典型光流算法在条纹位移测量中的分辨力和测量范围

发布时间：2021-11-13 22:14

　　分析了Horn-Schunck全局光流算法和Lucas-Kanade局域光流算法在条纹位移测量中的分辨力和测量范围,结果表明:当Horn-Schunck算法的相对误差和Lucas-Kanade算法的相对误差小于2%时,两种算法的相位分辨力都能够达到10^-13π,对应像面上的位移分辨力为1.6×10^-12 pixel,两种算法在理论上与四步相移法的分辨力相当;在有噪声的情况下,两种算法的分辨力都达到了0.01π,对应像面上的位移分辨力为0.16 pixel;在相对误差小于2%、方均根误差小于3%时,Horn-Schunck算法和Lucas-Kanade算法的测量范围分别为0～17π/100和0～52π/100,分别约为0～π/6和0～π/2,并且测量范围受噪声的影响很小。 

【文章来源】：光学学报. 2020,40(03)北大核心EICSCD

【文章页数】：9 页

【部分图文】：

H-S算法的相对误差分布。

图1 H-S算法的相对误差分布。从图1中可以看出,相对误差的趋势总体上是增大的,但H-S算法在相移大于71π/100时,出现了相对误差陡降的情况,当相移大于87π/100时,相对误差达到最小值,此后又陡增。从图2中可以看出,方均根误差的总体趋势是增大的,但H-S算法在相移大于73π/100时,出现了方均根误差陡降的情况,当相移大于87π/100时,方均根误差在达到最小后又陡增。

本文中的数据是在迭代次数为800时计算得到的(当迭代次数大于1000时,所得结果基本上不发生变化)。对比迭代次数为700和800时的计算结果,再结合图3和图4可知,当迭代次数大于700时,误差曲线趋于平稳。因此在H-S算法的整个误差分析中,迭代次数取800是合理的。当相移为17π/100时,相对误差为1.99%,小于2%,位移计算值与理论值的差距非常小,计算结果非常准确,此时方均根误差为1.07%,说明计算得到的位移场的整体波动非常小。由此可知,当相对误差小于2%时,H-S算法的测量范围为0～17π/100。若测量要求相对误差小于5%,则H-S算法的测量范围应为0～π/4,此时方均根误差小于4%,位移场的整体波动也较小。图4 H-S算法在迭代次数为300～1500时的误差分布。

【参考文献】：
期刊论文
[1]监控视频中的车辆异常行为检测[J]. 黄鑫,肖世德,宋波.  计算机系统应用. 2018(02)
[2]结合有序光流图和双流卷积网络的行为识别[J]. 李庆辉,李艾华,王涛,崔智高.  光学学报. 2018(06)
[3]基于全局光流特征的微表情识别[J]. 张轩阁,田彦涛,颜飞,王美茜.  模式识别与人工智能. 2016(08)
[4]光流法及其在气象领域里的应用[J]. 柳士俊,张蕾.  气象科技进展. 2015(04)
[5]全局光流场估计技术及展望[J]. 宋爽,杨健,王涌天.  计算机辅助设计与图形学学报. 2014(05)



本文编号：3493820