亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        機載視頻空中目標實時優(yōu)化穩(wěn)像算法

        2022-10-17 11:08:56劉玉清敖雪聰
        計算機工程與應用 2022年20期
        關鍵詞:角點背景閾值

        劉玉清,劉 成,敖雪聰

        1.中國科學院 國家空間科學中心 復雜航天系統(tǒng)綜合電子與信息技術重點實驗室,北京 100190

        2.中國科學院大學 計算機科學與技術學院,北京 100049

        在機載相機對飛機目標的視頻攝取與監(jiān)視中,航空平臺的抖動引起視頻的抖動,不利于實時觀察與后續(xù)處理,需進行視頻穩(wěn)像處理。

        視頻穩(wěn)像分為機械穩(wěn)像、光學穩(wěn)像、電子/數(shù)字穩(wěn)像[1]。單純的機械穩(wěn)像效果有限,通常與光學穩(wěn)像相結合,但會增加成本和設計難度。光學穩(wěn)像不適用于大角度運動的圖像補償,且制造工藝復雜度高[2]。近年來的研究主要集中在電子穩(wěn)像方面,多采用三步法:運動估計、運動補償和圖像修補。

        機載視頻多為地面、云層和天空背景,具有背景紋理稀疏、變化大、特征點難以提取的特點,前景目標具有運動幅度大、速度快的特點,與自然場景穩(wěn)像區(qū)別大。

        當前機載場景穩(wěn)像研究目前較少,多采用傳統(tǒng)的穩(wěn)像算法。文獻[3-5]使用灰度投影法結合卡爾曼濾波進行機載視頻的穩(wěn)像,在C++等平臺上實現(xiàn),達到了實時,但基于灰度投影的算法應對光照和尺度等變化的效果并不理想。李迪等人[6]使用模糊神經(jīng)網(wǎng)絡對微型飛行器的抖動進行預測并依此去除抖動達到穩(wěn)像效果。這種算法適用于微型飛行設備拍攝靜止目標,難以去除空對空拍攝氣流等導致的隨機運動的影響。文獻[7-10]針對機載視頻的穩(wěn)像算法均以改進特征檢測和路徑估計等作為切入點,以改進的特征點或塊匹配算法提取視頻運動路徑,配合卡爾曼濾波進行路徑平滑。Grundmann等人[11]用線性規(guī)劃的方法,最小化所示相機路徑的一階、二階和三階導數(shù)的組合,將相機的運動路徑擬合為常數(shù)、線性和拋物線線段的組合,得到穩(wěn)定的視頻。但該算法在整個視頻運動路徑上進行優(yōu)化,不能滿足實時處理的需求。

        面對云層或地面背景,Shi-Tomasi角點檢測[12]算法能夠應對光照和旋轉,可以通過參數(shù)調(diào)整增強背景中稀疏特征點的提取能力,可選取為機載場景特征點提取的基礎算法。但機載場景變化大,背景稀疏程度不同,需使用不同的角點提取參數(shù),手動調(diào)整難以滿足實時需求。

        面對基本沒有紋理特征的天空背景,難以提取到有效背景特征,需結合前景運動進行穩(wěn)像,使用卡爾曼濾波進行運動路徑優(yōu)化的方法,計算量小、實時性強,但傾向于將前景運動盡可能擬合為直線運動,當前景運動幅度大、速度快時,會產(chǎn)生圖像偏移過大的問題,不利于圖像的修補和展示。

        為適應不同稀疏程度的地面和云層背景,提出自適應Shi-Tomasi角點檢測算法,根據(jù)檢出背景點分布進行參數(shù)的自適應調(diào)整。為約束視頻幀在穩(wěn)像過程中的位置偏移量,考慮通過建立帶位置約束的優(yōu)化方程,計算最優(yōu)的視頻運動路徑。

        本文所做的主要工作有:

        (1)提出自適應的Shi-Tomasi角點檢測,根據(jù)機載視頻背景稀疏情況自適應調(diào)整算法參數(shù),以滿足復雜機載場景特征點提取需求,提高特征點檢出能力。

        (2)將路徑最優(yōu)化擬合算法修改為實時,權衡穩(wěn)像的平滑性和偏移量,尋找最優(yōu)穩(wěn)像路徑,解決快速相對運動情況下基于濾波的穩(wěn)像算法畫面偏移大的問題。

        (3)僅使用第t、t-1與t-2三幀圖像,對t時刻的視頻幀位置進行優(yōu)化計算,計算量小,滿足了機載場景的實時需求。

        1 視頻運動建模

        在視頻穩(wěn)像中,估計視頻的前后兩幀的幀間的相對運動,得到相機原始運動路徑。前后兩相鄰幀間的運動形式主要有平移、旋轉、縮放等,由于視頻穩(wěn)像中前后兩幀成像間隔短,忽略縮放運動影響,幀間的復合線性運動模型可以表示為:

        其中x、y以及x′、y′分別表示相鄰幀中某一對應點的橫縱坐標,Δα表示相鄰幀間繞圖像中心的相對旋轉,Δx和Δy分別表示相鄰幀間對應點在水平和豎直方向的平移分量。

        在機載視頻中,設原始相機路徑為Xt,其中下標t表示當前幀為視頻中的第t幀,視頻幀序列用(I1,I2,I3,…)表示。如圖1、2,用線性運動模型Ft(x)表示相鄰視頻幀對(It,It-1)中的特征點從It到It-1的運動。則:

        圖1 穩(wěn)像模型示意圖Fig.1 Image stabilization model

        給定原始視頻路徑Xt,將希望到的穩(wěn)定視頻路徑表示為:

        在穩(wěn)像過程中,通過運動估計計算出線性運動模型Ft,進而累加計算出原始視頻路徑Xt,通過平滑濾波或路徑擬合等方法得到平滑路徑Pt后,通過可計算出由原始路徑到平滑路徑所需視頻幀變換矩陣,對原視頻幀進行變換后即可得到穩(wěn)定視頻。

        圖2 天空背景穩(wěn)像模型示意圖Fig.2 Sky background image stabilization model

        優(yōu)化穩(wěn)像算法的整體流程如圖3所示。提取視頻幀特征點后,使用具有金字塔的迭代的Lucas-Kanade算法[13]進行幀間對應點匹配,以計算原始運動路徑。

        圖3 算法整體流程Fig.3 Overall flow of algorithm

        2 背景特征點檢測

        2.1 Shi-Tomasi角點檢測基本原理

        Shi-Tomasi角點檢測算法是Harris角點檢測的改進算法。Harris角點檢測根據(jù)角點像素性質(zhì),使用圖4所示的一個矩形窗口在圖像中移動,當窗口覆蓋區(qū)域為平面或邊緣時,窗口的任意方向移動不會大幅改變窗口內(nèi)的像素值。覆蓋區(qū)域為角點時,任意方向的移動均會導致像素分布的劇烈變化。

        圖4 Harris角點檢測窗口示意圖Fig.4 Windows of Harris corner detector graph

        設矩形窗口中心位于圖像(x,y)處,像素灰度為I(x,y),當窗口向x和y方向分別移動u和v,到達(x+u,y+v)處時,設此處像素灰度值為I(x+u,y+v)。w(x,y)為此處窗口內(nèi)各像素權重,則移動一小段距離后,窗口內(nèi)的灰度值變化為:

        當窗口包含角點時,E(u,v)很大。因此,通過最大化E(u,v)可計算得到圖像中角點的位置。為簡化計算,將I(x+u,y+u)進行泰勒展開:

        其中Ix和Iy分別表示圖像在x和y方向的梯度。則:

        其中,M為:

        對角化為:

        Shi-Tomasi角點檢測算法提出角點的穩(wěn)定性與M中較小的特征值有關,窗口中的強度變化受最大允許像素值的限制,因此較大的特征值不能任意大。根據(jù)矩陣特征值的性質(zhì),兩個小特征值意味著窗口內(nèi)的強度分布大致恒定。一大一小的特征值對應一個單向紋理模式。兩個大特征值代表角點、椒鹽紋理或任何其他可以可靠跟蹤的模式。因此將響應函數(shù)R取為:

        設定閾值T,若R>T,則視為角點。因此,圖像中檢測到的角點數(shù)量除取決于圖像紋理外,還取決于閾值T的大小。對背景紋理稀疏的機載視頻,適當降低T,可檢測出更多角點。

        2.2 機載場景面臨的問題

        機載視頻的背景特征復雜,主要有稠密云層背景、稀疏云層背景、稀疏地面背景、天空背景等,如圖5。

        圖5 機載場景復雜背景Fig.5 Complex background of airborne scene

        對不同背景視頻,為檢測足夠的背景特征點,需選用不同的Shi-Tomasi閾值,如圖6所示,當閾值為0.01時,稀疏云層背景難以檢測到特征點,特征點集中于紋理更為明顯的前景目標上,而稠密云層背景可以檢測到背景特征點。當閾值為0.003時,稀疏云層背景可以檢測到特征點,稠密云層背景檢測到的特征點過多,易將一些噪聲識別為特征點,同時降低后續(xù)計算速度。

        圖6 不同背景中檢測到的特征點Fig.6 Difference of feature points detected on different backgrounds

        2.3 自適應Shi-Tomasi角點檢測算法

        為自適應地對Shi-Tomasi角點檢測算法的閾值進行調(diào)整,滿足復雜機載場景中實時處理的需求,提出圖像特征點提取的自適應Shi-Tomasi算法,具體流程如圖7所示。

        圖7 自適應Shi-Tomasi角點檢測算法流程Fig.7 Adaptive Shi-Tomasi corner detection algorithm

        設定初始化為一個較大的值,設圖像寬度為W,距離W1=W×k,判斷當前幀中檢測到的最左角點與最右角點間的水平距離是否大于W1。若不大于,認為檢測到角點的分布過于集中,未檢測到足夠背景特征點,適當減小閾值。若大于W1且檢測到的角點數(shù)量過多,為避免檢測到噪聲點和增大后續(xù)處理時間,適當增大閾值。

        將閾值T的變化步長設為t,由當前閾值T的大小決定,采用快適應、慢恢復的方式對T進行修改。測試發(fā)現(xiàn),0.002以上的閾值T取值能夠滿足多數(shù)稀疏場景的需求,為避免天空背景下T的無限減小,當閾值T減小到0.002以下時,不再對其進行減小。

        自適應過程中,需確定參數(shù)k和N的值。為應對空中場景的復雜性,如云層分布于部分背景中的情況,將k取為小于1的值。具體的取值由實驗選取。

        3 路徑優(yōu)化算法

        3.1 基于濾波的路徑優(yōu)化算法

        在自然場景的實時視頻穩(wěn)像系統(tǒng)中,一般使用卡爾曼濾波算法進行視頻運動路徑平滑??柭鼮V波算法[14]是一種進行最優(yōu)估計的算法,計算過程分為預測和更新兩個階段。

        穩(wěn)像時,首先通過前兩幀之間的位移對當前幀的位置進行預測,得到預測值,之后結合特征點匹配計算得到的觀測值,計算當前位置的最優(yōu)估計,得到穩(wěn)定路徑。

        當機載場景為天空背景時,背景特征點難以提取,穩(wěn)像算法估算前景運動路徑,并對其進行優(yōu)化。在濾波過程中,卡爾曼濾波算法傾向于將運動狀態(tài)擬合為線性。當前景目標運動幅度大、運動速度快時,卡爾曼濾波不考慮對畫面的補償程度,使得視頻幀隨前景產(chǎn)生大幅度運動,降低視覺效果。

        如圖8所示,其中左邊為原始視頻幀,右邊第一列為經(jīng)卡爾曼濾波處理后產(chǎn)生大幅度偏移的視頻幀,右邊第二列為經(jīng)優(yōu)化穩(wěn)像算法處理后的視頻幀,解決了畫面偏移的問題。

        圖8 不同穩(wěn)像算法效果對比Fig.8 Comparison of different image stabilization algorithms

        3.2 帶約束實時路徑優(yōu)化算法

        針對基于濾波的算法存在的畫面偏移過大的問題,考慮通過優(yōu)化算法,在可行域中添加約束,限制視頻幀的偏移量,尋找最優(yōu)平滑曲線。

        在路徑平滑階段,本文提出帶約束的實時路徑優(yōu)化算法。僅使用當前視頻路徑位置及前三幀視頻路徑位置,同時考慮路徑的平滑性和跟隨性兩個方面,在實現(xiàn)路徑平滑的同時,保留相機的原始運動意圖。

        3.2.1 平滑性優(yōu)化條件

        為實現(xiàn)實時的視頻運動路徑平滑,考慮特征點在第n幀(當前幀)、第n-1幀和第n-2幀的位置,將視頻幀的運動擬合為靜止、勻速運動和勻加速運動的組合。三個部分分別表示如下:

        其中,xn表示視頻中第n幀圖像經(jīng)過平滑處理后在視頻運動路徑中的位置,包括相對視頻的第一幀圖像在水平方向、豎直方向以及旋轉的偏移量。以上三個優(yōu)化方程分別將視頻相鄰幀的路徑變化假設為靜止、勻速運動與勻加速運動。其中,dL最小化當前幀位置與前一幀位置,即兩幀間的相對運動。d2L最小化第n幀相對第n-1幀的運動與第n-1幀相對第n-2幀對應點的運動,即運動速度。d3L最小化加速度。

        3.2.2 跟隨性優(yōu)化條件

        在進行路徑平滑的同時,為保留目標的原始運動意圖,在構建優(yōu)化公式時考慮視頻幀優(yōu)化后的位置與原始位置之間的偏移:

        其中,xn表示視頻中第n幀圖像經(jīng)過平滑處理后在視頻運動路徑中的位置,xn-ori表示視頻中第n幀圖像在視頻運動路徑中的原始位置。約束Δd的大小,可以限制平滑后位置相對原始位置的偏移量,從而盡量保證原始的運動意圖不因平滑優(yōu)化而丟失。

        3.2.3 路徑優(yōu)化方程

        將以上約束分量進行組合,得到機載視頻的路徑優(yōu)化方程:

        其中,λi,i∈(1,2,3)為優(yōu)化分量的權重系數(shù),通過對權重系數(shù)的調(diào)整,得到最合適的運動方式組合。對視頻中的任意第n幀圖像,使用優(yōu)化方法最小化f(xn),即可得到實時的視頻優(yōu)化路徑。

        在優(yōu)化過程中,加入約束條件:

        其中,dist為人為設定的距離約束,包含視頻幀位置的上下位移、左右位移和旋轉位移三個分量。在實現(xiàn)路徑平滑和跟隨性的同時,將畫面偏移限制在一定范圍內(nèi),實現(xiàn)穩(wěn)像與畫面偏移間的平衡,解決畫面大幅度偏移導致的視頻穩(wěn)像失效問題。

        該問題屬于凸二次規(guī)劃(convex quadratic program,convex QP)問題,在尋找最優(yōu)解時,使用運算符拆分二次規(guī)劃(operator splitting quadratic program,OSQP)求解器[15]進行求解。

        4 圖像修補

        重建模等圖像修補方法計算量大,不適用于實時系統(tǒng),采用裁剪的方法進行圖像修補。優(yōu)化方法中的補償位移約束為圖像的修補提供了依據(jù),根據(jù)圖像補償中的位移約束,確定圖像邊緣的具體裁剪寬度。

        5 實驗驗證

        5.1 實驗條件和評價指標

        選擇具有不同背景和目標運動方式的典型機載視頻對穩(wěn)像算法的效果進行驗證,如圖9所示。

        圖9 典型機載視頻Fig.9 Typical airborne video

        實驗使用的計算機配置為NVIDIA GeForce GTX 1660Ti顯卡,Win10操作系統(tǒng)。

        對穩(wěn)像算法的效果進行定量評估時,使用視頻的幀間變換保真度(interframe transformation fidelity,ITF)[2]。ITF的計算公式為:

        其中,Nframe表示視頻總幀數(shù),PSNR(i)表示連續(xù)兩幀i和i+1幀之間的峰值信噪比。ITF用來衡量幀間平滑程度,值越大,代表穩(wěn)像效果越好。

        5.2 自適應Shi-Tomasi算法參數(shù)選取

        (1)k的選取

        對k的取值對穩(wěn)像效果的影響進行測試,ITF變化如表1所示。可以看到,左右角點分布范圍越大,穩(wěn)像效果越好。但機載平臺成像背景復雜,合適的距離能夠考慮更多背景分布情況,如某一部分存在稀疏特征,其余部分無法提取特征的情況。且隨著角點距離的增大,圖像ITF增大效果有限,故在實際應用中,將k取值為3/4。

        表1 k對視頻穩(wěn)像的影響Table 1 Influence of k on video image stabilization

        (2)最大角點數(shù)量N的選取

        過多的特征點會降低運算速度,且對運動估計精確度的提升作用有限,如表2所示。因此,當檢測到的角點數(shù)量大于150時,認為角點數(shù)量的增加對視頻穩(wěn)像效果提升有限,開始停止增大閾值,并適當減小閾值。

        表2 特征點數(shù)目N對單幀計算時間和ITF的影響Table 2 Influence of number of feature points N on single frame computation time and ITF

        自適應閾值Shi-Tomasi角點檢測效果如圖10所示,背景特征稀疏和前景特征更為明顯的特點,造成初始幀特征點集中于前景區(qū)域。隨著閾值的自適應調(diào)整,閾值逐漸減小,更多的背景特征點被檢測出來。

        圖10 Shi-Tomasi閾值與角點自適應調(diào)整過程Fig.10 Shi-Tomasi threshold and corner adaptive adjustment process

        5.3 穩(wěn)像實驗結果

        以上述典型機載視頻為例,使用基于自適應Shi-Tomasi優(yōu)化穩(wěn)像算法進行效果測試,如表3所示。

        表3 自適應Shi-Tomasi實時路徑優(yōu)化算法與其他算法對比Table 3 Adaptive Shi-Tomasi real-time path optimization algorithm compared with other algorithms

        視頻1和視頻2為天空背景視頻,算法依靠前景運動進行穩(wěn)像,表3中視頻1和視頻2經(jīng)處理后出現(xiàn)的兩個加粗異常值,為畫面偏移過大、穩(wěn)像失效的結果。ITF根據(jù)相鄰兩幀之間逐像素的差異進行計算,差異越小,認為運動越平穩(wěn),ITF越大。當畫面偏移過大,整個畫面偏移到視野之外時,整個畫面為黑色,此時相鄰幀對應像素完全相同,ITF計算值很大。在未出現(xiàn)失效的算法中,自適應Shi-Tomasi優(yōu)化穩(wěn)像算法達到最優(yōu)穩(wěn)像效果。

        在以視頻3、4、5為代表的不同背景視頻中,除個別失效算法外,所提出的算法均達到最優(yōu)穩(wěn)像效果。因此,自適應Shi-Tomasi優(yōu)化穩(wěn)像算法能夠應對各種機載場景的穩(wěn)像需求,同時處理速度達到20 frame/s以上,滿足實時需求。

        對兩個典型天空背景視頻,使用其他典型實時視頻穩(wěn)像算法和提出的自適應Shi-Tomasi特征點實時路徑優(yōu)化的穩(wěn)像算法進行處理后,抓取其中的典型視頻幀對穩(wěn)像效果進行定性分析。

        圖11展示了兩個典型視頻經(jīng)算法處理后的對應幀。在天空背景視頻穩(wěn)像實驗中,現(xiàn)有的實時穩(wěn)像算法均出現(xiàn)了不同程度的偏移過大導致視覺效果降低的現(xiàn)象,基于帶約束優(yōu)化的算法在穩(wěn)像的同時限制視頻幀的偏移量,能夠滿足機載天空背景視頻的穩(wěn)像要求。

        圖11 不同穩(wěn)像算法在天空背景視頻上的對比Fig.11 Comparison of different image stabilization algorithms on sky background video

        圖12為視頻2、3、4的路徑優(yōu)化效果示意圖,對每個視頻,由上至下分別表示穩(wěn)像前后視頻幀相對于第一幀視頻在x(水平)方向、y(豎直)方向和旋轉方向的運動路徑,虛線為原始視頻路徑,實線為經(jīng)過穩(wěn)像后的視頻路徑。可以看到,穩(wěn)定后的視頻運動路徑與原始路徑相比,運動路徑得到顯著平滑,也在一定程度上保留了原始的運動意圖。

        圖12 優(yōu)化穩(wěn)像前后視頻路徑圖Fig.12 Video path diagrams before and after optimizing image stabilization

        6 總結與展望

        針對機載視頻背景特征變化大、前景目標運動速度快、運動幅度大導致的特征提取困難、使用傳統(tǒng)路徑優(yōu)化算法造成畫面大幅抖動的問題,提出自適應Shi-Tomasi優(yōu)化實時穩(wěn)像算法。

        針對機載視頻常因天空、云和模糊地面背景稀疏提取特征點困難的問題,采用自適應閾值Shi-Tomasi角點檢測算法提高特征點檢出能力,以自動適應空中復雜多變的場景。

        針對完全天空背景無法提取背景特征點、前景運動大導致的畫面偏移大問題,將其運動擬合為靜止、勻速運動和勻加速運動的組合運動,同時在優(yōu)化過程中對畫面偏移量進行約束,在畫面偏移量有限的情況下實現(xiàn)穩(wěn)像效果。該算法在穩(wěn)像的同時,能夠適應天空、云層和地背景等多種場景的空中穩(wěn)像,有效解決了畫面偏移過大的問題,處理速度達到20 frame/s以上,能夠滿足實時處理的需要。

        近年來,隨著深度的發(fā)展,一些基于神經(jīng)網(wǎng)絡的穩(wěn)像方法[16]也被提出,對視頻穩(wěn)像提出了新的思考。但這種方法也存在局限性,網(wǎng)絡參數(shù)的訓練需要大量的使用場景的數(shù)據(jù)來支撐;由于網(wǎng)絡泛化能力的限制,大多只使用于某幾類場景的穩(wěn)像;難以完全按照原理和改進方向設計網(wǎng)絡結構等,因而在機載場景下的應用還存在困難,需要進一步的研究。

        猜你喜歡
        角點背景閾值
        “新四化”背景下汽車NVH的發(fā)展趨勢
        《論持久戰(zhàn)》的寫作背景
        當代陜西(2020年14期)2021-01-08 09:30:42
        小波閾值去噪在深小孔鉆削聲發(fā)射信號處理中的應用
        基于自適應閾值和連通域的隧道裂縫提取
        基于FAST角點檢測算法上對Y型與X型角點的檢測
        比值遙感蝕變信息提取及閾值確定(插圖)
        河北遙感(2017年2期)2017-08-07 14:49:00
        基于邊緣的角點分類和描述算法
        電子科技(2016年12期)2016-12-26 02:25:49
        晚清外語翻譯人才培養(yǎng)的背景
        基于圓環(huán)模板的改進Harris角點檢測算法
        室內(nèi)表面平均氡析出率閾值探討
        18禁成人免费av大片一区| 久久中文字幕人妻熟av女蜜柚m| 国产在线成人精品| 国模一区二区三区白浆| 美女视频一区二区三区在线| 亚洲色成人网站www永久| 亚洲 都市 校园 激情 另类| 亚洲av福利天堂在线观看| 丝袜美腿丝袜美腿丝袜美腿丝袜| 高清精品一区二区三区| 欧美多毛肥胖老妇做爰| 亚洲在线一区二区三区四区| 国产一级黄色录像大片| 美女网站免费福利视频| 日本一区二区精品88| 日韩狼人精品在线观看| 国产av剧情一区二区三区| 国产真人性做爰久久网站| 亚洲午夜成人片| 女同重口味一区二区在线| 日韩久久无码免费毛片软件| 无码久久精品国产亚洲av影片| 玩弄人妻奶水无码AV在线| 在线观看一区二区三区在线观看| 日韩精品极品视频在线观看免费| 国产毛片网| 国产一级黄色性生活片| www国产亚洲精品| av蓝导航精品导航| 中国人妻沙发上喷白将av| 免费看黄片的视频在线观看| 亚洲va久久久噜噜噜久久男同| 日中文字幕在线| 亚洲精品国产av成人网| 亚洲日韩精品无码专区网址| 天天躁人人躁人人躁狂躁| 三级黄色片一区二区三区| 少妇被黑人整得嗷嗷叫视频| 97se亚洲精品一区| 久久久久久久久高潮无码| 成人麻豆视频免费观看|