本章將介紹本文所提出的影像穩定器處理流程和特色， 3.1 節介紹系統方塊 圖、3.2 與 3.3 節分別介紹背景區域篩選法則以及用移動平均方式來平滑化全域向 量的特色與原因。
3.1 系統流程方塊圖
我們的系統主要分成區域運動向量估計、全域運動向量估計和運動向量補 償值估計。首先，區域運動向量估計是用區塊比對法以拱門型分布的有限區域 進行區域向量計算；其次，全域運動向量則在於使用一個背景區域篩選演算法 將區域中各個 LMV 分出高可靠度的 LMV，再配合兩種可能的 GMV 情況來估計 GMV 值；最後，我們所提出演算法主要針對運動向量補償值估計上，以估計自 我運動向量(Ego motion vector, EMV)的速度來獲得所需補償值。每時刻所要估計 的 EMV 是以有限個數鄰近時刻的各個自我運動速度來計算得出，而算得各個時 間區間自我運動速度的方法是利用權重式移動平均的觀念。本章我們會基本介 紹背景區域的篩選和權重式移動平均觀念的簡介。
Raw data readout
LMV estimation
GMV estimation
EMV estimation
CMV computation Video
output
Revise image Frame Video
compression
GMV
GMV EMV
Frame LMV
CMV Revised
Frame
圖3-1 本文之數位影像穩定器演算法系統
25
3.2 背景區域之篩選
全域運動向量(GMV)是否屬於背景的準確性會影響影像穩定器的輸出結 果，因此在區域運動向量和全域運動向量估計法篩選出真正背景成分的運動向 量成為穩定器系統的重要課題之一。
本文濾出背景運動成分的方式可分成兩個篩選部分，區域運動向量篩選和 全域運動向量篩選。區域運動向量篩選在於從一個區域所容納的九個(16X16 像 素大小)微區塊中分出代表該區域的向量值，這個向量值可能不是正確的背景資 訊，但是足以表現該區域主要的運動方向。全域運動向量則要考量三種背景可 能存在的情況，第一種包含於 LMV 之中，我們可以由各區域中蒐集到的眾多 LMV 值，篩選出較可能存在 GMV 運動成分或是區域特性上干擾成分較少的 LMV。第二種，則是在靜止拍攝情況的零向量變化。靜態模式下拍攝，若場景 存在移動物體則可能出現多種不同大小及方向的 LMV 值，此時我們可將位移不 動的情況納入考量。第三種，等速度情況，我們承接影像穩定器大多用於等速 度運動的假設，將上一時刻的 GMV 資訊也納入本時刻 GMV 的候選資訊。
GMV Estimation Reliable
LMVs
Uniform velocity situation
Fixed situation GMV(t-1) Non offset
Included in LMV situation
圖3-2 本文之全域運動向量估計法輸入資訊方塊圖
26
3.3 權重式移動平均系統簡介
移動平均系統(Moving average system)滿足當下取樣時刻 n 的輸出值是僅由 該時刻 n 之前的取樣資訊做平均求得，而不會有超過該時刻的資訊被當作輸入 值。而權重式移動平均系統(Weighted moving average system)除了承接僅用該時 刻之前的取樣資訊的特性，他的輸出是運用輸入資訊做線性組合而求得。同理 可知，權重式移動平均包含著移動平均系統的結果，其公式如下所示：
N ] k n [ x W ]
n [ y
1 N
0 k
k
... (3-1)第 n 時刻的取樣輸出為
y [n ]
，輸入為x [n ]
，N 為總取樣數，主要由權重Wk 配合輸入值進行線性組合來得出。其中，因為移動平均並非累加器，當中隨著 時間移動的所參考的取樣值個數 K 是有限的。移動平均的功用在於辨識數據片 段的隱含變化，而套用不均等的加權至移動平均則能萃取出特定區段的資訊。本文所提出的方法，將權重式移動平均觀念納入補償值計算的設計方向。
有別於一些演算法作者為考量即時運算而使 CMV 值演算法僅參考目前與前一刻 的時間點的運動向量資訊，我們使用權重式移動平均的方法將過去一定時段的 資訊都納入考量可以降低極端值資訊影響。相較僅僅參考前後兩三張 Frame 之間 的資訊，選擇參考一段時間的資訊更具客觀性。移動平均將一段時間的資訊，
對其進行類似有限脈衝響應濾波器(Finite impulse response, FIR)的濾波。
移動平均使用在穩定器的優勢在於當有抖動情況發生，亦即有極端值出現 時，能因為決定補償值的參考點數較多而有效降低對輸出訊號的影響，使得穩 定器演算法能進行更客觀的判斷。該演算法的處理類似訊號處理的方式以低通 濾波方式過濾連續全域運動向量資訊。
27
移動平均運用在平滑化抖動的取捨在於 所設計的移動平均視窗(Moving average window)長度，視窗長度除了代表濾波的有效範圍，尚應考量哪種讀取 隱含區段的方式最有價值。移動平均的方法讓預測型穩定器因為擁有更多的資 訊而提升客觀性，但若將移動平均窗格的長度不斷延伸至全影片過程，可能會 讓平均後的資訊產生延遲甚至變成後處理型穩定器；反之，長度設計過短則會 降低濾波效果，在功能上無異於不使用移動平均。本文考量到影像延遲問題(詳 細請參考附錄 A)，設計以五張 Frame 為做為移動平均的一個單位長度。此外，我 們的演算法能針對每個移動平均區段依照穩定度來設計相應的權重值。該權重 值能讓穩定度較高的移動平均區段，在自我運動估計步驟中有較高的參考比 重，此部分將於第四章作詳細介紹。
28