CN106934820A - 基于引导滤波的图像序列金字塔分层光流计算方法 - Google Patents
基于引导滤波的图像序列金字塔分层光流计算方法 Download PDFInfo
- Publication number
- CN106934820A CN106934820A CN201710160449.8A CN201710160449A CN106934820A CN 106934820 A CN106934820 A CN 106934820A CN 201710160449 A CN201710160449 A CN 201710160449A CN 106934820 A CN106934820 A CN 106934820A
- Authority
- CN
- China
- Prior art keywords
- prime
- optical flow
- light stream
- flow computation
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于引导滤波的图像序列金字塔分层光流计算方法,选择输入图像序列中的任意连续两帧图像;对选择的该两帧图像进行金字塔下采样分层;从图像金字塔第k层图像开始计算图像序列光流,计算所得的第k层图像光流增量。本发明方法采用引导滤波对图像序列金字塔分层光流计算边缘起到增强作用,克服了图像序列光流计算结果中图像和运动边缘过于平滑的问题,对于复杂场景和复杂边缘图像序列具有更高的计算精度和更好的适用性。
Description
技术领域
本发明涉及图像序列光流计算技术,特别涉及到一种基于引导滤波的图像序列金字塔分层光流计算方法。
背景技术
21世纪以来,随着计算机软、硬件水平的不断提升,图像序列光流计算及其相关技术研究逐渐成为计算机视觉与模式识别等研究领域的热点问题。其研究成果广泛应用于航空航天、军事、社会生产、生活、文物保护与复原、医学影像处理与分析等领域,例如应用于工业机器人的视觉系统、无人驾驶车辆行进过程中的前景及障碍物检测、智能交通检测与控制、无人机导航与起降系统、卫星云图分析与三维显示、医学图像中器官的重建与分析、诊断等等。
目前,基于中值滤波的图像序列金字塔分层估计模型是图像序列光流计算技术中最常采用的一类方法,该类方法能够有效抑制光流计算结果中的噪声和溢出点,并且对大位移和光照变化等困难场景具有较高的光流计算精度。但由于中值滤波的本质是平滑滤波,因此其滤波结果常常使得图像序列光流计算结果中图像和运动的边缘过于平滑,导致场景或物体的轮廓十分模糊,致使无法准确的分割图像序列中的目标物体与场景。
发明内容
本发明的目的是提供一种基于引导滤波的图像序列金字塔分层光流计算方法,利用引导滤波对图像序列金字塔分层光流计算模型进行线性化滤波,以解决图像序列金字塔分层模型光流计算结果中图像和运动边缘模糊的问题。
为了解决上述技术问题,本发明采取以下技术方案。基于引导滤波的图像序列金字塔分层光流计算方法,其步骤如下:
1)选择输入图像序列中的任意连续两帧图像;
2)对选择的该两帧图像进行金字塔下采样分层;
3)从图像金字塔第k层图像开始计算图像序列光流,光流计算模型如下:
式中:uk、vk分别表示第k层图像光流计算的初始值沿x、y轴的分量;duk、dvk分别表示第k层图像光流计算的光流增量沿x、y轴的分量;ψ′k表示非平方惩罚函数在第k层图像的偏导,ε表示函数的自变量;Ix k、Iy k、It k分别表示第k层图像像素点亮度I沿x、y轴和时间t方向的偏导;div表示光流散度;
4)根据式(1)计算所得的第k层图像光流增量duk、dvk和第k层图像光流计算初始值uk、vk计算出第k层图像光流计算的输出值uk+1、vk+1,计算公式如下:
5)式(2)中计算出的第k层图像光流需采用迭代计算,因此会导致光流计算结果在边缘区域产生平滑现象;假设第k层光流在以像素点(i,j)T为中心,大小为h*h的邻域窗口wk中是连续的,则该邻域窗口wk内任意像素点(i',j')T处的光流(ui',j',vi',j')T与邻域中心点(i,j)T处的光流(ui,j,vi,j)T满足如下关系:
6)根据式(3)求取线性化系数ak1、bk1、ak2、bk2,然后采用式(4)对邻域滤波窗口wk内所有像素点的光流进行加权平均:
式中:N表示邻域滤波窗口wk内像素点的数量,表示邻域滤波窗口wk内像素点(i',j')T的原始光流,表示像素点(i',j')T经过引导滤波后的光流,Wi',j'表示像素点(i',j')T引导滤波的权重;
7)将经过引导滤波后的光流作为图像序列金字塔第k+1层光流计算的初始值,重复步骤3)至步骤6),直到当前金字塔层数等于图像金字塔分层层数时,停止循环,输出最终的光流。
进一步,所述采样系数为β,0<β<1。
进一步,所述步骤3)中第k层的层数1≤k。
本发明方法采用引导滤波对图像序列金字塔分层光流计算边缘起到增强作用,克服了图像序列光流计算结果中图像和运动边缘过于平滑的问题,对于复杂场景和复杂边缘图像序列具有更高的计算精度和更好的适用性。
附图说明
图1a和图1b是Grove2图像序列连续两帧图像(其中:图1a是第一帧图像,图1b是第二帧图像);
图2是本发明中图像序列金字塔分层与引导滤波优化模型图;
图3是本发明中引导滤波的线性化模型图;
图4是本发明计算所得的Grove2图像序列光流图。
具体实施方式
以下结合附图和实施例对本发明作进一步说明。参见图1a至图4,基于引导滤波的图像序列金字塔分层光流计算方法,使用Grove2图像序列光流计算实验进行说明:
1)输入图1a和图1b是Grove2图像序列连续两帧图像;其中:图1a是第一帧图像,图1b是第二帧图像;
2)如图2所示,对输入的Grove2图像序列进行金字塔下采样分层,采样系数为0.5,分层数为4层;
3)从图像金字塔第k层(k=1)图像开始计算图像序列光流,光流计算模型如下:
式(1)中,uk、vk分别表示第k层图像光流计算的初始值沿x、y轴的分量;duk、dvk分别表示第k层图像光流计算的光流增量沿x、y轴的分量;ψ′k表示非平方惩罚函数在第k层图像的偏导,ε表示函数的自变量;Ix k、Iy k、It k分别表示第k层图像像素点亮度I沿x、y轴和时间t方向的偏导;div表示光流散度;
4)根据式(1)计算所得的第k层图像光流增量duk、dvk和第k层图像光流计算初始值uk、vk计算出第k层图像光流计算的输出值uk+1、vk+1,计算公式如下:
5)式(2)中计算出的第k层图像光流需采用迭代计算,因此会导致光流计算结果在边缘区域产生平滑现象;如图3所示,假设第k层光流在以像素点(i,j)T为中心,大小为h*h的邻域窗口wk中是连续的,则该邻域窗口wk内任意像素点(i',j')T处的光流(ui',j',vi',j')T与邻域中心点(i,j)T处的光流(ui,j,vi,j)T满足如下关系:
6)根据式(3)求取线性化系数ak1、bk1、ak2、bk2,然后采用式(4)对邻域滤波窗口wk内所有像素点的光流进行加权平均:
式(4)中,N表示邻域滤波窗口wk内像素点的数量,表示邻域滤波窗口wk内像素点(i',j')T的原始光流,表示像素点(i',j')T经过引导滤波后的光流,Wi',j'表示像素点(i',j')T引导滤波的权重;
7)将经过引导滤波后的光流作为图像序列金字塔第k+1层光流计算的初始值重复步骤3)~6),当金字塔层数k=4时,停止循环,输出最终的光流计算结果如图4所示。
根据图4中光流计算结果可以看出,本发明方法克服了图像序列光流计算结果中图像和运动边缘过于平滑的问题,对于复杂场景和复杂边缘图像序列具有更高的计算精度和更好的适用性,在安全监控、交通检测以及目标分割与跟踪等领域具有广泛的应用前景。
Claims (3)
1.基于引导滤波的图像序列金字塔分层光流计算方法,其特征在于,其步骤如下:
1)选择输入图像序列中的任意连续两帧图像;
2)对选择的该两帧图像进行金字塔下采样分层;
3)从图像金字塔第k层图像开始计算图像序列光流,光流计算模型如下:
式中:uk、vk分别表示第k层图像光流计算的初始值沿x、y轴的分量;duk、dvk分别表示第k层图像光流计算的光流增量沿x、y轴的分量;ψ′k表示非平方惩罚函数在第k层图像的偏导,ε表示函数的自变量;Ix k、Iy k、It k分别表示第k层图像像素点亮度I沿x、y轴和时间t方向的偏导;div表示光流散度;
4)根据式(1)计算所得的第k层图像光流增量duk、dvk和第k层图像光流计算初始值uk、vk计算出第k层图像光流计算的输出值uk+1、vk+1,计算公式如下:
5)式(2)中计算出的第k层图像光流需采用迭代计算,因此会导致光流计算结果在边缘区域产生平滑现象;假设第k层光流在以像素点(i,j)T为中心,大小为h*h的邻域窗口wk中是连续的,则该邻域窗口wk内任意像素点(i',j')T处的光流(ui',j',vi',j')T与邻域中心点(i,j)T处的光流(ui,j,vi,j)T满足如下关系:
6)根据式(3)求取线性化系数ak1、bk1、ak2、bk2,然后采用式(4)对邻域滤波窗口wk内所有像素点的光流进行加权平均:
式中:N表示邻域滤波窗口wk内像素点的数量,表示邻域滤波窗口wk内像素点(i',j')T的原始光流,表示像素点(i',j')T经过引导滤波后的光流,Wi',j'表示像素点(i',j')T引导滤波的权重;
7)将经过引导滤波后的光流作为图像序列金字塔第k+1层光流计算的初始值,重复步骤3)至步骤6),直到当前金字塔层数等于图像金字塔分层层数时,停止循环,输出最终的光流。
2.根据权利要求1所述的基于引导滤波的图像序列金字塔分层光流计算方法,其特征在于,所述采样系数为β,0<β<1。
3.根据权利要求1所述的基于引导滤波的图像序列金字塔分层光流计算方法,其特征在于,所述步骤3)中第k层的层数1≤k。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710160449.8A CN106934820B (zh) | 2017-03-17 | 2017-03-17 | 基于引导滤波的图像序列金字塔分层光流计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710160449.8A CN106934820B (zh) | 2017-03-17 | 2017-03-17 | 基于引导滤波的图像序列金字塔分层光流计算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106934820A true CN106934820A (zh) | 2017-07-07 |
CN106934820B CN106934820B (zh) | 2019-07-12 |
Family
ID=59433717
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710160449.8A Active CN106934820B (zh) | 2017-03-17 | 2017-03-17 | 基于引导滤波的图像序列金字塔分层光流计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106934820B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107454284A (zh) * | 2017-09-13 | 2017-12-08 | 厦门美图之家科技有限公司 | 一种视频去噪方法及计算设备 |
CN108280831A (zh) * | 2018-02-02 | 2018-07-13 | 南昌航空大学 | 一种图像序列光流的获取方法及系统 |
CN108492308A (zh) * | 2018-04-18 | 2018-09-04 | 南昌航空大学 | 一种基于相互结构引导滤波的变分光流的确定方法及系统 |
CN108776971A (zh) * | 2018-06-04 | 2018-11-09 | 南昌航空大学 | 一种基于分层最近邻域的变分光流确定方法及系统 |
CN108881899A (zh) * | 2018-07-09 | 2018-11-23 | 深圳地平线机器人科技有限公司 | 基于光流场金字塔的图像预测方法和装置及电子设备 |
CN108986150A (zh) * | 2018-07-17 | 2018-12-11 | 南昌航空大学 | 一种基于非刚性稠密匹配的图像光流估计方法及系统 |
CN111340844A (zh) * | 2020-02-24 | 2020-06-26 | 南昌航空大学 | 基于自注意力机制的多尺度特征光流学习计算方法 |
CN111402292A (zh) * | 2020-03-10 | 2020-07-10 | 南昌航空大学 | 基于特征变形误差遮挡检测的图像序列光流计算方法 |
CN112001850A (zh) * | 2019-05-27 | 2020-11-27 | 南京邮电大学 | 一种基于图像金字塔结构的光缆检测图像增强方法 |
CN112842257A (zh) * | 2019-11-12 | 2021-05-28 | 磅客策(上海)机器人有限公司 | 一种血管定位方法及装置 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8368766B2 (en) * | 2009-07-17 | 2013-02-05 | Tsinghua University | Video stabilizing method and system using dual-camera system |
-
2017
- 2017-03-17 CN CN201710160449.8A patent/CN106934820B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8368766B2 (en) * | 2009-07-17 | 2013-02-05 | Tsinghua University | Video stabilizing method and system using dual-camera system |
Non-Patent Citations (3)
Title |
---|
ZHEN CHEN: "An Improved Evaluation Method for Optical Flow of Angle Error", 《ADVANCES IN COMPUTER SCIENCE RESEARCH》 * |
张聪炫等: "图像序列变分光流计算基数研究进展", 《点则测量与仪器学报》 * |
张聪炫等: "金字塔光流三维运动估计与深度重建直接方法", 《仪器仪表学报》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107454284A (zh) * | 2017-09-13 | 2017-12-08 | 厦门美图之家科技有限公司 | 一种视频去噪方法及计算设备 |
CN107454284B (zh) * | 2017-09-13 | 2020-05-15 | 厦门美图之家科技有限公司 | 一种视频去噪方法及计算设备 |
CN108280831B (zh) * | 2018-02-02 | 2020-04-21 | 南昌航空大学 | 一种图像序列光流的获取方法及系统 |
CN108280831A (zh) * | 2018-02-02 | 2018-07-13 | 南昌航空大学 | 一种图像序列光流的获取方法及系统 |
CN108492308B (zh) * | 2018-04-18 | 2020-09-08 | 南昌航空大学 | 一种基于相互结构引导滤波的变分光流的确定方法及系统 |
CN108492308A (zh) * | 2018-04-18 | 2018-09-04 | 南昌航空大学 | 一种基于相互结构引导滤波的变分光流的确定方法及系统 |
CN108776971A (zh) * | 2018-06-04 | 2018-11-09 | 南昌航空大学 | 一种基于分层最近邻域的变分光流确定方法及系统 |
CN108776971B (zh) * | 2018-06-04 | 2021-08-10 | 南昌航空大学 | 一种基于分层最近邻域的变分光流确定方法及系统 |
CN108881899B (zh) * | 2018-07-09 | 2020-03-10 | 深圳地平线机器人科技有限公司 | 基于光流场金字塔的图像预测方法和装置及电子设备 |
CN108881899A (zh) * | 2018-07-09 | 2018-11-23 | 深圳地平线机器人科技有限公司 | 基于光流场金字塔的图像预测方法和装置及电子设备 |
CN108986150A (zh) * | 2018-07-17 | 2018-12-11 | 南昌航空大学 | 一种基于非刚性稠密匹配的图像光流估计方法及系统 |
CN108986150B (zh) * | 2018-07-17 | 2020-05-22 | 南昌航空大学 | 一种基于非刚性稠密匹配的图像光流估计方法及系统 |
CN112001850B (zh) * | 2019-05-27 | 2022-08-16 | 南京邮电大学 | 一种基于图像金字塔结构的光缆检测图像增强方法 |
CN112001850A (zh) * | 2019-05-27 | 2020-11-27 | 南京邮电大学 | 一种基于图像金字塔结构的光缆检测图像增强方法 |
CN112842257A (zh) * | 2019-11-12 | 2021-05-28 | 磅客策(上海)机器人有限公司 | 一种血管定位方法及装置 |
CN111340844A (zh) * | 2020-02-24 | 2020-06-26 | 南昌航空大学 | 基于自注意力机制的多尺度特征光流学习计算方法 |
CN111402292A (zh) * | 2020-03-10 | 2020-07-10 | 南昌航空大学 | 基于特征变形误差遮挡检测的图像序列光流计算方法 |
CN111402292B (zh) * | 2020-03-10 | 2023-04-07 | 南昌航空大学 | 基于特征变形误差遮挡检测的图像序列光流计算方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106934820B (zh) | 2019-07-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106934820A (zh) | 基于引导滤波的图像序列金字塔分层光流计算方法 | |
CN107748895B (zh) | 基于dct-cnn模型的无人机着陆地貌图像分类方法 | |
CN107330357A (zh) | 基于深度神经网络的视觉slam闭环检测方法 | |
CN111462191B (zh) | 一种基于深度学习的非局部滤波器无监督光流估计方法 | |
CN108280831A (zh) | 一种图像序列光流的获取方法及系统 | |
CN109389057B (zh) | 一种基于多尺度高级语义融合网络的物体检测方法 | |
CN107122705A (zh) | 基于三维人脸模型的人脸关键点检测方法 | |
CN103106667A (zh) | 一种面向遮挡和场景变换的运动对象追踪方法 | |
CN107369166A (zh) | 一种基于多分辨率神经网络的目标跟踪方法及系统 | |
CN103761747B (zh) | 一种基于加权分布场的目标跟踪方法 | |
CN111612825B (zh) | 基于光流与多尺度上下文的图像序列运动遮挡检测方法 | |
CN111402292B (zh) | 基于特征变形误差遮挡检测的图像序列光流计算方法 | |
CN112507943B (zh) | 基于多任务神经网络的视觉定位导航方法、系统及介质 | |
CN115963856B (zh) | 一种四旋翼无人机快速目标跟踪方法 | |
CN111027586A (zh) | 一种基于新型响应图融合的目标跟踪方法 | |
CN114972748B (zh) | 一种可解释边缘注意力和灰度量化网络的红外语义分割方法 | |
CN110458128A (zh) | 一种姿态特征获取方法、装置、设备及存储介质 | |
CN111581313A (zh) | 一种基于实例分割的语义slam鲁棒性改进方法 | |
CN112465872A (zh) | 一种基于可学习遮挡掩模与二次变形优化的图像序列光流估计方法 | |
CN116051758A (zh) | 一种用于室外机器人的含有高度信息的地貌地图构建方法 | |
CN111950551B (zh) | 一种基于卷积神经网络的目标检测方法 | |
CN115035172A (zh) | 基于置信度分级及级间融合增强的深度估计方法及系统 | |
CN117058474B (zh) | 一种基于多传感器融合的深度估计方法及系统 | |
CN116188550A (zh) | 一种基于几何约束的自监督深度视觉里程计 | |
CN117456330A (zh) | 一种基于MSFAF-Net的低照度目标检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |