【正文】 double cvGetRealND( const CvArr* arr, int* idx )。 double cvGetReal2D( const CvArr* arr, int idx0, int idx1 )。函數(shù)也可以用來(lái)復(fù)制散列數(shù)組（這種情況下不支持 mask）。 如果輸入輸出數(shù)組中的一個(gè)是 IplImage 類型的話，其 ROI 和 COI 將被使用。 mask 操作掩碼是 8 比特單通道的數(shù)組，它指定了輸出數(shù)組中被改變的元素。 src 輸入數(shù)組。) 否則為 0。. 如果元素之間的關(guān)系為真則設(shè)置 dst(I)為 0xff (也就是所有的位都為 39。 or 39。, 39。, 39。, 39。, 39。 value 用與數(shù)組元素比較的數(shù)量值 dst 輸出數(shù)組必須是 8u 或 8s 類型 . cmp_op 該標(biāo)識(shí)指定要檢查的元素之間的關(guān)系： CV_CMP_EQ src1(I) 等于 value CV_CMP_GT src1(I) 大于 value CV_CMP_GE src1(I) 大于等于 value CV_CMP_LT src1(I) 小于 value CV_CMP_LE src1(I) 小于等于 value CV_CMP_NE src1(I) 不等于 value 函數(shù) cvCmpS 比較數(shù)組元素與數(shù)量并且添充目標(biāo)復(fù)蓋面數(shù)組： dst(I)=src(I) op scalar, 這里 op 是 39。 3) cvCmpS 比較數(shù)組的每個(gè)元素與數(shù)量的關(guān)系 void cvCmpS( const CvArr* src, double value, CvArr* dst, int cmp_op )。 如果 scale=1, shift=0 就不會(huì)進(jìn)行比例縮放 . 這是一個(gè)特殊的優(yōu)化，相當(dāng)于該函數(shù)的同義函數(shù)名： cvConvert 。 類型轉(zhuǎn)換主要用舍入和溢出截?cái)鄟?lái)完成。該函數(shù)首先對(duì)輸入數(shù)組的元素進(jìn)行比例縮放，然后將 shift 加到比例縮放后得到的各四川大學(xué)本科畢業(yè)論文 基于塊匹配的人群運(yùn)動(dòng)估計(jì) 22 元素上，即： dst(I)=src(I)*scale + (shift,shift,...)，最后可選的類型轉(zhuǎn)換將結(jié)果拷貝到輸出數(shù)組。 2) cv ConvertScale(本程序用的是 cvConvert) 使用線性變換轉(zhuǎn)換數(shù)組 void cvConvertScale( const CvArr* src, CvArr* dst, double scale=1, double shift=0 )。 這些函數(shù)能將數(shù)組的所有通道的所有值設(shè)置為指定的參數(shù) value。 define cvZero cvSetZero arr 要被清空數(shù)組 . 函數(shù) cvSetZero 清空數(shù)組 . 對(duì)于密集型號(hào)數(shù)組 (CvMat, CvMatND or IplImage) cvZero(array) 就相當(dāng)于 cvSet(array,cvScalarAll(0),0), 對(duì)于稀疏數(shù)組所有的元素都將被刪除 . 函數(shù) cvSetZero()僅僅是 cvSet()別名。Image)。 同 CvMat， IplImage 也有配套函數(shù)： cvCreateImage， cvReleaseImage 它們格式分別是： cvCreateImage( CvSize size, int depth, int channels )。 Origin 變量有兩種取值： IPL_ORIGIN_TL 或 OPL_ORIGIN_BL，分別設(shè)置坐標(biāo)原點(diǎn)的位置于圖像的左上角或左下角。因?yàn)樵趫D像中，往往將深度和通道數(shù)分開處理，而在矩陣中，往往同時(shí)表示它們 . 可用的深度值如表 32 所示。 width 和 height 這兩個(gè)變量很重要，其次是 depth 和 nchannals。 char* imageDataOrigin。 int BorderMode[4]。 char* imageData。 struct _IplTileInfo* tileInfo。 struct _IplImage* maskROI。 int height。 int align。 int dataOrder。 char colorModel[4]。 int alphaChannel。 int ID。這個(gè)結(jié)構(gòu)最初被定義為 Intel 圖像處理庫(kù) (IPL)的一部分。 cvReleaseMat 用來(lái)釋放 CvMat， cvReleaseMat（ amp。 /* 列數(shù) */ endif } CvMat。 else int rows。 int width。 }。 /* data 指針 */ ifdef __cplusplus union { int rows。 double* db。 int* i。 /* 數(shù)據(jù)引用計(jì)數(shù) */ union { uchar* ptr。 /* CvMat 標(biāo)識(shí) (CV_MAT_MAGIC_VAL), 元素類型和標(biāo)記 */ int step。例如，一個(gè)用于新建一個(gè)二維矩陣的例程具有以下原型： cvMat* cvCreateMat ( int rows, int cols, int type )。任何時(shí)候需要向量，都只需要一個(gè)列矩陣。 CvMat OpenCV 里有三大數(shù)據(jù)結(jié)構(gòu)： CvArr、 CvMat、 IplImage，它們遵循面向?qū)ο蟮乃枷搿? 2. CvSize 類型與 cvPoint 非常相似，但它的數(shù)據(jù)成員是 integer 類型的 width 和 height。 CvPoint 有兩個(gè)變體類型； CvPoint2D32f 和 CvPoint3D32f。 /* X 坐標(biāo) , 通常以 0 為基點(diǎn) */ int y。 1. 在這些數(shù)據(jù)類型中最簡(jiǎn)單的就是 CvPoint。 該文件中都是圖像處理 的函數(shù)與數(shù)據(jù)結(jié)構(gòu)。 本程序 使用 OpenCV 在實(shí)現(xiàn)中用到的各種數(shù)據(jù)結(jié)構(gòu)與函數(shù)如下： (1) cxcore ： CvMat， cvCreateMat， cvReleaseMat， IplImage， cvCreateImage ，cvReleaseImage， cvSetZero， ConvertScale， cvCmpS， cvCopy， GetReal*D， cvLine，四川大學(xué)本科畢業(yè)論文 基于塊匹配的人群運(yùn)動(dòng)估計(jì) 17 cvPoint； (2) highgui： CvCapture， cvCreateFileCapture， cvReleaseCapture， cvQueryFrame，cvSetCaptureProperty， cvGetCaptureProperty， cvCreateTrackbar， cvNamedWindow，cvMoveWindow， cvDestroyWindow， cvShowImage， cvWaitKey； (3) cv： cvCvtColor， cvSmooth， cvCalcOpticalFlowBM； (4) c 語(yǔ)言中數(shù)學(xué)庫(kù)里的函數(shù) ： ceil； (5) 其他函數(shù) ： cvsize,cvpoint。 OpenCV 目錄下還有一個(gè) IPLMAN 的 PDF 文 件，它是 OpenCV 的早期文檔。 OpenCV 由以下幾個(gè)對(duì)立的子庫(kù)組成： 1) CXCORE： 包含數(shù)據(jù)結(jié)構(gòu)，矩陣運(yùn)算，數(shù)據(jù)變換，對(duì)象持久，內(nèi)存管理，錯(cuò)誤處理，動(dòng)態(tài)裝載，文本和基本的數(shù)學(xué)功能等； 2) CV： 圖像處理和計(jì)算機(jī)視覺算法（圖像結(jié)構(gòu)分析，運(yùn)動(dòng)描述，跟蹤，模式識(shí)別和攝像機(jī)標(biāo)定），只存在于 中，今后的版本把 CV中的功能分散到了其他子庫(kù)中去； 3) HIGHGUI： 用戶交互部分 (圖形界面，圖像視頻讀寫，系統(tǒng)調(diào)用函數(shù) )； 4) CVAUX： 一些實(shí)驗(yàn)性的函數(shù) (三維跟蹤等 )； 5) Machine Learning (ML)： 包含許多聚類，分類和數(shù)據(jù)分析函數(shù)； 6) CVCAM： 攝像機(jī)借口，在 以后的版本中被移除； 7) Haaartreining： 如何訓(xùn)練 boosted 級(jí)聯(lián)物體分類器。經(jīng)過多次實(shí)驗(yàn)，得到最佳數(shù)值（見后）。不過 由于算法搜索的是匹配塊，匹配并不與實(shí)際的運(yùn)動(dòng)有好的相關(guān)性，在忽略遮擋的前提下，采用過于快速的搜索算法可能會(huì)產(chǎn)生較大的誤差，而隨著科技日新月異，算法執(zhí)行的時(shí)間也在大大縮短，在精度的方面考慮的更多，本文采用的塊匹配算法為全搜索法。但這些算法沒有充分考慮運(yùn)動(dòng)矢量概率分布的方向性，因此，在搜索過程中還需要比較多的搜索點(diǎn)數(shù)[17]。除了搜索模型的形狀對(duì)搜索的影響之外，搜索模型的大小以及搜索策略對(duì)搜索速度和圖像質(zhì)量同樣有影響。由于這些算法充分考慮了運(yùn)動(dòng)矢量概率 (MVP)分布，因此在保持與相當(dāng)?shù)膱D像質(zhì)量的同時(shí)，提高了搜索速度。由于這些算法主要利用運(yùn)動(dòng)矢量的均勻分布模式進(jìn)行搜索，其搜索步長(zhǎng)較大，因此可能導(dǎo)致搜索方向的不確定和搜索的局部性。另外， DS 搜索時(shí)各步驟之間有很強(qiáng)的相關(guān)性，模板移動(dòng)時(shí)只需要在幾個(gè)新的檢測(cè)點(diǎn)處進(jìn)行匹配計(jì)算，所以也提高了搜索速度。先用 LDSP 搜索，由于步長(zhǎng)過大，搜索范圍廣，可以進(jìn)行粗定位，使搜索過程不會(huì)陷于局部最小 。搜索共分 5 步， MBD 點(diǎn)分別為 (2， 0)、 (3， 1)、 (4， 2)，使用了 4 次 LDSP 和 l 次SDSP，共搜索了 24 個(gè)點(diǎn)。 Step 3:以上一次找到的 MBD 點(diǎn)為中心點(diǎn)，將 LDSP 換為 SDSP，在 5 個(gè)點(diǎn)處計(jì)算，找出 MBD 點(diǎn)，該點(diǎn)所在位置即為最佳運(yùn)動(dòng)矢量。 Step 2:以上一次找到的 MBD 點(diǎn)為中心點(diǎn)，用新的 LDSP 來(lái)計(jì)算，若 MBD 點(diǎn)位于中心點(diǎn)，則進(jìn)行 Step 3。 圖 28 搜索模塊 ② 算法描述 : Step 1:用 LDSP 在搜索區(qū)域中心及周圍 8 個(gè)點(diǎn)處進(jìn)行匹配計(jì)算，若 MBD 點(diǎn)位于中心點(diǎn)，則進(jìn)行 step3。另外，統(tǒng)計(jì)數(shù)據(jù)表明，視頻 圖像中進(jìn)行運(yùn)動(dòng)估計(jì)時(shí)，最優(yōu)點(diǎn)通常在零矢量周圍 (以搜索窗口中心為圓心，兩像素為半徑的圓內(nèi) )，如圖 28a 所示。由于這個(gè)誤差表面通常不是單調(diào)的，所以如果搜索窗口太小，就容易陷入局部最優(yōu) 。 ① 基本思想 :搜索模板的形狀和大小不但影響整個(gè)算法的運(yùn)算速度，而且也影響它的性能。 (6)菱形搜索法 (DSS， Dimaond Seaerh) 菱形搜索算法最早由 Shan Zhu 和 Kaikuang 兩人提出，后又經(jīng)過多次改進(jìn)，已成四川大學(xué)本科畢業(yè)論文 基于塊匹配的人群運(yùn)動(dòng)估計(jì) 14 為目前快速匹配算法中性能最優(yōu)異的算法之一。7 時(shí)， FSS 最多需要進(jìn)行 27 次塊匹配。圖 中每個(gè)點(diǎn)上的數(shù)字表明了每個(gè)階段搜索時(shí)計(jì)算的候選點(diǎn)的位置。由于該點(diǎn)處于搜索窗的角上，故用圖 26b 的模板進(jìn)行搜索，結(jié)果為模板中心點(diǎn) [2， 41。 圖 26 四步搜索法的搜索模塊（ a,b,c,d） ③ 搜索過程圖示 :圖 27 是 FSS 搜索的一個(gè)具體實(shí)例。 Step 3:搜索模式同 Step 2，但最終要進(jìn)行 Step 4。 若上一步 MBD 點(diǎn)位于窗口的四邊中心點(diǎn)處，則只需再搜索 3 個(gè)檢測(cè)點(diǎn)，如圖 26c所示 。 Step 2:窗口保持 5x5 大小，但搜索模式取決于上一步的 MBD 點(diǎn)位置。若 MBD 點(diǎn)位于中心點(diǎn)，則跳到 Step 4。 本思想 :TSS 算法第一步用了 99 的搜索窗，這很容易造成搜索方向的偏離， FSS算法首先采用 55 的搜索窗口，每一步搜索窗的中心移向 MBD 點(diǎn)處，且后兩步搜索窗的大小依賴于 MBD 點(diǎn)的位置。 圖 25 交叉法搜索過程 (5)四步搜索法 (FSS， Four Step Search) 四步搜索法是 1996 年由 Lai 一 man Po。 ④ 算法分析 :CSA 的最大搜索點(diǎn)數(shù)為 5+4lbW，搜索速度很快，但是運(yùn)動(dòng)補(bǔ)償?shù)男Ч皇翘?。圖中每個(gè)點(diǎn)上的數(shù)字表明了每個(gè)階段搜索時(shí)計(jì)算的候選塊的位置，點(diǎn) [+4， +4]、 [+6， +21]是第一、第二步搜索的MBD 點(diǎn)。由當(dāng)前為 MBD 點(diǎn)得到的最佳運(yùn)動(dòng)矢量，算法結(jié)束。若上一步 MBD 點(diǎn)處于中心點(diǎn)、左下角或右上角，則做 ―十 ‖字形搜索 。若步長(zhǎng)為 1，則進(jìn)行 Step 3。 Step 2:以上一步的 MBD 點(diǎn)為中心點(diǎn)，步長(zhǎng)減半，繼續(xù)進(jìn)行