关于亚像素运动估计的二次模型4之Fast Motion Estimation With Interpolation-Free Sub-Sample Accuracy

具有无插值子样本精度的快速运动估计

n个像素的8个邻居的集合被定义为

用于w =±7的搜索窗口的8-neighbor search (ENS) algorithm算法的细节如下:

步骤1）检查搜索中心的中的点，并找到最小BDM(block distortion measure)点。然后，检查最小BDM点的剩余。 如果最小block distortion measure点是搜索中心，则停止搜索，即MV =（0,0）。
否则，请转到步骤2

步骤2）检查搜索中心的中的点。 如果最小BDM点是搜索中心，则停止搜索，即MV =（0,0）。 否则，请转到步骤3。

步骤3）检查最小BDM点的剩余。 更新最低BDM点。 检查最小BDM点的。 

最后，给出最小BDM的点被声明为该块的整数样本MV。

 与TSS，NTSS和其他类似算法相比，所提出的方法更谨慎地选择步长。 他们先检查; 然后，的最小BDM点; 最后，的最小BDM点。 因此，这些算法的步长是4-2-1，而所提出的算法使用3-3-1。 这些方法采用的方法比所提出的方法更快地减小了可能的可到达区域的大小。 从图1中可以看出，TSS在每个步骤可能到达的点数是152→72→32，而对于所提出的算法，它们是152→92→32; 第二步的可到达点在图中以浅蓝色阴影显示。 与TSS相比，第一步长给出了更加中心偏置的性质，第二步长为所提出的算法提供了更大的可达区域。

 

 

III 没有插值的子样本精度

 结果，使用粗到细的方式来细化MV的精度。首先，通过整数样本ME找到粗略的MV。然后，可以通过两种不同的方法来实现细化：1）参考帧的直接插值，然后是子样本ME，或者2）在整数样本MV附近的BDM的2-D多项式表面建模。对于第一种方法通常如下实现细化：1）在子样本位置处内插参考帧搜索区域，以及2）在粗略MV周围执行子样本ME。显然，由于不同块的搜索区域可能重叠，因此将重复插入一些像素邻域。该方法的一种替代方案是预先计算整个帧的子样本位置数据;然而，这会导致内存需求增加。使用短长度插值滤波器并在所选整数样本MV附近以分层方式使用子样本ME是用于降低子样本复杂度的常用技术ME。无论如何获得子样本数据，在分层子样本ME方法中检查额外的8n个SP的样本精度。因此，由于其增加的计算复杂度，该方法的实时应用变得更难以证明。对于第二种方法，通过将整数样本MV附近的BDM值建模为2-D多项式表面来实现细化 。有不同的估算模型和方法。估计模型的范围从使用整数样本MV点及其4个邻居到8个邻居，这产生具有不同数量的参数的2-D多项式表面模型。在下一节中，我们将详细介绍这种模型:

A.抛物线模型

希尔等人[16]使用参数控制的抛物面模型，最初由Giunta等人提出。[19]如:

其中f是块的估计BDM值，并且x，y∈[-1,1]是以该块的整数样本MV为中心的估计的坐标。整数样本MV及其8个邻居的BDM值（其位置在图1（c）中示出）用于获得模型参数。然后，可以使用（2）容易地计算子样本位置处的估计BDM值，并且可以使用启发式或梯度搜索型算法找到给出最小值的位置。希尔等人。 [16]讨论了解决方法，范围从欠定义模型到超定定模型，在给定的9个点上解决（2），并提出了一个名为CSM的模型，它优于超定和欠定模型。 CSM使用整数样本MV，其4个邻居和一个对角邻居。虽然CSM与超定和欠定模型相比给出了更好的结果，但它们显然丢弃了三个数据点。通过Stone-Weierstrass定理[20]，[21]已知在闭区间定义的任何二维连续函数都可以由具有两个变量的多项式均匀近似。此外，Chiew等人提出了1/8精度的子样本图。 [17]表明可​​以改善近似的质量。因此，可以使用具有更多参数的新模型来更好地利用这三个丢弃的数据点。（2）中提出的模型也可以被视为二阶二元泰勒多项式近似。订单可以增加到3以提供更大的灵活性，因为二阶导数不一定评估为零，因此允许跨表面的变化。将阶数增加到三会通过添加单项式{x3，x2y，xy2，y3}来提高近似的准确性。在下一节中，给出了所提出的获得该二元多项式系数的方法。

B. Parameter Estimation

所提出的多项式近似具有十个未知参数，而只有九个数据点可用。 为了更好地解释给定数据点的单项式选择，我们以矩阵形式表示泰勒多项式近似： 

 

 

 

其中mj指的是在点j处评估的单项式向量.M也可以被视为列的矩阵，其中每列对应于在9个点处评估的单项式。要获得独特的解决方案，M的列必须是线性独立的。观察到对于给定的采样值，对应于单项式{x3，y3}的M的列分别与对应于单项式{x，y}的M的列相同。为了得到非奇异的MTM矩阵，我们需要删除单项式{x3，y3}，并从四阶近似项{x4，x3y，x2y2，xy3，y4}的附加单项式中再加一个单项式。可以容易地观察到，只有x2y2项给出唯一解，因为对应于项{x4，x3y，xy3，y4}的其他列分别与对应于项{x2，xy，xy，y4}的列相同。 。尽管单项式是线性无关的，但对于给定的九个数据点，一些单项式在这些点给出相同的值，例如x和x3，x2和x4，xy和x3y。因此，单项式{1，x，y，x2，xy，y2，x2y，xy2，x2y2}用于使用指定的九个数据点具有唯一解。在这种情况下，解决方案是 

比较CSM解和（5）表明，所提出的多项式近似给出了与参数p2,0，p0,2，p1,0，p0,1和p0,0的CSM相同的答案。 由于使用了所有九个数据点，因此直接计算p1,1项。 此外，由于附加项p2,1，p1,2，p2,2，精度得到改善。 与CSM解决方案不同，解决方案（5）不需要最小化成本函数来选择p1,1项; 结果，它节省了12个功能评估。 而且，通过加法和位移操作很容易获得。

 

 

正如HHSA所证明的那样，通过检查8个半采样点可以获得大约60％的可用SSA改进，剩下的40％来自检查8个四分之一采样点。 尽管所提出的模型没有达到与FQSA一样好，但它的性能比CSM高8％且接近HHSA，而其复杂性低于CSM和HHSA。 通过混合方案HPSSA可以改善PSSA的质量，从大约60％到85％，只有额外的四个SP