噪声环境下光流场快速稳健估计方法研究

针对噪声影响下光流计算稳健性较差及收敛速度慢的问题,提出一种噪声环境下光流场快速稳健估计方法。所提算法基于噪声环境下光流场估计方法,引入惩罚因子以增强光流计算稳健性,并在光流计算迭代公式中加入动量因子缩短光流计算收敛时间以加快光流场计算。而后基于变分方法极小化光流能量函数求解欧拉-拉格朗日方程,最后通过迭代方法求得速度场。仿真结果表明,对视频中连续两帧图片加入不同高斯噪声后,与M算法及ML算法相比,所提算法可显著增强光流场计算稳健性,缩短光流计算收敛时间,加快光流场计算。     

基于本征和非本征正则项的光流估计

针对光流约束的孔径问题,结合本征和非本征两种正则化处理提出一种自适应光流估计方法.详细讨论了光流估计模型、Euler-Lagrange方程和时空导数的计算等问题.实验结果表明了这种方法的有效性,与经典的Hom-Schunck和Nagel-Enkelmann方法相比,能够更好地保持光流场的不连续边缘,同时在图像平滑或少纹理区域自适应地减弱光流约束作用.     

智能交通系统运动车辆的光流法检测

基于视频的车辆检测在智能交通系统中有着重要的实用价值.提出了一种在复杂背景中检测运动车辆的方法,针对传统光流法在阴影、边界和遮挡的地方灰度守恒和光流场平滑性假设不再成立这一问题,引入前向-后向光流方程,计算其Hessian矩阵,并把Hessian矩阵的条件数与Lucas-Kanade光流法中的加权阵相结合,有效地消除了局部邻域中不可靠的约束点,同时进一步提高了光流约束方程解的稳定性.实验结果表明：该方法检测情况稳定,检测准确率高,检测效果好.检测结果可作为智能交通系统中高层交通管理和车辆控制的基础.     

基于MRF的复杂背景下缓动目标分割方法

提出了一种基于MRF的复杂背景下缓目标分割方法.该方法采用基于逆向光流场的背景抑制技术和基于加权直方图的灰度场建模方法.前者对相邻视频图像进行逆向光流变换使得两帧图像中的目标投影对齐,进而对两帧图像进行差分运算并设定阈值分离目标和背景,得到了较为完整的缓动目标初始分割;后者对初始标号场各像素分配信任度,进而统计信任度并建立加权灰度直方图,而后依据加权直方图建立了准确的图像灰度模型.在此基础上,在MAP-MRF框架内对视频图像进行分割.进行仿真实验并采用空间准确度和时间一致性标准评价实验结果,证明算法具有有效性和鲁棒性.     

基于形态学和光流方程的光斑中心计算方法

针对图像序列中微小光斑中心位置的计算,本文提出了一种结合灰度形态学原理和光流估计方程的中心计算方法。在对图像序列逐一进行灰度膨胀后,根据光流方程对连续三帧图像进行位置转换并叠加,完成图像中微小目标的能量增强,从而使传统的重心算法在处理这一类图像时能够达到亚像素精度。经过误差分析和实验证明,这一方法有效的解决了微小目标的中心位置计算问题。     

一种基于小波变换和HSI的改进视频光流场估计算法

为了避免传统基于RGB颜色模型方法在方程组中各等式线性相关和存在孔径的问题,提出一种在HSI颜色模型下结合小波变换的方法计算彩色图像视频序列光流场的计算方法,这里将传统的灰度图像光流估计方法与HSI颜色模型估计方法相结合,并且用小波变换方法对光流矢量场的异常数据点或因为匹配错误而产生的异常块数据进行剔除,从而有效提高光流场估计精度,得到精密的彩色图像光流矢量场特征。     

一种自适应的光流估计方法

本文通过对光流基本约束项和平滑约束项加以改进,提出一种自应用的光流估计算法。这种算不能够较精确进行光流运动估计,减轻Horn方法中全局平滑约束对运动边界的影响,提高估计的峰值信噪比。实验结果表明：这种算法是有效的。     

基于鲁棒特征的光流研究

光流是动态景象分析的重要步骤,光流是指图像亮度模式的视在运动.多数光流算法依赖于亮度恒定原则,然而由于传感器噪声和不一致的亮度条件,常常不满足亮度恒定要求,为此,提出一种基于鲁棒亮度特征的伪Zernike矩的光流算法,鲁棒亮度特征比亮度更能保持恒定,伪Zernike矩反映局部图像亮度分布,作为光流方程的不变特征.实验结果表明算法性能优于其他经典算法.     

基于标号场的光流法二维运动估计

该文提出了一种改进的二维运动估计光流算法。在光流基本约束和全局平滑性约束的基础上,引入二维运动标号场,对Horn-Schunck算法进行了改进,不仅加快了算法的收敛速度,而且提高了运动估计的准确性,减轻了遮挡边界问题的影响。实验结果证明了该算法的有效性。     

基于隔帧差分区域光流法的运动目标检测

结合运动目标检测帧差法运算速度快和光流法动目标检测准确度高的特点,提出了一种基于隔帧差分区域光流计算的运动目标检测方法.该方法通过隔帧帧差方法先提取运动区域,然后只对运动区域进行光流计算,减少了计算区域,提高了速度;在光流场计算时,对梯度较大和较小的点处,分别采用基本等式约束和光滑准则约束的方法,提高了动目标检测的准确性,另外在光流迭代运算中增加惯性项,减少了迭代次数,进一步提高了检测速度.实验结果验证了该方法的有效性.     

基于边缘定向扩散方程的图像复原方法

讨论了光学图像中同时存在噪声与模糊时的复原问题。采用一种能根据边缘方向自适应选取扩散系数的各向异性扩散方程来约束复原后的图像的光滑性质,将其和图像复原模型一起使用,得到了一种图像复原的正则化模型,并利用Eluer方程将该模型转换成一种可以快速求解的各向异性非线性扩散模型。在光滑性约束项的构造上,构造了一种基于边缘定向扩散的各向异性张量型扩散方程,能有效地根据边缘的方向确定是增强边缘还是滤除噪声。相比图像复原的迭代正则化方法,新方法能在复原图像的同时有效地抑制噪声,并有效地减轻边缘处的振铃效应。数值计算结果表明,新方法在整幅图像的复原效果上明显强于迭代正则化方法,尤其在对背景噪声的抑制上效果更明显,峰值信噪比（PSNR）也比迭代正则化方法平均提高了约2dB。     

一种改进的光流场计算方法

本文在基本约束方程和平滑性约束条件下,提出了一种改进的瞬时位置速度估计方法。这种方法不仅能够克服Ｈｏｒｎ方法在计算临近界的非运动点速度“漂移”问题,而且能加快算法的收敛速度,提高预测的准确性。通过对２Ｄ运动图像光流场计算,恢复和峰值信噪比的实验研究表明,这一新方法是有效的。     

基于非线性扩散方程的多幅图像复原方法

讨论了光学图像中同时存在噪声与模糊时的多幅图像问题.利用一种能根据边缘方向自适应选取扩散系数的各向异性扩散方程,对图像进行复原.在权函数取值上,根据影响图像复原的降质矩阵和噪声2个因素,构造了合理的权函数.考虑了成像的归一化方程,以减小不同噪声水平的影响;采用仿真方法对不同降质矩阵在相同干扰下的扰动进行估计,获得了降质矩阵的病态程度对复原效果的影响.与传统方法相比,该方法能够选择性地根据噪声和降质获得权值,正确地衡量不同图像对复原问题的贡献,改进处理结果.数值计算结果表明,新方法能获得较传统方法更好的复原图像,权值的选择与单幅图像复原的结果一致.     

Image restoration under mixed noise using globally convex segmentation

The total variation based regularization method has been proven to be quite efficient for image restoration. However, the noise in the image is assumed to be Gaussian in the overwhelming majority of researches. In this paper, an extended ROF model is presented to restore image with non-Gaussian noise, in which the locations of the blurred pixels with high level noise are detected by a function and two estimated parameters of noise, while the fidelity and smoothness terms can be adaptively adjusted by updating these parameters. In contrast to the previous method, our model can give a much better restoration in some particular cases, such as the blurred image corrupted by impulsive noise and mixed noise. Moreover, the proposed minimization problem is solved by the split Bregman iteration, which makes our algorithm very fast. We provide some experiments and comparisons with other methods to illustrate the high efficiency of our method.     

Probabilistic and sequential computation of optical flow usingtemporal coherence

In the computation of dense optical flow fields, spatial coherence constraints are commonly used to regularize otherwise ill-posed problem formulations, providing spatial integration of data. We present a temporal, multiframe extension of the dense optical flow estimation formulation proposed by Horn and Schunck (1981) in which we use a temporal coherence constraint to yield the optimal fusing of data from multiple frames of measurements. Conceptually, standard Kalman filtering algorithms are applicable to the resulting multiframe optical flow estimation problem, providing a solution that is sequential and recursive in time. Experiments are presented to demonstrate that the resulting multiframe estimates are more robust to noise than those provided by the original, single-frame formulation. In addition, we demonstrate cases where the aperture problem of motion vision cannot be resolved satisfactorily without the temporal integration of data enabled by the proposed formulation. Practically, the large matrix dimensions involved in the problem prohibit exact implementation of the optimal Kalman filter. To overcome this limitation, we present a computationally efficient, yet near-optimal approximation of the exact filtering algorithm. This approximation has a precise interpretation as the sequential estimation of a reduced-order spatial model for the optical flow estimation error process at each time step and arises from an estimation-theoretic treatment of the filtering problem. Experiments also demonstrate the efficacy of this near-optimal filter.