高精度视频配准算法中的静态图像配准算法
为优化视频配准工作中的静态图像配准算法,本文应用深度学习的卷积神经网络VGGNet设计了一个静态图像配准算法.通过仿真实验结果可知,VGGNet能够被很好地应用于静态图像配准工作中;结合均方根误差和Nred结果可知,基于Conv5、FC1或者FC2输出特征的静态图像配准算法具有良好的性能,基于FC2的配准算法性能最好,其均方根误差值为0.031 22,Nred值为74.通过视频缩放和亮度转换后,静态图像配准算法的性能有所下降,在亮度变换后基于FC2输出特征的配准算法性能较高.与传统HOG、LBP特征提取的图像配准算法相比,本文算法具备较好的配准精度和正确率.研究结果可为当前基于深度学习卷积神经网络的静态图像配准算法提供参考.
视频、图像配准、深度学习、VGGNet
35
TP391.41(计算技术、计算机技术)
2019年福建省属公益类科研院所基本科研专项No.2019R1008-9
2020-07-13(万方平台首次上网日期,不代表论文的发表时间)
共7页
612-618