像进行合成处理，并播放合成处理后获取的合成帧；

所述根据获取的图像数据的原始数据、原始帧率以及获取的数据终端的图像刷新率生成插入帧的步骤具体包括：

采用获取的原始数据构造预测模型的预测序列，所述预测模型为用于预测图像数据；所述为获取的预测数据，α_k为预测系数，X_n-k为预测序列，n＝1,2，….；

确定预测模型的预测系数；

根据预测序列和预测系数建立的预测模型预测图像数据；

根据预测的图像数据、原始帧率以及获取的数据终端的图像刷新率生成插入帧。

2.如权利要求1所述的方法，其特征在于，在所述获取图像数据的原始数据和原始帧率的步骤之前，进一步包括下述步骤：

侦测图像数据的原始帧率是否发生变化。

3.如权利要求1所述的方法，其特征在于，所述确定预测模型的预测系数的步骤具体包括：

根据获取的原始数据构造一个M维向量，所述向量的维数M根据预设的双矩形的训练窗口的长和宽确定；

根据所述M维向量以及马尔科夫模型的阶数构造预测矩阵；

结合最小平方(LeastSquare，LS)准则，根据M维向量和预测矩阵确定预测模型的预测系数。

4.一种视频图像补偿监视器，其特征在于，所述监视器包括：

图像原始参数获取单元，用于获取图像数据的原始数据和原始帧率；所述图像数据的原始帧率为未经过前端播放器播放、未经过SOC芯片处理以及未经过SCALER的转化处理的原始帧率；

数据终端参数获取单元，用于获取数据终端的图像刷新率；

插入帧生成单元，用于根据获取的图像数据的原始数据、原始帧率以及获取的数据终端的图像刷新率生成插入帧，所述插入帧的图像数据为通过对原始数据进行处理，获取该原始数据的运动矢量，之后根据运动矢量运算得出；

视频播放单元，用于将生成的插入帧和原始图像进行合成处理，并播放合成处理后获取的合成帧；

所述插入帧生成单元包括：

预测序列确定模块，用于采用获取的原始数据构造预测模型的预测序列，所述预测模型为用于预测图像数据；所述为获取的预测数据，α_k为预测系数，X_n-k为预测序列，n＝1,2，….；

预测系数确定模块，用于确定预测模型的预测系数；

预测数据确定模块，用于根据预测序列和预测系数建立的预测模型预测图像数据；

预测帧确定模块，用于根据预测的图像数据、原始帧率以及获取的数据终端的图像刷新率生成插入帧。

5.如权利要求4所述的监视器，其特征在于，所述监视器包括：

帧率判断单元，用于侦测图像数据的原始帧率是否发生变化。

6.如权利要求4所述的监视器，其特征在于，所述预测系数确定模块包括：

向量构造模块，用于根据获取的原始数据构造一个M维向量，所述向量的维数M根据预设的双矩形的训练窗口的长和宽确定；

预测矩阵构造模块，用于根据所述M维向量以及马尔科夫模型的阶数构造预测矩阵；

预测系数获取模块，用于结合最小平方(LeastSquare，LS)准则，根据M维向量和预测矩阵确定预测模型的预测系数。