[发明专利]一种基于最邻近搜索的光流并行加速方法

说明书

本发明公开了一种基于最邻近搜索的光流并行加速方法，对Barnes最邻近算法的光流修正算法进行修改，采用梯度下降法修正光流，提高了效率；同时对光流的传播过程进行修改，使其易于在GPU上实现并行运算来进行加速。将本发明用于光流计算，可明显提高运算速度，同时保证一定的精确度。

技术领域

本发明属于图像处理技术领域，具体涉及一种基于最邻近搜索的光流并行加速方法。

背景技术

光流(Optical Flow)的概念是Gibson于1950年首先提出的，它是由相机和场景相对运动产生的，表示的是图像中各像素瞬时相对运动的速度情况。光流场是指图像灰度模式的表面运动。光流计算是当今计算机视觉的热点之一，光流算法被广泛应用于运动目标检测与跟踪、机器人导航、三维重建等领域。80年代初期，Horn和Schunck提出了建立在光流平滑性假设基础上的稠密光流算法，为光流计算的发展起了奠基性作用，之后学者们相继提出了多种计算光流的算法。根据数学方法和相应的理论基础，计算光流的方法分为基于梯度的方法、基于块匹配的方法、基于能量的方法和基于相位的方法。

与其他计算光流的方法相比，基于块匹配的光流法具有运算速度快、易于硬件实现的优点。块匹配是图像处理中很常见的一种问题，尤其在视频编码中的运动估计中应用广泛，许多年来，学者们已经提出了许多块匹配的算法，如三步法、四步法、菱形法等。为了进一步提高运算速度，学者们提出了近似块匹配算法，如局部搜索，降低维度等，虽然这些方法得到的结果只是精确匹配的近似，但由于其大大减少了运算量而被广泛应用于各种高层图像处理中。

光流是一种简单实用的图像运动的表达方式，定义为动态图像的几何变化和辐射度变化的全面表示。光流的研究是利用图像序列中的像素强度数据的时域变化和相关性来确定各自像素位置的“运动”，即研究图像灰度在时间上的变化与景象中物体结构及其运动的关系。

光流法检测运动物体的基本原理是：给图像中的每一个像素点赋予一个速度矢量，这就形成了一个图像运动场，在运动的一个特定时刻，图像上的点与三维物体上的点一一对应，这种对应关系可由投影关系得到，根据各个像素点的速度矢量特征，可以对图像进行动态分析。如果图像中没有运动物体，则光流矢量在整个图像区域是连续变化的。当图像中有运动物体时，目标和图像背景存在相对运动，运动物体所形成的速度矢量必然和邻域背景速度矢量不同，从而检测出运动物体及位置。

目前大多数的光流计算方法相当复杂，计算量巨大，耗时长，实时性和实用性都较差。本发明对光流的计算实行并行加速办法，能够在保证精度的同时提高运算速度。

发明内容

本发明的技术解决方案：为克服目前光流场计算耗时长的不足，提供一种基于最邻近搜索的并行加速光流方法，该方法通过利用GPU并行化计算进行加速计算，同时能够保证一定精确度。

本发明采用的技术方案为：一种基于最邻近搜索的光流并行加速方法，包括下列步骤：

步骤1：输入两帧图像，转化为灰度图，并进行高斯滤波，以减少图像噪声；

步骤2：分别为滤波后的两幅图像进行金字塔式分层，按照分辨率从小到大的顺序排列，并随机地初始化分辨率最小层的图像的光流场为(0,1)之间的均匀分布，并将其光流场图像作为当前层图像；

步骤3：计算当前层图像的梯度值，包括x方向梯度值与y方向梯度值，并对得出的梯度值进行高斯滤波；

步骤4：利用Barnes算法，对当前层图像的光流场，采用改进的传播修正的方法进行多次改进的传播修正，每次传播时，每行或每列的传播过程是并行的，传播修正过程中采用梯度值作为匹配准则，采用梯度下降法修正光流，得到修正后的光流场图像；

步骤5：将得到的光流场放大至图像金字塔中的相邻层图像的尺寸大小，放大过程中使用双三次插值；