區域運動向量估計研究

區域向量估計的功能在於使用者讀入 Frame 資訊後，將所接收的影像資訊 在 Frame 中特定區域裡進行運動向量的特徵擷取。區域運動向量的估計涉及整張 Frame 資訊的利用率，通常是造成系統運算複雜度提升的主因之一。根據演算利 用率的不同而分成利用率最高的全域搜尋法(Full search)和相對較低利用率的幀 比對法(Frame match)。全域搜尋法顧名思義，將整張 Frame 資訊的像素資訊都納 入計算區域向量的考慮範圍；幀比對方法，僅取整張 Frame 中的特定區域都做比 對，所以設計者尚需設定的其區域範圍，並將各個區域中隱含的運動向量求出。

以下我們將主要介紹四種 LMV 擷取方法：區塊比對法、二進制葛雷碼法、LKT 特徵搜尋法和哈氏角點偵測法。

區塊比對法(Block-matching)[20][21]是最常見的估計方法，其運用像素差值 關係來獲取相對偏移向量。首先，我們在 Frame 中訂出固定的大小和位置的微區 塊(Macro block, MB)區域。在相鄰時間中的兩 Frame 中，以固定其中一 Frame 中 的 MB 區域為準軸，在另一 Frame 中的同區域位置附近擷取同樣大小的像素點資 訊。在擷取過程裡，每做一種偏移，便能用準軸區域和偏移擷取區域的差值計 算出一個絕對差異總和(Sum of absolute differences, SAD)資訊。由這些不同偏移 量計算的像素差異值總和中，我們從中找出擁有最小差異值的偏移向量。該偏 移向量，即為該兩 Frame 之間該 MB 區域最可能的區域運動向量。我們可以在一

11

張 Frame 上設定多個 MB 區域並由各個 MB 的區域得出各自的運動向量，這些小 區域中代表特定區域偏移趨勢的運動向量，即為區域運動向量(Local motion vector, LMV)。下圖[圖 2-2]即為區塊比對法的示意圖，由 Frame(t)與 Frame(t-1) 兩張 Frame，以 C(x)位置為基準區域在 Frame(t-1)同區域進行一個偏移後所得的 P(x+i)區域，將 C(x)與 P(x+i)的各個像素做差值量總和，即代表該偏移量的絕對

12

Ko[17][18]用二進制葛雷碼(Gray code)將區塊比對法的差值總和用互斥或邏 輯運算 (Exclusive or, XOR)取代，運用布林函數(Boolean function)的方式大幅

13

Lucas-Kanade-Tomashi algorithm(LKT)[22]利用光流(Optical flow)趨勢變化 來得出運動向量。這個方法僅需取用 Frame 中的固定區域做輸入資訊來得出運動

接著由第二假設的時間連續特性，用鏈結公式(Chain rule)將隱含在時間的 兩方向參數表示成偏微分形式，可得出二維空間光流速度的恆等式：

14

Harris-corner detection[19]將 Frame 中屬於特徵的哈式角點(Harris corner)，

視為在兩方向梯度不受旋轉和移動改變的參考點，並用來在兩 Frame 之間界定運 動向量。同樣也是找出影像在灰階時，依照水平與垂直兩方向進行類似 Hessian 矩陣

H

x

y

15

其餘計算區域向量的參考資訊，尚有使用均方根誤差(Mean square error)、

平均絕對差值(Mean absolute differences)等統計方法。區域運動向量估計主要是 特徵運動向量值的擷取，包含水平、垂直面的估計。特徵取得功能除了本節取 得二維成分之外，在全域運動向量估計中尚能在整張 Frame 上額外探討旋轉和縮 放的參數搜尋。