导读:本文包含了光流估计论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:位移,视觉,可编程,深度,边缘,计算机,无人机。
光流估计论文文献综述
张聪炫,陈震,熊帆,黎明,葛利跃[1]（2019）在《非刚性稠密匹配大位移运动光流估计》一文中研究指出光流场是目标检测,无人机定位等众多计算机视觉任务的重要基础.本文针对非刚性大位移运动等困难运动类型图像序列光流计算的准确性与鲁棒性问题,提出一种基于非刚性稠密匹配的TV-L1(Total Variational with L1 norm,TV-L1)大位移光流计算方法.首先,使用非刚性稠密块匹配计算图像序列初始最近邻域场,其次根据图像相邻块区域的相似性消除初始最近邻域场中的非一致性区域以得到准确的图像最近邻域场.然后,在图像金字塔分层计算框架下,将图像最近邻域场引入基于非局部约束的TV-L1光流估计模型,通过Quadratic Pseudo-Boolean Optimization (QPBO)融合算法在金字塔分层图像光流计算时对TV-L1模型光流估计进行大位移运动补偿.最后,采用标准测试图像序列对本文方法和当前代表性的变分方法LDOF(Large Displacement Optical Flow,LDOF)、Classic+NL、NNF(Nearest Neighbor Fields,NNF)以及深度学习方法FlowNet2.0进行对比分析.实验结果表明,本文方法能有效提高非刚性运动、大位移运动以及运动遮挡等困难运动类型光流估计的精度与鲁棒性.(本文来源于《电子学报》期刊2019年06期）
李双[2]（2019）在《基于全局采样一致的光流估计》一文中研究指出最新的光流方法大都采用先进行稀疏匹配,再插值获得密集光流的策略。尽管RANSAC(随机采样一致算法)方法对于较大比例的错误匹配具有很好的鲁棒性,但到目前为止它仅可用于参数模型估计,并且由于光流空间的高维度其在光流估计中难以被使用。我们基于RANSAC的假设-验证框架,提出了一种稳健的光流估计方法。我们首先将光流估计和错误匹配过滤转化为最大化光流评价函数的优化问题。然而求解该问题是NP-hard的,同时涉及稀疏到稠密的光流插值过程。我们提出了一种高效的优化方法,可以将问题复杂度降低为次线性。首先对输入匹配进行分组和排序,然后采用一种渐进式算法分离正确匹配和错误匹配,最终仅需要几次光流插值就可以获得稳定结果。光流评价函数的计算可以采用任意方法,对函数形式和匹配度量没有约束,因此展示出对于先前基于能量的方法以及分片方法的明显优势。我们将所提出的方法称为FlowSAC,也揭示了与先前RANSAC系列方法的关联。在Sintel和Kitti数据集上的实验表明,FlowSAC稳定地超越以往的错误匹配过滤方法,可以得到更多的正确匹配和更少的错误匹配,并且展示出对错误匹配比例增加的不敏感性。(本文来源于《山东大学》期刊2019-04-20）
孙万祺[3]（2019）在《基于图像序列的光流估计算法优化与实现》一文中研究指出光流是计算机视觉领域中一个重要的研究方向,是一种描述像素随时间在图像之间运动的方法,被广泛应用于运动检测、运动估计和自动驾驶等图像处理领域。传统的光流估计算法通过将图像的特征像素与速度相关联起来,计算前后帧对应特征像素点的运动。传统算法虽然在处理某些场景上有较好结果,但在处理有较大像素运动的场景上存在计算时间和估计准确度方面的瓶颈。随着信息量的日益增加,传统图像处理算法已经不能满足高分辨率、实时等特性的图像视频处理任务。相比于传统图像算法,CNN在计算速度和光流估计准确度方面有很大优势,但对于关键部分像素的光流估计回归值仍有待提高,尤其在图像帧的边缘部分,回归的预测值偏差较大。本文针对增强光流预测的边缘回归值,搭建深度神经网络模型,完成了一系列研究和相关工作,本文主要贡献如下:(1)设计基于深度学习的光流估计算法,使用TensorFlow框架,搭建光流预测FPN(feature pyramid networks特征金字塔网络)网络模型,数据集使用Flying Chairs光流公开数据集训练网络至收敛,得到端到端的光流估计网络模型,图像序列在模型上进行测试,得到光流估计结果偏差不到1%,且处理速度高于30fps,能达到实时效果,作为baseline,为之后边缘增强的光流估计创新实验奠定了基础。(2)针对光流估计结果的边缘轮廓模糊的问题,在搭建的baseline网络模型基础上,提出两种方法来训练边缘增强的光流网络,第一组是在输入模块添加图像的边缘图,另一组是将前景物体轮廓加入输入模块,两组实验采用与baseline网络相同的训练数据集训练网络,对比baseline实验,两组增强实验在误差EPE(End Point Error)指标上,分别降低了 3.71%和7.54%。(本文来源于《北京邮电大学》期刊2019-04-02）
王勃[4]（2019）在《基于光流法运动估计的室内视觉定位方法研究》一文中研究指出随着人们日常生活逐渐智能化,对于处在室内环境下位置服务的需求越来越急切,室内环境却比室外情况更复杂,干扰因素更多,广泛运用的GPS定位技术,其信号会受到建筑物的遮挡而衰减,不适合室内环境,传统的RFID、WiFi、红外等信号的室内定位技术都存在设施成本高等问题,而基于视觉的方法,具有视觉图像信息丰富、获取便捷和应用范围广等特点,因此视觉室内定位成为该领域的一个热门研究领域。本文首先研究了室内定位的研究背景与意义以及国内外现状,并对视觉定位的研究现状进行分析,其次对基于光流运动估计中光流的相关理论知识进行详细研究,在此基础上,完成了以下研究内容:(1)研究一种用于低光照彩色图像增强的改进算法。对于摄像机采集外界图像信息会受到光照变化的问题,提出一种优化图像增强算法,减少光照变化带来的影响。利用PASCALVOC 2007数据集仿真测试,并从主观与客观两个角度与其他算法作对比分析,实验结果显示该算法在恢复色彩的同时能够最大限度保留图像细节。(2)研究一种大位移运动下光流场估计的改进算法。由于摄像机处于快速移动下获取视觉信息,传统的光流算法并不适用,提出来一种对大位移光流估计改进算法,对图像序列采用金字塔多分辨率求解策略,在不同分辨率下利用PatchMatch原理思想,并通过KD树的最近邻查询算法,提高图像块的匹配速率,考虑到多分辨率求解方法的传播误差,最后利用前向后向一致性检查算法滤除奇异值,并采用边缘保持插值(EpicFlow)方法插值,该算法通过在Middlebury,MPI-Sintel,Computer vision group数据库的仿真实验,验证本文算法的有效性。最后在室内定位环境中运用本文算法,进行性能分析测试,实验结果表明本文提出的基于光流运动估计的视觉定位方法的可行性。(本文来源于《重庆理工大学》期刊2019-03-24）
葛利跃,张聪炫,陈震,黎明,陈昊[5]（2019）在《相互结构引导滤波TV-L1变分光流估计》一文中研究指出由于光流场既包含物体的运动信息,又包含场景的叁维结构信息,因此光流计算技术是计算机视觉和机器视觉领域研究的重要任务之一.针对现有光流计算方法在图像边缘保护方面存在过度平滑问题,提出一种基于相互结构引导滤波的TV-L1(Total Variational with L1 norm,TV-L1)变分光流估计方法.通过提取置信度较高的图像相互结构区域,构造基于相互结构引导滤波的全局目标函数,并采用金字塔分层细化与交替迭代方案结合的策略进行优化,该方法可以较好的保护图像边缘信息.最后采用标准测试图像集对本文方法与现有代表性变分方法LDOF(Large Displacement Optical Flow,LDOF),CLG-TV(Combined Local-Global Total Variation,CLG-TV),Classic++,NNF(Nearest Neighbor Fields,NNF)以及深度学习方法FlowNet2.0进行对比,实验结果表明本文方法具有较高的光流估计精度与鲁棒性,尤其对图像边缘保护具有显着的效果,并且在运动目标检测,机器人避障等方面具有一定应用前景.(本文来源于《电子学报》期刊2019年03期）
辛莉莉,张勇德[6]（2019）在《基于光流的组织应变估计算法》一文中研究指出该研究针对光流法的平移假设不能准确地描述组织压缩后的运动形式,提出了一种新的超声弹性成像算法。当探头对组织施压时假设组织的形变为仿射变换,把先验估计与光流法结合,同时估计出位移和应变分布。为了验证该算法的有效性,用仿真的超声射频回波信号比较该文算法和另外一种成像算法的成像质量,结果表明,新提出的算法在8%压缩量时,信噪比、对比度噪声比和算法时长都优于对比算法。结果证明,该文算法可以有效地估计大压缩量情况下的轴向位移和轴向应变。(本文来源于《中国医疗器械杂志》期刊2019年01期）
王向军,张继龙,阴雷[7]（2019）在《光流法运动估计在FPGA上的实现与性能分析》一文中研究指出图像序列的光流估计理论在机器视觉领域已被提出多年,但算法的高计算复杂度限制了其在工业领域的应用。为了满足应用的实时性要求,阐述了一种光流实时估计的实现方法。为了提高算法精度及减少FPGA片内资源消耗,对L&K光流计算方法进行改进。首先,通过设计两层光流计算架构来提高精度。针对在此过程中出现的外部存储器读写速率不够的问题,提出一次读取同时分层缓存、分时计算的方法。考虑到两层光流在计算过程中的迭代关联性,设计了满足要求的外部存储器数据读出顺序表;然后,针对卷积运算资源消耗大的问题,设计了新的卷积权重函数,能够将卷积计算量降低73%,从而节省了大量逻辑资源;最后通过实验验证,所提出的FPGA光流计算方法的精度高于运行在PC平台的L&K方法,卷积计算资源消耗明显降低。设计的系统可以完成1 280×1 024pixel、60frame/s输入视频的计算,满足光流计算的实时性要求。(本文来源于《光学精密工程》期刊2019年01期）
周文俊,郑新波,卿粼波,熊文诗,吴晓红[8]（2018）在《基于光流的快速人体姿态估计》一文中研究指出针对目前深度学习领域人体姿态估计算法计算复杂度高的问题,提出了一种基于光流的快速人体姿态估计算法.在原算法的基础上,首先利用视频帧之间的时间相关性,将原始视频序列分为关键帧和非关键帧分别处理(相邻两关键帧之间的图像和前向关键帧组成一个视频帧组,同一视频帧组内的视频帧相似),仅在关键帧上运用人体姿态估计算法,并通过轻量级光流场将关键帧识别结果传播到其他非关键帧.其次针对视频中运动场的动态特性,提出一种基于局部光流场的自适应关键帧检测算法,以根据视频的局部时域特性确定视频关键帧的位置.在OutdoorPose和HumanEvaI数据集上的实验结果表明,对于存在背景复杂、部件遮挡等问题的视频序列中,所提算法较原算法检测性能略有提升,检测速度平均可提升89.6%.(本文来源于《计算机系统应用》期刊2018年12期）
张子星,文颖[9]（2018）在《基于分层置信度传播的光流估计方法》一文中研究指出置信度传播算法作为一种有效的寻找图像间对应点的方法,近年来被广泛应用于光流估计.但是在估计大位移高精度光流时,将置信度传播直接应用于原图像会导致标签空间过大和处理时间过长的问题.为了克服这个缺点,我们提出了一种基于分层置信度传播的算法来估计高精度大位移光流.本文方法将输入图像视作马尔科夫随机场,为了提高效率,在超像素和像素两个层面上执行置信度传播.我们将超像素层得到的基础位移结果作为粗略的位移参考值,可以有效地减小像素层置信度传播的标签空间,并在有限的标签空间内得到高精度的光流估计结果.MPI Sintel光流数据集上的实验结果显示本文提出的方法在精度和速度上都取得了较好的结果.(本文来源于《计算机系统应用》期刊2018年09期）
张子星[10]（2018）在《基于惯性约束的分层置信度传播光流估计》一文中研究指出光流估计作为计算机视觉方向的一个基础研究领域,在运动物体检测、分割、跟踪、运动场景分类等许多场景都有广泛的应用。经过几十年的发展,学者们已经提出了大量的光流估计算法用来计算光流。但是对目前的方法而言,高精度的大位移光流估计仍然是一个极具挑战性的任务。为了弥补传统变分模型的缺陷,将匹配算法与变分模型相结合以适应大位移场景下的光流估计是目前主要的研究方向。作为一种寻求图像匹配点的方法,循环置信度传播近年来被越来越多地应用到光流估计算法中,然而其在进行大位移光流估计时存在高内存消耗和计算精度低的问题。为了提高光流计算的精度和速度,本文提出了基于惯性约束的分层置信度传播高精度光流估计算法。本文方法首先对图像进行超像素分割,然后在超像素层面和像素层面分别构建马尔可夫随机场(MRF),并将所有可能的位移作为标签。由于超像素块本身面积较大,因此需要增大超像素层节点候选标签的步长,在覆盖较大的位移范围的同时减少了超像素层的标签数量。本文首先在超像素层执行置信度传播得到一个基础位移场,然后以此作为像素层MRF标签选取的参考,有效压缩了像素层MRF的标签空间,提升了像素层循环置信度传播的执行效率。此外,针对传统双图模型在缺乏纹理信息及存在大位移的图像中难以获得可靠结果的问题,本文提出将多帧图像信息及前一帧运动信息作为运动惯性约束融合进光流计算模型中。该约束的加入能有效弥补缺失的信息,提升模型的性能。本文模型在KITTI数据集及MPI Sintel数据集上获得了较有竞争力的实验结果,验证了算法的有效性。(本文来源于《华东师范大学》期刊2018-05-08）
光流估计论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
最新的光流方法大都采用先进行稀疏匹配,再插值获得密集光流的策略。尽管RANSAC(随机采样一致算法)方法对于较大比例的错误匹配具有很好的鲁棒性,但到目前为止它仅可用于参数模型估计,并且由于光流空间的高维度其在光流估计中难以被使用。我们基于RANSAC的假设-验证框架,提出了一种稳健的光流估计方法。我们首先将光流估计和错误匹配过滤转化为最大化光流评价函数的优化问题。然而求解该问题是NP-hard的,同时涉及稀疏到稠密的光流插值过程。我们提出了一种高效的优化方法,可以将问题复杂度降低为次线性。首先对输入匹配进行分组和排序,然后采用一种渐进式算法分离正确匹配和错误匹配,最终仅需要几次光流插值就可以获得稳定结果。光流评价函数的计算可以采用任意方法,对函数形式和匹配度量没有约束,因此展示出对于先前基于能量的方法以及分片方法的明显优势。我们将所提出的方法称为FlowSAC,也揭示了与先前RANSAC系列方法的关联。在Sintel和Kitti数据集上的实验表明,FlowSAC稳定地超越以往的错误匹配过滤方法,可以得到更多的正确匹配和更少的错误匹配,并且展示出对错误匹配比例增加的不敏感性。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
光流估计论文参考文献
[1].张聪炫,陈震,熊帆,黎明,葛利跃.非刚性稠密匹配大位移运动光流估计[J].电子学报.2019
[2].李双.基于全局采样一致的光流估计[D].山东大学.2019
[3].孙万祺.基于图像序列的光流估计算法优化与实现[D].北京邮电大学.2019
[4].王勃.基于光流法运动估计的室内视觉定位方法研究[D].重庆理工大学.2019
[5].葛利跃,张聪炫,陈震,黎明,陈昊.相互结构引导滤波TV-L1变分光流估计[J].电子学报.2019
[6].辛莉莉,张勇德.基于光流的组织应变估计算法[J].中国医疗器械杂志.2019
[7].王向军,张继龙,阴雷.光流法运动估计在FPGA上的实现与性能分析[J].光学精密工程.2019
[8].周文俊,郑新波,卿粼波,熊文诗,吴晓红.基于光流的快速人体姿态估计[J].计算机系统应用.2018
[9].张子星,文颖.基于分层置信度传播的光流估计方法[J].计算机系统应用.2018
[10].张子星.基于惯性约束的分层置信度传播光流估计[D].华东师范大学.2018
论文知识图
