• 四川郎酒股份有限公司获第十二届人民企业社会责任奖年度环保奖 2019-05-13
  • 银保监会新规剑指大企业多头融资和过度融资 2019-05-12
  • 韩国再提4国联合申办世界杯 中国网友无视:我们自己来 2019-05-11
  • 中国人为什么一定要买房? 2019-05-11
  • 十九大精神进校园:风正扬帆当有为 勇做时代弄潮儿 2019-05-10
  • 粽叶飘香幸福邻里——廊坊市举办“我们的节日·端午”主题活动 2019-05-09
  • 太原设禁鸣路段 设备在测试中 2019-05-09
  • 拜耳医药保健有限公司获第十二届人民企业社会责任奖年度企业奖 2019-05-08
  • “港独”没出路!“梁天琦们”该醒醒了 2019-05-07
  • 陈卫平:中国文化内涵包含三方面 文化复兴表现在其中 2019-05-06
  • 人民日报客户端辟谣:“合成军装照”产品请放心使用 2019-05-05
  • 【十九大·理论新视野】为什么要“建设现代化经济体系”?   2019-05-04
  • 聚焦2017年乌鲁木齐市老城区改造提升工程 2019-05-04
  • 【专家谈】上合组织——构建区域命运共同体的有力实践者 2019-05-03
  • 【华商侃车NO.192】 亲!楼市火爆,别忘了买车位啊! 2019-05-03
    • / 12
    • 下载费用:30 金币  

    重庆时时彩一号平台: 基于特征光流的流体运动矢量估计方法.pdf

    关 键 词:
    基于 特征 流体 运动 矢量 估计 方法
      专利查询网所有资源均是用户自行上传分享,仅供网友学习交流,未经上传用户书面授权,请勿作他用。
    摘要
    申请专利号:

    CN201611167890.0

    申请日:

    2016.12.16

    公开号:

    CN106683114A

    公开日:

    2017.05.17

    当前法律状态:

    实审

    有效性:

    审中

    法律详情: 实质审查的生效IPC(主分类):G06T 7/246申请日:20161216|||公开
    IPC分类号: G06T7/246(2017.01)I 主分类号: G06T7/246
    申请人: 河海大学
    发明人: 张振; 高红民; 严锡君; 王慧斌; 徐立中
    地址: 210098 江苏省南京市江宁开发区佛城西路8号
    优先权:
    专利代理机构: 南京苏高专利商标事务所(普通合伙) 32204 代理人: 李玉平
    PDF完整版下载: PDF下载
    法律状态
    申请(专利)号:

    CN201611167890.0

    授权公告号:

    |||

    法律状态公告日:

    2017.06.09|||2017.05.17

    法律状态类型:

    实质审查的生效|||公开

    摘要

    本发明公开一种基于特征光流的流体运动矢量估计方法,包括如下步骤:首先对H.264视频码流中的连续两帧图像I1和I2分别采用多尺度SUSAN特征点检测算法实现不同分辨率下特征点的提取及亚像素定位,获得特征点集P1和P2;然后对P1中的特征点采用H.264视频压缩域先验的特征光流估计算法提取特征点所在宏块的运动矢量作为设置搜索半径的先验信息,在特征点集P2中搜索相匹配的特征点,进而估计光流运动矢量,获得稀疏的特征光流??;最后对稀疏的特征光流场采用基于反距离权重插值的流场网格化算法进行网格化处理,得到均匀的二维流速矢量场。本发明能够用于河流水面等天然示踪水流的运动矢量估计,特别适用于高空间分辨率的二维瞬时流场测量。

    权利要求书

    1.一种基于特征光流的流体运动矢量估计方法,其特征在于,包括如下步骤:
    1)对H.264视频码流中的连续两帧图像I1和I2分别采用多尺度SUSAN特征点检测算法实
    现不同分辨率下特征点的提取及亚像素定位,获得特征点集P1和P2;
    2)对P1中的特征点采用H.264视频压缩域先验的特征光流估计算法提取特征点所在宏
    块的运动矢量作为设置搜索半径的先验信息,在特征点集P2中搜索相匹配的特征点,进而
    估计光流运动矢量,获得稀疏的特征光流??;
    3)对稀疏的特征光流场采用基于反距离权重插值的流场网格化算法进行网格化处理,
    得到均匀的二维流速矢量场。
    2.根据权利要求1所述的基于特征光流的流体运动矢量估计方法,其特征在于:所述步
    骤1采用多尺度SUSAN特征点检测算法提取特征点集的具体步骤如下:
    1.1)建立图像的高斯金字塔尺度空间:利用高斯变换的多尺度特性构建高斯金字塔,
    获得不同尺度下的分层图像;
    1.2)检测尺度空间中的SUSAN特征点:采用SUSAN算子检测尺度空间中的分层图像,获
    得不同尺度下的候选角点;
    1.3)筛选不同尺度下的均匀化的候选特征点:首先采用固定大小的均匀网格对图像进
    行分块,网格大小参考流速场测量的空间分辨率进行选??;然后将子块中检测出的角点按R
    值大小进行排序,筛选出R值相对较大的角点,以提高特征点检测的重复性;最后选用一个
    滑动模板对整幅图像进行处理,若在该模板下存在不止一个角点,则只保留R值最大的角
    点,至此获得具有局部最大特征强度的均匀化候选特征点集;
    1.4)定位候选特征点的亚像素坐标:首先把不同尺度下的候选特征点还原到原始图像
    中的相应位置构成候选特征点簇;然后依次扫描各候选特征点,对其邻域内特征点簇的坐
    标求算术平均作为精化的亚像素坐标,获得图像的特征点集。
    3.根据权利要求1所述的基于特征光流的流体运动矢量估计方法,其特征在于:所述步
    骤2采用H.264视频压缩域先验的特征光流估计算法获取稀疏的特征光流场的具体步骤如
    下:
    2.1)确定匹配空间:首先在图像I1中以坐标为(x,y)的特征点Pi为中心建立模板图像f
    (x,y);然后对H.264视频码流依次进行熵解码、重排序、反量化和反变换分析,定位到宏块
    层句法元素并提取出特征点Pi所在宏块的运动矢量差值Δui;接下来从已解码的参考序列
    中找到相应宏块的运动矢量和差值相加后得到了当前位置宏块的真实运动矢量大小
    最后在图像I2中以(x,y)为中心、2Ui为半径建立匹配空间;
    2.2)相似性度量:首先在上述图像I2中的匹配空间内依次选取一个坐标为(m,n)的特征
    点Pk建立一个和f(x,y)大小相同的待匹配图像g(m,n);然后将二维实矩阵扩充成M×N的复
    数型矩阵,即每个像素由整型的实部和整型的虚部组成,其中虚部为0;接下来分别进行两
    次二维快速傅立叶变换得到f(x,y)和g(m,n)的频域形式:
    <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mi>F</mi> <mo>(</mo> <mi>p</mi> <mo>,</mo> <mi>q</mi> <mo>)</mo> <mo>=</mo> <mi>F</mi> <mi>F</mi> <mi>T</mi> <mn>2</mn> <mo>(</mo> <mi>f</mi> <mrow> <mo>(</mo> <mrow> <mi>x</mi> <mo>,</mo> <mi>y</mi> </mrow> <mo>)</mo> </mrow> <mo>)</mo> <mo>=</mo> <mfrac> <mn>1</mn> <mrow> <mi>M</mi> <mi>N</mi> </mrow> </mfrac> <munderover> <mo>&Sigma;</mo> <mrow> <mi>x</mi> <mo>=</mo> <mn>0</mn> </mrow> <mrow> <mi>M</mi> <mo>-</mo> <mn>1</mn> </mrow> </munderover> <munderover> <mo>&Sigma;</mo> <mrow> <mi>y</mi> <mo>=</mo> <mn>0</mn> </mrow> <mrow> <mi>N</mi> <mo>-</mo> <mn>1</mn> </mrow> </munderover> <mi>f</mi> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo> <msup> <mi>e</mi> <mrow> <mo>-</mo> <mi>j</mi> <mn>2</mn> <mi>&pi;</mi> <mrow> <mo>(</mo> <mfrac> <mrow> <mi>x</mi> <mi>p</mi> </mrow> <mi>M</mi> </mfrac> <mo>+</mo> <mfrac> <mrow> <mi>y</mi> <mi>q</mi> </mrow> <mi>N</mi> </mfrac> <mo>)</mo> </mrow> </mrow> </msup> </mtd> </mtr> <mtr> <mtd> <mi>G</mi> <mo>(</mo> <mi>p</mi> <mo>,</mo> <mi>q</mi> <mo>)</mo> <mo>=</mo> <mi>F</mi> <mi>F</mi> <mi>T</mi> <mn>2</mn> <mo>(</mo> <mi>g</mi> <mrow> <mo>(</mo> <mrow> <mi>m</mi> <mo>,</mo> <mi>n</mi> </mrow> <mo>)</mo> </mrow> <mo>)</mo> <mo>=</mo> <mfrac> <mn>1</mn> <mrow> <mi>M</mi> <mi>N</mi> </mrow> </mfrac> <munderover> <mo>&Sigma;</mo> <mrow> <mi>m</mi> <mo>=</mo> <mn>0</mn> </mrow> <mrow> <mi>M</mi> <mo>-</mo> <mn>1</mn> </mrow> </munderover> <munderover> <mo>&Sigma;</mo> <mrow> <mi>n</mi> <mo>=</mo> <mn>0</mn> </mrow> <mrow> <mi>N</mi> <mo>-</mo> <mn>1</mn> </mrow> </munderover> <mi>g</mi> <mo>(</mo> <mi>m</mi> <mo>,</mo> <mi>n</mi> <mo>)</mo> <msup> <mi>e</mi> <mrow> <mo>-</mo> <mi>j</mi> <mn>2</mn> <mi>&pi;</mi> <mrow> <mo>(</mo> <mfrac> <mrow> <mi>m</mi> <mi>p</mi> </mrow> <mi>M</mi> </mfrac> <mo>+</mo> <mfrac> <mrow> <mi>n</mi> <mi>q</mi> </mrow> <mi>N</mi> </mfrac> <mo>)</mo> </mrow> </mrow> </msup> </mtd> </mtr> </mtable> </mfenced>
    最后利用F(p,q)的共轭F*(p,q)计算f(x,y)和g(m,n)的频域互相关:
    C(p,q)=F*(p,q)·G(p,q)
    2.3)估计光流运动矢量:重复步骤2.1和2.2得到匹配空间内所有特征点的频域互相
    关,并选取其中的最大者作为匹配特征点,坐标为(a,b);根据两个特征点间的距离及图像
    I1和I2间的时间间隔Δt计算特征点Pi对应的光流运动矢量

    2.4)重复步骤2.1-2.3,对图像I1中所有的特征点计算运动矢量,获得一幅稀疏的特征
    光流场。
    4.根据权利要求1所述的基于特征光流的流体运动矢量估计方法,其特征在于:所述步
    骤3获取均匀的二维流速矢量场的具体步骤如下:
    3.1)在图像I1中划分均匀的矩形测速网格;
    3.2)采用以下反距离权重法估计网格节点j上的运动矢量:

    其中,di为特征点i与网格节点j之间的距离,z为网格内特征点的数量,w为权重系数;
    3.3)重复步骤3.2对测速网格中所有节点的运动矢量进行插值可获得网格化的流速矢
    量场。

    说明书

    重庆时时彩单双窍门 www.4mum.com.cn 基于特征光流的流体运动矢量估计方法

    技术领域

    本发明涉及一种流体运动矢量估计方法,尤其涉及一种基于特征光流的流体运动
    矢量估计方法,属于流场测量技术领域。

    背景技术

    流体中存在着大量不具有固定质量并存在相对运动的流体微团,使得流体的运动
    形态比刚体和固体更为复杂。在过去的二十多年间,光学、电子及计算机技术的发展促进了
    粒子图像测速(PIV)这种非接触式瞬时全场流速测量技术的实现和应用。它通过粒子图像
    序列的分析和计算获得局部流体运动位移及速度的大小、方向、特征和分布情况,极大提高
    了实验室环境下各种复杂流动的测量能力。其中从粒子图像估计流体的运动矢量是PIV技
    术的核心和难点,方法的选择不仅依赖于硬件系统而且取决于待测流体的特点。

    对于利用树叶、树枝等天然漂浮物以及漩滚、表面波等天然水面模式作为水流示
    踪物的大尺度粒子图像测速(LSPIV)应用而言,河流水面流场的运动矢量估计又面临着特
    有的挑战。首先,大多数天然水面模式产生于明渠紊流,它们没有明确的粒子特性,通常存
    在振荡、扩散及形变等非刚性运动,因而缺乏稳定的几何特征和统计特征,使得经典的粒子
    跟踪测速(PTV)方法难以直接适用。其次,现场条件下的待测流场面积往往覆盖数百至数千
    平方米,为满足流速测量的目标精度,图像分辨率需要达到百万至千万像素,远大于目前实
    验室中十万像素的数量级,使得基于直接互相关(DCC)等空域相关匹配的运动矢量估计方
    法计算量相当可观,难以满足流场、流量连续监测的实时性要求。再则,河流水面的流速分
    布在断面方向表现出从中泓区域向两岸递减的趋势,流速梯度加之图像透视畸变和水流示
    踪物分布不均的影响往往导致水面瞬时流场具有复杂的区域特征。采用固定大小的观测窗
    口不仅会降低测量的空间分辨率,而且会因为对局部流场的适应性较差而降低运动矢量估
    计的可靠性。

    基于图像序列的运动目标跟踪技术是图像处理、模式识别和计算机视觉领域的重
    要研究课题,在国防、工业和交通等领域有着广泛的应用前景。其中光流法利用图像中灰度
    模式的时域变化和相关性来确定像素点的二维瞬时速度,进而分析场景中目标的结构和运
    动。通??梢苑治⒎止饬鞣ê吞卣鞴饬鞣?。前者基于光流的微分基本方程,通过附加一定
    的约束条件,求得图像上任一点的运动速度,获得一个稠密的光流??;后者通过寻求序列图
    像间特征点的对应关系,依据相似性准则进行特征匹配,进而获得一个稀疏的光流场。特征
    点是图像上具有较好的可区分性、位置不变性和特征稳定性的点。相比LSPIV中基于图像灰
    度特征(PIV)、粒子形态特征或粒子运动特征(PTV)的方法,基于特征光流的方法具有以下
    优势:①可用于表征不同类型的示踪物,易于提取和分析。②特征相对稳定,对图像噪声、灰
    度变化、局部形变以及遮挡等具有较好的适应能力。③位置的度量值对局部灰度的变化比
    较敏感,可提高定位的精确度。④数目比图像像素点或其他特征要少的多,可以显著减少匹
    配的计算量。然而特征点在计算机视觉领域中主要被用于人物、车辆等大型目标的识别和
    分类,对于小目标的运动矢量估计,在检测和定位的精度上尚存在不足。例如,基于梯度的
    Harris算子提取图像灰度梯度的局部极大值点作为角点,具有旋转不变性和较高的稳定
    性;但抗噪能力较差,且角点的位置可能偏移或存在伪角点?;诨叶鹊腟USAN算子能够在
    较强噪声中提取出目标的角点及边缘,定位精度达到像素级;但不具有尺度不变性?;诙?br />尺度思想的SIFT算子能够提取图像中具有尺度、旋转和仿射不变性的局部特征点;但往往
    并不对应于目标上的真实角点,由于需要从差分高斯(DoG)金字塔中提取128维的特征向
    量,运算量也很可观。因此研究针对河流水面这类特殊流体的特征光流运动矢量估计方法
    具有重要的理论意义和应用价值。

    发明内容

    发明目的:针对现有技术中存在的不足,本发明提供了一种基于特征光流的流体
    运动矢量估计方法。

    技术方案:本发明提出一种基于特征光流的流体运动矢量估计方法,包括如下步
    骤:

    1)对H.264视频码流中的连续两帧图像I1和I2分别采用多尺度SUSAN特征点检测算
    法实现不同分辨率下特征点的提取及亚像素定位,获得特征点集P1和P2,具体步骤如下:

    1.1)建立图像的高斯金字塔尺度空间:高斯核被证明是实现尺度变换唯一的变换
    核和线性核,因此利用高斯变换的多尺度特性构建高斯金字塔,获得不同尺度下的分层图
    像;数字图像I(x,y)的尺度空间L(x,y,σi)可以定义为一个变化尺度的高斯函数G(x,y,σi)
    与其自身的卷积,即:


    其中,(x,y)表示像素点的位置,m和n表示高斯模板的大小,σi是尺度因子,i=
    1,…,level,其值越小表示图像被平滑的越少;在小尺度下定位准确,大尺度下抗噪能力
    强;

    1.2)检测尺度空间中的SUSAN特征点:采用SUSAN算子检测尺度空间中的分层图
    像,获得不同尺度下的候选角点;SUSAN算子采用一种圆形模板在图像上移动,模板内部每
    个图像像素点的灰度值都和模板中心像素的灰度值作比较,若模板内某个像素的灰度与核
    的灰度差值小于一定值,则认为该点与核具有相同或相近的灰度,由满足这一条件的像素
    组成的区域称为吸收核同值区USAN;位于图像上局部最小的USAN区的核像素就是图像的特
    征角点;图像中某像素的USAN区大小可由下式表示:

    n(r0)=∑rC(r0,r) (2)

    其中,C(r0)是以r0为圆心的模板;C(r0,r)是模板内属于USAN区域的像素的判别函
    数,定义为:


    其中,t是亮度差门限,表示所检测的特征的最小对比度,也是噪声的最大容限,决
    定了提取特征量的多少;用模板扫描整个图像得到每个像素的USAN区域后,再由下式产生
    USAN特征图像:


    式中,g为几何门限,一般取nmax/2,nmax是n(r)所能达到的最大值,g的大小决定了
    所得特征角点的尖锐程度;

    1.3)筛选不同尺度下的均匀化的候选特征点:由于示踪物的密度低、时空分布不
    均,会造成真实河流水面图像中特征点的聚簇现象,采用图像分块和邻近点剔除的思想对
    有效特征点进行筛??;首先采用固定大小的均匀网格对图像进行分块,网格大小参考流速
    场测量的空间分辨率进行选??;然后将子块中检测出的角点按R值大小进行排序,筛选出R
    值相对较大的角点,以提高特征点检测的重复性;最后选用一个滑动模板对整幅图像进行
    处理,若在该模板下存在不止一个角点,则只保留R值最大的角点;至此获得具有局部最大
    特征强度的均匀化候选特征点集;

    1.4)定位候选特征点的亚像素坐标:由于单一尺度下SUSAN算子检测得到的角点
    坐标是像素级的,利用同一角点在多尺度下的冗余信息实现坐标精定位;首先把不同尺度
    下的候选特征点还原到原始图像中的相应位置构成候选特征点簇;然后依次扫描各候选特
    征点,对其邻域内特征点簇的坐标求算术平均作为精化的亚像素坐标,获得图像的特征点
    集,即具有亚像素坐标的均匀化候选特征点集。

    2)对P1中的特征点采用H.264视频压缩域先验的特征光流估计算法提取特征点所
    在宏块的运动矢量作为设置搜索半径的先验信息,在特征点集P2中搜索相匹配的特征点,
    进而估计光流运动矢量,获得稀疏的特征光流场,具体步骤如下:

    2.1)确定匹配空间:首先在图像I1中以坐标为(x,y)的特征点Pi为中心建立模板图
    像f(x,y);然后对H.264视频码流依次进行熵解码、重排序、反量化和反变换分析,定位到宏
    块层句法元素并提取出特征点Pi所在宏块的运动矢量差值Δui;接下来从已解码的参考序
    列中找到相应宏块的运动矢量和差值相加后得到了当前位置宏块的真实运动矢量大小
    最后在图像I2中以(x,y)为中心、2Ui为半径建立匹配空间;

    2.2)相似性度量:首先在上述图像I2中的匹配空间内依次选取一个坐标为(m,n)
    的特征点Pk建立一个和f(x,y)大小相同的待匹配图像g(m,n);然后将二维实矩阵扩充成M
    ×N的复数型矩阵,即每个像素由整型的实部和整型的虚部组成,其中虚部为0;接下来分别
    进行两次二维快速傅立叶变换得到f(x,y)和g(m,n)的频域形式:


    最后利用F(p,q)的共轭F*(p,q)计算f(x,y)和g(m,n)的频域互相关:

    C(p,q)=F*(p,q)·G(p,q) (6)

    2.3)估计光流运动矢量:重复步骤2.1和2.2得到匹配空间内所有特征点的频域互
    相关,并选取其中的最大者作为匹配特征点,坐标为(a,b);根据两个特征点间的距离及图
    像I1和I2间的时间间隔Δt计算特征点Pi对应的光流运动矢量


    2.4)重复步骤2.1-2.3,对图像I1中所有的特征点计算运动矢量,获得一幅稀疏的
    特征光流场。

    3)对稀疏的特征光流场采用基于反距离权重插值的流场网格化算法进行网格化
    处理,得到均匀的二维流速矢量场,具体步骤如下:

    3.1)在图像I1中划分均匀的矩形测速网格;

    3.2)采用以下反距离权重法估计网格节点j上的运动矢量:


    其中,di为特征点i与网格节点j之间的距离,z为网格内特征点的数量,w为权重系
    数;

    3.3)重复步骤3.2对测速网格中所有节点的运动矢量进行插值可获得网格化的流
    速矢量场。

    有益效果:本发明能够用于河流水面等天然示踪水流的运动矢量估计,特别适用
    于高空间分辨率的二维瞬时流场测量,具体优点如下:

    1、鲁棒性强。采用图像中的尺度不变特征点替代传统意义上的水流示踪物,可以
    在一定程度上克服示踪物非刚性运动引起的不确定性,而频域相关匹配对噪声有较高的容
    忍度,可以处理图像之间的旋转和尺度变化,因此方法在野外河流的应用中具有较好的鲁
    棒性。

    2、分辨率高。特征点的定位精度可达亚像素级,相比空域相关匹配法中的矩形窗
    口,有效改善了相机在倾斜视角下拍摄引起的图像远场空间分辨率降低,使测量结果更具
    有代表性。根据流场运动特征,采用反距离权重插值法对稀疏的特征光流场进行网格化处
    理,也能够获得均匀分布的流场数据。

    3、实时性强。频域相关匹配将空域卷积转换为频域乘积,可显著降低运算量;利用
    H.264视频编解码的特点,从压缩域码流中提取宏块的运动矢量作为确定匹配空间的先验
    信息,大大缩小了搜索空间,提高了算法的实时性。

    附图说明

    图1是本发明涉及的运动矢量估计方法的工作流程图;

    图2是本发明涉及的多尺度SUSAN特征点检测算法的示意图;

    图3是本发明涉及的基于反距离权重插值的流场网格化算法的示意图。

    具体实施方式

    下面结合附图对本发明的技术方案进行详细说明:

    本发明的运动矢量估计方法的工作流程如图1所示。首先采用一种多尺度SUSAN特
    征点检测算法检测图像中的特征点,算法基于尺度空间理论,在传统SUSAN算子的基础上引
    入连续变化的尺度参数,获得多尺度下的尺度空间表示序列,进而实现不同分辨率下特征
    点的提取及亚像素定位,提高了特征点检测的鲁棒性和精确性;然后利用视频编解码的特
    点采用一种H.264视频压缩域先验的特征光流估计算法,从压缩域码流中提取宏块的运动
    矢量作为设置搜索半径的先验信息以提高频域相关匹配的效率;由于特征点分布不均,特
    征光流法输出的流场结果为非结构化的离散数据,为了便于观察流体运动的规律,最后采
    用基于反距离权重插值的流场网格化算法对稀疏的特征光流场进行网格化处理,得到均匀
    的二维流速矢量场。

    本发明的多尺度SUSAN特征点检测算法如图2所示。主要步骤描述如下:

    1)建立图像的高斯金字塔尺度空间:高斯核被证明是实现尺度变换唯一的变换核
    和线性核,因此利用高斯变换的多尺度特性构建高斯金字塔,获得不同尺度下的分层图像;
    数字图像I(x,y)的尺度空间L(x,y,σi)可以定义为一个变化尺度的高斯函数G(x,y,σi)与其
    自身的卷积,即:


    其中,(x,y)表示像素点的位置,m和n表示高斯模板的大小,σi是尺度因子,i=1,
    2,3,…,其值越小表示图像被平滑的越少;在小尺度下定位准确,大尺度下抗噪能力强;

    2)检测尺度空间中的SUSAN特征点:采用SUSAN算子检测尺度空间中的分层图像,
    获得不同尺度下的候选角点;SUSAN算子采用一种圆形模板在图像上移动,模板内部每个图
    像像素点的灰度值都和模板中心像素的灰度值作比较,若模板内某个像素的灰度与核的灰
    度差值小于一定值,则认为该点与核具有相同或相近的灰度,由满足这一条件的像素组成
    的区域称为吸收核同值区USAN。位于图像上局部最小的USAN区的核像素就是图像的特征角
    点;图像中某像素的USAN区大小可由下式表示:

    n(r0)=∑rC(r0,r) (2)

    式中C(r0)是以r0为圆心的模板;C(r0,r)是模板内属于USAN区域的像素的判别函
    数,定义为:


    式中,t是亮度差门限,表示所检测的特征的最小对比度,也是噪声的最大容限,决
    定了提取特征量的多少;用模板扫描整个图像得到每个像素的USAN区域后,再由下式产生
    USAN特征图像:


    式中,g为几何门限,一般取nmax/2,nmax是n(r)所能达到的最大值。g的大小决定了
    所得特征角点的尖锐程度;

    3)筛选均匀化的候选特征点:由于示踪物的密度低、时空分布不均,会造成真实河
    流水面图像中特征点的聚簇现象,采用图像分块和邻近点剔除的思想对有效特征点进行筛
    ??;首先采用固定大小的均匀网格对图像进行分块,网格大小参考流速场测量的空间分辨
    率进行选??;然后将子块中检测出的角点按R值大小进行排序,筛选出R值相对较大的角点,
    以提高特征点检测的重复性;最后选用一个滑动模板对整幅图像进行处理,若在该模板下
    存在不止一个角点,则只保留R值最大的角点;至此获得具有局部最大特征强度的均匀化候
    选特征点集。

    4)定位候选特征点的亚像素坐标:由于单一尺度下SUSAN算子检测得到的角点坐
    标是像素级的,利用同一角点在多尺度下的冗余信息实现坐标精定位;首先把不同尺度下
    的候选特征点还原到原始图像中的相应位置构成候选特征点簇;然后依次扫描各候选特征
    点,对其邻域内特征点簇的坐标求算术平均,作为精化的亚像素坐标。

    本发明的H.264视频压缩域先验的特征光流估计算法主要步骤描述如下:

    1)确定匹配空间:首先在图像I1中以坐标为(x,y)的特征点Pi为中心建立模板图像
    f(x,y);然后对H.264视频码流依次进行熵解码、重排序、反量化和反变换分析,定位到宏块
    层句法元素并提取出特征点Pi所在宏块的运动矢量差值Δui;接下来从已解码的参考序列
    中找到相应宏块的运动矢量和差值相加后得到了当前位置宏块的真实运动矢量大小
    最后在图像I2中以(x,y)为中心、2Ui为半径建立匹配空间;

    2)相似性度量:首先在上述图像I2中的匹配空间内依次选取一个坐标为(m,n)的
    特征点Pk建立一个和f(x,y)大小相同的待匹配图像g(m,n);然后将二维实矩阵扩充成M×N
    的复数型矩阵,即每个像素由整型的实部和整型的虚部组成,其中虚部为0;接下来分别进
    行两次二维快速傅立叶变换得到f(x,y)和g(m,n)的频域形式:


    最后利用F(p,q)的共轭F*(p,q)计算f(x,y)和g(m,n)的频域互相关:

    C(p,q)=F*(p,q)·G(p,q) (6)

    3)估计光流运动矢量:重复步骤1和2得到匹配空间内所有特征点的频域互相关,
    并选取其中的最大者作为匹配特征点,坐标为(a,b);根据两个特征点间的距离及图像I1和
    I2间的时间间隔Δt计算特征点Pi对应的光流运动矢量


    本发明的基于反距离权重插值的流场网格化算法如图3所示。反距离权重插值基
    于一种假设,即彼此距离较近的事物比彼此距离较远的事物更相似,并且假定每个测量点
    都有一种局部影响,这种影响会随着距离的增大而减小。这与流体运动连续性的定律相吻
    合。主要步骤描述如下:

    1)采用特征光流估计算法对图像I1中所有的离散特征点(xi,yi)计算运动矢量
    获得一幅稀疏的特征光流??;

    2)在流场图像中划分均匀的矩形测速网格;

    3)采用以下反距离权重法估计网格节点j上的运动矢量:


    其中,di为特征点i与网格节点j之间的距离;z为网格内特征点的数量;w为权重系
    数,w越大表明距离相关性越明显;

    4)重复步骤3对测速网格中所有节点的运动矢量进行插值可获得网格化的流速矢
    量场。

    关于本文
    本文标题:基于特征光流的流体运动矢量估计方法.pdf
    链接地址://www.4mum.com.cn/p-6079460.html
    关于我们 - 网站声明 - 网站地图 - 资源地图 - 友情链接 - 网站客服 - 联系我们

    [email protected] 2017-2018 www.4mum.com.cn网站版权所有
    经营许可证编号:粤ICP备17046363号-1 
     


    收起
    展开
  • 四川郎酒股份有限公司获第十二届人民企业社会责任奖年度环保奖 2019-05-13
  • 银保监会新规剑指大企业多头融资和过度融资 2019-05-12
  • 韩国再提4国联合申办世界杯 中国网友无视:我们自己来 2019-05-11
  • 中国人为什么一定要买房? 2019-05-11
  • 十九大精神进校园:风正扬帆当有为 勇做时代弄潮儿 2019-05-10
  • 粽叶飘香幸福邻里——廊坊市举办“我们的节日·端午”主题活动 2019-05-09
  • 太原设禁鸣路段 设备在测试中 2019-05-09
  • 拜耳医药保健有限公司获第十二届人民企业社会责任奖年度企业奖 2019-05-08
  • “港独”没出路!“梁天琦们”该醒醒了 2019-05-07
  • 陈卫平:中国文化内涵包含三方面 文化复兴表现在其中 2019-05-06
  • 人民日报客户端辟谣:“合成军装照”产品请放心使用 2019-05-05
  • 【十九大·理论新视野】为什么要“建设现代化经济体系”?   2019-05-04
  • 聚焦2017年乌鲁木齐市老城区改造提升工程 2019-05-04
  • 【专家谈】上合组织——构建区域命运共同体的有力实践者 2019-05-03
  • 【华商侃车NO.192】 亲!楼市火爆,别忘了买车位啊! 2019-05-03
  • 贵州麻将免费下载 江西快3开奖时间调整 黑龙江11选5在线开奖 体彩p3今晚预测 福建十一选五开奖号码 安徽时时彩快3玩法 北京快三助手 二分彩骗局 双色球奇偶分布图100期 彩乐乐苹果 山西快乐10分开奖直播现场 天津11选5走势图分析 雷速体育篮球比分app 滴滴车主怎么不赚钱了 中国体育 码报13期