抗遮档的光流场估计算法研究
| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第14-24页 |
| 1.1 光流场估计的研究背景 | 第14-16页 |
| 1.2 光流场估计的研究意义 | 第16-17页 |
| 1.3 光流场估计的研究现状及挑战 | 第17-20页 |
| 1.4 本文研究内容和主要贡献 | 第20-21页 |
| 1.5 本文结构安排 | 第21-24页 |
| 第二章 光流场估计算法概述 | 第24-44页 |
| 2.1 传统光流场估计算法 | 第24-32页 |
| 2.1.1 微分法 | 第24-29页 |
| 2.1.2 匹配法 | 第29-31页 |
| 2.1.3 其他算法 | 第31-32页 |
| 2.2 深度卷积神经网络算法 | 第32-38页 |
| 2.2.1 端到端结构的光流场估计算法 | 第32-35页 |
| 2.2.2 基于匹配网络的光流场估计算法 | 第35-37页 |
| 2.2.3 其他光流场估计算法 | 第37-38页 |
| 2.3 基于遮挡处理的光流场估计算法 | 第38-40页 |
| 2.4 数据集和评价指标 | 第40-43页 |
| 2.4.1 相关数据集 | 第41页 |
| 2.4.2 评价指标 | 第41-42页 |
| 2.4.3 光流显示方案 | 第42-43页 |
| 2.5 本章小结 | 第43-44页 |
| 第三章 中间图像的合成与校正 | 第44-64页 |
| 3.1 中间图像的定义和合成方法 | 第44-53页 |
| 3.1.1 基于金字塔结构的光流场估计算法 | 第44-50页 |
| 3.1.2 中间图像的生成 | 第50-51页 |
| 3.1.3 中间图像的评价标准 | 第51-53页 |
| 3.2 基于场景先验的“鬼影”区域定位算法 | 第53-57页 |
| 3.2.1 算法描述 | 第53-54页 |
| 3.2.2 实验结果 | 第54-57页 |
| 3.3 基于运动关系的“鬼影”区域定位算法 | 第57-61页 |
| 3.3.1 算法描述 | 第57-59页 |
| 3.3.2 实验结果 | 第59-61页 |
| 3.4 图像补偿策略 | 第61-62页 |
| 3.5 本章小结 | 第62-64页 |
| 第四章 考虑遮挡的光流场估计算法 | 第64-94页 |
| 4.1 遮挡处理和“鬼影”区域 | 第64-69页 |
| 4.1.1 遮挡处理 | 第64-68页 |
| 4.1.2 “鬼影”区域的产生 | 第68-69页 |
| 4.2 基于中间图像的光流场估计算法 | 第69-84页 |
| 4.2.1 能量函数的构建 | 第70-71页 |
| 4.2.2 能量函数的求解 | 第71-75页 |
| 4.2.3 其他优化策略 | 第75-80页 |
| 4.2.4 算法小结 | 第80-81页 |
| 4.2.5 实验结果 | 第81-84页 |
| 4.3 基于遮挡推理的光流场估计算法 | 第84-93页 |
| 4.3.1 算法描述 | 第84-90页 |
| 4.3.2 实验结果 | 第90-93页 |
| 4.4 本章小结 | 第93-94页 |
| 第五章 基于深度学习的光流场估计算法 | 第94-106页 |
| 5.1 基本网络模型 | 第94-98页 |
| 5.1.1 网络结构 | 第95-97页 |
| 5.1.2 网络训练 | 第97-98页 |
| 5.2 基于边缘先验的光流场估计算法 | 第98-101页 |
| 5.2.1 算法描述 | 第99-100页 |
| 5.2.2 实验结果 | 第100-101页 |
| 5.3 基于遮挡先验的光流场估计算法 | 第101-105页 |
| 5.3.1 算法描述 | 第102-104页 |
| 5.3.2 实验结果 | 第104-105页 |
| 5.4 本章小结 | 第105-106页 |
| 第六章 总结与展望 | 第106-110页 |
| 6.1 研究工作总结 | 第106-108页 |
| 6.2 不足与展望 | 第108-110页 |
| 参考文献 | 第110-120页 |
| 致谢 | 第120-122页 |
| 在读期间发表的学术论文、参与的科研项目 | 第122页 |
