李帅等：序列图像运动自适应V1-MT光流估计算法 ·1241· 原图A) 纹理图A 结构图A [o 图1自然图像的结构纹理分解 Fig.1 Structure-texture decomposition 层图像的平滑过渡且时间消耗适当，后续实验中的 定量分析.参考相关文献[1,3,12]，本文采用实验结 采样比例因子设定为0.75，将有效解决了大位移运 果统计值：平均角度误差(average angular error,AAE)、 动估计问题 平均终点误差(average end-point error,AEPE)和标准 差(standard deviations,SD)对算法效果进行估计]. Level =1 floor (log(min I,m))/16 (16) log 2 实验1该实验选择在Middlebury自然图像序列 其中，loor为标准取整函数. 运动估计标准库[]的训练集（有公开真实光流数据） 和测试集中分别进行验证分析，该数据库包含锐利的 3实验结果及分析 边缘、高速大位移运动和遮挡等特殊情况.图2为部 为了验证本文提出算法的有效性、普适性，本文基 分训练数据集的估计结果，其中第一列图(a)和第二 于Matlab开发环境对得到的运动估计结果做定性和 列图(b)分别为原始序列图像和所对应的光流值：图 (c)FFVIMT (d本文算法 50 50 50 0 (a)原图 b)真实光流 c1)角度误差图 (c2)光流估计值 d1)角度误差图 (d2)光流估计值 (e)AAE=AAEV AAE本文算法 图2不同算法在自然场景数据库Middlebury训练数据集的结果对比 Fig.2 Comparison of the results on the Middlebury training set between the model and FFVIMT李 帅等: 序列图像运动自适应 V1鄄鄄MT 光流估计算法 图 1 自然图像的结构纹理分解 Fig. 1 Structure鄄texture decomposition 层图像的平滑过渡且时间消耗适当,后续实验中的 采样比例因子设定为 0郾 75,将有效解决了大位移运 动估计问题[11] . Level = 1 + floor ( log(min ( l,m)) / 16 ) log 2 . (16) 其中,floor 为标准取整函数. 图 2 不同算法在自然场景数据库 Middlebury 训练数据集的结果对比 Fig. 2 Comparison of the results on the Middlebury training set between the model and FFV1MT 3 实验结果及分析 为了验证本文提出算法的有效性、普适性,本文基 于 Matlab 开发环境对得到的运动估计结果做定性和 定量分析. 参考相关文献[1,3,12],本文采用实验结 果统计值:平均角度误差( average angular error,AAE)、 平均终点误差( average end鄄point error,AEPE) 和标准 差(standard deviations,SD)对算法效果进行估计[9] . 实验 1 该实验选择在 Middlebury 自然图像序列 运动估计标准库[12]的训练集(有公开真实光流数据) 和测试集中分别进行验证分析,该数据库包含锐利的 边缘、高速大位移运动和遮挡等特殊情况. 图 2 为部 分训练数据集的估计结果,其中第一列图( a)和第二 列图(b)分别为原始序列图像和所对应的光流值;图 ·1241·