基于膨胀卷积深度网络的光流估计算法

发布时间：2021-10-01 05:21

　　光流是三维运动向量在成像平面的投影,是序列图像上亮度图案的表观运动。光流场不仅包含图像内物体与背景的运动信息,而且含有丰富的三维结构和表面信息。因此,在计算机视觉、模式识别等领域,序列图像的光流估计是一个重要的研究问题,可广泛应用于医学图像分析、动作识别、目标检测与跟踪、气象分析、自动驾驶等众多任务。随着深度学习的兴起,基于深度学习的光流估计无论在精度还是鲁棒性方面均有良好的表现。然而当序列图像存在大位移运动、运动模糊或遮挡以及非刚性运动等复杂情形时,现有的光流估计模型或优化算法的结果性能明显降低。本论文主要研究大位移运动下序列图像的光流估计,以现有的基于深度学习的光流估计算法为基础,提出了两种改进的模型:1)基于FlowNet的光流优化模型。针对基于卷积神经网络的光流估计算法性能较差的问题,借鉴多尺度残差学习思想提出一个两级结构的光流优化模型。该优化模型内第一阶段网络主要学习图像内运动特征生成光流结果,第二阶段的精细化网络利用残差信息改善第一阶段网络生成初始的光流。2)基于膨胀卷积深度网络的光流估计模型。针对光流结果边缘不平滑和平均端点误差（AEE）偏大的问题,提出基于膨胀卷积深度网... 

【文章来源】：深圳大学广东省

【文章页数】：58 页

【学位级别】：硕士

【部分图文】：

光流场的示意图

物体运动过程的示意图

基于边缘感知距离的匹配算法示意图


本文编号：3417237