运动估计算法比较
计算机视觉中的目标跟踪与运动估计算法
计算机视觉中的目标跟踪与运动估计算法摘要：随着计算机视觉技术的迅猛发展，目标跟踪与运动估计成为了计算机视觉领域一个重要的研究方向。
目标跟踪是指在给定的视频序列中，通过对目标的连续观察和判断，实时地追踪目标的位置，运动估计则是通过对目标在图像或视频序列中的运动进行建模和预测。
本文将介绍目标跟踪与运动估计的基础概念、常用算法和应用领域，并讨论其挑战和发展趋势。
1.引言计算机视觉是一门研究如何使计算机能够“看”的学科，它将图像处理、模式识别和人工智能等知识相结合，旨在模拟人类的视觉系统，实现对图像和视频的理解和分析。
目标跟踪与运动估计是计算机视觉领域的一个重要方向，具有广泛的应用前景。
2.目标跟踪算法目标跟踪算法是指在给定的视频序列中，通过对目标的连续观察和判断，实时地追踪目标的位置。
常见的目标跟踪算法包括基于模板匹配的方法、基于特征匹配的方法、基于相关滤波的方法等。
这些算法利用了图像中目标的特征信息（如颜色、纹理、形状等）来判断目标的位置，并通过更新模型或特征来实现目标的连续跟踪。
3.运动估计算法运动估计是指通过对目标在图像或视频序列中的运动进行建模和预测。
常见的运动估计算法包括基于光流的方法、基于特征点匹配的方法、基于深度学习的方法等。
这些算法利用了图像序列中的像素或特征点之间的变化关系，预测目标的未来位置，进而实现对目标的运动估计。
4.应用领域目标跟踪与运动估计在很多领域有着广泛的应用，例如视频监控、交通管理、移动机器人、虚拟现实等。
在视频监控领域，目标跟踪与运动估计可以实时地追踪事件发生的位置和运动轨迹，提供重要的监控信息。
在交通管理领域，目标跟踪与运动估计可以预测交通流量和车辆轨迹，提供交通优化的参考。
在移动机器人领域，目标跟踪与运动估计可以实现对机器人的自主导航和动作控制。
在虚拟现实领域，目标跟踪与运动估计可以实现用户动作捕捉和虚拟对象的交互。
5.挑战和发展趋势目标跟踪与运动估计在实际应用中仍面临一些挑战，如目标形变、光照变化、遮挡等。
运动估计算法简述
运动估计算法简述标签：搜索运动估计预测矢量算法分类：探索H.2642007-02-03 13:59马上要做运动估计算法，重点整理了一下这方面的内容。
帧间预测编码可以简单地分为单向预测、双向预测、多帧预测。
而H.264标准采用了多帧预测，参考帧可达5—15帧。
运动补偿采用较多的有运动矢量估计[重叠块运动补偿(OBMC)]、全局运动估计、基于象素点的运动估计、基于区域的运动估计、基于网格的运动估计。
1.单向预测原理：将重建帧和参考帧送运动参数估值器(ME)比较得到运动矢量，再将运动矢量和重建帧送到运动补偿预测器中，得预测帧Ft^(x,y)。
Ft^(x,y)=Ft(x+i,y+j) 其中(i,j)即MV2.基于块匹配算法的运动矢量估计简单地说就是以块为单位分配运动矢量。
在前一帧搜索区(M+2Wx,M+2Wy)内找到与当前帧块相匹配的块，位移d(i,j)即为运动矢量。
常用的块匹配准则有：均方误差(MSE)最小准则，绝对误差均值(MAD)最小准则、NCCF准则。
搜索方法：a.穷尽搜索计算(2Wx+1)×(2Wy+1)个MAD值，全局最优，计算量大。
b.快速搜索(1)分层的和多分辨率的快速块匹配方法(2)基于连续消除的快速块匹配方法(3)固定搜索模式的快速块匹配方法(e.g.三步搜索法)(4)基于时空相关性和视觉特性的快速块匹配方法3.重叠块运动补偿(OBMC)为解决方块效应特别是运动矢量估计不准确或物体运动不是简单的平移运动以及一个块中有多个不同物体运动时的问题，采用OBMC方法，即一个像素的预测不仅基于其所属块的MV估计，还基于相邻块的MV估计。
4.运动估计•运动表示法：(1)基于块的运动表示法帧间宏块分割区域大小的选择：大分区，表征MV的选择和区分割类型的比特数较少，但运动压缩的冗余度较高，运动补偿残差在多细节区域能量很高。
小分区，运动补偿残差能量较低，但需要较多的表征MV的选择和区分割类型的比特数，运动压缩的冗余度较低。
基于视频序列特性的运动估计算法比较与改进
文章编号：1002—8692(2008)S1-0027-03I ，i gi t al vi deo r ]…一……————————————————-——H —…———————————．．．．-—二=二●■■■i ：”基于视频序列特性的运动估计算法比较与改进论文俞呈阳。
周密(宁渡市江北区广播电视中心，浙江宁波315032)【摘要】对比分析了主流H ．264运动估计算法，并针对U M H exagonS 算法提出了更为有效的改进意见。
实验表明，在编码后的失真度损失较小的情况下，该算法比U M H exagonS 算法减少了搜索运算量。
【关键词】H ．264／标准；运动估计；整数搜索；U M H exagonS 算法【中图分类号】TPgl 9．81【文献标识码】AC om pa r i s on a nd I m pr ovem ent of Mot i on E st i m at i on B a se d o nV i de o Seq uenc esC har act er i s t i csY U C heng-yang ，ZH O UM i(Rod 如and Tel evi si on C enter of J i ans b ei D i st ri c t of m n#o Ci ty,Zh ej i ang N i n #o 315032)【A bs t ra ct 】C hi naI n t hi sar ti cle ，are c om pa r ed ，a ndam or e ef f ect i ve i m pr ove m e ntsugge st i ont oU M H exagonS al g or i t hmf or w ar d i spa t ．Exper i m e nt al r esul t s show t h at ，com par e d wi t h U M H exagonS al gor i t hm ，t hepm pos ed me t hod c al ls avesear ch t i m egr ea dy a ndt he P SN R l o s equi t e l i t t le ．【K ey w or ds 】H 264；M E(m ot i on est i m at i on)；f asti nt eger s e ar c h ；UM H exa go nS 1引言综合分析H ．264各个算法模块发现，运动估计模块的计算量在整个H ．264中所占的比例最大(从1个参考帧下的60％到5个参考帧下的80％)Ⅲ。
运动轨迹匹配原则和算法效能比较评估
运动轨迹匹配原则和算法效能比较评估运动轨迹匹配是对于运动轨迹之间的相似性进行度量和比较的问题。
在许多应用领域中，运动轨迹匹配都具有重要的意义，如交通监控、物体跟踪、行为识别等。
为了实现有效的轨迹匹配，不同的原则和算法被提出并被广泛研究。
本文将探讨一些常见的运动轨迹匹配原则和算法，并对它们的效能进行比较评估。
一、运动轨迹匹配原则1. 最小平方误差原则最小平方误差原则是运动轨迹匹配中最基本的原则之一。
该原则通过最小化两个轨迹之间的平方误差，来度量它们之间的相似性。
在实际应用中，最小平方误差原则常用于对位移轨迹或速度轨迹的匹配。
2. 动态时间规整（DTW）原则动态时间规整是一种非常经典的轨迹匹配原则。
它不仅考虑了轨迹上的相似性，还考虑了轨迹上的时间延迟。
DTW原则将两个轨迹通过对齐使它们在时间上保持一致，然后通过计算对应点之间的距离来评估它们之间的相似性。
3. Hausdorff距离原则Hausdorff距离原则考虑了运动轨迹中各个点之间的最大距离。
它定义了从一个轨迹中的任意点到另一个轨迹的最小距离，然后取其中的最大值作为相似性的度量。
Hausdorff距离原则可以有效地评估轨迹之间的相似性，尤其适用于包含离群点的轨迹。
二、运动轨迹匹配算法1. 基于动态时间规整的轨迹匹配算法基于动态时间规整原则的轨迹匹配算法主要包括DTW算法和其变种。
这些算法通过动态规划的方式找到使两个轨迹时间上一致的对齐路径，并根据对应点之间的距离计算相似性得分。
DTW 算法及其变种在轨迹匹配中具有很好的效果，但对于较长的轨迹或高维度的轨迹数据，计算开销较大。
2. 基于Hausdorff距离的轨迹匹配算法基于Hausdorff距离原则的轨迹匹配算法主要包括Hausdorff距离算法和其改进算法。
这些算法通过比较两个轨迹中各点之间的最大距离来计算相似性得分。
Hausdorff距离算法在处理包含离群点的轨迹时具有良好的效果，但对于噪声较大的轨迹数据，容易受到噪声点的干扰。
H.264中运动估计算法研究与对比
文章编号 100426410(2007)S120010204H 1264中运动估计算法研究与对比贺克军,梁 齐(合肥工业大学理学院,合肥)摘 要:自从视频编解码标准H 1264发布以来,国内外学者专家提出了大量的基于此标准的运动估计算法。
本文将介绍一些典型的算法,对其性能进行分析比较。
关 键 词:H 1264标准;运动估计;块匹配;UM Hexag onS 算法中图分类号:TN91 文献标识码:A收稿日期2525作者简介贺克军(8),男,合肥工业大学理学院,硕士研究生。
0 引言视频编码标准H 1264自发布以来一直就是研究的热点,和H 1261、H 1263一样,H 1264也是采用DC T 变换编码加DPCM 的差分编码,即混合编码结构。
同时,H 1264在混合编码的框架下引入了新的编码方式,提高了编码效率。
H 1264提供16×16,16×18,8×16,8×8以及8×8以下的多种分块的运动补偿单元[1]。
对于8×8以下的分块,也还有4种小块的划分。
提供如此多的分块单元的选择,使得编码效率大大提高,但代价是增加了大量的运动估计时间。
所以如何在保证一定图象质量的条件下,尽量减少对运动估计的计算量,成为当今的一个主要研究点。
因此,许多针对此问题的快速搜索算法被相继提了出来。
1 匹配准则在熟知的视频编码标准中(H 1261、H 1236、MP EG 21、MPEG 22、MPEG 24),运动估计和运动补偿在当前帧的8×8或者16×16块上进行。
整个块的运动估计也被称为块匹配[2]。
在一个典型的块匹配算法中,一帧图像被分割为M ×N 或者是更为常用的N ×N 像素大小的块。
在(N +2w )×(N +2w )大小的匹配窗中,当前块与前一帧中对应的块相比较。
基于匹配标准,找出最佳匹配,得到当前块的替代位置。
四步法运动估计算法
四步法运动估计算法
"四步法"运动估计算法通常指的是在计算机视觉中用于估计物
体运动的一种方法。
这个方法包括四个基本步骤。
请注意，具体的实现可能会有所不同，以下是一个概括：
1.特征提取（Feature Extraction）：
从连续的图像帧中提取特征点或特征描述子，这些特征可以唯一地标识场景中的关键点。
常见的特征包括角点、边缘等。
2.特征匹配（Feature Matching）：
将第一帧和后续帧中提取的特征进行匹配，以确定它们在不同帧之间的对应关系。
这可以使用各种匹配算法，如最近邻匹配、光流等。
3.运动模型估计（Motion Model Estimation）：
根据特征匹配的结果，使用运动模型来估计物体或相机的运动。
运动模型可以是刚体变换、仿射变换等，取决于场景的复杂性。
4.运动参数优化（Motion Parameters Optimization）：
通过优化算法（例如最小二乘法）对运动模型的参数进行调整，以最小化特征点在相邻帧之间的误差。
这一步旨在提高运动估计的准确性。
这个四步法的运动估计算法在许多计算机视觉应用中都有应用，包括目标跟踪、光流估计、SLAM（Simultaneous Localization and Mapping）等。
在实际应用中，也可能需要考虑图像噪声、遮挡、光照变化等因素，因此算法的鲁棒性也是一个重要的考虑因素。
需要注意的是，这只是一种常见的运动估计方法之一，还有其他许多复杂的算法和技术，具体选择取决于应用场景和需求。
时频域块匹配运动估计算法性能比较
Ａｂ ｔ ａ ｔ Ｔ ｍｐ ｒ ｌ ｆ ｑ ｅ ｃ ｂｏ ｋ ｍａｃ ｉ ｇ ｍｏ ｉｎ ｓｉ ｔ ｎ ｌｏ ｔ ｍ ｉ ｔ ｄ ｅ ｎ ｉ ｌｍｅ ｔ ｄＴ ｉ ａ ｅ ｌｏ ｓｒ ｃ ： ｅ ｏ ａ － ｒ ｕ ｎ ｙ ｌｃ — ｔｈ ｎ ｔ ｅ ｔ ｅ ｏ ｍａｉ ａｇ ｒ ｈ ｏ ｉ ｓ ｕ ｉ ｄ ａ ｄ ｍｐ ｅ ｎ ｅ ． ｈ ｓ ｐ ｐ ｒ ａｓ ｓ ｍａ ｅ ｏ ａ ｓ ｎ ｗｉ ｗ ｌｏ ｔ ｍｓ ｉ ｈ ｉ ｃ ｍｐ ｎ ａ ｉｎ ｐ ｒ ｒ ｎ ｅ， ｆ ｃ ｅ ｃ ｎ ｏ ｕ ｅ ｃ ｍｐ ｅ ｉ ． ｈ ｅ ｕ ｔ ｋ ｓ ａ ｃ ｍｐ ｒ ｏ ｔ ｔ ｏ ａｇ ｒ ｈ ｎ ｔ ｅｒ ｏ ｅ ｓ ｔ ｅｆ ｍａ ｃ ｅ ｉ ｎ ｙ ａ ｄ ｃ ｍｐ ｔ ｏ ｌ ｘｔ Ｔ ｅ ｒ ｓ ｌ ｉ ｈ ｉ ｏ ｏ ｉ ｙ
文章 编号 ： ０ ２ ８ ３ （ ０ ６ ３ — ０ ７ ０ 文 献 标 识码 ： 中 图分 类 号 ： Ｐ ９ ｌ ０ — ３ ｌ ２ ０ ）２ ０ ７ — ３ Ａ Ｔ ３１
Ｐ ｒｏ ｍ ａ ｃ ｍ ｐ ｒｓ ｎ ｏ ｍ ｐ ｒ ｌ Ｆｒ ｑ ｅ ｃ ｏ ｋ Ｍ ａ ｃ ｉ ｇ ｅ ｆ ｒ ｎ ｅ Ｃｏ ａ ｉｏ ｆ Ｔｅ ｏ ａ － ｅ ｕ ｎ ｙ Ｂｌ ｃ － ｔｈｎ
不 出现 “ 峰 ” 则 其 直接 从 相位 相 关 图 出发 可 以得 到更 加 平 滑 和 精 确 的运 动 场 ， 算 效 率 高 ； 时 域 法更 适 合 了存 在 多 双 ， 计 但
视频编码中的运动估计算法探索
视频编码中的运动估计算法探索视频编码是指将连续的视频信号转换为数字形式，以便于存储、传输和处理的过程。
视频编码的核心任务之一是压缩视频数据，以减小文件大小或减少带宽需求。
其中，运动估计是视频编码中一个关键的环节，它能够找到连续视频帧之间的运动信息，并将其利用于压缩算法中。
本文将探索视频编码中常用的运动估计算法及其原理、优缺点以及应用。
一、运动估计的原理及作用运动估计是基于视频序列中的帧间差异进行的。
它通过比较当前帧与参考帧之间的差异来计算运动矢量（Motion Vector，MV）。
运动矢量表示了目标在时域上的运动特征。
在编码时，只需保留运动矢量和差异帧，从而实现视频压缩。
运动估计的作用是找到当前帧与参考帧之间的最佳匹配，以便能够准确描述目标的运动状态。
通过将运动估计的信息传递给解码器，解码器能够使用这些信息来还原出原始视频帧，从而实现视频的连续播放。
二、全局运动估计算法1. 块匹配算法（Block Matching Algorithm，BMA）块匹配算法是最常用的全局运动估计算法之一。
其基本思想是将当前帧划分为若干个块，并在参考帧中寻找与之最佳匹配的块，从而得到对应的运动矢量。
BMA算法简单有效，但在处理快速运动和复杂运动时存在一定的局限性。
2. 平方和差分算法（Sum of Absolute Difference，SAD）平方和差分算法是BMA算法的一种改进。
它通过计算块中像素值的差的平方和来度量差异，从而找到最小差异的块作为最佳匹配。
SAD算法在提高运动估计的精度方面有所帮助，但在速度上相对较慢。
三、局部运动估计算法1. 区域匹配算法（Region Matching Algorithm，RMA）区域匹配算法是一种基于像素的非全局运动估计算法。
它将当前帧的图像划分为不同的区域，并寻找参考帧的区域进行匹配。
RMA算法能够更好地处理复杂运动情况，但计算量和时间复杂度较高。
2. 梯度法梯度法是一种基于局部像素间梯度变化的运动估计方法。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
大作业几种运动估计算法比较一、实验内容简要介绍各种运动估计算法，并比较不同运动估计算法的性能，主要考虑各算法的运算速度和精度。
二、实验背景视频原始图像中存在着大量的信息冗余，如时间冗余、空间冗余、信息熵冗余、谱间冗余、几何结构冗余、视觉冗余和知识冗余等等。
运动估计是视频压缩编码中的核心技术之一，采用运动估计和运动补偿技术可以消除视频信号的时间冗余以提高编码效率。
如何提高运动估计的效率，使运动估计算法的搜索过程更健壮、更快速、更高效成为目前研究的热点。
运动估计的基本思想是尽可能准确地获得序列图像帧间的运动位移，即运动矢量。
因为运动估计越准确，预测补偿的图像质量越高，补偿的残差就越小，补偿编码所需位数越少，需要传输的比特率就越小。
利用得到的运动矢量在帧间进行运动补偿。
补偿残差经过变换、量化、编码后与运动矢量一起经过熵编码，然后以比特流形式发送出去。
运动估计算法多种多样，大体上可以把它们分成四类：块匹配法、递归估计法、贝叶斯估计法和光流法。
其中块匹配运动估计算法因其具有算法简单、便于VLSI实现等优点得到广泛应用。
所以本文将重点介绍块匹配运动估计算法，并对各种块匹配算法在计算速度和估计精度上进行简单比较。
三、实验原理（一）、像素递归技术像素递归技术是基于递归思想。
在连续帧中像素数据的变化是因为物体的移位引起的，郑么如果沿着梯度方向在某个像素周圈的若干像素作迭代运算，运算会最后收敛于一个固定的运动估计矢量，从而预测该像素的位移。
（二）、块匹配运动估计块匹配运动估计是把图像帧划分为若干互不重叠的块，并以块为单位寻找目标帧中每块在参考帧（上一帧或者其它帧）中最优匹配的块的相对位置，假设图像中每块的大小为M×N，dxmax为参考块水平方向可搜索最大位移而dymax为参考块垂直方向可搜索最大位移那么基于块匹配的运动估计就是在参考帧（或者其它上一帧）的(M+2dxmax)×(N+2dymax)候选区搜索窗口中找到和目标帧的当前大小为M×N的块的最匹配的块则参考块的运动矢量可用如下的数学公式描述：R 表示相关性评价函数，f(m,n)表示目标或当前帧图像的灰度值。
满足R为最大时的X、Y为运动矢量，用MV表示。
块匹配估计准则是判断块相似程度的依据，因此匹配准则的好坏直接影响了运动估计的精度；另一方面，匹配运算复杂度、数据读取复杂度和内存管理复杂度在很大程度上取决于所采用的块匹配准则。
我们这里用到的块匹配准则是：平均绝对误差函数(Mean of Absolute Error, MAE)有些文献中MAD演变为绝对差和：在上述匹配准则中，由于SAD只采用了加法和绝对值计算，便于计算和硬件实现而且它的匹配精度与MAD相差不大。
此外搜索精度还与块的大小、搜索窗的大小、搜索步长有关。
块匹配的方法主要有：三步法(TSS)和二维对数法(TDL)、新三步法(NTSS)、四步法(FSS)、基于菱形的搜索算法(DS)和基于六边形的搜索算法(HEXBS)等。
其中全搜索算法是简单也是效果最好的一种匹配算法，通过的全搜索匹配得到的结果是全局最优的，但由于计算量很大，我们在编解码中往往不采用这种方法，而只把他作为与其他算法的一种比较。
为了兼顾估算精度和运算速度，人们提出了一系列的快速算法。
快速算法通过限制搜索位置的数目来减小计算复杂度，但不利于估计小的运动且搜索容易陷入局部最优。
下面我们将详细介绍各种基于块的匹配算法。
快速算法基于一下假设：认为误差函数在整个搜索区域内有唯一极小值点，并假设误差函数曲面值随偏离最小值点距离是单调递增的。
另外运动矢量还满足中心偏执性。
即块的运动矢量基本上都是在一个中心位置集中了绝大部分运动矢量，而且随着运动矢量的位置远离中心其数逐渐减少。
通过对常用视频序列的运动矢量分布作了更为详细的统计分析发现，运动矢量以不同的比例集中分布在中心附近的特定区域内。
如下图：有大约81.80％的运动矢量分布在中心附近范围2的正方形区域内(25个点)，大约77.52％的运动矢量分布在中心附近范围2的菱形区域内(13个点)，更有大约74．76%的矢量集中分布在中心附近范围2的十字形区域内(9个点)。
（1）、全搜索运动估计(FS)全搜索法（Full Search Method, FS ）也称为穷尽搜索法，是对（M ＋2dx ）×（N ＋2dy ）搜索范围内所有可能的候选位置计算MAD (i,j)值，从中找出最小MAD ，其对应偏移量即为所求运动矢量。
此算法虽计算量大，但最简单、可靠，找到的必为全局最优点。
FS 算法描述如下：从原点出发，按顺时针螺旋方向由近及远，在逐个像素处计算MAD 值，直到遍历搜索范围内听有的点，然后在计算的所有点的MAD 中找到最小值，该点所在位置即对应最佳运动矢量。
但是正因为它是穷尽搜索因此会产生巨大的计算量如[ 7, 7]的搜索区间每个宏块16*16 需计算225个MAD 值，这就直接制约了编码的实时实现。
快速算法本质上是一种穷尽搜索法其计算量仍是相当巨大的。
全搜索算法是简单也是效果最好的一种匹配算法，通过的全搜索匹配得到的结果是全局最优的，但由于计算量很大，我们在编解码中往往不采用这种方法，而只把他作为与其他算法的一种比较。
（2）、快速匹配算法1、三步法：三步法是应用得相当广泛的一种次优的运动估计搜索算法它的搜索区间一般为[-7，7] 即在候选区中与编码块相同坐标位置处为原点，将参考块在其上下左右距离为7的范围内按照一定规律移动移到一个位置就做匹配计算它总共进行了三步搜索在下一次搜索时步长减半以前一步搜索得到的最优点为中心。
下图为三步法的搜索示意图。
算法的中心思想是，采用一种由粗到细的搜索模式，从原点开始，按一定步长取周围8个点构成每次搜索的点群，然后进行匹配计算，利用上一步搜索得到的最小块误差MBD 点作为当前搜索的中心位置，每做一步，搜索的步长减1。
步搜索算法搜索窗选取(-7，+7)，最多只需要做25个位置的匹配计算，相对于全搜索来比，大大减少了匹配运算的复杂度，而且数据读取比较规则。
2、新三步法：TSS 假定运动矢量分布特点是在搜索窗口中均匀分布, 但事实证明运动矢量是偏置中心的，Renxiang Li 等人在TSS 的基础上提出了一种增强运动矢量中心偏置搜索和减小补偿误差的新三步法。
NTSS 是对TSS 的一个改进，对运动量比较小的视频序列如可视电话序列有比较好的性能。
对于绝大多数的视频序列，运动矢量的分布都是在中心位置上的概率最大，随着与中心位置的距离的增大，概率会急剧地下降，这也就是前面所说的运动矢量的中心偏移特性。
运动量比较小的视频序列的这一特性会更加明显。
NTSS 算法在最好的情况下只需要做17个点的匹配，在最坏的情况下需要做33个点的匹配，由于运动矢量中心偏置在现实视频序列中是普遍存在的，在通常情况下，NTSS 算法需要做33点匹配的概率比较小，因此，在低速率视频应用中，如视频电话或视频会议中，NTSS 算法的优点可以得到较好的发挥。
3、四步法：四步法Four Step Search 4SS 由Po Lai-man Ma Wing-chung 等人提出。
FSS 也是基于视频序列图像的运动矢量的中心偏置特征，以原点为中心，在5*5大小的正方形中构造9个检测点的搜索模型。
每一步将搜索模型的中心移向MBD 点处，且后两步搜索模式取决于MBD 点的位置。
与NTSS 一样，当运动较小时，FSS 也会很快结束搜索过程，只需要2到3步即可。
新三步搜索法考虑了块矢量中心偏置的特性，在初步搜索时对中心周围的位置同时做了匹配运算。
在物体做小范围运动时，这种改进很见效，可以大大减少运算量。
然而，在物体做大范围运动时，这种改进却带来了额外的运算量，因为新三步算法最多需要做33次运算，而三步算法最多只需要做25次运算。
四步搜索法考虑到了块的中心匹配的特性，同时兼顾了物体的大范围运动。
这种改进在物体既有小范围运动又有大范围运动时可以得到较好的性能。
实验的结果表明4SS 算法比TSS 算法有更好的性能，与NTSS 算法有相似的性能。
但在物体大范图运动时，4SS 算法有更强的鲁棒性。
4、菱形搜索法：菱形搜索(DS)算法于2000年被提出，经过多次改进，已成为目前快速块匹配运动估计算法中性能最好的算法之一。
搜索模板的形状和大小不但影响整个算法的运行速度，而且也影响它的性能。
块匹配的误差实际上是在搜索范围内建立了误差表面函数，全局最小点即对应着最佳运动矢量。
由于这个误差表面通常并不是单调的，所以搜索窗口太小，就容易陷入局部最优，例如BBGDS 算法，其搜索窗口仅为3×3 ；而搜索窗口太大，又容易产生错误的搜索路径，像TSS算法的第一步。
另外，统计数据表明，视频图像进行运动估计时，最优点通常在零矢量周围。
当物体相对静止，运动矢量较小时，DS算法进行的运算要明显少于上述其他算法，我们以4SS算法为例，假设当运动矢量范围为l时，4SS算法需要搜索17各位置，而DS算法最少需要搜索13个位置，最多只需要搜索16个位置。
矢量范围加大时，DS算法需要进行搜索的位置数明显要少于4SS算法。
实验的结果表明DS算法在性能相当情况下比4SS算法的速度快31%。
5、基于块的梯度下降搜索算法：基于块的梯度下降搜索法(BBGDS)是1996年由Lurng-Kuo Li 和Ephraim Feig提出的。
该算法采用了一个非常偏向于中心位置的搜索模式—步长为1的9点搜索，如图2-7 所示。
它不限制搜索的步数，当某一步的最小BDM点位于中心位置或该步已到达搜索窗口的边缘时，则停止搜索。
与FSS 的某些搜索步骤一样，BBGDS的每个后续搜索步骤都是增加3个或5个搜索点。
这个算法非常适合于小运动量的场合。
在每一步搜索过程中，BBGDS 算法使用了中心匹配块而不是匹配块，降低了陷入局部最优的可能性。
利用梯度下降的方向来指导搜索方向，对该方向进行重点搜索，从而减少和避免了不必要的搜索，大大降低了算法的复杂度。
基于块的梯度下降搜索算法四、实验步骤具体实验步骤如下：读入视频两帧图像，分别采用上述各种运动估计方法计算运动矢量补偿出预测图像，分析比较各种算法性能。
五、实验结果分析我们取视频的第1和第3帧进行各种运动补偿。
实验参数如下：块大小16x16；搜索范围dmax=7；搜索精度：1像素；视频大小720*400。
运动估计结果：参考帧 当前帧预测图像 补偿误差Matlab 运行时间是：3.963858。
重构图像PSNR 值：38.0220（二）、三步法运动估计 运动估计结果：预测图像 补偿误差Matlab 运行时间是：0.909280。
重构图像PSNR 值：35.4990。