摄像机运动参数估计方法

摘要

本发明涉及摄像机运动参数的估计方法。被用于细分为数据块的连续图像帧的序列，并且包括下面步骤：从所说的图像序列提取对应于两个连续的帧之间的运动的矢量，所说的运动矢量形成该摄像机速度场，预处理如此获得的该摄像机速度场，以便降低数据量和该提取的运动矢量的多相性，从所说的预处理场估计用于每一个帧对的在两个考虑帧之间的摄像机特征，并且根据所说的估计实施一个长期运动分析，以便获得对应于该估算摄像机运动参数的运动描述符。应用于MIPEG-7之内描述符的实施方案。

主权项

1.一种摄像机运动参数估计方法，提供用于考虑被细分为块的连续图像帧的一个序列并且处理该序列，其中所说的处理操作包括连续的步骤：-从所说的图像序列提取对应于两个连续帧之间运动的运动矢量，所说的运动矢量形成摄像机速度场；-预处理所述摄像机速度场，以便降低数据量和所说提取的运动矢量的多相性；-对于每一对帧，从所说的预处理场估计在两个考虑帧之间的摄像机特征；-根据所说的估计实施一个长期运动分析，以便获得对应于该估算摄像机运动参数的运动描述符；所述估计步骤本身包括如下连续的操作：针对每个运动矢量计算置信掩码Cij；执行并行化处理，根据该处理，每次在计算价值函数或合成矢量过程中考虑运动矢量时，该运动矢量被其置信掩码加权，下面的方程式计算出一个其中全部矢量平行的剩余场的Rx、Ry、Rz、Rzoom和焦距f的最佳值： $P\left(\overrightarrow{R}\right)=\underset{i}{\Sigma }\underset{j}{\Sigma }{\left|\right|{\overrightarrow{v}}_{i,j}^{\mathrm{residual}}\left(\overrightarrow{R}\right)\left|\right|}^2·{\theta }_{i,j}·C_{i,j}$其中，具有 ${\overrightarrow{v}}_{i,j}^{\mathrm{residual}}\left(\overrightarrow{R}\right)={\overrightarrow{v}}_{i,j}-\left[\begin{array}{c}{u}_x^{\mathrm{rot}}\left(\overrightarrow{R}\right)\\ u_y^{\mathrm{rot}}\left(\overrightarrow{R}\right)\end{array}\right]$以及 ${\theta }_{i,j}=\mathrm{angle}({\overrightarrow{v}}_{i,j}^{\mathrm{residual}},{\overrightarrow{V}}^{\mathrm{residual}})$ ${\overrightarrow{V}}^{\mathrm{residual}}=\frac{\underset{i}{\Sigma }\underset{j}{\Sigma }{\overrightarrow{v}}_{i,j}^{\mathrm{residual}}·C_{i,j}}{\underset{i}{\Sigma }\underset{j}{\Sigma }{C}_{i,j}}$所述剩余场的并行化由以下方程式给出： $\beta =\frac{\left|\right|\Sigma {\overrightarrow{v}}_{i,j}^{\mathrm{residual}}\left({\overrightarrow{R}}^{\mathrm{estim}}\right)\left|\right|}{\Sigma \left|\right|{\overrightarrow{v}}_{i,j}^{\mathrm{residual}}\left({\overrightarrow{R}}^{\mathrm{estim}}\right)\left|\right|}$它是剩余流矢量的生成幅值对剩余流矢量的幅值和的比率，β＝1意味着该剩余矢量被完全对准，而β＝0意味着被剩余矢量彼此相互随机取向，通过计算下面的比率α来比较该剩余流场的强度与原始流场的强度： $\alpha =\frac{{\mathrm{mean}}^{(*)}\left(\right|\left|{\overrightarrow{v}}_{i,j}^{\mathrm{residual}}\left({\overrightarrow{R}}^{\mathrm{estim}}\right)\right|\left|\right)}{\mathrm{mea}{n}^{(*)}\left(\right|\left|{\overrightarrow{v}}_{i,j}\right|\left|\right)}$这两个比率使得能够如下所示地检测跟踪分量的存在以及总量：A)如果β～0，没有跟踪运动；B)如果β～1：则，如果α～0，可忽略的跟踪运动；如果α～1，显著的跟踪运动； ${\hat{T}}_x=-V_x^{\mathrm{residual}}$ ${\hat{T}}_y=-V_y^{\mathrm{residual}}$其中，和不表示第一模式的确切分量，而是表示在f.Tx/z和f.Ty/z的整个图像内的一个加权平均值。