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。

本程序对各种光流算法进行验证，并比较，内附有详细的代码说明，也是对opencv介绍的4中光流算法的一个很好的运用，运用了HS,LK,PRYLK,BM光流算法用于智能交通车辆检测，进验证，代码的实时性良好。是学习光流算法的很好的资料。

内含图片，可计算图片的光流场，且含有代码注释，详细好用

配准可以分为刚性、非刚性的配准，通常经过刚性配准之后，例如尺度旋转不变性（SIFT）算法、加速鲁棒性算法（SURF）进行配准之后，细微形变仍然没有解决，通过光流场模拟全局形变之后，根据变形场复合得到配准之后的图片，达到要求。

Opencv: Optical flow calculation using Block Matching method

该项目包含用于光流评估目的的工具和数据。 它提供：许多地面真光流序列； 用于从真实序列生成光流数据的工具； 一些光流算法的实现。

PWC-Net（PyTorch v1.0.1） Pytorch实现 。 我们将其作为现成的软件包提供： 安装后，只需将整个文件夹PWC_src复制到您的代码库即可使用。 有关详细信息，请参见demo.py。 环境 此代码已经过Python3.6和PyTorch1.0.1和Tesla K80 GPU的测试。 系统为Ubuntu 14.04，CUDA版本为10.0。 所有必需的python包都可以在requirements.txt找到。 安装 # install custom layers cd PWC_src/correlation_package python setup.py install 注意：根据您使用的GPU，您可能需要在添加gencode 。 您可以和找到有关gencode更多信息。 转换后的Caffe预训练模型 您可以在models文件夹中找到它们。 推论模式 修改输入的

OpenCV是一个基于Apache2.0许可（开源）发行的跨平台计算机视觉和机器学习软件库，网络上一些小伙伴写的一些关于Android版OpenCV的博客，大部分都模糊不清，基本就复制粘贴的，有些甚至没有实践就直接贴上去了，这样不仅误导初学的一些小伙伴，而且被其他小伙伴转载或者复制之后，会造成更大的影响和后果。正所谓”徒错错一个，师错错一窝。为人师者慎下笔“，故此，本专栏亲自研究，实践，将调试过程中所遭所遇进行详细讲解，注意事项进行一一列举，希望能够帮助到各位初学OpenCV的小伙伴，避免走弯路，费时费力。 需opencv官网下载OpenCV-android-sdk将其中的sdk覆盖工程中的sdk，由于sdk文件太大，这里就没有上传，是个空目录。

The conventional optical flow has a fundamental limitation in handling motion details and image registration. In this paper, we propose a Zernike moments descriptor matching based symmetric optical flow estimation for high-quality image registration and motion estimation, which is an integration strategy of descriptor matching of Zernike moments and symmetric optical flow estimation. Zernike moment has less information redundancy and low sensitivity to n

matlab 视差图计算代码光流视差误差计算和可视化 该存储库通过基于真实值评估和可视化流误差和视差误差，为光流算法提供了比较工具。 该代码已在 MATLAB 中实现，它以一种易于使用的方式集成了计算、可视化和编程。 快速开始 为了快速理解基本概念和实现，运行 demo.m，它接受地面实况和估计的流量和视差图作为光流误差和视差误差计算和显示的输入。 光流数据集 请参阅这篇关于“光流算法的评估数据集和基准：综述”的评论论文，以选择优选数据集以用于特定任务和培训的关键实施： 用法 流程演示 flow_read() → 从 PNG 图像加载流场 F flow_visualization → 以 u 和 v 作为函数的输入显示光流的颜色图和可视化（这里 u 和 v 分别指流场的水平和垂直分量）并输出循环编码的 uint8 图像flow_error → 计算流场和地面实况之间的流量误差flow_error_image → 显示流场和地面实况之间的流动误差flow_write → 将流场 F 保存为 png 格式 立体声演示 disp_read() → 从 PNG 图像加载视差图 D stereo