圖像序列光流計算理論及優(yōu)化方法

目錄　
前言　
第1章　緒論　1　
1.1　研究背景　1　
1.2　圖像序列光流定義　1　
1.2.1　運動場與光流場對應關(guān)系　1　
1.2.2　光流基本約束方程　3　
1.3　國內(nèi)外研究發(fā)展與現(xiàn)狀　4　
1.3.1　基于變分理論的光流計算方法　4　
1.3.2　基于匹配模型的光流計算方法　7　
1.3.3　基于深度學習的光流計算方法　8　
1.3.4　圖像序列光流計算存在的若干問題　12　
1.4　本書的主要內(nèi)容及章節(jié)安排　13　
第2章　光流計算數(shù)據(jù)庫及評價基準　15　
2.1　引言　15　
2.2　光流計算數(shù)據(jù)庫　15　
2.2.1　Middlebury數(shù)據(jù)集　15　
2.2.2　MPI-Sintel數(shù)據(jù)集　16　
2.2.3　KITTI數(shù)據(jù)集　17　
2.2.4　FlyingChairs數(shù)據(jù)集　17　
2.2.5　FlyingThings3D數(shù)據(jù)集　18　
2.2.6　HD1K數(shù)據(jù)集　18　
2.2.7　FlyingChairsOCC數(shù)據(jù)集　19　
2.3　光流評價標準　19　
2.3.1　Middlebury數(shù)據(jù)集評價標準　19　
2.3.2　MPI-Sintel數(shù)據(jù)集評價標準　20　
2.3.3　KITTI數(shù)據(jù)集評價標準　21　
2.4　本章小結(jié)　22　
第3章　圖像序列變分光流計算理論與方法　23　
3.1　引言　23
3.2　變分光流計算理論　23　
3.2.1　變分原理　23　
3.2.2　梯度下降流　24　
3.2.3　變分光流基本方法　26　
3.3　變分光流能量泛函　27　
3.3.1　數(shù)據(jù)項　27　
3.3.2　平滑項　29　
3.4　基于圖像局部結(jié)構(gòu)張量的變分光流算法　34　
3.4.1　基于圖像局部結(jié)構(gòu)張量的變分光流能量函數(shù)　35　
3.4.2　基于圖像局部結(jié)構(gòu)張量的變分光流算法數(shù)值化過程　38　
3.4.3　實驗與分析　40　
3.5　基于遮擋檢測的非局部TV-L1變分光流計算方法　43　
3.5.1　基于Delaunay三角網(wǎng)格的圖像序列運動遮擋檢測　43　
3.5.2　基于遮擋檢測的非局部TV-L1光流計算模型　46　
3.5.3　實驗與分析　51　
3.6　本章小結(jié)　53　
第4章　圖像序列變分光流計算優(yōu)化策略與方法　55　
4.1　引言　55　
4.2　圖像紋理結(jié)構(gòu)分解優(yōu)化策略　55　
4.3　金字塔分層變形計算策略　57　
4.4　非局部加權(quán)中值濾波優(yōu)化　58　
4.5　基于運動優(yōu)化語義分割的變分光流計算方法　60　
4.5.1　基于歸一化互相關(guān)的變分光流計算模型　60　
4.5.2　基于運動優(yōu)化語義分割的光流計算方法　62　
4.5.3　實驗與分析　66　
4.6　基于聯(lián)合濾波的非局部TV-L1變分光流計算方法　74　
4.6.1　圖像相互結(jié)構(gòu)區(qū)域　74　
4.6.2　圖像光流相互結(jié)構(gòu)引導濾波模型　76　
4.6.3　基于聯(lián)合濾波的非局部TV-L1變分光流計算模型　77　
4.6.4　基于非局部聯(lián)合濾波優(yōu)化方案線性化過程　79　
4.6.5　實驗與分析　81　
4.7　本章小結(jié)　89　
第5章　圖像局部匹配光流計算理論與方法　90　
5.1　引言　90　
5.2　圖像局部匹配模型　90
5.2.1　圖像局部特征點匹配模型　90　
5.2.2　圖像局部區(qū)域匹配模型　96　
5.3　基于圖像相似變換的局部匹配光流計算方法　97　
5.3.1　非局部TV-L1光流估計模型　97　
5.3.2　基于非剛性稠密匹配的最近鄰域場　98　
5.3.3　基于非剛性稠密匹配的TV-L1光流估計　101　
5.3.4　實驗與分析　103　
5.4　基于圖像深度匹配的大位移運動光流計算方法　107　
5.4.1　深度匹配　107　
5.4.2　基于稠密插值的大位移運動光流估計　111　
5.4.3　實驗與分析　113　
5.5　本章小結(jié)　118　
第6章　深度學習光流計算理論與方法　119　
6.1　引言　119　
6.2　卷積神經(jīng)網(wǎng)絡模型　119　
6.2.1　輸入層　119　
6.2.2　卷積層　120　
6.2.3　池化層　121　
6.3　卷積神經(jīng)網(wǎng)絡光流計算模型　122　
6.3.1　FlowNet光流計算網(wǎng)絡模型　122　
6.3.2　FlowNet2.0光流計算網(wǎng)絡模型　124　
6.3.3　PWC-Net光流計算網(wǎng)絡模型　125　
6.4　卷積神經(jīng)網(wǎng)絡光流計算訓練方法　127　
6.5　本章小結(jié)　128　
第7章　深度學習光流優(yōu)化策略與方法　129　
7.1　引言　129　
7.2　光流估計網(wǎng)絡優(yōu)化策略　129　
7.2.1　特征金字塔　129　
7.2.2　匹配代價層　129　
7.2.3　變形技術(shù)　130　
7.2.4　后置處理　131　
7.2.5　子網(wǎng)絡融合　131　
7.3　光流估計訓練優(yōu)化策略　132　
7.3.1　有監(jiān)督學習模型訓練策略　132　
7.3.2　無監(jiān)督學習模型訓練策略　133
7.3.3　半監(jiān)督學習模型訓練策略　134　
7.4　基于遮擋檢測的多尺度自注意力光流估計方法　134　
7.4.1　基于變形誤差的遮擋檢測模塊　135　
7.4.2　基于自注意力機制的多尺度學習模塊　137　
7.4.3　混合訓練函數(shù)　140　
7.4.4　實驗與分析　141　
7.5　基于多尺度上下文網(wǎng)絡模型的光流估計方法　153　
7.5.1　基于多尺度上下文網(wǎng)絡的運動遮擋檢測模型　154　
7.5.2　基于多尺度上下文網(wǎng)絡的遮擋–光流聯(lián)合計算模型　157　
7.5.3　訓練損失函數(shù)　158　
7.5.4　實驗與分析　160　
7.6　本章小結(jié)　168　
第8章　總結(jié)與展望　169　
8.1　現(xiàn)有光流計算方法總結(jié)　169　
8.2　光流計算技術(shù)發(fā)展展望　170　
參考文獻　173