AWR方法是用来处理视频序列的复杂运动，产生变异参考图片，来补偿在最近一次解码参考图片和当前图片进行编码的复杂运动。为了提高编码效率，用这种方法，我们必须寻找最优变异参数来匹配视频序列中的复杂运动，并且用有效的方式对变异参数进行编码。
AWR方法的实现过程：
第一步：计算变异参数
为了检测当前图片中的特征点并在参考图片中跟踪他们，我们用KLT特征跟踪算法，由此会产生很多对特征点，因 为一个视频序列可以由不同种类的运动组成，这些特征点对被分割成几个组，每一个组内的特征点对都可以通过一个参数函数来表示。这里参数函数用单应变换函数。单应变换函数是非线性映射函数，就是点（x，y）映射到点（x’，y’）表示如下：
H是3*3矩阵，它包含单应变换矩阵H的8个参数。
特征点对通过基于增长区域的分割方法进行分组。每一个组的特征点对，用归一化直接线性变换算法计算单应变换函数的8个参数。
参考图片表的顺序
变异参考图片应当被插入到参考图片列表中，用于运动估计和运动补偿的过程中。为了增加变异参考图片的选择比例，我们记录参考图片如下：如果n变异参考图片产生于第i个参考图片，那么n变异参考图片插入到i参考图片的右边。
第二步：计算变异参考图片
用计算的每一个组的变异参数变异参考图片
第三步：把变异参考图片插入到参考图片列表
变异参考图片应当被插入到参考图片列表中，用于运动估计和运动补偿的过程中。为了增加变异参考图片的选择比例，我们记录参考图片如下：如果n变异参考图片产生于第i个参考图片，那么n变异参考图片插入到i参考图片的右边。
第四步：选择最优变异参考图片
评估标准：与第一个参考图片比较，从每一个变异参考图片中获得多少，用这个标准选择最优的变异参考图片。
运动参数的编码
第五步：对运动参数进行编码
当单应变换函数用于参数化运动模型的时候，8个浮点数字将会进行编码。但是变异结果对于8个参数的量化错误很敏感。小的量化误差将会导致变异结果很大的不同，为了减小这种量化误差带来的影响和减少边信息编码的大小，我们将用单应变换函数的另一个表示。我们对当前图片的4个角点应用单应变换函数获得他们的变换坐标。用4个角点代替8个参数获得4个运动向量，对这些向量进行编码。这种表示使得量化误差对变异结果产生的敏感较小，并且比用8个参数的单应变换函数有更小值的变化范围。
作者：绿茶叶
出处：http://www.cnblogs.com/greenteaone/
本文版权归作者和博客园共有，欢迎转载，但未经作者同意必须保留此段声明，且在文章页面明显位置给出原文连接，否则保留追究法律责任的权利。
转载：http://www.cnblogs.com/greenteaone/archive/2010/06/25/1765295.html