改进的CLG变分光流场估计方法

光流运动估计是计算机视觉领域的一个重要的研究领域,为了抑制噪声对光流场估计的影响,并实现大位移光流场求解,建立了基于全局与局部相结合的CLG-TV变分光流估计模型,并提出求解方法。将LK局部光流算法融合到TV-L1模型中,并利用各项异性扩散和双边滤波技术,扩展后模型在保持TV-L1模型优势的基础上,具有更加鲁棒的抗噪性能,且能有效解决大位移问题;在求解过程中,利用结构纹理分解方法和由粗到精金字塔方法,提高光流计算的精度。实验结果表明:本算法误差AAE和AEPE均有所减小,该算法在精度提高的同时加快了收敛速度;进一步,通过对实际大位移图像序列求解,验证了算法能有效区分动态目标和静态背景的能力,并且能较好反映物体的运动信息。本文提出的CLG-TV模型能够提高光流估计精度,并能有效解决光流计算的大位移问题。

基于多尺度CLG光流法的多目标检测方法

多目标检测是计算机视觉中一个重要的研究方向,如何才能准确地检测目标在军事、生活、工业等方面都有着极为重要的研究意义。针对传统光流法在目标检测中对噪声鲁棒性较差的问题,为了提高算法对噪声的鲁棒性,本文将CLG光流法与多尺度的思想相结合。多尺度的主要思想是建立一个图像金字塔,由粗到精地计算光流向量,并在此基础上将L2范数的平方改为L1范数。实验结果表明,改进后的多尺度CLG光流算法相对于原始CLG光流算法有更好的整体效果,说明多尺度CLG光流算法对噪声具有更好的鲁棒性,可以较好地对图像进行光流估计。