【技术实现步骤摘要】
本专利技术属于图像处理，更具体地，涉及一种基于轻量化卷积神经网络的光流实时计算方法和系统。
技术介绍
1、基于视觉的人工系统被广泛应用在机器人定位与建图、3d重建、目标跟踪领域。图像匹配是其中关键且基础的问题，目的是识别两张或多张图片中相同或相似的结构并将它们对应起来。光流估计作为一种重要的图像特征匹配方法，受到学者的广泛关注。光流估计使用的方法成为光流法。
2、光流法包括特征点提取和光流计算部分。特征点提取方法分为手工方法和学习方法，手工方法通过人工设定点的特征完成筛选，计算效率高但难以应用在复杂场景；学习方法通过添加复杂场景的数据集，有效提高特征点的提取效果，但其提取效率限制该方法在实际场景中的应用。两种方法都存在特征点聚集、不易跟踪、无法适应极端光照等问题。传统光流跟踪方法基于小位移和光照一致性假设展开研究，在简单场景中能够取得有效成果，然而真实场景中高动态光照、大位移、遮挡等复杂状态下计算准确性不足。
3、针对上述问题，公开号为cn116597170a的专利“基于机器学习的暗光图像的特征点提取方法”中，相...
【技术保护点】
1.一种基于轻量化卷积神经网络的光流实时计算方法，其特征在于，包括：
2.如权利要求1所述的方法，其特征在于，所述轻量化卷积神经网络通过以下方式预训练：
3.如权利要求2所述的方法，其特征在于，所述根据第一得分图和第二得分图，计算增强前后图像对的重投影误差，具体公式如下：
4.如权利要求2所述的方法，其特征在于，所述根据第一得分图和第二得分图，计算增强前后图像对的线性峰值误差，具体公式如下：
5.如权利要求2所述的方法，其特征在于，所述根据第一多通道描述子图和第二多通道描述子图，计算增强前后图像对的可靠性误差，具体公式如
6...
【技术特征摘要】
1.一种基于轻量化卷积神经网络的光流实时计算方法，其特征在于，包括：
2.如权利要求1所述的方法，其特征在于，所述轻量化卷积神经网络通过以下方式预训练：
3.如权利要求2所述的方法，其特征在于，所述根据第一得分图和第二得分图，计算增强前后图像对的重投影误差，具体公式如下：
4.如权利要求2所述的方法，其特征在于，所述根据第一得分图和第二得分图，计算增强前后图像对的线性峰值误差，具体公式如下：
5.如权利要求2所述的方法，其特征在于，所述根据第一多通道描述子图和第二多通道描述子图，计算增强前后图像对的可靠性误差，具体公式如下：
6.如权利要求1所述的方法，其特征在于，所述共享编码器包括：第一卷积层、第二卷积层和第三卷积层；第一卷积层、第二卷积层的卷积核大...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。