·1242 工程科学学报，第39卷，第8期 (c)为FFVIMT算法对应的实验结果，第三列图(c1) 一列colorbar的范围及图(e)中δAAE的取值结果可 表示角度误差图(AAEFEVINT),第四列图(c2)表示 以很明显得出，本文算法在边缘处的保持效果更好. FFVIMT算法计算得到的光流估计编码图：同样，图 但是，由于本文算法需要对权重进行训练，必然导致较 (d)表示本文算法对应的实验结果，第五列图(d1)表 FFVIMT算法更高的计算复杂度和运算时间. 示角度误差图(AAE本文算法)，第六列图(d2)表示本文 表1为本文算法与FFV1MT生物模型的客观对 算法的光流估计编码图.可以看出，迭代训练结束后 比，由于平均角度误差反映了计算的光流矢量场整体 本文算法有效解决了光照变化、大位移光流和异质点 偏离标准光流矢量场的程度，平均终点误差用以衡量 等影响，较F℉VIMT算法等具有较好的普适性和有效 计算的光流场的矢量长度与标准光流场的矢量长度之 性，尤其是在边缘不连续处（如Grove3?等）、高速遮挡 间的误差.在进行算法比较时，估计的结果越接近真 情况下（如Urban.3等）的估计效果.第七列图(e)中 实光流，也就是平均角度误差和平均终点误差越小的 δAAE表示本文算法与FFVIMT算法的角度误差之间 时候，表示算法的效果越好，而这与图2得出的结论一 的差值图（δAAE=AAEFEVINT-AAE本算法），根据最后 致，进一步说明了本文提出的MAVIMT较FFVIMT算 表1本文算法与FFV1MT生物模型估计结果的客观对比 Table 1 Comparison of error measurements between the model and FFVIMT 算法 评价指标 Grove2 Grove3 Hydrangea RubberWhale Urban2 Urban3 Yosemite AAE±SD 4.28±10.259.72±19.345.96±11.1710.20±17.6714.51±21.0215.11±35.283.41±5.44 FFVIMT AEPE±SD0.29±0.621.13±1.850.62±0.960.34±0.541.46±2.13.1.88±3.270.16±0.18 AAE±SD 3.85±9.619.81±18.485.22±11.108.80±13.7412.06±19.0912.52±31.503.29±5.21 本文算法 AEPE±SD 0.20±0.42 0.96±1.440.49±0.660.32±0.46 1.26±1.301.33±2.050.11±0.15 法效果运动估计结果更准确 础上更符合自然数据特性.但是在锐利边缘和高速遮 实验2为了进一步检验本文算法处理实际问题 挡等情况下仍存在一定不足，这主要是由于生物初级 的性能，对其他测试运动图像序列进行运动估计验证， 视觉在V1区域细胞感受野（滤波器组）对图像序列边 结果如图3所示.图中包含多个图像序列，第一行为 缘的模糊等客观现实决定的.从得到的光流估计的图 光流矢量图，第二行为光流编码图，第三行为原始输入 像中能明显看出，光流编码图的效果较好，而且光流矢 样本图像.从图中可以看出，本文算法较F℉VIMT模 量场的轮廓也较为清晰，不同方向的目标运动估计效 型有了一定的提高，主要是由于MT细胞响应处理权 果明显，进一步证明了本文MAV1MT算法较好的普适 重的学习较固定的高斯余弦函数在拟合生物视觉的基 性、有效性和鲁棒性 矢量 光流 编码 列 Urban Backyard Basketball Evergreen Wooden Mequon 图3 MMVIMT算法在部分测试集序列上的估计结果 Fig.3 Performance of the MAVIMT model on the Middlebury test set 4结论 前沿研究理论，提出了一种有效的、普适的和鲁棒的 MAVIMT运动估计算法，较好的解决了光照影响、大 本文针对人眼视觉运动感知特性，借鉴细胞模型 位移、边缘不连续等问题.引入基于ROF模型的STD工程科学学报,第 39 卷,第 8 期 (c)为 FFV1MT 算法对应的实验结果,第三列图( c1) 表示角 度 误 差 图 ( AAEFFV1MT ), 第 四 列 图 ( c2 ) 表 示 FFV1MT 算法计算得到的光流估计编码图;同样,图 (d)表示本文算法对应的实验结果,第五列图( d1)表 示角度误差图(AAE本文算法 ),第六列图( d2) 表示本文 算法的光流估计编码图. 可以看出,迭代训练结束后 本文算法有效解决了光照变化、大位移光流和异质点 等影响,较 FFV1MT 算法等具有较好的普适性和有效 性,尤其是在边缘不连续处(如 Grove3 等)、高速遮挡 情况下(如 Urban3 等) 的估计效果. 第七列图( e) 中 啄AAE 表示本文算法与 FFV1MT 算法的角度误差之间 的差值图( 啄AAE = AAEFFV1MT - AAE本文算法 ),根据最后 一列 colorbar 的范围及图( e) 中 啄AAE 的取值结果可 以很明显得出,本文算法在边缘处的保持效果更好. 但是,由于本文算法需要对权重进行训练,必然导致较 FFV1MT 算法更高的计算复杂度和运算时间. 表 1 为本文算法与 FFV1MT 生物模型的客观对 比,由于平均角度误差反映了计算的光流矢量场整体 偏离标准光流矢量场的程度,平均终点误差用以衡量 计算的光流场的矢量长度与标准光流场的矢量长度之 间的误差. 在进行算法比较时,估计的结果越接近真 实光流,也就是平均角度误差和平均终点误差越小的 时候,表示算法的效果越好,而这与图 2 得出的结论一 致,进一步说明了本文提出的MAV1MT较FFV1MT算 表 1 本文算法与 FFV1MT 生物模型估计结果的客观对比 Table 1 Comparison of error measurements between the model and FFV1MT 算法 评价指标 Grove2 Grove3 Hydrangea RubberWhale Urban2 Urban3 Yosemite FFV1MT AAE 依 SD 4郾 28 依 10郾 25 9郾 72 依 19郾 34 5郾 96 依 11郾 17 10郾 20 依 17郾 67 14郾 51 依 21郾 02 15郾 11 依 35郾 28 3郾 41 依 5郾 44 AEPE 依 SD 0郾 29 依 0郾 62 1郾 13 依 1郾 85 0郾 62 依 0郾 96 0郾 34 依 0郾 54 1郾 46 依 2郾 13 1郾 88 依 3郾 27 0郾 16 依 0郾 18 本文算法 AAE 依 SD 3郾 85 依 9郾 61 9郾 81 依 18郾 48 5郾 22 依 11郾 10 8郾 80 依 13郾 74 12郾 06 依 19郾 09 12郾 52 依 31郾 50 3郾 29 依 5郾 21 AEPE 依 SD 0郾 20 依 0郾 42 0郾 96 依 1郾 44 0郾 49 依 0郾 66 0郾 32 依 0郾 46 1郾 26 依 1郾 30 1郾 33 依 2郾 05 0郾 11 依 0郾 15 法效果运动估计结果更准确. 实验 2 为了进一步检验本文算法处理实际问题 的性能,对其他测试运动图像序列进行运动估计验证, 结果如图 3 所示. 图中包含多个图像序列,第一行为 光流矢量图,第二行为光流编码图,第三行为原始输入 样本图像. 从图中可以看出,本文算法较 FFV1MT 模 型有了一定的提高,主要是由于 MT 细胞响应处理权 重的学习较固定的高斯余弦函数在拟合生物视觉的基 础上更符合自然数据特性. 但是在锐利边缘和高速遮 挡等情况下仍存在一定不足,这主要是由于生物初级 视觉在 V1 区域细胞感受野(滤波器组)对图像序列边 缘的模糊等客观现实决定的. 从得到的光流估计的图 像中能明显看出,光流编码图的效果较好,而且光流矢 量场的轮廓也较为清晰,不同方向的目标运动估计效 果明显,进一步证明了本文 MAV1MT 算法较好的普适 性、有效性和鲁棒性. 图 3 MMV1MT 算法在部分测试集序列上的估计结果 Fig. 3 Performance of the MAV1MT model on the Middlebury test set 4 结论 本文针对人眼视觉运动感知特性,借鉴细胞模型 前沿研究理论,提出了一种有效的、普适的和鲁棒的 MAV1MT 运动估计算法,较好的解决了光照影响、大 位移、边缘不连续等问题. 引入基于 ROF 模型的 STD ·1242·