专业免费建站,个人网站建设规划论文,深圳深圳做网站,网络推广培训机构摘要
稀疏光流法是计算机视觉中的一项基本任务。然而#xff0c;它依赖于恒定的假设限制了其在高动态范围#xff08;HDR#xff09;场景中的适用性。在本研究中#xff0c;我们提出了一种新的方法#xff0c;旨在通过学习一个对光照变化具有鲁棒性的特征映射来超越图像的… 摘要
稀疏光流法是计算机视觉中的一项基本任务。然而它依赖于恒定的假设限制了其在高动态范围HDR场景中的适用性。在本研究中我们提出了一种新的方法旨在通过学习一个对光照变化具有鲁棒性的特征映射来超越图像的颜色信息。该特征图随后被构造成一个特征金字塔并集成到稀疏的Lucas-KanadeLK光流中。通过采用这种混合光流方法我们克服了亮度常数假设的限制。具体来说我们利用一个轻量级的网络从图像中提取特征图和关键点。考虑到为浅层网络获得可靠的关键点的挑战我们采用了一个额外的深度网络来支持训练过程。这两种网络都使用无监督的方法进行训练。所提出的轻量级网络在板载CPU上达到了190fps的显著速度。为了验证我们的方法我们在动态照明条件下与传统光流方法的重复性和匹配性能进行了比较。此外我们通过将其集成到VINS-Mono中证明了我们的方法的有效性从而在公共HDR数据集上显著降低了93%的翻译误差。
环境准备
OpenCV (https://docs.opencv.org/3.4/d7/d9f/tutorial_linux_install.html) ncnn (https://github.com/Tencent/ncnn/wiki/how-to-build#build-for-linux)
CMakeLists.txt
set(ncnn_DIR your_path/install/lib/cmake/ncnn CACHE PATH Directory that contains ncnnConfig.cmake)编译
mkdir build cd build
cmake .. make -j4代码运行
./build/demo path_param path_bin path_video或者
./build/demo path_param path_bin path_img_1 path_img_2例如
./build/demo ./model/model.param ./model/model.bin ./assets/nyu_snippet.mp4
