改良版CLG变分光流场估计方法

简介：
本研究提出一种改进的CLG变分光流法，通过优化算法细节和引入新的数据项来提升光流估计精度与效率，在多种视频序列测试中展现了优越性能。 光流运动估计是计算机视觉领域的重要研究方向之一。为了减少噪声对光流场估算的影响，并解决大位移问题，我们建立了一种结合全局与局部特性的CLG-TV变分模型来进行光流估算，并提出了相应的求解方法。 该模型将LK局部光流算法融入到TV-L1模型中，并采用了各向异性扩散和双边滤波技术。这使得改进后的模型不仅保持了原TV-L1的优势，还增强了抗噪性能并有效解决了大位移问题。在计算过程中，我们采用结构纹理分解方法以及由粗至精的金字塔策略来提高光流估算精度。 实验结果显示，该算法降低了平均绝对误差（AAE）和均方根误差（AEPE），同时提高了精确度并且加快了收敛速度。进一步通过实际大位移图像序列测试证明，此模型能够有效区分动态目标与静态背景，并且可以准确地捕捉到物体的运动信息。 综上所述，我们提出的CLG-TV模型在提高光流估算精度的同时也有效地解决了大位移问题。