一种图像光流计算系统、方法及应用技术方案

本申请属于人工智能技术领域，特别是涉及一种图像光流计算系统、方法及应用。已有的基于深度学习的光流估计假设场景是静态的，无法处理动态目标的问题。本申请提供了一种图像光流计算系统，包括第一深度卷积神经网络单元、第二深度卷积神经网络单元和第三深度卷积神经网络单元；所述第一深度卷积神经网络单元，用于计算场景景深信息，得到场景对应的深度图像；所述第二深度卷积神经网络单元，用于计算相机空间位姿变换矩阵，得到相机位姿；所述第三深度卷积神经网络单元，用于计算动态目标对应的光流，将静态场景和动态目标区分处理。提高了光流估计方法的计算精度。高了光流估计方法的计算精度。高了光流估计方法的计算精度。

【技术实现步骤摘要】
一种图像光流计算系统、方法及应用


[0001]本申请属于人工智能
，特别是涉及一种图像光流计算系统、方法及应用。

技术介绍

[0002]无人驾驶汽车面对的场景由静态场景和动态目标组成，通过景深信息和相机位姿可以计算静态场景信息，但是无法表征图像中动态目标相对于相机的运动情况。光流通过提取像素级匹配表征动态物体的运动情况，描述了三维场景在二维成像平面上对应像素的瞬时运动速度，在动态目标检测、辅助驾驶等领域具有重要的应用价值。
[0003]经典光流估计模型及其改进算法(Horn B,Schunck B.G.Determining optical flow)经过了多年的发展，但依然面临诸多问题：(1)真实场景下，“光照不变性”和“光流平滑性”等条件无法满足，算法的改进可以减轻不利影响，但无法消除；(2)自然场景中，目标物体快速运动产生的大位移问题依然无法解决；(3)针对遮挡导致的阴影等尚无较好的解决方案。基于深度学习的光流估计算法通过CNN建立输入图像到光流图像的端到端模型，是一种数据驱动模型。该方法对应用场景没有进行前提假设，不受“亮本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像光流计算系统，其特征在于：包括第一深度卷积神经网络单元、第二深度卷积神经网络单元和第三深度卷积神经网络单元；所述第一深度卷积神经网络单元，用于计算场景景深信息，得到场景对应的深度图像；所述第二深度卷积神经网络单元，用于计算相机空间位姿变换矩阵，得到相机位姿；所述第三深度卷积神经网络单元，用于计算动态目标对应的光流，将静态场景和动态目标区分处理。2.如权利要求1所述的图像光流计算系统，其特征在于：所述第一深度卷积神经网络单元包括第一损失函数项；所述第二深度卷积神经网络单元包括第二损失函数项；所述第三深度卷积神经网络单元包括第三损失函数项。3.如权利要求1或者2所述的图像光流计算系统，其特征在于：所述第三深度卷积神经网络单元为“编码
‑
解码”结构。4.如权利要求3所述的图像光流计算方法，其特征在于：所述第三深度卷积神经网络单元包括卷积层、池化层和激活层。5.一种图像光流计算方法，其特征在于：所述方法包括如下步骤：步骤1：构造所述第一深度卷积神经网络单元、所述第二深度卷积神经网络单元和所述第三深度卷积神经网络单元；步骤2：将图像序列输入所述第一深度卷积神经网络单元得到输出视差图像，将所述图像系列输入所述第二深度卷积神经网络单元得到相机空间位姿变换矩阵；步骤3：根据所述视差图像和所述相机空间位姿变换矩阵获取静态场景对应的光流图像；步骤4：以原始输入图像、所述视差图像和所述...

【专利技术属性】
技术研发人员：尚鹏，杨德龙，侯增涛，王博，付威廉，
申请(专利权)人：中国科学院深圳先进技术研究院，
类型：发明
国别省市：