徐濟(jì)惠，祝曉東，劉翠娟，郭國文

（1.寧波城市職業(yè)技術(shù)學(xué)院，寧波　315100；2.浙江萬里學(xué)院智能控制研究所，寧波　315100；3.寧波大學(xué)信息科學(xué)與工程學(xué)院，寧波　315100）

數(shù)字視頻分析中快速邊緣檢測和運動估計研究

徐濟(jì)惠1，祝曉東1，劉翠娟2，3，郭國文2

（1.寧波城市職業(yè)技術(shù)學(xué)院，寧波315100；2.浙江萬里學(xué)院智能控制研究所，寧波315100；3.寧波大學(xué)信息科學(xué)與工程學(xué)院，寧波315100）

研究了將粒子群優(yōu)化算法同萬有引力算法相結(jié)合進(jìn)行邊緣檢測，利用萬有引力原理進(jìn)行啟發(fā)函數(shù)的計算，指導(dǎo)蟻群運動趨向，快速檢測出邊緣線，作為圖像分析的預(yù)處理結(jié)果；另外根據(jù)視頻圖像中局部運動集中在圖像中部概率較大的特性，提出對圖像的幾個小區(qū)域數(shù)據(jù)進(jìn)行全局運動估計，這樣大幅度減少了運算量，實驗中通過采樣4個六分之一原圖邊長的矩形區(qū)域進(jìn)行全局估計，實驗證實了在精度相同的情況下，運算速度提高了九倍左右。

視頻；粒子群優(yōu)化算法；全局運動估計；邊緣檢測；估計誤差

0　前言

一般來說，隨著圖像特征層次的提高，將更有利于進(jìn)行圖像處理和分析，而且直線特征比點特征更容易檢測，算法的穩(wěn)定性受限于參數(shù)特征提取的穩(wěn)定性和精確性。使用攝像機(jī)進(jìn)行視頻采樣時肯定會遇到尺寸壓縮、變焦和信號數(shù)字化處理等情況。為了能夠更好地進(jìn)行運動估計，必須對尺寸壓縮和變焦等情況采用圖像穩(wěn)定系統(tǒng)進(jìn)行處理（DIS，digital image stabilization），信號的數(shù)字化處理為圖像邊緣T穩(wěn)定提取提供了可能。這種數(shù)字圖像處理系統(tǒng)包括三部分：基于邊緣檢測的預(yù)處理部分；為減少運算量，在運動估計中運用相關(guān)邏輯運算代替算術(shù)減運算；在變焦處理中使用估計雙線性插值技術(shù)。

邊緣檢測是在圖像處理中經(jīng)常使用的技術(shù)，是為從圖像中提取信息的預(yù)處理工作。由于圖像密度是與場景輻射成比例的，所以物理邊緣可以表示為圖像中密度變換的函數(shù)［1］。在數(shù)字圖像處理的發(fā)展的幾十年中，目前已經(jīng)存在許多種邊緣檢測的算法和方法，例如比較經(jīng)典的邊緣檢測算法：Sobel，Prewitt，Canny等等。

近期又出現(xiàn)了多種新穎的算法，2007年，吳金波等提出了快速多級模糊邊緣檢測算法［2］，對模糊圖像實現(xiàn)快速準(zhǔn)確地邊緣檢測。同年，孫耕耘提出了基于萬有引力的邊緣檢測法［3］，但是這種方法對內(nèi)存和時間的消耗都是巨大的，如果直接應(yīng)用這種方法處理尺寸為800*600的圖像，所需要的解內(nèi)存空間為2 800*600。2009年，Hanmandlu等提出了一種基于模糊邏輯的邊緣和角點的監(jiān)測方法［4］。2009年，Setayesh等提出了一種新的利用粒子群優(yōu)化算法原理對同質(zhì)基邊緣進(jìn)行檢測的方法［5］。2011年，Verma等人提出了利用蟻群覓食原理進(jìn)行邊緣監(jiān)測算法［6］，核心思想是根據(jù)一個蟻群優(yōu)化算法可以導(dǎo)出方向概率矩陣，蟻群覓食的運動方向就可以根據(jù)這個矩陣推動出來。2011年付文龍等提出了基于遺傳規(guī)劃的全局邊緣檢測算法［7］，該算法的思想就是直接將整個圖像作為輸入數(shù)據(jù)，不經(jīng)過任何預(yù)處理和后處理，直接將圖像中的所有像素點歸類為邊緣點或非邊緣點。

1　利用蟻群優(yōu)化邊緣檢測方法

蟻群優(yōu)化簡稱ACO（ant colony optimization），是Dorigo等在1996年最早提出了，算法的優(yōu)點是充分利用群的感知能力，同時避免由于分布式計算引起的不成熟的收斂。缺點是由于收斂速度慢，不太適合處理規(guī)模比較大的問題。

在蟻群優(yōu)化過程中，利用幾個人工螞蟻來尋求一個優(yōu)化問題的解，這些螞蟻群是通過特點通信機(jī)制按質(zhì)交換信息，這點同現(xiàn)實世界中的螞蟻行為非常接近。單獨一個螞蟻由于記憶能力是有限的，只能執(zhí)行簡單的動作，然而，蟻群的集體合作可以提高完成智能解決問題的能力，例如可以發(fā)現(xiàn)從巢穴到食物源的最短路徑。蟻群覓食時留下?lián)]發(fā)性物質(zhì)，標(biāo)志它們覓食路線的信息索。蟻群就是這樣通過這些信息索來實現(xiàn)間接通信，這些信息索既是累加的，同時又是揮發(fā)的，這些信息可以協(xié)助蟻群完成尋找目標(biāo)的任務(wù)。

蟻群優(yōu)化算法要解決的問題是，讓K個螞蟻在由M×N個節(jié)點組成的解空間χ中尋求優(yōu)化解決方案［8］。

算法實現(xiàn)可以描述為：

1）首先初始化所有參加運算的K個螞蟻的坐標(biāo)位置，也就是對信息索矩陣進(jìn)行初始化，得到初始信息索矩陣τ（0）。

2）構(gòu)造蟻群的移動步驟，對于各個螞蟻（k=1，2，…K）的每個步驟（n=1，2，…N）進(jìn)行循環(huán)計算，第k個螞蟻的第L步的移動是按照蛻變概率矩陣Pi，j（n）計算得到的。

其中：τi，jn是連接節(jié)點i和節(jié)點j之間的弧的信息索的值，Ωi表示的是螞蟻k在位置i節(jié)點時所對應(yīng)的所有相鄰節(jié)點的集合，ηi，j表示從節(jié)點i到節(jié)點j的啟發(fā)信息，α表示受信息索的影響因子，β表示受啟發(fā)信息影響的因子。

3）當(dāng)每一步螞蟻按照上式（1）移動后，該算法就立即對信息索矩陣τi，jn進(jìn)行一次更新操作，為后續(xù)的算法執(zhí)行步驟做好準(zhǔn)備。

其中：當(dāng)節(jié)點（i，j）正好處在最佳路徑上，就不需要在繼續(xù)進(jìn)行迭代計算了。公式中ρ表示信息的揮發(fā)速度，Δki，j表示第k個螞蟻存留的信息總量。這里最佳路徑是要根據(jù)用戶定義的標(biāo)準(zhǔn)，這個最佳路徑既可以是同當(dāng)前構(gòu)建路徑的最佳吻合，也可以是從算法開始點到當(dāng)前的最佳路徑，也可以是二者的綜合加權(quán)最佳。通?？梢愿鶕?jù)下式再進(jìn)行選擇：τn=（1-ψ）.τ（n-1）+ψτ（0）（3）

式中的τn是代表所有螞蟻都已經(jīng)按照前面的步驟移到相應(yīng)的節(jié)點，并且信息索矩陣也都按公式（3）進(jìn)行了更新后的最終信息索矩陣。式中ψ代表信息索衰減的系數(shù)。

2　萬有引力邊緣檢測方法

利用萬有引力原理進(jìn)行邊緣檢測算法的核心思想是假設(shè)圖像中的每個像素被表示為不同灰度強(qiáng)度的“天體”。設(shè)想每個像素點向周圍相鄰的點施加引力，同樣周圍相鄰的點也向這個像素點施加引力，見圖1所示。這種情況下邊緣的特征就是大多數(shù)像素點存在有沿著一個特定方向的引力，所以可以利用這個特性檢測邊緣的存在。

對于圖像中的每個像素點（I，j），其鄰域可以設(shè)為是一個k×l像素點組成的域Ω，所有的鄰域像素點滿足條件（m，n）∈Ω&（m，n）≠（i，j）。每個像素點向周圍相鄰點施加的引力按下式計算：式中，→fi，j；m，n是表示點 （m，n）和點（i，j）之間的相互引力，mi，j和mm，n表示這兩個點的灰度值，灰度值差別可以設(shè)想成萬有引力對象的質(zhì)量不同，→r表示兩點之間的矢量距離。

圖1　基本邊緣結(jié)構(gòu)及相互之間作用力示意

對于矢量→fi，j；m，n也可以通過x和y方向的作用力來表示。

相鄰的各個點作用于點（i，j）的力總和為：→Fi，j=∑→fi，j；m，n=Fx^x+Fy^y（7）

其中：（m，n）∈Ω&（m，n）≠（i，j）

像素點（i，j）的邊緣強(qiáng)度由矢量→Fi，j的值決定的，其方向也是由矢量→Fi，j的方向所決定的。

只要選擇一個比較合適的閾值，就可以對原圖像產(chǎn)生一個邊緣圖像。

3　算法改進(jìn)

為了減少算法的計算機(jī)復(fù)雜度和內(nèi)存過高的需求，采取的方法是將蟻群優(yōu)化算法同萬有引力原理相結(jié)合，處理邊緣檢測的問題，利用萬有引力原理進(jìn)行啟發(fā)函數(shù)計算，這個函數(shù)用來指導(dǎo)蟻群的趨向。

這是利用一種改進(jìn)的蟻群優(yōu)化算法來實現(xiàn)對邊緣的檢測。改進(jìn)的邊緣算法的核心思想是，利用一定數(shù)量的螞蟻在二維圖像上移動，構(gòu)建一個信息矩陣，表示了圖像上一個個像素點的邊緣信息。先初始化所有螞蟻的位置，將螞蟻隨機(jī)分配到尺寸為M×N的圖像I中，用一個常數(shù)初始值將信息矩陣初始化為τ（0）。當(dāng)構(gòu)造第n步螞蟻移動時，從K個螞蟻中任意選擇一個螞蟻，使這個螞蟻在圖像中連續(xù)移動L個步長，即這個改進(jìn)的螞蟻信息蛻變概率公式：

從節(jié)點（i，j）經(jīng)過若干步移動到相鄰節(jié)點（i，j），τ，（n-1）

00ij是節(jié)點（i，j）的信息索的值。Ω（i0，j0）是與節(jié)點（i0，j0）相鄰節(jié)點的集合，ηi，j表示在節(jié)點（i，j）的啟發(fā)信息，α和β這兩個常數(shù)，分別代表對于信息索矩陣和啟發(fā)矩陣的影響系數(shù)。

各個節(jié)點的啟發(fā)函數(shù)值，是評估這個節(jié)點是否為期望的路徑上節(jié)點的重要依據(jù)。啟發(fā)函數(shù)的功能就是在多條可行的路徑上選擇最佳的路徑方案，啟發(fā)函數(shù)是通過運用萬有引力原理來進(jìn)行計算的。在啟發(fā)函數(shù)中周圍相鄰點施加給中心節(jié)點的作用力定義為：

如圖2所示，分別利用Canny算法和改進(jìn)的算法，對兩幅圖像進(jìn)行邊緣檢測的結(jié)果，從實驗結(jié)果可以看出傳統(tǒng)算法比本算法能檢測到更多的邊緣數(shù)目，但本算法可以減少計算時間和減少對內(nèi)存的消耗，對于實時性要求比較高的場合有非常重要的價值。

圖2　對Lena圖像和遙感地圖進(jìn)行邊緣檢測結(jié)果比較

其中本算法進(jìn)行邊緣檢測時需要設(shè)定的參數(shù)比較多，螞蟻數(shù)量同圖像尺寸有密切的關(guān)系，一般情況下不妨?。篕=，對信息索矩陣的每一項進(jìn)行初始化為0.000 1，信息索矩陣的權(quán)重因子α設(shè)為2，啟發(fā)信息的權(quán)重β設(shè)為1，每個節(jié)點的相鄰節(jié)點集合數(shù)設(shè)為8，衰減率ρ設(shè)為0.05，每個構(gòu)造步中螞蟻的移動次數(shù)L設(shè)為40，信息索的衰減率ψ設(shè)為1.5。

4　基于邊緣的全局運動估計

當(dāng)對視頻圖像的預(yù)處理完成后，即完成對邊緣的檢測，將圖像所有圖像處理產(chǎn)生邊緣像素和非邊緣像素兩類，通過對相鄰連續(xù)的圖像的幀序列進(jìn)行計算匹配，估計出運動矢量。對于視頻運動估計可以通過對像素點的處理，也可以對邊緣線的處理：

圖3　視頻圖像運動的光流場計算處理結(jié)果

對于圖像穩(wěn)定系統(tǒng)中運動估計目的同其他應(yīng)用環(huán)境中的目的是有所不同的，只需要估計出一個全局運動矢量。為了能夠比較準(zhǔn)確估計出一幀的全局運動矢量，一種行之有效的方法是對一幀圖像的不同區(qū)域分別進(jìn)行運動估計，通過圖3也可以看出，視頻圖像的中央部分的局部運動比較明顯，為了準(zhǔn)確獲取全局運動矢量，要盡可能避免這些局部運動的干擾。一般是取接近邊緣的4個邊角的位置的區(qū)域，如圖4所示。由于攝像時，通常是將運動對象置為在畫面的中央?yún)^(qū)域，因此在畫面邊緣區(qū)域由于對象運動引起的局部運動的概率比較小，相反在畫面的中央?yún)^(qū)域出現(xiàn)局部運動的概率比較大，這種由先驗經(jīng)驗指導(dǎo)的選擇估計區(qū)域的方法可以保證比較準(zhǔn)確地估計出圖像幀的全局運動矢量。

圖4　對圖像幀進(jìn)行全局運動估計的區(qū)域選擇

通常情況下在連續(xù)的兩幀圖像中，第一幀圖像的運動場稱為參考場，連續(xù)的下一幀圖像的運動場稱為比較場。運用塊匹配方法來估計4個區(qū)域相應(yīng)的4個運動場，首先利用移位寄存器將前一幀的運動估計區(qū)域鎖存到當(dāng)前參考運動場塊里，然后將當(dāng)前圖像場中相應(yīng)的區(qū)域鎖存到比較場塊中，經(jīng)過圖像預(yù)處理后，圖像中只包括邊緣點和非邊緣點兩大類，可以用0和1表示。

通過統(tǒng)計參照運動場塊中同比較場塊中所有像素的絕對誤差，進(jìn)行塊匹配運算。在對每個運動估計區(qū)域的邊緣預(yù)處理過程中，可以將參考場中邊緣圖像及比較場的邊緣圖像都轉(zhuǎn)換成了二進(jìn)制邊緣圖像，所以就不需要進(jìn)行減運算，而可以采用更加快速的邏輯異或運算［9］。

所以對參考運動場塊同比較場塊進(jìn)行比較時，只需要比較對應(yīng)點是否同時為1或0值。利用公式（11）進(jìn)行匹配比較，當(dāng)比較場塊移動到某個位置時，出現(xiàn)比較場塊中同參考運動場塊中對應(yīng)點的值相同的數(shù)目達(dá)到最多的情況時，也就是當(dāng)Cmax（m，n）為最大值時，就稱為最佳匹配，此時所對應(yīng)的位移s（i，j）就是當(dāng)前區(qū)域的運動矢量。

式中的gt0，gt1分別代表參考場塊及當(dāng)前場塊，M×N為運動估計區(qū)域的尺寸，其中（i，j）對應(yīng)當(dāng)前比較場塊的相對平移量，p是指在搜索窗口的最大位移量。

假設(shè)s（xi，yi）代表利用上述方法獲得的4個運動估計區(qū)域的運動矢量，其中i表示4個區(qū)域中的編號。這里的s′（xi，yi）通常表示理想狀態(tài)環(huán)境中檢測到的運動矢量，但實際情況由于存在對比度不足、采集圖像中的噪聲、變焦和搖攝和運動估計區(qū)域中存在其他運動對象等原因，估算出的運動矢量，與在理想狀態(tài)估計出的矢量必然會存在誤差。為了盡量減少這些干擾，根據(jù)不同的環(huán)境和運動對象特點需要采集不同的策略，例如對于對比度不足和噪音等情況，這兩種情況屬于不可預(yù)知影響因素，可以通過在圖像預(yù)處理階段──邊緣檢測時利用三態(tài)匹配技術(shù)進(jìn)行處理；而對于可以預(yù)知的干擾因素，例如變焦和搖攝等所引起的干擾可以通過一些傳統(tǒng)的運動補(bǔ)償技術(shù)進(jìn)行預(yù)處理。

由于當(dāng)整個圖像幀中，存在有一個或數(shù)個運動對象，引起局部運動而造成噪聲干擾的問題往往要專門處理，這里重點研究由于變焦、搖攝和運動對象引起可預(yù)知干擾的情況下如何獲得理想的全局運動估計結(jié)果。首先計算獨立變量：Ix（i）和Iy（i）

其中：i=1，...，4

再計算兩個獨立的權(quán)αx（i）和αy（i）：

其中：k1和k2分別是兩個獨立的常量系數(shù)。再進(jìn)一步計算穩(wěn)定權(quán)重sx（i）和sy（i）：

式中的（x′i，y′i）表示前一次估計出的運動矢量。

利用計算獲得的獨立權(quán)重αx（i），αy（i）和穩(wěn)定權(quán)重sx（i）和sy（i），可以按式（15）整合得到比較準(zhǔn)確的運動矢量，更具有魯棒性。

從公式（13）和 （14）容易知道，隨著Ix（i）和Iy（i）增加，αx（i），αy（i）成比例減少，當(dāng)Ix（i）和Iy（i）增加都超過一個閾值時αx（i），αy（i）都為零。獨立權(quán)重αx（i），αy（i）可以理解為是各個小的運動估計區(qū)域的運動矢量同全局運動矢量的相似度，當(dāng)4個小區(qū)域估計出的運動矢量越接近，每個獨立權(quán)重就越大。

當(dāng)完成對圖像幀的運動矢量估計后，為了對運動的比較幀的圖像進(jìn)行運動補(bǔ)償，就要將這圖像沿著這個運動矢量相反的方向進(jìn)行移動。這種移動必然要擴(kuò)大圖像的范圍，在沒有任何圖像邊界以外信息的情況下，就需要通過數(shù)字圖像插值法對參考圖像和比較圖像的邊界進(jìn)行擴(kuò)充。對數(shù)字圖像進(jìn)行插值的方法有許多，其中最經(jīng)典的同時也是最簡單的一種插值方法就是最近鄰居復(fù)制插值法，即需要插值點就復(fù)制最近鄰居的像素點的值。這種方法的優(yōu)點是比較容易通過硬件直接執(zhí)行，實時性比較高，缺點是在斜線邊緣容易產(chǎn)生馬賽克效應(yīng)。當(dāng)然還有一些比較精細(xì)的插值算法，比如高次多項式插值算法［10］，和級次濾波器保留邊緣插值法，這些方法都能對數(shù)字圖像的插值效果獲得比簡單的最近鄰居復(fù)制插值法好很多，但缺點是由于這些方法的計算復(fù)雜，耗時很多，而且不適合利用硬件來進(jìn)行實時運算。為了滿足兼顧運算速度和插值精度的要求，對于一般的數(shù)字圖像穩(wěn)定系統(tǒng)中，變焦范圍不能太多，否則影響精度，原則上對于變焦不超過1.5倍的情況，為了實現(xiàn)速度和精度的雙重需求，可以使用一種逼近雙線性插值法來實現(xiàn)有級縮放圖像。一旦檢測到了運動矢量，運動補(bǔ)償工作就要開始執(zhí)行，整個圖像被按照這個矢量方向相反的方向移動。這時運動補(bǔ)償和逼近雙線性插值要同時協(xié)調(diào)進(jìn)行。

5　實驗與分析

在對標(biāo)準(zhǔn)灰度視頻序列乒乓球（圖5）和花園（圖6）進(jìn)行了仿真實驗中，圖像幀的分辨率為352×240，對連續(xù)的幀圖像4個頂點尺寸為60×40像素的小區(qū)域進(jìn)行采樣計算［11］。

圖5　乒乓球視頻的32-34幀

圖6　花園視頻20-22幀

例如利用全域匹配（full search FS）方法和本算法，分別是對全圖進(jìn)行匹配計算和對4個小區(qū)域進(jìn)行計算，對不一定數(shù)量的連續(xù)幀計算，得到的估計幀和原始實際真的平均方根錯誤（MSE）趨勢數(shù)據(jù)如圖7所示。

圖7　計算不同幀數(shù)的視頻序列的MSE值趨勢圖

對不同視頻序列計算得到的估計幀和原始實際幀的平均方根錯誤（MSE）的平均值如表1所示。

表1　對準(zhǔn)視頻的運動估計平均MSE值比較

對全局運動進(jìn)行估計的時候，每一幀圖像搜索的像素點個數(shù)是352*240=84 480個。在本算法中對于每一幀搜索的是4個小區(qū)域，對應(yīng)的像素點個數(shù)是60*40*4=9 600個，所以計算量減少了接近9倍（84 480/9 600=8.8）。而且本算法可以結(jié)合邊緣檢測的預(yù)處理結(jié)果，將一幅圖像進(jìn)行處理后所有的像素點都被分成緣點和非邊緣點兩類，可以用二進(jìn)制0和1表示，如果配置專用硬件設(shè)備，這樣進(jìn)行全局估計匹配的時候僅僅需要進(jìn)行邏輯與或計算 （公式11），能夠更進(jìn)一步提高匹配速度。從圖7和表1可以看出本算法的運動估計誤差要比對全圖進(jìn)行計算估計要更小一些，尤其是對乒乓球標(biāo)準(zhǔn)視頻的估計準(zhǔn)確性更高，這是由于乒乓球視頻中存在由于球體和手臂等快速移動對象引起的局部運動，在全局匹配的算法中，這些干擾被累加到了全局運動估計中了，引起了估計誤差，而本算法由于只對四周幾個小區(qū)域進(jìn)行匹配計算，能有效避開了快速運動引起局部運動的干擾，所以對精確度提高效果更加明顯，花園視頻的中這種局部運動引起的干擾基本不存在，所以兩者全局運動估計誤差基本接近。

6　總結(jié)

本文首先研究的就是利用選取圖像中的典型特征邊緣線作為運動估計的基本單元，比如線和拐點等，一般來說，隨著圖像特征層次的提高，將更有利于進(jìn)行圖像處理和分析。為了克服傳統(tǒng)邊緣檢測方法計算量大，耗時多的缺點，通過將的粒子群優(yōu)化算法原理與萬有引力原理的方法想結(jié)合，利用萬有引力原理進(jìn)行啟發(fā)函數(shù)的計算結(jié)果指導(dǎo)粒子群運動趨向，從而快速檢測出邊緣線。另外，利用視頻幀圖像中，快速移動對象集中在畫面中央的概率比較大的特性，為了能夠比較準(zhǔn)確估計出一幀的全局運動矢量，采取對一幀圖像的不同區(qū)域分別進(jìn)行運動估計，一般是取接近邊緣的4個邊角的位置的區(qū)域，這樣既可以避開畫面中央局部運動數(shù)據(jù)引入全局運動估計的干擾，同時減少了運動估計匹配的計算量，通過實驗表明，在保證精度的情況下，運算速度提高了接近9倍，這對于視頻運動估計，編碼壓縮和解碼都具有非常重要的意義。

［1］Ziou，Tabbone S.Edge Detection Techniques-An Overview［J］. International Journal on Pattern Recognition and Image Analysis. 1998，8：537-559.

［2］Wu J，Yin Z，Xiong Y.The Fast Multilevel Fuzzy Edge Detection of Blurry Images［J］.IEEE Signal Processing Letters.2007，14（5）：344-347.

［3］Genyun Suna，Qinhuo Liua，Qiang Liua，et al.A novel approach for edge detection based on the theory of universal gravity［J］.Pattern Recognition，2007，40（10）：2766-2775.

［4］Hanmandlu M，Verma O P，Gangwar P，et al.Fuzzy Edge and Corner Detector for Color Images［J］.in Proc.ITNG.2009：1301 1306.

［5］Setayesh M，Zang M and Jonhnton M.A new homogeneity-based approach to edge detection using PSO［J］.24th International Conference Image and Vision Computing.New Zealand （IVCNZ）. 2009：231-236.

［6］VermaO P，Hanmandlu M，KumarP，etal.A NovelBacterial ForagingTechniqueforEdge Detection ［J］.Pattern Recognition Letters.2011，（8）：1187 1196，2011.

［7］Fu W L，Johnston M，Zhang M J.Genetic Programming for Edge Detection：A Global Approach［J］.Proceeding of the 2011 IEEE Congress on Evolutionary Computation.IEEE Press.2011：254-261.

［8］Verma O P，Sharma.An Optimal Edge Detection using Universal Law of Gravity and Ant Colony Aglorithm［A］.Information and Communication Technologies（WICT），2011nWorld Congress on Date of Conference［C］.2011：507-511.

［9］祝曉東，郁松年.運用視頻技術(shù)的快速三維旋轉(zhuǎn)分析與計算的研究［J］.計算機(jī)科學(xué)，2013，40 （2）：289-299.

［10］Netravali A N，Haskell B G.Digital Pictures-Representation and Compression［M］.Plenum Press，1988.

［11］祝曉東，徐濟(jì)惠，郁松年.視頻分析中全局運動矢量快速估計的研究 ［J］.計算機(jī)工程與設(shè)計，2013，34（3）：965-970.

Research Fast Edge Detection and Motion Estimation in Digital Video Analysis

Xu Jihui1，Zhu Xiaodong1，Liu Chuijuan2，3，Guo Guowen2
（1.Ningbo City college，Ningbo200072，China；2.Institute of Intelligent Control of Zhejiang Wanly College，Ningbo315100，China；3.Department of Information Science and Engineering，Ningbo University，Ningbo315100，China）

This paper first study the edge detection based on particle swarm optimization algorithm and universal gravitation algorithm in this paper.Using the principle of universal gravitation to calculate the heuristic function，guide the ant colony movement trend，and quickly detect the edge of the line.The detection results can be used as the preprocessing results of image analysis.We propose a global motion estimation based on several small domain data of the image according to the video of the local image motion is concentrated in the central part of the image of greater probability characteristics.In this way the amount of computation can be greatly reduced.We sampled four of 1/6 rectangular area original length in the experiment of global estimation.The experiment proves that the operation speed is increased by about nine times in the same accuracy.

video；particle swarm optimization algorithm；global motion estimation；edge detection；estimation error

1671-4598（2016）05-0242-04

10.16526/j.cnki.11-4762/tp.2016.05.068

TP306

A

2016-03-09；

2016-03-30。

國家自然科學(xué)基金項目（61103054）；浙江省科技廳/公益項目（2012C21032）；寧波市科技計劃項目（2014C50018，2015C50053）；浙江省教育廳科研項目（Y201329047）。

徐濟(jì)惠（1964-），男，浙江寧波人，副教授，主要從事圖像處理，視頻圖像分析等方向的研究。