光流是三維運動向量在成像平面的投影,是序列圖像上亮度圖案的表觀運動。光流場不僅包含圖像內物體與背景的運動信息,而且含有豐富的三維結構和表面信息。因此,在計算機視覺、模式識別等領域,序列圖像的光流估計是一個重要的研究問題,可廣泛應用于醫(yī)學圖像分析、動作識別、目標檢測與跟蹤、氣象分析、自動駕駛等眾多任務。隨著深度學習的興起,基于深度學習的光流估計無論在精度還是魯棒性方面均有良好的表現(xiàn)。然而當序列圖像存在大位移運動、運動模糊或遮擋以及非剛性運動等復雜情形時,現(xiàn)有的光流估計模型或優(yōu)化算法的結果性能明顯降低。本論文主要研究大位移運動下序列圖像的光流估計,以現(xiàn)有的基于深度學習的光流估計算法為基礎,提出了兩種改進的模型:1)基于FlowNet的光流優(yōu)化模型。針對基于卷積神經網絡的光流估計算法性能較差的問題,借鑒多尺度殘差學習思想提出一個兩級結構的光流優(yōu)化模型。該優(yōu)化模型內第一階段網絡主要學習圖像內運動特征生成光流結果,第二階段的精細化網絡利用殘差信息改善第一階段網絡生成初始的光流。2)基于膨脹卷積深度網絡的光流估計模型。針對光流結果邊緣不平滑和平均端點誤差（AEE）偏大的問題,提出基于膨脹卷積深度網... 

【文章來源】：深圳大學廣東省

【文章頁數(shù)】：58 頁

【學位級別】：碩士

【部分圖文】：

光流場的示意圖

物體運動過程的示意圖

基于邊緣感知距離的匹配算法示意圖


本文編號：3417237