一种基于改进蚁群优化的运动估计方法技术

本发明专利技术公开了一种基于改进蚁群优化的运动估计方法，其特征是，包括如下步骤：步骤S1初始化；步骤S2检测禁忌表；步骤S3计算当前点对应的适应度值；步骤S4判断当前点是否为最优点；步骤S5更新残留信息素浓度；步骤S6依据贪婪准则更新解集；步骤S7最差蚂蚁向最优蚂蚁的“翻”操作并依据贪婪准则更新解集；步骤S8检查当前迭代次数是否达到最大迭代次数Tmax；骤S9迭代终止。这种方法能在搜索精度和运算复杂度中达到良好的动态平衡，收敛速度快、运算复杂度低、运动估计精度高。

A Motion Estimation Method Based on Improved Ant Colony Optimization

The invention discloses a motion estimation method based on improved ant colony optimization, which is characterized by the following steps: initialization; detection of taboo table; calculation of the fitness value corresponding to the current point; determination of whether the current point is the optimal point by 6550 The greedy criterion updates the solution set; the worst ant flips to the best ant and updates the solution set according to the greedy criterion; the eighth check whether the current iteration number reaches the maximum iteration number Tmax; and the sudden termination of S9 iteration. This method can achieve a good dynamic balance in search accuracy and computational complexity, with fast convergence speed, low computational complexity and high motion estimation accuracy.

【技术实现步骤摘要】
一种基于改进蚁群优化的运动估计方法
本专利技术涉及基于群智能优化的运动估计技术，具体一种基于改进蚁群优化的运动估计方法。
技术介绍
随着信息技术的发展，现实生活中出现了频繁的图像和视频交流，其庞大的数据量给当今的存储和传输技术带来了巨大的挑战，从而，研发高效的视频处理技术成为了当务之急。运动估计是视频处理技术的一个重要研究内容，能有效减少视频序列中帧与帧之间的时间冗余。所谓运动估计，实际上就是利用视频序列存在大量时间、空间冗余的特征，计算出当前帧与参考帧对应坐标点的差值，从而对运动趋势进行预测。运动估计虽能有效地减少视频序列中帧与帧之间的时间冗余，但其计算量占据了视频编码约60％-80％的运算时间。目前，运动估计的研究方法包括基于块匹配的方法、基于光流的方法、基于像素的方法等。基于块匹配的运功估计(Block-MatchMotionEstimation,简称BMME)易于硬件实现且原理相对简单，已被多种视频编码标准采用，针对不同的性能需求，BMME有着不同的搜索算法，如原理简单精度高但计算量大的全搜索法(SearchMethod，简称FS)，以及一些搜索快但精度偏低的快速搜索算法，如本文档来自技高网...

【技术保护点】
1.一种基于改进蚁群优化的运动估计方法，其特征是，包括如下步骤：步骤S1：初始化搜索种群，初始搜索种群由5个固定点和2个随机点组成，随机搜索点i由公式(1)产生：Xij＝xmin+(xmax‑xmin+1)·rand   (1)式中，下标j代表维数，j＝1,2，(xmin,xmax)为搜索区域，xmin为最小搜索边界，xmax为最大搜索边界，rand为[0,1]之间的均匀随机数；步骤S2：以蚂蚁i当前所在位置或邻域点作为当前搜索点并对当前搜索点进行相同点排查，若在禁忌表中已有当前搜索点的记录，则直接获取该点的适应度值，否则，转向步骤S3；步骤S3：计算当前搜索点的适应度值，更新禁忌表并判断当前...

【技术特征摘要】
1.一种基于改进蚁群优化的运动估计方法，其特征是，包括如下步骤：步骤S1：初始化搜索种群，初始搜索种群由5个固定点和2个随机点组成，随机搜索点i由公式(1)产生：Xij＝xmin+(xmax-xmin+1)·rand(1)式中，下标j代表维数，j＝1,2，(xmin,xmax)为搜索区域，xmin为最小搜索边界，xmax为最大搜索边界，rand为[0,1]之间的均匀随机数；步骤S2：以蚂蚁i当前所在位置或邻域点作为当前搜索点并对当前搜索点进行相同点排查，若在禁忌表中已有当前搜索点的记录，则直接获取该点的适应度值，否则，转向步骤S3；步骤S3：计算当前搜索点的适应度值，更新禁忌表并判断当前搜索点的适应度值是否小于阈值ηH，若小于阈值ηH，则提前终止搜索，否则，转向步骤S4，采用绝对误差和(SumofAbsoluteDifference,简称SAD)作为块匹配准则，适应度函数CF如公式(2)所示：式中，(x’,y’)为运动矢量，N为宏块的宽和高，fk(m,n)为第k帧图像中点(m,n)的像素值；当SAD≤512时，认为宏块是相似或静止的，以此作为临界点，设阈值ηH为512值，在每轮迭代中将每个搜索点的适应度值与阈值ηH对比，若任一适应度值小于阈值ηH，则提前终止迭代，否则继续搜索；步骤S4：确定蚂蚁i的下一个移动点，首先判断蚂蚁i的当前位置是否自身邻域中的最优点，若是邻域中的最优点，则对蚂蚁i的当前位置进行随机的二维扰动并依据贪婪准则选择下一个移动点，否则，依据公式(3)选取最佳移动点：式中，是蚂蚁i从当前点a移动到点b的转移概率，v为蚂蚁i的搜索邻域，U为当前块的搜索范围，的计算公式如公式(4)所示：式中，为第t轮迭代中所有蚂蚁走过路径(a,b)的残留信息素浓度，ηb(v)是一个启发式因子，表示蚂蚁从当前点a转移到点b的期望程度，ηH为提前终止迭代阈值，α和β分别表示信息素和期望程度的相对重要程度，期望程度ηb(v)可以将候选块与当前块之间的相似性联系起来，将期望程度ηb(v)设为像素点b的适应度值CFb的倒数，如公式(5)所示：式中，(x’,y’)为点b对应宏块与当前块之间的运动矢量；步骤S5：确定本轮迭代中是否已转移了所有的蚂蚁，若是，则更新残留的信息素浓度，否则转向步骤S2转移下一只蚂蚁，两点间的信息素量是指在某一邻域内中心点与任一邻域点的信息素量，设两点间的起始信息素量残留信息素量在第t+1轮迭代的更新如公式(6)所示：式中，v为蚂蚁i的搜索邻域；ρ(0＜ρ＜1)表示路径上信息素的蒸发系数；Δτab表示第t轮迭代中路径(a,b)的信息素增量，Δτab如公式(7)所示：式中，I为蚂蚁的总量，表示蚂蚁i在第t轮迭代中留在路径(a,b)的信息素量，如果第t轮迭代中蚂蚁i没有经过路径(a,b)，则的值为零，如公式(8)所示：式中，CFa表示蚂蚁i当前所在...

【专利技术属性】
技术研发人员：覃远年，梁仲华，
申请(专利权)人：桂林电子科技大学，
类型：发明
国别省市：广西,45