CV中opticalFlow（與MV的區別）/stitcher/pyramid(高斯金字塔 拉普拉斯金字塔 雙線性金字塔)

以下都是知乎和csdn上講解比較詳細的文章

1.opticalFlow

光流估計——從傳統方法到深度學習

光流反映了是每個像素的運動狀況

MV是以塊爲單位的運動情況，

在視頻編碼過程中，動作矢量的空間分辨率得到了大幅度的減少(即16x)，而對動作識別非常重要的精細動作永久的丟失

 

但是光流的計算量比較大 目前有通過 MV/I幀圖像/殘差和CNN卷積神經網絡學習來計算光流的算法 計算量比傳統光流小兩個數量級

有個DMC-Net的系統，包括發生器和分類器，號稱它的精度接近於使用流的精度，在推理時比使用光流快兩個數量級。可參考

DMC-Net

 

2.stitcher(圖像拼接)

計算機視覺方向簡介 | 圖像拼接

一共有4個步驟

a.Feature Extraction 特徵提取 

b.Image Registration圖像配準

c.wraping 圖像變形

d.Blending 圖像融合

 

硬件只實現了 Blending，圖像配準通過各個CAM攝像頭的角度來保證。採用α/β融合的方式。α、β參數可DDR讀取也可根據配置在線計算

 

3.pyrimid

（二十六）圖像金字塔----高斯和拉普拉斯

OpenCV圖像金字塔：高斯金字塔、拉普拉斯金字塔總結

硬件上只有雙線性和高斯兩種 downscale使用了兩種方法 upscale只用了雙線性