CN108256511B - 基于视频编码码流的人体运动检测方法 - Google Patents
基于视频编码码流的人体运动检测方法 Download PDFInfo
- Publication number
- CN108256511B CN108256511B CN201810215634.7A CN201810215634A CN108256511B CN 108256511 B CN108256511 B CN 108256511B CN 201810215634 A CN201810215634 A CN 201810215634A CN 108256511 B CN108256511 B CN 108256511B
- Authority
- CN
- China
- Prior art keywords
- moving target
- motion vector
- matrix
- human body
- code stream
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
- G06T7/251—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments involving models
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Compression Or Coding Systems Of Tv Signals (AREA)
Abstract
本发明涉及视频处理中运动目标检测技术领域,特别涉及一种基于视频编码码流的人体运动检测方法;所要解决的技术问题为:提供一种不需要对视频码流完全解码后再采用传统方法进行运动目标检测的方法,避免了在解码过程中对像素残差解码、整数IDCT变换、反量化、重构和环路滤波等耗时的操作;解决该技术问题采用的技术方案为:基于视频码流中的编码块对人体不同部位进行建模,并通过分析视频码流预测模式、运动矢量残差、像素残差分布情况值信息,对人体不同部位进行运动检测;本发明方法应用于对人体运动检测。
Description
技术领域
本发明涉及视频处理中运动目标检测技术领域,特别涉及一种基于视频编码码流的人体运动检测方法。
背景技术
随着时代的进步,城市的发展,视频监控规模不断地扩大,监控视频中的人体异常行为检测已经逐渐成为业界研究热点,其中对监控视频中的人体运动检测是人体异常行为分析的首要工作,人体运动检测的准确性和完整性会对后续的人体异常行为分析产生很大的影响。
对通常目标运动的检测目的是,在序列图像中检测出目标的变化区域并将运动目标从背景图像中提取出来;传统的运动目标检测算法包括帧差法、光流法和背景减除法。
所述帧差法是在连续的图像序列中两个或三个相邻帧间采用基于像素的时间差分并且阈值化来提取出图像中的运动目标,而对于图像序列中运动缓慢的目标,难以有效检测出图像序列中与运动目标相对应但变化相对较小的像素点,使运动实体内部容易产生较大“空洞”,检测效果不佳;基于光流的运动目标检测方法利用了运动目标随时间变化的光流特性,通过计算位移向量光流场来初始化基于轮廓的跟踪算法,从而有效的提取和跟踪运动目标,光流法在运动背景环境中也可以对运动目标进行检测,但光流法最大的缺点是其计算量过大,难以做到实时检测;背景减除法的关键在于对背景模型的建立,而实际操作时背景图像容易受到外界环境的影响,对光照和场景变化非常敏感,计算结果往往误差较大。
监控视频数据是经过视频编码算法压缩后的数据,目前视频压缩适用的国际标准主要有H.264和H.265,国内标准为AVS,它们都采用了基于块的混合编码算法。
所述H.264编码单元具体设定为宏块(macroblock/MB),每个宏块大小都是固定的16x16像素,其预测模式中,一个宏块可划分成7种不同模式的尺寸,在每个宏块中包含有1、2、4、8或16个运动矢量;H.265的编码单位可以选择从最小的8x8到最大的64x64像素,包含更加灵活的运动矢量算法;AVS编码单元为宏块,每个宏块大小也是固定的16x16像素,一个宏块可划分成4种不同模式的尺寸,在每个宏块中可包含有1、2、4个运动矢量。
传统的运动目标检测算法针对图像中的每个像素进行处理,需要对视频数据进行完全解码后再做运算,对于接收到的海量视频数据计算量大且复杂,难以实现对动作画面的实时处理。
发明内容
本发明为了克服现有技术存在的不足,所要解决的技术问题为:提供一种不需要对视频码流完全解码后再采用传统方法进行运动目标检测的方法,避免了在解码过程中对像素残差解码、整数IDCT变换、反量化、重构和环路滤波等耗时的操作,为了解决上述技术问题,本发明采用的技术方案为:基于视频编码码流的人体运动检测方法,基于视频码流中的编码块对人体不同部位进行建模,并通过分析视频码流预测模式、运动矢量残差、像素残差分布情况值信息,对人体不同部位进行运动检测。
所述建模的过程为:根据监控摄像头拍摄焦距对人体头部、躯干、四肢不同部位分别建立模型,此模型基于编码块建立;然后对视频码流P帧进行部分解码,部分解码后得到编码块预测模式、运动矢量残差和像素残差分布情况值。
所述运动检测的过程为:根据编码块预测模式的分布情况,基于人体不同部位的模型进行分析,初步检测人体不同部位运动目标A;
求解所述运动矢量,根据编码块运动矢量情况初步检测人体不同部位运动目标B;
根据所述运动矢量残差情况对运动目标B做修正,得到运动目标C;
根据运动目标C和运动目标A匹配程度,得到最终人体部位运动目标D;
根据所述像素残差分布情况值对运动目标D的边缘轮廓做修正。
本发明相对于现有技术具备的有益效果为:本发明通过对视频码流P帧进行部分解码,得到编码块预测模式、运动矢量残差和像素残差分布情况值信息,通过分析编码块预测模式、运动矢量残差和像素残差分布情况值信息,检测出人体不同部位运动目标,且可提供人体不同部位运动矢量信息,为运动目标跟踪和异常行为分析提供了有效信息,避免了解码过程中像素残差解码、整数IDCT变换、反量化、重构和环路滤波等耗时的操作,简化计算步骤,可以实现对运动人体数据的实时检测,提高了对人体运动检测的效率。
具体实施方式
下面结合实施例详细说明本发明的技术方案:基于视频编码码流的人体运动检测方法,基于视频码流中的编码块对人体不同部位进行建模,并通过分析视频码流预测模式、运动矢量残差、像素残差分布情况值信息,对人体不同部位进行运动检测。
所述建模的过程为:根据监控摄像头拍摄焦距对人体头部、躯干、四肢不同部位分别建立模型,此模型基于编码块建立;然后对视频码流P帧进行部分解码,部分解码后得到编码块预测模式、运动矢量残差和像素残差分布情况值。
所述运动检测的过程为:根据编码块预测模式的分布情况,基于人体不同部位的模型进行分析,初步检测人体不同部位运动目标A;
求解所述运动矢量,根据编码块运动矢量情况初步检测人体不同部位运动目标B;
根据所述运动矢量残差情况对运动目标B做修正,得到运动目标C;
根据运动目标C和运动目标A匹配程度,得到最终人体部位运动目标D;
根据所述像素残差分布情况值对运动目标D的边缘轮廓做修正。
本发明充分利用视频码流中预测模式、运动矢量残差MVD和像素残差分布情况CBP等码流信息,基于块而非基于像素进行人体运动检测。
在视频编码码流中,对于帧间编码前向预测编码P帧而言,预测模式、运动矢量残差MVD和像素残差分布情况CBP都会写入码流,可以通过分析预测模式、运动矢量残差、像素残差情况CBP对运动目标进行检测。对背景图像而言,预测模式采用SKIP模式居多,块划分的尺寸较大,可采用H.264、H.265或AVS编码标准,模型可基于16x16或32x32像素块建立;对运动目标而言,图像细节丰富,采用的块划分尺寸较小。对背景图像而言,运动矢量残差多数情况为零,考虑到光线等天气变量的影响,运动矢量很小,可采用较小阈值分辨背景图像;对运动目标而言,运动矢量不为零,可以通过码流运动矢量残差信息预测运动矢量,选取合适阈值判断运动目标。对背景图像而言,像素残差情况CBP值为零居多;而对运动目标而言,像素残差情况CBP值绝大多数情况不为零。
具体的检测步骤如下:
第一步:实施例采用视频编码H.264标准进行检测,根据监控摄像头拍摄焦距对人体头部、躯干、四肢不同部位分别建立模型矩阵。
第二步:模型矩阵PM0XN0基于16x16像素编码宏块建立,其中M0表示包含M0行16x16像素横向编码宏块,N0表示包含N0列16x16像素纵向编码宏块,人体部位不规则性,通过设置矩阵PM0XN0中元素值实现,flag0表示不含人体部位,flag1表示含人体部位;不同焦距和场景下人体部位模型矩阵不同,通过调整系数α、β实现,计算公式如下:
M=INT[α×M0],N=INT[β×N0];其中INT表示取整操作。
第三步:对视频码流P帧进行部分解码,部分解码后得到宏块类型和子宏块类型预测模式、量化参数QP、运动矢量残差和像素残差分布情况CBP值,解码过程中像素残差解码、整数IDCT变换、反量化、重构和环路滤波等耗时的操作不需要完成。
第四步:将以宏块为基本单元的矩阵E赋值操作,根据宏块不同预测模式赋矩阵E中元素e(i,j)不同值,取值0-1,根据量化参数QP值不同,取值可做小范围调整,计算公式具体如下:
其中PM为编码宏块预测模式,Size为宏块预测模式的尺寸大小。。
第五步:给模型矩阵P赋初值,边缘部分即矩阵临近flag0的flag1位置部分赋值为1,其他flag1位置部分赋值为0.5,flag0位置部分赋值为0。
第六步:以模型矩阵P为基本单元,在矩阵E搜索运动目标A,定义匹配误差函数如下:
其中,J0(e,p)为匹配误差函数,e(x,y)为矩阵E元素,p(x,y)为矩阵P元素。
第七步:将J0(e,p)与初始阈值THJ0做比较,如果小于阈值THJ0,则认定为初步检测运动目标A(i,j),i,j分别表示运动目标A横坐标和纵坐标。
第八步:根据运动矢量残差MVD和H.264标准求解宏块运动矢量MV,并以宏块为基本单元的矩阵F赋值操作,根据宏块运动矢量MV情况对矩阵F进行二值化处理,具体计算公式如下:
其中Smv=ABS(MVx)+ABS(MVy),THmv为宏块运动矢量阈值,MVx为宏块横向运动矢量,MVy为宏块纵向运动矢量,ABS为取绝对值运算。
第九步:模型矩阵P赋初值,flag1位置部分赋值为1,flag0位置部分赋初值为0,以模型矩阵P为基本单元,在矩阵F搜索运动目标B,定义匹配误差函数如下:
其中J1(f,p)为匹配误差函数,f(x,y)为矩阵F元素,p(x,y)为矩阵P元素。
第十步:将J1(f,p)与初始阈值THJ1做比较,小于阈值THJ1,认定为初步检测运动目标B(i,j),i,j分别表示运动目标B横坐标和纵坐标。
第十一步:人体部位运动其方向具有一致性,故人体部位边缘部分运动矢量残差MVD较大,人体部位内部运动矢量残差MVD较小,故可以用MVD分布情况对通过运动矢量MV检测到的运动目标B(i,j)进行修正;根据运动矢量残差MVD情况,对运动目标B赋初值,具体公式如下:
其中,Smvd=ABS(MVDx)+ABS(MVDy),THmvd为宏块运动矢量残差阈值,MVDx为宏块横向运动矢量残差,MVDy为宏块纵向运动矢量残差,ABS为取绝对值运算。
第十二步:模型矩阵P赋初值,边缘部分即矩阵临近flag0的flag1位置部分赋值为1,其他flag1位置部分赋值为0,flag0位置部分赋值为0,定义匹配误差函数如下:
第十三步:将J2(b,p)与初始阈值THJ2做比较,小于阈值THJ2,认定B(i,j)为检测运动目标,否则,B(i,j)不为检测运动目标,得到检测运动目标C(i,j),i,j分别表示运动目标C横坐标和纵坐标。
第十四步:计算运动目标C与运动目标A匹配程度,计算公式如下:
J3=ABS(ic-ia)+ABS(jc-ja);
其中ic为运动目标C横坐标,jc为运动目标C纵坐标,ia为运动目标A横坐标,ja为运动目标A纵坐标,ABS为取绝对值运算。
第十五步:将J3与初始阈值THJ3做比较,小于阈值THJ3,认定C(i,j)为检测运动目标,否则,C(i,j)不为检测运动目标,得到最终检测运动目标D(i,j),i,j分别表示运动目标D横坐标和纵坐标。
第十六步:根据像素残差分布情况CBP值分别对运动目标D边缘轮廓做修正,子宏块紧邻flag0部分,CBP值大于0为轮廓,等于0不为轮廓。
以上内容是结合具体的实施方式对本发明所做的进一步详细说明,不能认定本发明的具体实施方式仅限于此,对于本发明所属技术领域的普通技术人员来说,在不脱离本发明的前提下,还可以做出若干简单的推演或替换,都应当视为属于本发明由所提交的权利要求书确定专利保护范围。
Claims (1)
1.基于视频编码码流的人体运动检测方法,其特征在于:基于视频码流中的编码块对人体不同部位进行建模,并通过分析视频码流预测模式、运动矢量残差、像素残差分布情况值信息,对人体不同部位进行运动检测;
所述建模的过程为:根据监控摄像头拍摄焦距对人体头部、躯干、四肢不同部位分别建立模型,此模型基于编码块建立;
然后对视频码流P帧进行部分解码,然后对视频码流P帧进行部分解码,部分解码后得到宏块类型和子宏块类型预测模式、量化参数QP、运动矢量残差和像素残差分布情况CBP值;
所述运动检测的过程为:根据编码块预测模式的分布情况,基于人体不同部位的模型进行分析,初步检测人体不同部位运动目标A;
求解所述运动矢量,根据编码块运动矢量情况初步检测人体不同部位运动目标B;
根据所述运动矢量残差情况对运动目标B做修正,得到运动目标C;
根据运动目标C和运动目标A匹配程度,得到最终人体部位运动目标D;
根据所述像素残差分布情况值对运动目标D的边缘轮廓做修正;
基于上述步骤,具体将以宏块为基本单元的矩阵E赋值操作,根据宏块不同预测模式赋矩阵E中元素e(i,j)不同值,取值0-1,根据量化参数QP值不同,取值可做小范围调整,计算公式具体如下:
其中PM为编码宏块预测模式,Size为宏块预测模式的尺寸大小;
给模型矩阵P赋初值,边缘部分即矩阵临近flag0的flag1位置部分赋值为1,其他flag1位置部分赋值为0.5,flag0位置部分赋值为0;
以模型矩阵P为基本单元,在矩阵E搜索运动目标A,定义匹配误差函数如下:
其中,J0(e,p)为匹配误差函数,e(x,y)为矩阵E元素,p(x,y)为矩阵P元素;
将J0(e,p)与初始阈值THJ0做比较,如果小于阈值THJ0,则认定为初步检测运动目标A(i,j),i,j分别表示运动目标A横坐标和纵坐标;
根据运动矢量残差MVD和H.264标准求解宏块运动矢量MV,并以宏块为基本单元的矩阵F赋值操作,根据宏块运动矢量MV情况对矩阵F进行二值化处理,具体计算公式如下:
其中Smv=ABS(MVx)+ABS(MVy),THmv为宏块运动矢量阈值,MVx为宏块横向运动矢量,MVy为宏块纵向运动矢量,ABS为取绝对值运算;
模型矩阵P赋初值,flag1位置部分赋值为1,flag0位置部分赋初值为0,以模型矩阵P为基本单元,在矩阵F搜索运动目标B,定义匹配误差函数如下:
其中J1(f,p)为匹配误差函数,f(x,y)为矩阵F元素,p(x,y)为矩阵P元素;
将J1(f,p)与初始阈值THJ1做比较,小于阈值THJ1,认定为初步检测运动目标B(i,j),i,j分别表示运动目标B横坐标和纵坐标;
使用MVD分布情况对通过运动矢量MV检测到的运动目标B(i,j)进行修正,根据运动矢量残差MVD情况,对运动目标B赋初值,具体公式如下:
其中,Smvd=ABS(MVDx)+ABS(MVDy),THmvd为宏块运动矢量残差阈值,MVDx为宏块横向运动矢量残差,MVDy为宏块纵向运动矢量残差,ABS为取绝对值运算;
模型矩阵P赋初值,边缘部分即矩阵临近flag0的flag1位置部分赋值为1,其他flag1位置部分赋值为0,flag0位置部分赋值为0,定义匹配误差函数如下:
将J2(b,p)与初始阈值THJ2做比较,小于阈值THJ2,认定B(i,j)为检测运动目标,否则,B(i,j)不为检测运动目标,得到检测运动目标C(i,j),i,j分别表示运动目标C横坐标和纵坐标;
计算运动目标C与运动目标A匹配程度,计算公式如下:
J3=ABS(ic-ia)+ABS(jc-ja);
其中ic为运动目标C横坐标,jc为运动目标C纵坐标,ia为运动目标A横坐标,ja为运动目标A纵坐标,ABS为取绝对值运算;
将J3与初始阈值THJ3做比较,小于阈值THJ3,认定C(i,j)为检测运动目标,否则,C(i,j)不为检测运动目标,得到最终检测运动目标D(i,j),i,j分别表示运动目标D横坐标和纵坐标;
根据像素残差分布情况CBP值分别对运动目标D边缘轮廓做修正,子宏块紧邻flag0部分,CBP值大干0为轮廓,等于0不为轮廓。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810215634.7A CN108256511B (zh) | 2018-03-15 | 2018-03-15 | 基于视频编码码流的人体运动检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810215634.7A CN108256511B (zh) | 2018-03-15 | 2018-03-15 | 基于视频编码码流的人体运动检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108256511A CN108256511A (zh) | 2018-07-06 |
CN108256511B true CN108256511B (zh) | 2022-03-29 |
Family
ID=62746735
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810215634.7A Active CN108256511B (zh) | 2018-03-15 | 2018-03-15 | 基于视频编码码流的人体运动检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108256511B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109379595B (zh) * | 2018-11-15 | 2021-10-15 | 太原理工大学 | 基于视频码流码书模型的动态目标检测方法 |
IL284179B2 (en) * | 2018-12-21 | 2024-06-01 | Vid Scale Inc | Differential coding of a symmetric motion vector |
CN110796662B (zh) * | 2019-09-11 | 2022-04-19 | 浙江大学 | 一种实时的语义视频分割方法 |
CN111161316B (zh) * | 2019-12-18 | 2023-08-01 | 深圳云天励飞技术有限公司 | 目标物体跟踪方法、装置及终端设备 |
CN112184769B (zh) * | 2020-09-27 | 2023-05-02 | 上海高德威智能交通系统有限公司 | 一种跟踪异常的识别方法、装置及设备 |
CN112714316B (zh) * | 2020-12-21 | 2023-01-31 | 太原智林信息技术股份有限公司 | 基于视频码流的规则标志检测和分类识别方法 |
CN114202562A (zh) * | 2021-12-07 | 2022-03-18 | 北京市商汤科技开发有限公司 | 视频处理方法及装置、电子设备和存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5452377A (en) * | 1991-04-12 | 1995-09-19 | Sony Corporation | Moving vector detecting device |
CN101505426A (zh) * | 2009-03-17 | 2009-08-12 | 北京中星微电子有限公司 | 压缩域的运动检测方法及装置 |
CN102333213A (zh) * | 2011-06-15 | 2012-01-25 | 夏东 | 一种复杂背景下的h.264压缩域运动目标检测算法 |
CN102395030A (zh) * | 2011-11-18 | 2012-03-28 | 杭州海康威视数字技术股份有限公司 | 基于视频压缩码流的运动分析方法、码流转换方法及其装置 |
JP2015053586A (ja) * | 2013-09-06 | 2015-03-19 | 富士通セミコンダクター株式会社 | 動きベクトル検出装置、動きベクトル検出方法および画像処理装置 |
CN106664417A (zh) * | 2014-05-15 | 2017-05-10 | 英特尔公司 | 用于视频编码的内容自适应背景前景分割 |
CN106851302A (zh) * | 2016-12-22 | 2017-06-13 | 国网浙江省电力公司杭州供电公司 | 一种基于帧内编码压缩域的监控视频运动目标检测方法 |
CN107404653A (zh) * | 2017-05-23 | 2017-11-28 | 南京邮电大学 | 一种hevc码流的停车事件快速检测方法 |
-
2018
- 2018-03-15 CN CN201810215634.7A patent/CN108256511B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5452377A (en) * | 1991-04-12 | 1995-09-19 | Sony Corporation | Moving vector detecting device |
CN101505426A (zh) * | 2009-03-17 | 2009-08-12 | 北京中星微电子有限公司 | 压缩域的运动检测方法及装置 |
CN102333213A (zh) * | 2011-06-15 | 2012-01-25 | 夏东 | 一种复杂背景下的h.264压缩域运动目标检测算法 |
CN102395030A (zh) * | 2011-11-18 | 2012-03-28 | 杭州海康威视数字技术股份有限公司 | 基于视频压缩码流的运动分析方法、码流转换方法及其装置 |
JP2015053586A (ja) * | 2013-09-06 | 2015-03-19 | 富士通セミコンダクター株式会社 | 動きベクトル検出装置、動きベクトル検出方法および画像処理装置 |
CN106664417A (zh) * | 2014-05-15 | 2017-05-10 | 英特尔公司 | 用于视频编码的内容自适应背景前景分割 |
CN106851302A (zh) * | 2016-12-22 | 2017-06-13 | 国网浙江省电力公司杭州供电公司 | 一种基于帧内编码压缩域的监控视频运动目标检测方法 |
CN107404653A (zh) * | 2017-05-23 | 2017-11-28 | 南京邮电大学 | 一种hevc码流的停车事件快速检测方法 |
Non-Patent Citations (5)
Title |
---|
"A Fast Object Detecting-Tracking Method in Compressed Domaian";Qian Z等;《Asian Conference on Computer Vision》;20141231;第1-16页 * |
"MPEG-4视频中运动背景下的目标检测算法";田玉敏等;《光学学报》;20090531;第29卷(第5期);第1227-1231页 * |
"The technology of target detection based on compressive ghost imaging";Kang Y等;《Optical Instruments》;20171231;第39卷(第6期);第1-6页 * |
"基于H.264/AVC压缩域的视频运动目标检测";张文琪;《中国优秀硕士学位论文全文数据库 信息科技辑》;20120215(第2期);第I138-2228页 * |
"基于H.264压缩域的运动目标检测算法";武智霞等;《电子科技》;20100715;第23卷(第7期);第4-6页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108256511A (zh) | 2018-07-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108256511B (zh) | 基于视频编码码流的人体运动检测方法 | |
CN101170688B (zh) | 一种宏块模式的快速选择方法 | |
CN102395030B (zh) | 基于视频压缩码流的运动分析方法、码流转换方法及其装置 | |
CN103141092B (zh) | 针对视频压缩使用运动补偿的基于示例的超分辨率来编码视频信号的方法和设备 | |
CN106131554B (zh) | 基于主要边缘方向的hevc快速样点自适应补偿方法 | |
US8902994B1 (en) | Deblocking filtering | |
CN103141106A (zh) | 运动图像编码装置、运动图像解码装置、运动图像编码方法以及运动图像解码方法 | |
CN101009835A (zh) | 基于背景的运动估计编码方法 | |
CN105898332B (zh) | 针对3d-hevc编码标准的快速深度图帧内模式判决方法 | |
CN103826125B (zh) | 用于已压缩监控视频的浓缩分析方法和装置 | |
CN101350920A (zh) | 一种面向全景视频的全局运动估计方法 | |
Maleki et al. | Blockcnn: A deep network for artifact removal and image compression | |
CN101237581A (zh) | 基于运动特征的h.264压缩域实时视频对象分割方法 | |
CN101272450B (zh) | Sprite编码中的全局运动估计外点去除及运动参数细化方法 | |
CN101841722B (zh) | 滤波边界强度的检测装置的检测方法 | |
CN1457196A (zh) | 基于时空域相关性运动矢量预测的视频编码方法 | |
You et al. | Real-time detection and tracking of multiple objects with partial decoding in H. 264/AVC bitstream domain | |
CN100499739C (zh) | 基于压缩域的场景变化实时检测方法 | |
CN107135393B (zh) | 一种光场图像的压缩方法 | |
CN105227959A (zh) | 用于视频编码的多编码点混编流水方法及其装置 | |
CN109379595B (zh) | 基于视频码流码书模型的动态目标检测方法 | |
CN109168000B (zh) | 一种基于rc预测的hevc帧内预测快速算法 | |
CN107483936B (zh) | 一种基于宏像素的光场视频帧间预测方法 | |
Chen et al. | AV1 video coding using texture analysis with convolutional neural networks | |
JP3309519B2 (ja) | 動きベクトル検出装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |