CN109743495A - 视频图像电子增稳方法及装置 - Google Patents
视频图像电子增稳方法及装置 Download PDFInfo
- Publication number
- CN109743495A CN109743495A CN201811434787.7A CN201811434787A CN109743495A CN 109743495 A CN109743495 A CN 109743495A CN 201811434787 A CN201811434787 A CN 201811434787A CN 109743495 A CN109743495 A CN 109743495A
- Authority
- CN
- China
- Prior art keywords
- frame image
- motion vector
- current frame
- reference frame
- image
- 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.)
- Granted
Links
Landscapes
- Image Analysis (AREA)
- Studio Devices (AREA)
Abstract
本发明实施例提供一种视频图像电子增稳方法及装置,所述方法包括:根据目标视频的当前帧图像和参考帧图像,获取所述当前帧图像相对于所述参考帧图像的全局运动矢量;基于卡尔曼滤波器估计拍摄所述目标视频的设备在当前时刻的有意运动矢量;根据所述全局运动矢量和所述有意运动矢量,获取电子稳像修正量,根据所述电子稳像修正量对所述当前帧图像进行变换和边缘裁剪,获取稳定的当前帧图像。本发明实施例能够有效解决无人机智能视觉云台采集的视频图像序列不规则抖动问题,处理速度快、实时性高、精度好,易于在嵌入式处理器上实现。
Description
技术领域
本发明实施例属于图像处理技术领域,更具体地,涉及一种视频图像电子增稳方法及装置。
背景技术
视频图像电子增稳技术一直是视频图像采集系统的重点研究内容,特别在机载、车载或舰载等相机挂载平台处于运动状态时,由于平台本身抖动或气流、路面、水流等外部原因造成的相机抖动,使得成像过程中得到的视频序列带有小幅无规则抖动,从而影响场景观测的结果,进而可能影响后续其它视觉任务的结果。因此在完成高层次视觉处理任务前得到稳定的视频图像序列,是运动平台下视觉处理非常重要的一个部分。
应用于无人机智能视觉云台的视频图像增稳方法有很多的限制和困难,例如机载的计算和存储资源有限且实时性要求高,大部分计算资源需要用于目标识别、跟踪等高层次视觉处理任务,从而导致很多计算量大或存储空间要求高的算法不能适用,比如基于特征点提取与匹配的方法,以及图像块匹配的方法无法应用于无人机智能视觉云台的视频图像电子增稳。
综上所述,现有的视频图像电子增稳方法计算量大、存储要求高,不能满足实时性,从而无法应用于无人机智能视觉平台。
发明内容
为克服上述现有的视频图像电子增稳方法计算量大、存储要求高,不能满足实时性的问题或者至少部分地解决上述问题,本发明实施例提供一种视频图像电子增稳方法及装置。
根据本发明实施例的第一方面,提供一种视频图像电子增稳方法,包括:
根据目标视频的当前帧图像和参考帧图像,获取所述当前帧图像相对于所述参考帧图像的全局运动矢量;
基于卡尔曼滤波器估计拍摄所述目标视频的设备在当前时刻的有意运动矢量;
根据所述全局运动矢量和所述有意运动矢量,获取电子稳像修正量,根据所述电子稳像修正量对所述当前帧图像进行变换和边缘裁剪,获取稳定的当前帧图像。
根据本发明实施例第二方面提供一种视频图像电子增稳装置,包括:
第一获取模块,用于根据目标视频的当前帧图像和参考帧图像,获取所述当前帧图像相对于所述参考帧图像的全局运动矢量;
第二获取模块,用于基于卡尔曼滤波器估计拍摄所述目标视频的设备在当前时刻的有意运动矢量;
增稳模块,用于根据所述全局运动矢量和所述有意运动矢量,获取电子稳像修正量,根据所述电子稳像修正量对所述当前帧图像进行变换和边缘裁剪,获取稳定的当前帧图像。
根据本发明实施例的第三个方面,还提供一种电子设备,包括:
至少一个处理器;以及
与所述处理器通信连接的至少一个存储器,其中:
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行第一方面的各种可能的实现方式中任一种可能的实现方式所提供的视频图像电子增稳方法。
根据本发明实施例的第四个方面,还提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行第一方面的各种可能的实现方式中任一种可能的实现方式所提供的视频图像电子增稳方法。
本发明实施例提供一种视频图像电子增稳方法及装置,该方法通过首先估计当前帧图像相对于所述参考帧图像的全局运动矢量,计算量小且精度高,然后使用卡尔曼滤波器分离拍摄所述目标视频的设备在当前时刻的有意运动和不规则抖动,根据当前帧图像的全局运动矢量和设备的有意运动矢量确定电子稳像修正量,根据电子稳像修正量对当前帧图像进行变换和边缘裁剪,获取稳定的当前帧图像,能够有效解决无人机智能视觉云台采集的视频图像序列不规则抖动问题,处理速度快、实时性高、精度好,易于在嵌入式处理器上实现。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的视频图像电子增稳方法整体流程示意图;
图2为本发明实施例提供的视频图像电子增稳装置整体结构示意图;
图3为本发明实施例提供的电子设备整体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本发明的一个实施例中提供一种视频图像电子增稳方法,图1为本发明实施例提供的视频图像电子增稳方法整体流程示意图,该方法包括:S101,根据目标视频的当前帧图像和参考帧图像,获取所述当前帧图像相对于所述参考帧图像的全局运动矢量;
其中,目标视频为需要进行增稳的视频,目标视频可以通过无人机智能视觉云台拍摄,但不限于这种应用设备和应用场景。无人机智能视觉云台由高清运动相机、三轴稳定云台和图像处理模块组成。无人机智能视觉云台集成了高分辨率可见光相机,如分辨率为1920*1080。当该相机挂载在无人机上时,由于发动机震动或气流等外界因素的影响,无人机智能视觉云台采集的视频序列会出现无规则抖动。将目标视频的序列中某一帧图像作为参考帧图像,将参考帧图像的后续帧图像作为当前帧图像。初始化时,可以将目标视频的第一帧图像作为参考帧图像,将后续采集到的图像为当前帧图像。全局运动矢量为当前帧图像的整幅图像相对于参考帧的变化矢量。当前帧图像相对于所述参考帧图像的全局运动矢量根据当前帧图像与参考帧图像之间的差异确定,本实施例不限于全局运动矢量的获取方法。
S102,基于卡尔曼滤波器估计拍摄所述目标视频的设备在当前时刻的有意运动矢量;
卡尔曼滤波器,即Kalman滤波器是由Kalman提出的用于时变线性系统的递归滤波器,该系统可用包含正交状态变量的微分方程模型来描述,这种滤波器的原理是将过去的测量估计误差合并到新的测量误差中来估计将来的误差。拍摄目标视频的设备的有意运动矢量是指设备自身的运动矢量,设备的自身运动可以用匀速运动模型近似。使用Kalman滤波器将设备当前时刻的有意运动矢量从设备的无规则抖动中分离出来。
S103,根据所述全局运动矢量和所述有意运动矢量,获取电子稳像修正量,根据所述电子稳像修正量对所述当前帧图像进行变换和边缘裁剪,获取稳定的当前帧图像。
电子稳像修正量为当前帧图像和参考帧图像之间需要补偿的运动矢量。在获取到当前帧图像相对于参考帧图像的全局运动矢量dw和拍摄目标视频的设备在当前时刻的有意运动矢量dk后,得到电子稳像修正量d=dk-dw。根据电子稳像修正量对当前帧图像进行平移变换,将平移变换后的边缘出界部分裁剪掉,并在空缺部分填零,即可得到稳定的当前帧图像,使用本实施例的方法依次对目标视频的各帧图像进行增稳,从而得到稳像后的视频序列图像。
本实施例首先估计当前帧图像相对于所述参考帧图像的全局运动矢量,计算量小且精度高,然后使用卡尔曼滤波器分离拍摄所述目标视频的设备在当前时刻的有意运动和不规则抖动,根据当前帧图像的全局运动矢量和设备的有意运动矢量确定电子稳像修正量,根据电子稳像修正量对当前帧图像进行变换和边缘裁剪,获取稳定的当前帧图像,能够有效解决无人机智能视觉云台采集的视频图像序列不规则抖动问题,处理速度快、实时性高、精度好,易于在嵌入式处理器上实现。
在上述实施例的基础上,本实施例中根据目标视频的当前帧图像和参考帧图像,获取所述当前帧图像相对于所述参考帧图像的全局运动矢量的步骤具体包括:对所述当前帧图像进行行投影和列投影,获取所述当前帧图像的行投影灰度值和列投影灰度值;对所述参考帧图像进行行投影和列投影,获取所述参考帧图像的行投影灰度值和列投影灰度值;对所述当前帧图像的行投影灰度值和所述参考帧图像的行投影灰度值进行互相关计算,获取第一相关曲线;对所述当前帧图像的列投影灰度值和所述参考帧图像的列投影灰度值进行互相关计算,获取第二相关曲线;基于三点加速法确定所述第一相关曲线和所述第二相关曲线中的最小值位置;根据所述第一相关曲线的最小值位置确定所述当前帧图像相对于所述参考帧图像的行运动矢量;根据所述第二相关曲线的最小值位置确定所述当前帧图像相对于所述参考帧图像的列运动矢量;根据所述行运动矢量和所述列运动矢量,确定所述当前帧图像相对于所述参考帧图像的全局运动矢量。
具体地,对当前帧图像进行行投影为对当前帧图像中的每行进行投影,即垂直投影。对当前帧图像进行列投影为对当前帧图像中的每列进行投影,即水平投影。获取当前帧图像的两个一维灰度投影序列,即当前帧图像的行投影灰度值和列投影灰度值。同样地,获取参考帧图像的行投影灰度值和列投影灰度值。对当前帧图像的行投影灰度值和参考帧图像的行投影灰度值进行互相关计算,获取第一相关曲线。使用三点加速法确定第一相关曲线的最小值位置。对当前帧图像的列投影灰度值和参考帧图像的列投影灰度值进行互相关计算,获取第二相关曲线。使用三点加速法确定第二相关曲线的最小值位置。两次相关计算的方法相同,将最小均方误差(Mean-Square Error,MSE)作为互相关计算的相关匹配运算准则。将第一相关曲线的最小值位置处当前帧图像相对于参考帧图像的偏移量X0作为当前帧图像相对于所述参考帧图像的行运动矢量。将第二相关曲线的最小值位置处当前帧图像相对于参考帧图像的偏移量Y0作为当前帧图像相对于所述参考帧图像的列运动矢量。并记录第一相关曲线的最小值Error_X和第二相关曲线的最小值Error_Y。根据X0和Y0确定当前帧图像相对于所述参考帧图像的全局运动矢量。可以直接将(X0,Y0)作为全局运动矢量。
在上述实施例的基础上,本实施例中在对所述当前帧图像进行行投影和列投影,对所述参考帧图像进行行投影和列投影的步骤之前还包括:对所述当前帧图像和所述参考帧图像进行下采样;使用直方图均衡化方法对下采样后的所述当前帧图像和下采样后的所述参考帧图像进行预处理。
具体地,为了提高运算效率,对当前帧图像和参考帧图像进行下采样,如将分辨率为1920*1080的当前帧图像和参考帧图像下采样到分辨率为960*540的图像。然后使用直方图均衡化方法对下采样后的当前帧图像和参考帧图像进行预处理。对处理后的当前帧图像和参考帧图像分别进行行投影和列投影。
在上述实施例的基础上,本实施例中根据所述行运动矢量和所述列运动矢量,确定所述当前帧图像相对于所述参考帧图像的全局运动矢量的步骤具体包括:将所述行运动矢量和第一预设变量进行相加和相减操作,获取第一操作结果;使用所述行运动矢量对应的第一相关曲线值和所述第一操作结果对应的第一相关曲线值拟合二次抛物线方程,获取所述第一相关曲线中最小值位置所在的偏移量;将所述列运动矢量和第二预设变量进行相加和相减操作,获取第二操作结果;使用所述列运动矢量对应的第二相关曲线值和所述第二操作结果对应的第二相关曲线值拟合二次抛物线方程,获取所述第二相关曲线中最小值位置所在的偏移量;将所述第一相关曲线中最小值位置所在的偏移量和所述第二相关曲线中最小值位置所在的偏移量进行上采样,将上采样的结果作为所述当前帧图像相对于所述参考帧图像的全局运动矢量。
具体地,进一步利用二次抛物线插值法精确确定全局运动矢量。例如第一预设变量为1,则第一操作结果为X0-1和X0+1,使用X0-1、X0和X0+1三个偏移量对应的第一相关曲线值拟合二次抛物线方程,将拟合的二次抛物线方程的最小值作为行投影第一相关曲线中最小值位置所在的亚像素级偏移量X1。同样地,获取列投影第二相关曲线中最小值位置所在的亚像素级偏移量Y1。将X1和Y1上采样2倍,得到原始1920*1080分辨率图像的全局运动矢量dW={dX,dY},其中dX、dY分别表示行、列运动矢量。
在上述各实施例的基础上,本实施例中基于卡尔曼滤波器估计拍摄所述目标视频的设备在当前时刻的有意运动矢量的步骤具体包括:将所述全局运动矢量作为所述卡尔曼滤波器中的观测值,使用所述卡尔曼滤波器估计拍摄所述目标视频的设备在当前时刻的有意运动矢量。
具体地,将dX和dY作为观测值。卡尔曼滤波器的状态方程可表示为:
则有系统参数其中,xk表示第k时刻的状态,d表示位移,v表示速度,k表示时刻。
观察方程可表示为:
则有系统参数H=[1 0]。
卡尔曼滤波器的预测和矫正公式可写为如下形式:
xk,p=Axk-1,
Pk,p=APk-1AT+Q,
Kk=Pk,pHT(HPk,pHT+R)-1,
xk=xk,p+Kk(zk-Hxk,p),
Pk=(1-KkH)Pk,p,
其中,Q和R分别是预测和观测状态协方差矩阵,一般可以简单认为系统状态各维之间相互独立,那么Q和R可以设置为数量矩阵。影响滤波结果平滑性的因素是cR/cQ,这个值反映了我们对于预测值和观测值的信任程度,其中cR和cQ分别为数量矩阵R和Q的对角线上元素的值;其值越大则越相信预测结果,滤波结果平滑性好;反之则越相信观测结果,滤波结果越偏向于观测值。一般使用卡尔曼滤波器是为了能平滑数据的波动,因此应尽量保证cR/cQ在10000以上。如cR=0.1,cQ=0.00001。P矩阵可初始化为0。使用0时刻的测量值z0来初始x0,预测从k=1开始。可通过下面的公式进行迭代:
由此得到拍摄目标视频的设备在当前时刻的有意运动矢量dk。
在上述实施例的基础上,本实施例中基于三点加速法确定所述第一相关曲线和所述第二相关曲线中的最小值位置的步骤之后还包括:若所述第一相关曲线中的最小值与所述第二相关曲线中的最小值之和大于预设阈值,则将所述参考帧图像更新为所述当前帧图像,并重置所述卡尔曼滤波器中的所有参数。
具体地,当第一相关曲线的最小值Error_X和第二相关曲线的最小值Error_Y之和大于预设阈值时,如(Error_X+Error_Y)/2>10,则将参考帧图像更新为当前帧图像,并重置卡尔曼滤波器中的所有参数。
在本发明的另一个实施例中提供一种视频图像电子增稳装置,该装置用于实现前述各实施例中的方法。因此,在前述视频图像电子增稳方法的各实施例中的描述和定义,可以用于本发明实施例中各个执行模块的理解。图2为本发明实施例提供的视频图像电子增稳装置整体结构示意图,该装置包括第一获取模块201、第二获取模块202和增稳模块203;其中:
第一获取模块201用于根据目标视频的当前帧图像和参考帧图像,获取所述当前帧图像相对于所述参考帧图像的全局运动矢量;
其中,目标视频为需要进行增稳的视频,目标视频可以通过无人机智能视觉云台拍摄,但不限于这种应用设备和应用场景。无人机智能视觉云台由高清运动相机、三轴稳定云台和图像处理模块组成。无人机智能视觉云台集成了高分辨率可见光相机,当该相机挂载在无人机上时,由于发动机震动或气流等外界因素的影响,无人机智能视觉云台采集的视频序列会出现无规则抖动。将目标视频的序列中某一帧图像作为参考帧图像,将参考帧图像的后续帧图像作为当前帧图像。初始化时,可以将目标视频的第一帧图像作为参考帧图像,将后续采集到的图像为当前帧图像。全局运动矢量为当前帧图像的整幅图像相对于参考帧的变化矢量。第一获取模块201根据当前帧图像与参考帧图像之间的差异确定当前帧图像相对于所述参考帧图像的全局运动矢量,本实施例不限于全局运动矢量的获取方法。
第二获取模块202用于基于卡尔曼滤波器估计拍摄所述目标视频的设备在当前时刻的有意运动矢量;
卡尔曼滤波器,即Kalman滤波器是由Kalman提出的用于时变线性系统的递归滤波器,该系统可用包含正交状态变量的微分方程模型来描述,这种滤波器的原理是将过去的测量估计误差合并到新的测量误差中来估计将来的误差。拍摄目标视频的设备的有意运动矢量是指设备自身的运动矢量,设备的自身运动可以用匀速运动模型近似。第二获取模块202使用Kalman滤波器将设备当前时刻的有意运动矢量从设备的无规则抖动中分离出来。
增稳模块203用于根据所述全局运动矢量和所述有意运动矢量,获取电子稳像修正量,根据所述电子稳像修正量对所述当前帧图像进行变换和边缘裁剪,获取稳定的当前帧图像。
电子稳像修正量为当前帧图像和参考帧图像之间需要补偿的运动矢量。增稳模块203在获取到当前帧图像相对于参考帧图像的全局运动矢量dw和拍摄目标视频的设备在当前时刻的有意运动矢量dk后,得到电子稳像修正量d=dk-dw。根据电子稳像修正量对当前帧图像进行平移变换,将平移变换后的边缘出界部分裁剪掉,并在空缺部分填零,即可得到稳定的当前帧图像,使用本实施例的方法依次对目标视频的各帧图像进行增稳,从而得到稳像后的视频序列图像。
本实施例首先估计当前帧图像相对于所述参考帧图像的全局运动矢量,计算量小且精度高,然后使用卡尔曼滤波器分离拍摄所述目标视频的设备在当前时刻的有意运动和不规则抖动,根据当前帧图像的全局运动矢量和设备的有意运动矢量确定电子稳像修正量,根据电子稳像修正量对当前帧图像进行变换和边缘裁剪,获取稳定的当前帧图像,能够有效解决无人机智能视觉云台采集的视频图像序列不规则抖动问题,处理速度快、实时性高、精度好,易于在嵌入式处理器上实现。
在上述实施例的基础上,本实施例中第一获取模块具体用于:对所述当前帧图像进行行投影和列投影,获取所述当前帧图像的行投影灰度值和列投影灰度值;对所述参考帧图像进行行投影和列投影,获取所述参考帧图像的行投影灰度值和列投影灰度值;对所述当前帧图像的行投影灰度值和所述参考帧图像的行投影灰度值进行互相关计算,获取第一相关曲线;对所述当前帧图像的列投影灰度值和所述参考帧图像的列投影灰度值进行互相关计算,获取第二相关曲线;基于三点加速法确定所述第一相关曲线和所述第二相关曲线中的最小值位置;根据所述第一相关曲线的最小值位置确定所述当前帧图像相对于所述参考帧图像的行运动矢量;根据所述第二相关曲线的最小值位置确定所述当前帧图像相对于所述参考帧图像的列运动矢量;根据所述行运动矢量和所述列运动矢量,确定所述当前帧图像相对于所述参考帧图像的全局运动矢量。
在上述实施例的基础上,本实施例中还包括预处理模块,用于对所述当前帧图像和所述参考帧图像进行下采样;使用直方图均衡化方法对下采样后的所述当前帧图像和下采样后的所述参考帧图像进行预处理。
在上述实施例的基础上,本实施例中将最小均方误差作为所述互相关计算的相关匹配运算准则;其中,对所述当前帧图像的行投影灰度值和所述参考帧图像的行投影灰度值进行互相关计算的方法,以及对所述当前帧图像的列投影灰度值和所述参考帧图像的列投影灰度值进行互相关计算的方法相同。
在上述实施例的基础上,本实施例中第一获取模块进一步用于:将所述行运动矢量和第一预设变量进行相加和相减操作,获取第一操作结果;使用所述行运动矢量对应的第一相关曲线值和所述第一操作结果对应的第一相关曲线值拟合二次抛物线方程,获取所述第一相关曲线中最小值位置所在的偏移量;将所述列运动矢量和第二预设变量进行相加和相减操作,获取第二操作结果;使用所述列运动矢量对应的第二相关曲线值和所述第二操作结果对应的第二相关曲线值拟合二次抛物线方程,获取所述第二相关曲线中最小值位置所在的偏移量;将所述第一相关曲线中最小值位置所在的偏移量和所述第二相关曲线中最小值位置所在的偏移量进行上采样,将上采样的结果作为所述当前帧图像相对于所述参考帧图像的全局运动矢量。
在上述各实施例的基础上,本实施例中第二获取模块具体用于:将所述全局运动矢量作为所述卡尔曼滤波器中的观测值,使用所述卡尔曼滤波器估计拍摄所述目标视频的设备在当前时刻的有意运动矢量。
在上述实施例的基础上,本实施例中还包括更新模块,用于若所述第一相关曲线中的最小值与所述第二相关曲线中的最小值之和大于预设阈值,则将所述参考帧图像更新为所述当前帧图像,并重置所述卡尔曼滤波器中的所有参数。
本实施例提供一种电子设备,图3为本发明实施例提供的电子设备整体结构示意图,该设备包括:至少一个处理器301、至少一个存储器302和总线303;其中,
处理器301和存储器302通过总线303完成相互间的通信;
存储器302存储有可被处理器301执行的程序指令,处理器调用程序指令能够执行上述各方法实施例所提供的方法,例如包括:根据目标视频的当前帧图像和参考帧图像,获取所述当前帧图像相对于所述参考帧图像的全局运动矢量;基于卡尔曼滤波器估计拍摄所述目标视频的设备在当前时刻的有意运动矢量;根据所述全局运动矢量和所述有意运动矢量,获取电子稳像修正量,根据所述电子稳像修正量对所述当前帧图像进行变换和边缘裁剪,获取稳定的当前帧图像。
本实施例提供一种非暂态计算机可读存储介质,非暂态计算机可读存储介质存储计算机指令,计算机指令使计算机执行上述各方法实施例所提供的方法,例如包括:根据目标视频的当前帧图像和参考帧图像,获取所述当前帧图像相对于所述参考帧图像的全局运动矢量;基于卡尔曼滤波器估计拍摄所述目标视频的设备在当前时刻的有意运动矢量;根据所述全局运动矢量和所述有意运动矢量,获取电子稳像修正量,根据所述电子稳像修正量对所述当前帧图像进行变换和边缘裁剪,获取稳定的当前帧图像。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种视频图像电子增稳方法,其特征在于,包括:
根据目标视频的当前帧图像和参考帧图像,获取所述当前帧图像相对于所述参考帧图像的全局运动矢量;
基于卡尔曼滤波器估计拍摄所述目标视频的设备在当前时刻的有意运动矢量;
根据所述全局运动矢量和所述有意运动矢量,获取电子稳像修正量,根据所述电子稳像修正量对所述当前帧图像进行变换和边缘裁剪,获取稳定的当前帧图像。
2.根据权利要求1所述的方法,其特征在于,根据目标视频的当前帧图像和参考帧图像,获取所述当前帧图像相对于所述参考帧图像的全局运动矢量的步骤具体包括:
对所述当前帧图像进行行投影和列投影,获取所述当前帧图像的行投影灰度值和列投影灰度值;
对所述参考帧图像进行行投影和列投影,获取所述参考帧图像的行投影灰度值和列投影灰度值;
对所述当前帧图像的行投影灰度值和所述参考帧图像的行投影灰度值进行互相关计算,获取第一相关曲线;
对所述当前帧图像的列投影灰度值和所述参考帧图像的列投影灰度值进行互相关计算,获取第二相关曲线;
基于三点加速法确定所述第一相关曲线和所述第二相关曲线中的最小值位置;
根据所述第一相关曲线的最小值位置确定所述当前帧图像相对于所述参考帧图像的行运动矢量;
根据所述第二相关曲线的最小值位置确定所述当前帧图像相对于所述参考帧图像的列运动矢量;
根据所述行运动矢量和所述列运动矢量,确定所述当前帧图像相对于所述参考帧图像的全局运动矢量。
3.根据权利要求2所述的方法,其特征在于,在对所述当前帧图像进行行投影和列投影,对所述参考帧图像进行行投影和列投影的步骤之前还包括:
对所述当前帧图像和所述参考帧图像进行下采样;
使用直方图均衡化方法对下采样后的所述当前帧图像和下采样后的所述参考帧图像进行预处理。
4.根据权利要求2所述的方法,其特征在于,将最小均方误差作为所述互相关计算的相关匹配运算准则;其中,对所述当前帧图像的行投影灰度值和所述参考帧图像的行投影灰度值进行互相关计算的方法,以及对所述当前帧图像的列投影灰度值和所述参考帧图像的列投影灰度值进行互相关计算的方法相同。
5.根据权利要求2所述的方法,其特征在于,根据所述行运动矢量和所述列运动矢量,确定所述当前帧图像相对于所述参考帧图像的全局运动矢量的步骤具体包括:
将所述行运动矢量和第一预设变量进行相加和相减操作,获取第一操作结果;
使用所述行运动矢量对应的第一相关曲线值和所述第一操作结果对应的第一相关曲线值拟合二次抛物线方程,获取所述第一相关曲线中最小值位置所在的偏移量;
将所述列运动矢量和第二预设变量进行相加和相减操作,获取第二操作结果;
使用所述列运动矢量对应的第二相关曲线值和所述第二操作结果对应的第二相关曲线值拟合二次抛物线方程,获取所述第二相关曲线中最小值位置所在的偏移量;
将所述第一相关曲线中最小值位置所在的偏移量和所述第二相关曲线中最小值位置所在的偏移量进行上采样,将上采样的结果作为所述当前帧图像相对于所述参考帧图像的全局运动矢量。
6.根据权利要求1-5任一所述的方法,其特征在于,基于卡尔曼滤波器估计拍摄所述目标视频的设备在当前时刻的有意运动矢量的步骤具体包括:
将所述全局运动矢量作为所述卡尔曼滤波器中的观测值,使用所述卡尔曼滤波器估计拍摄所述目标视频的设备在当前时刻的有意运动矢量。
7.根据权利要求2所述的方法,其特征在于,基于三点加速法确定所述第一相关曲线和所述第二相关曲线中的最小值位置的步骤之后还包括:
若所述第一相关曲线中的最小值与所述第二相关曲线中的最小值之和大于预设阈值,则将所述参考帧图像更新为所述当前帧图像,并重置所述卡尔曼滤波器中的所有参数。
8.一种视频图像电子增稳装置,其特征在于,包括:
第一获取模块,用于根据目标视频的当前帧图像和参考帧图像,获取所述当前帧图像相对于所述参考帧图像的全局运动矢量;
第二获取模块,用于基于卡尔曼滤波器估计拍摄所述目标视频的设备在当前时刻的有意运动矢量;
增稳模块,用于根据所述全局运动矢量和所述有意运动矢量,获取电子稳像修正量,根据所述电子稳像修正量对所述当前帧图像进行变换和边缘裁剪,获取稳定的当前帧图像。
9.一种电子设备,其特征在于,包括:
至少一个处理器、至少一个存储器和总线;其中,
所述处理器和存储器通过所述总线完成相互间的通信;
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如权利要求1至7任一所述的方法。
10.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行如权利要求1至7任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811434787.7A CN109743495B (zh) | 2018-11-28 | 2018-11-28 | 视频图像电子增稳方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811434787.7A CN109743495B (zh) | 2018-11-28 | 2018-11-28 | 视频图像电子增稳方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109743495A true CN109743495A (zh) | 2019-05-10 |
CN109743495B CN109743495B (zh) | 2021-02-09 |
Family
ID=66358211
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811434787.7A Active CN109743495B (zh) | 2018-11-28 | 2018-11-28 | 视频图像电子增稳方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109743495B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112204956A (zh) * | 2019-10-10 | 2021-01-08 | 深圳市大疆创新科技有限公司 | 拍摄装置及其控制方法、可移动平台 |
CN112929562A (zh) * | 2021-01-20 | 2021-06-08 | 北京百度网讯科技有限公司 | 视频抖动的处理方法、装置、设备以及存储介质 |
WO2021223127A1 (zh) * | 2020-05-06 | 2021-11-11 | 深圳市大疆创新科技有限公司 | 基于全局运动估计的时域滤波方法、装置及存储介质 |
CN114205521A (zh) * | 2021-11-12 | 2022-03-18 | 国网通用航空有限公司 | 一种运动视频图像的稳像方法、装置、设备及存储介质 |
CN114303364A (zh) * | 2019-06-21 | 2022-04-08 | 高途乐公司 | 用于稳定视频的系统和方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090174782A1 (en) * | 2008-01-07 | 2009-07-09 | Philippe Kahn | Method and Apparatus for Improving Photo Image Quality |
CN102231792A (zh) * | 2011-06-29 | 2011-11-02 | 南京大学 | 基于特征匹配的电子稳像方法 |
CN103402045A (zh) * | 2013-08-20 | 2013-11-20 | 长沙超创电子科技有限公司 | 一种基于分区匹配和仿射模型相结合的图像去旋稳像方法 |
CN103475802A (zh) * | 2013-09-26 | 2013-12-25 | 中国矿业大学 | 一种电子稳像方法 |
CN103955930A (zh) * | 2014-04-28 | 2014-07-30 | 中国人民解放军理工大学 | 基于灰度积分投影互相关函数特征的运动参数估计方法 |
CN106375659A (zh) * | 2016-06-06 | 2017-02-01 | 中国矿业大学 | 基于多分辨率灰度投影的电子稳像方法 |
CN107222662A (zh) * | 2017-07-12 | 2017-09-29 | 中国科学院上海技术物理研究所 | 一种基于改进的klt和卡尔曼滤波的电子稳像方法 |
US20180070089A1 (en) * | 2016-09-08 | 2018-03-08 | Qualcomm Incorporated | Systems and methods for digital image stabilization |
CN108259736A (zh) * | 2016-12-29 | 2018-07-06 | 昊翔电能运动科技(昆山)有限公司 | 云台增稳系统及云台增稳方法 |
CN108805832A (zh) * | 2018-05-29 | 2018-11-13 | 重庆大学 | 适于隧道环境特性的改进灰度投影稳像方法 |
-
2018
- 2018-11-28 CN CN201811434787.7A patent/CN109743495B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090174782A1 (en) * | 2008-01-07 | 2009-07-09 | Philippe Kahn | Method and Apparatus for Improving Photo Image Quality |
CN102231792A (zh) * | 2011-06-29 | 2011-11-02 | 南京大学 | 基于特征匹配的电子稳像方法 |
CN103402045A (zh) * | 2013-08-20 | 2013-11-20 | 长沙超创电子科技有限公司 | 一种基于分区匹配和仿射模型相结合的图像去旋稳像方法 |
CN103475802A (zh) * | 2013-09-26 | 2013-12-25 | 中国矿业大学 | 一种电子稳像方法 |
CN103955930A (zh) * | 2014-04-28 | 2014-07-30 | 中国人民解放军理工大学 | 基于灰度积分投影互相关函数特征的运动参数估计方法 |
CN106375659A (zh) * | 2016-06-06 | 2017-02-01 | 中国矿业大学 | 基于多分辨率灰度投影的电子稳像方法 |
US20180070089A1 (en) * | 2016-09-08 | 2018-03-08 | Qualcomm Incorporated | Systems and methods for digital image stabilization |
CN108259736A (zh) * | 2016-12-29 | 2018-07-06 | 昊翔电能运动科技(昆山)有限公司 | 云台增稳系统及云台增稳方法 |
CN107222662A (zh) * | 2017-07-12 | 2017-09-29 | 中国科学院上海技术物理研究所 | 一种基于改进的klt和卡尔曼滤波的电子稳像方法 |
CN108805832A (zh) * | 2018-05-29 | 2018-11-13 | 重庆大学 | 适于隧道环境特性的改进灰度投影稳像方法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114303364A (zh) * | 2019-06-21 | 2022-04-08 | 高途乐公司 | 用于稳定视频的系统和方法 |
CN114303364B (zh) * | 2019-06-21 | 2024-02-23 | 高途乐公司 | 用于稳定视频的系统和方法 |
CN112204956A (zh) * | 2019-10-10 | 2021-01-08 | 深圳市大疆创新科技有限公司 | 拍摄装置及其控制方法、可移动平台 |
CN112204956B (zh) * | 2019-10-10 | 2023-01-10 | 深圳市大疆创新科技有限公司 | 拍摄装置及其控制方法、可移动平台 |
WO2021223127A1 (zh) * | 2020-05-06 | 2021-11-11 | 深圳市大疆创新科技有限公司 | 基于全局运动估计的时域滤波方法、装置及存储介质 |
CN112929562A (zh) * | 2021-01-20 | 2021-06-08 | 北京百度网讯科技有限公司 | 视频抖动的处理方法、装置、设备以及存储介质 |
CN112929562B (zh) * | 2021-01-20 | 2023-04-07 | 北京百度网讯科技有限公司 | 视频抖动的处理方法、装置、设备以及存储介质 |
CN114205521A (zh) * | 2021-11-12 | 2022-03-18 | 国网通用航空有限公司 | 一种运动视频图像的稳像方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109743495B (zh) | 2021-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109743495A (zh) | 视频图像电子增稳方法及装置 | |
CN108848304B (zh) | 一种全景视频的目标跟踪方法、装置和全景相机 | |
Yang et al. | Seeing deeply and bidirectionally: A deep learning approach for single image reflection removal | |
CN106550174B (zh) | 一种基于单应性矩阵的实时视频稳像方法 | |
US9998666B2 (en) | Systems and methods for burst image deblurring | |
WO2020014909A1 (zh) | 拍摄方法、装置和无人机 | |
Lee et al. | Simultaneous localization, mapping and deblurring | |
Paramanand et al. | Depth from motion and optical blur with an unscented kalman filter | |
WO2005122063A2 (en) | Image registration system and method | |
US5790709A (en) | Method and apparatus for the restoration of images degraded by mechanical vibrations | |
CN114998773B (zh) | 适用于无人机系统航拍图像的特征误匹配剔除方法及系统 | |
US9008453B2 (en) | Blur-kernel estimation from spectral irregularities | |
CN108389171A (zh) | 一种基于联合估计模糊变量的光场去模糊和深度估计方法 | |
CN113905147A (zh) | 一种船用监控视频画面去抖方法、装置以及存储介质 | |
Senst et al. | Robust local optical flow: Long-range motions and varying illuminations | |
CN106846250B (zh) | 一种基于多尺度滤波的超分辨率重建方法 | |
CN108900775A (zh) | 一种水下机器人实时电子稳像方法 | |
CN107220945B (zh) | 多重退化的极模糊图像的复原方法 | |
CN113379789B (zh) | 一种复杂环境下运动目标跟踪方法 | |
Xue | Blind image deblurring: a review | |
Lavatelli et al. | A motion blur compensation algorithm for 2D DIC measurements of deformable bodies | |
CN110211148A (zh) | 一种基于目标状态预估的水下图像预分割方法 | |
Peng et al. | PDRF: progressively deblurring radiance field for fast scene reconstruction from blurry images | |
CN113902847A (zh) | 基于三维特征约束的单目深度图像位姿优化方法 | |
Xu et al. | Geometric distortion correction of long-range imaging containing moving objects |
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 | ||
CP03 | Change of name, title or address | ||
CP03 | Change of name, title or address |
Address after: 311100 room 153, building 1, 1818-2, Wenyi West Road, Yuhang street, Yuhang District, Hangzhou City, Zhejiang Province Patentee after: Hangzhou Shiyu Intelligent Vision System Technology Co.,Ltd. Address before: 518072 Room 201, building 4, Zhuguang innovation and Technology Park, 52 Zhuguang Road, Taoyuan Street, Nanshan District, Shenzhen City, Guangdong Province Patentee before: SHENZHEN ZHONGKESHIXUN INTELLIGENT SYSTEM TECHNOLOGY Co.,Ltd. |