用于运动估计的基于梯度下降搜索扩展算法

doi:10.3778/j.issn.1002-8331.2010.33.039

计算机工程与应用 ›› 2010, Vol. 46 ›› Issue (33): 139-141.DOI: 10.3778/j.issn.1002-8331.2010.33.039

• 数据库、信号与信息处理 • 上一篇下一篇

用于运动估计的基于梯度下降搜索扩展算法

阴法明¹，赵晓铃²

1.南京信息职业技术学院，南京 210013
2.大庆石油管理局通信公司，黑龙江大庆 163453

收稿日期:2009-10-23 修回日期:2009-12-23 出版日期:2010-11-21 发布日期:2010-11-21
通讯作者: 阴法明

Extended block-based gradient descent search algorithm for motion estimation

YIN Fa-ming¹，ZHAO Xiao-ling²

1.Nanjing Information Occupation Technical College，Nanjing 210013，China
2.Communication Company of Daqing Petroleum Administration Bureau，Daqing，Heilongjiang 163453，China

Received:2009-10-23 Revised:2009-12-23 Online:2010-11-21 Published:2010-11-21
Contact: YIN Fa-ming

摘要/Abstract

摘要： 在快速搜索算法中，基于梯度下降搜索算法对搜索速度的改善非常明显，但搜索质量下降较大，尤其是对于帧间图像运动较大的序列。对该算法进行针对性扩展，提出基于梯度下降搜索扩展算法。与全搜索、新三步搜索、四步搜索、基于块的梯度下降搜索、钻石搜索算法相比较，实验结果表明该算法在搜索速度和质量上表现良好。

关键词: 视频编码, 运动估计, 块匹配算法, 梯度

Abstract: Among the fast search algorithms，Block-Based Gradient Descent Search（BBGDS） algorithm improves the search speed obviously.However，the decline of search quality is comparatively large，especially for the sequences which have a large amount of movements.This paper extends this algorithm pertinently and proposes an extended BBGDS（EBBGDS） algorithm.The EBBGDS is compared with Full Search（FS），New Three-Step Search（NTSS），Four-Step Search（FSS），Block-based Gradient Descent Search（BBGDS），and Diamond Search（DS）.Experimental results show that the proposed algorithm provides competitive performance in search speed and quality.

Key words: video coding, motion estimation, block matching algorithm, gradient

中图分类号:

TP311

阴法明¹，赵晓铃². 用于运动估计的基于梯度下降搜索扩展算法[J]. 计算机工程与应用, 2010, 46(33): 139-141.

YIN Fa-ming¹，ZHAO Xiao-ling². Extended block-based gradient descent search algorithm for motion estimation[J]. Computer Engineering and Applications, 2010, 46(33): 139-141.

[1]	张波，徐黎明，黄志伟，要小鹏. 梯度策略的多目标GANs帕累托最优解算法[J]. 计算机工程与应用, 2021, 57(9): 89-95.
[2]	杨力，吴义，魏德宾，潘成胜. 基于时空相关性的卫星网络流量预测[J]. 计算机工程与应用, 2021, 57(7): 101-106.
[3]	周友行，赵晗妘，刘汉江，李昱泽，肖雨琴. 采用DDPG的双足机器人自学习步态规划方法[J]. 计算机工程与应用, 2021, 57(6): 254-259.
[4]	刘建宇，范平清. 基于改进的RRT*-connect算法机械臂路径规划[J]. 计算机工程与应用, 2021, 57(6): 274-278.
[5]	王晓，唐伦，贺小雨，陈前斌. 基于深度强化学习的服务功能链多维资源优化[J]. 计算机工程与应用, 2021, 57(4): 68-76.
[6]	顾梅花，王苗苗，李立瑶，冯婧. 彩色图像多尺度融合灰度化算法[J]. 计算机工程与应用, 2021, 57(4): 209-215.
[7]	马志豪，朱响斌. 拟双曲动量梯度的对抗深度强化学习研究[J]. 计算机工程与应用, 2021, 57(24): 90-99.
[8]	况立群，李思远，冯利，韩燮，徐清宇. 深度强化学习算法在智能军事决策中的应用[J]. 计算机工程与应用, 2021, 57(20): 271-278.
[9]	杨薛钰，陈建平，傅启明，陆悠，吴宏杰. 基于随机方差减小方法的DDPG算法[J]. 计算机工程与应用, 2021, 57(19): 104-111.
[10]	成立明，陈建新，陈瑞，陈志敏. 融合自监督单目图像深度估计的视觉里程计[J]. 计算机工程与应用, 2021, 57(15): 230-236.
[11]	唐蕾，刘广钟. 改进TD3算法在四旋翼无人机避障中的应用[J]. 计算机工程与应用, 2021, 57(11): 254-259.
[12]	刘艺，张起贵. 划分层次限制的快速帧间预测算法[J]. 计算机工程与应用, 2021, 57(10): 200-203.
[13]	林克正，张元铭，李昊天. 信息熵加权的HOG特征提取算法研究[J]. 计算机工程与应用, 2020, 56(6): 147-152.
[14]	陈虹，王闰婷，肖成龙，郭鹏飞，黄洁，陈红霖. 基于DBN-XGBDT的入侵检测模型研究[J]. 计算机工程与应用, 2020, 56(22): 83-91.
[15]	宋杰，朱勇，许冰. 批量减数更新方差缩减梯度下降算法BSUG[J]. 计算机工程与应用, 2020, 56(22): 117-123.

用于运动估计的基于梯度下降搜索扩展算法

Extended block-based gradient descent search algorithm for motion estimation

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics