光流反映了图像序列像素点亮度的时空域变化与图像中物体运动及结构的关系,其不仅包含了各像素点的运动参数信息,而且携有丰富的运动场景三维结构信息。因此,光流计算技术研究是计算机视觉领域的重要基础,研究图像序列光流计算技术的目的就是从图像序列中计算出准确的光流场,进而协助完成各类高级计算机视觉任务。21世纪以来,随着计算机计算能力的大幅提升,图像序列光流计算相关理论与技术已广泛应用于机器人导航系统、人体姿态估计技术以及电影后期处理技术等社会生活的各个领域。随着光流技术的不断提升与完善,针对小位移等简单运动场景的光流估计算法已具有很好的适用性。但是当图像序列中包含大位移运动、复杂纹理结构或多运动目标时,现有光流计算方法的估计精度与计算效果仍有待进一步提升。针对此类问题,本文提出了基于深度匹配的大位移光流计算方法,旨在解决大位移与复杂运动场景变分光流计算的准确性与运动模糊问题。本文的主要工作及贡献可以概括如下:1.首先介绍了光流的概念并详细阐述了光流计算技术的背景与研究意义,接着总结了现有光流计算技术的大致分类与各自存在的问题,最后细致分析了当前基于图像匹配的光流计算技术尚未解决的两个关键问题,并概述了本文章节结构。2.针对图像匹配的可靠性问题,本文提出一种基网格优化的图像深度匹配方法。首先采用深度匹配模型获取图像初始匹配结果,然后使用网格近似法将连续帧图像分别划分为非重叠图像网格,并根据像素点坐标将匹配像素点分配到对应图像网格,最后根据运动平滑假设设计置信度评估函数剔除错误匹配像素点,从而提高图像匹配的精度与可靠性。3.针对现有光流计算方法在包含大位移、非刚性形变、复杂纹理结构等困难场景的图像序列中光流计算的准确性与鲁棒性问题,本文提出一种基于深度匹配的由稀疏到稠密大位移运动光流计算方法。首先从稀疏匹配场获取图像序列的大位移运动模式,然后采用基于随机森林决策树的运动边缘检测模型分割图像运动边界,并构建基于边缘保护距离的稀疏运动场稠密插值模型,最后设计变分能量泛函对稠密运动迭代细化得到最终的光流结果。4.分别采用Middlebury、MPI-Sintel和KITTI数据库提供的测试图像集对本文方法以及Classic+NL、Deep Flow、Epic Flow、Flow-Net S等变分光流计算方法、图像匹配光流计算方法以及深度学习光流计算方法进行综合对比分析。通过实验验证了本文方法的光流估计效果,实验结果表明本文方法不仅对大位移、非刚性形变以及复杂纹理结构等困难场景具有较好的准确性与鲁棒性,而且能有效保护运动边缘。