提出了一种提高实际复杂场景中光流估计的鲁棒性和准确性的方法。 该方法克服了使用亮度恒定性和梯度恒定性的组合引起的照明变化引起的限制。 此外，该方法通过同时应用双边滤波器和惩罚函数，提高了光流估计的可靠性。 此外，它采用对偶算法和从粗到精方案提高了估计光流的计算能力和适用性。 我们使用来自Middlebury光流数据库的场景和真实的复杂场景来验证所提出的方法。 结果表明，所提出的方法对光照变化具有鲁棒性，并提高了光流估计的准确性和提取目标边缘的能力。
2023-05-07 20:34:30
1.39MB
1
基于变分理论的高精度光流估计 翻译
High Accuracy Optical Flow Estimation Based on a Theory for Warping
我们研究了计算光流方面能量泛函结合三种假设：亮度不变假设，梯度不变假设和不连续保护的时空平滑约束。为了适用大位移，两个数据项的线性化要严格避免。我们提出了一种基于两种嵌套的定点迭代的一致性数值化方案。事实证明这种方案应用于由粗到精的变分策略，我们给出了变分理论依据，到目前为止，用于主要的实验基础。我们的估计表明这种新颖的方法显著地缩小了角误差相比以前的技术。我们得出：此方法对参数变化十分敏感，我们也证实在噪声下具有很好的鲁棒性。
2021-11-25 14:57:25
1.12MB
1
FlowNet2（TensorFlow）
此仓库包含用于TensorFlow的FlowNet2 [1]。 它包括FlowNetC，S，CS，CSS，CSS-ft-sd，SD和2。
安装
pip install enum
pip install pypng
pip install matplotlib
pip install image
pip install scipy
pip install numpy
pip install tensorflow
Linux： sudo apt-get install python-tk
您必须安装CUDA： make all
下载砝码
要下载所有模型
2021-10-28 20:29:13
16.7MB
1
提出将高斯平滑后的数据项和非局部中值滤波相结合的光流算法，以实现降噪并提高光流估计的稳健性和精度。该方法的数据项使用稳健的L1范数，通过高斯滤波对数据项平滑处理，抑制噪声干扰，并借助原始-对偶算法改善变分光流的求解效率；为进一步提高光流场的估计精度，引入了非局部中值滤波的全局优化策略；为提高算法对较大位移量估计的适应性，运用了由粗到精的金字塔方法。采用Middlebury光流数据库图像和真实场景图像对改进的TV-L1光流估计算法进行了实验验证。结果表明，提出的改进变分光流算法具有较强的稳健性，其光流估计精度优于传统的TV-L1模型算法。
2021-10-28 16:20:46
3.87MB
1
各种光流估计方法（有代码）-最新方法，包括分层约束光流，大位移光流估计，深度匹配，稀疏匹配光流估计方法及相关的代码和文献整理
2019-12-21 21:26:34
197.13MB
1
基于多项式展开的两帧运动估计 翻译
Two-Frame Motion Estimation Based on Polynomial Expansion
2019-12-21 21:22:11
564KB
1
基于Lucas–Kanade算法的光流估计（MATLAB实现），此为本人图像处理与成像制导的作业，完全可以实现，并且附有详细的实验报告。
2019-12-21 18:57:41
316KB
1