matlab实现视频运动向量搜索

实验四 运动向量的预测

一、问题描述

利用matlab,导入YUV格式的视频，选择第一帧的某一位置为目标宏块，第2、3、5、10、20、50、100帧为参考帧，实现顺序搜索算法（采用绝对误差测量）对目标宏块进行运动向量的预测，再实现2D对数搜索算法（采用绝对误差测量）对目标宏块进行运动向量的预测。实验中自行设置搜索窗口的大小和9个参考点的位置，并对这两个参数对实验结果的影响进行分析。（视频的分辨率352*288，共300帧。展示在不同参考帧上得到的结果并进行分析，分析不同的搜索窗口大小和参考点位置对实验性能的影响，解释顺序搜索和2D对数搜索得到的结果是否最优。）

二、问题分析

一段视频的时间冗余是比较显著的，利用这个特征，可以将当前帧与其他帧的差值进行编码，探测相应像素或区域的移动并测量它们的差值来“补偿”这些运动。采用该方法的视频压缩算法被称为基于运动补偿（MC）的压缩算法，算法一般有三步：（1）运动估计（2）基于运动补偿的预测（3）预测误差的生成——差值。本次实验，需要实现运动向量的搜索。

搜索的目标是找到一个向量(i,j)作为运动向量MV(u,v)，使得平均绝对误差(MAD)最小。（书本P201公式）

2.1顺序搜索

寻找运动向量最简单的方法是顺序搜索参考帧中整个(2p+1)(2p+1)大小的窗口。将该窗口中的每一个宏块逐个像素地和目标帧中的宏块进行比较，得到各自的MAD值，MAD最小的向量即为目标帧中宏块的运动向量。

2.2 2D对数搜索

对数搜索虽然不是最优方法， 通常却是非常有效的一个办法，且代价较低。在搜索窗口中只有9个位置被标记为1，它们作为基于MAD搜索的起始位置。当MAD最小值的位置确定后，将新的搜索区域中心移动到该位置，搜索的步长（偏移）减半。在下一次迭代中，9个新的位置为标记为2，依次类推。

计算复杂度为O(logp·N^2),与顺序搜索的O(p^2N^2)相比，有很大的改善。

三、算法分析与详细设计

3.1顺序搜索算法

在-p到p的窗口范围内搜索最小MAD的宏块进行运动向量的匹配。

Min_MAD=LARGE_NUMBER; For i=-p to p    For j=-p to p {   Cur_MAD=MAD(i,j);   If cur_MAD<min_MAAD     {    Min_MAD=cur_MAD;    u=i;//get the coordinates for MV    v=j; } }

Matlab实现：

function [ u,v ] = SequenceSearch(target,ref,p,N,x0,y0) %SequenceSearch 顺序搜索 %  依次搜索宏块，找到全局中的最优解 %target为目标帧，ref为参考帧，p指示窗口大小(2*p+1)， %N指示宏块大小，x0,y0为宏块中心坐标 %u v为找到的匹配宏块中心坐标   %扩大尺寸，防止窗口越界 target=EnlargeSize(target,p); ref=EnlargeSize(ref,p);   %全搜索算法   LARGE_NUM=9999999999999; min_MAD=LARGE_NUM; cur_MAD=0;%当前的平均绝对误差 x=x0-N/2; y=y0-N/2;%目标宏块的左上角顶点坐标，作为原点   diff=zeros(N,N);%误差图         for  i=-p:p            for j=-p:p%(i,j)表示子块在参考帧搜索的位置              cur_MAD=sum(sum(target(x:x+N,y:y+N)-ref(x +i:x+i+N,y+j:y+j+N)))/(N^2);             if cur_MAD<min_MAD                 min_MAD=cur_MAD;                 u=i;                 v=j;             end;            end;       end;         %绘制误差图       for i=1:N           for j=1:N               diff(i,j)=target(x+i,y+