$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

움직임 벡터들의 방향과 크기를 고려한 프레임율 증가 기법
Frame Rate Up-Conversion Considering The Direction and Magnitude of Motion Vectors 원문보기

한국방송공학회 2015년도 하계학술대회, 2015 July 01, 2015년, pp.328 - 331  

박종근 (한양대학교 전자컴퓨터통신공학과) ,  배창영 (한양대학교 전자컴퓨터통신공학과) ,  이경준 (한양대학교 전자컴퓨터통신공학과) ,  정제창 (한양대학교 전자컴퓨터통신공학과)

초록
AI-Helper 아이콘AI-Helper

본 논문은 EBME(Extended Bilateral Motion Estimation) 알고리듬에서 움직임 벡터들의 방향과 크기를 고려한 알고리듬을 제안하였다. EBME는 높은 연산량을 요구하기 때문에 프레임 내의 x, y방향 각각의 평균 움직임 벡터크기를 이용하여 동적 프레임과 정적프레임을 판단하고, EBME 수행여부를 결정하여 연산량을 줄인다. 또한 동일한 움직임 벡터들의 방향과 크기를 비교하여 MVS(Motion Vector Smoothing)단계 수행여부를 판단함으로써 연산량을 줄인다. 제안하는 알고리듬을 적용한 실험 결과 기존의 EBME 알고리듬에 비해 수행시간은 단축되었으나 PSNR(Peak Signal to Noise Ratio)은 향상 되었다.

AI 본문요약
AI-Helper 아이콘 AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

제안 방법

  • EBME의 연산량을 줄이기 위해 제안하는 알고리듬은 프레임 내의 x, y방향 각각의 평균 움직임 벡터크기를 이용하여 동적프레임과 정적프레임을 판단하고, EBME 수행여부를 결정하여 연산량을 줄인다. EBME단계를 거친 최종적인 움직임 벡터들에서 주변의 동일한 방향과 크기를 비교하여 MVS단계 수행여부를 판단함으로써 연산량을 줄인다.
  • 본 논문에서 EBME(Extended Bilateral Motion Estimation) 알고리듬은 BME를 두 번 수행하고, MVS(Motion Vector Smoothing)단계에서 모든 이상 벡터가 수정될 때까지 반복하기 때문에 높은 연산량을 요구한다. EBME의 연산량을 줄이기 위해 제안하는 알고리듬은 프레임 내의 x, y방향 각각의 평균 움직임 벡터크기를 이용하여 동적프레임과 정적프레임을 판단하고, EBME 수행여부를 결정하여 연산량을 줄인다. EBME단계를 거친 최종적인 움직임 벡터들에서 주변의 동일한 방향과 크기를 비교하여 MVS단계 수행여부를 판단함으로써 연산량을 줄인다.
  • EBME알고리듬은 BME과정을 두 번수행하며, MVS단계에서 이상 벡터를 판단하고, 모든 이상 벡터가 수정될 때까지 반복하기 때문에 높은 연산량을 요구한다. 그래서 제안한 알고리듬은 프레임 내의 x, y방향의 각각의 평균 움직임 벡터 크기를 이용하여 동적프레임과 정적 프레임을 판단한다. 동적프레임인 경우, 움직임 벡터 변화가 많아EBME를 사용하여 정확한 움직임 벡터를 찾고, 정적프레임인 경우, 움직임 벡터 변화가 적기 때문에 연산량이 적은 BME를 이용하였다.
  • 다음으로 original block과 overlapped block의 겹쳐지는 영역에 대하여 움직임 벡터를 비교한다. 각각의 블록은 그림 2와 같이 16×16 크기 단위로 구한 움직임 벡터를 네 개의 8×8 단위 블록으로 나누어 겹쳐지는 부분에 대하여 SBAD가 최소가 되는 움직임 벡터로 수정한다.
  • 동적프레임인 경우, 움직임 벡터 변화가 많아EBME를 사용하여 정확한 움직임 벡터를 찾고, 정적프레임인 경우, 움직임 벡터 변화가 적기 때문에 연산량이 적은 BME를 이용하였다. 동적프레임과 정적프레임을 판단 후, 프레임 내의 여러 개의 동일한 움직임 벡터들이 존재한다면, 여러 개의 동일한 움직임 벡터들의 방향과 크기를 비교하여 MVS단계를 통과시켜 연산량을 줄였다. 실험 결과 EBME 알고리듬 보다 평균 0.
  • 그래서 제안한 알고리듬은 프레임 내의 x, y방향의 각각의 평균 움직임 벡터 크기를 이용하여 동적프레임과 정적 프레임을 판단한다. 동적프레임인 경우, 움직임 벡터 변화가 많아EBME를 사용하여 정확한 움직임 벡터를 찾고, 정적프레임인 경우, 움직임 벡터 변화가 적기 때문에 연산량이 적은 BME를 이용하였다. 동적프레임과 정적프레임을 판단 후, 프레임 내의 여러 개의 동일한 움직임 벡터들이 존재한다면, 여러 개의 동일한 움직임 벡터들의 방향과 크기를 비교하여 MVS단계를 통과시켜 연산량을 줄였다.
  • 제안하는 알고리듬의 흐름도는 그림 5이며, 프레임 내의 x, y방향 각각의 평균 움직임 벡터크기를 이용하여 동적프레임과 정적프레임을 판단하고, EBME 수행 여부를 결정한다. 또한 움직임 벡터들의 방향과 크기를 비교하여 동일한 움직임 벡터를 판단하고 MVS 수행 여부를 결정한다.
  • 본 논문에서 EBME(Extended Bilateral Motion Estimation) 알고리듬은 BME를 두 번 수행하고, MVS(Motion Vector Smoothing)단계에서 모든 이상 벡터가 수정될 때까지 반복하기 때문에 높은 연산량을 요구한다. EBME의 연산량을 줄이기 위해 제안하는 알고리듬은 프레임 내의 x, y방향 각각의 평균 움직임 벡터크기를 이용하여 동적프레임과 정적프레임을 판단하고, EBME 수행여부를 결정하여 연산량을 줄인다.
  • 실험조건은 기본 블록 크기를 16×16으로 하였고, 탐색 범위는 ± 8로 하였으며, T1=0.6, T2=0.3로 설정하였다.
  • 하지만 이 방법은 영상 내 물체의 움직임을 고려하지 않기 때문에 열악한 결과 이미지를 보인다. 이를 보완하기 위해 제안된 MC-FRUC(Motion- Compensated FRUC)는 움직임 예측(Motion Estimation) 과정에서 물체의 움직임을 찾아 움직임 벡터(Motion Vector)를 구하고 이를 이용하여 MCI(Motion-Compensated Interpolation) 과정에서 보간프레임을 생성한다[4].
  • 제안하는 알고리듬의 흐름도는 그림 5이며, 프레임 내의 x, y방향 각각의 평균 움직임 벡터크기를 이용하여 동적프레임과 정적프레임을 판단하고, EBME 수행 여부를 결정한다. 또한 움직임 벡터들의 방향과 크기를 비교하여 동일한 움직임 벡터를 판단하고 MVS 수행 여부를 결정한다.
  • 초기에 제안된 FRUC 기술은 블록 정합 알고리듬(Block Matching Algorithm)으로 단방향 움직임 예측(Unilateral Motion Estimation)을 이용하여 움직임을 추정하였다. 이는 현재프레임의 블록을 중심으로 이전프레임으로부터 움직임 벡터를 찾기 때문에 보간프레임 생성 시 홀(hole)과 중첩(overlap) 영역이 생기는 단점이 있다.
  • 3로 설정하였다. 화질비교 방법은 PSNR로 비교 하였다.

대상 데이터

  • 실험에는 CIF(352×288) 크기의 8개 영상(Bus, Coastguard, Container, Flower, Foreman, Mobile, Mother_Daughter, Table)을 사용하였고, 총 50개의 짝수프레임을 생성하였다.
본문요약 정보가 도움이 되었나요?

질의응답

핵심어 질문 논문에서 추출한 답변
초기의 FRUC 알고리듬은 어떻게 보간프레임을 생성하는가? 초기의 FRUC 알고리듬은 이전프레임과 현재프레임의 평균값을 이용하여 보간프레임을 생성한다. 하지만 이 방법은 영상 내 물체의 움직임을 고려하지 않기 때문에 열악한 결과 이미지를 보인다.
MC-FRUC는 어떻게 보간 프레임을 생성하는가? 하지만 이 방법은 영상 내 물체의 움직임을 고려하지 않기 때문에 열악한 결과 이미지를 보인다. 이를 보완하기 위해 제안된 MC-FRUC(Motion- Compensated FRUC)는 움직임 예측(Motion Estimation) 과정에서 물체의 움직임을 찾아 움직임 벡터(Motion Vector)를 구하고 이를 이용하여 MCI(Motion-Compensated Interpolation) 과정에서 보간프레임을 생성한다[4].
FRUC 알고리듬의 문제점은 무엇인가? 초기의 FRUC 알고리듬은 이전프레임과 현재프레임의 평균값을 이용하여 보간프레임을 생성한다. 하지만 이 방법은 영상 내 물체의 움직임을 고려하지 않기 때문에 열악한 결과 이미지를 보인다. 이를 보완하기 위해 제안된 MC-FRUC(Motion- Compensated FRUC)는 움직임 예측(Motion Estimation) 과정에서 물체의 움직임을 찾아 움직임 벡터(Motion Vector)를 구하고 이를 이용하여 MCI(Motion-Compensated Interpolation) 과정에서 보간프레임을 생성한다[4].
질의응답 정보가 도움이 되었나요?

관련 콘텐츠

저작권 관리 안내
섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로