光流是计算机视觉领域中一个重要的研究方向,是一种描述像素随时间在图像之间运动的方法,被广泛应用于运动检测、运动估计和自动驾驶等图像处理领域。传统的光流估计算法通过将图像的特征像素与速度相关联起来,计算前后帧对应特征像素点的运动。传统算法虽然在处理某些场景上有较好结果,但在处理有较大像素运动的场景上存在计算时间和估计准确度方面的瓶颈。随着信息量的日益增加,传统图像处理算法已经不能满足高分辨率、实时等特性的图像视频处理任务。相比于传统图像算法,CNN在计算速度和光流估计准确度方面有很大优势,但对于关键部分像素的光流估计回归值仍有待提高,尤其在图像帧的边缘部分,回归的预测值偏差较大。本文针对增强光流预测的边缘回归值,搭建深度神经网络模型,完成了一系列研究和相关工作,本文主要贡献如下:(1)设计基于深度学习的光流估计算法,使用TensorFlow框架,搭建光流预测FPN(feature pyramid networks特征金字塔网络)网络模型,数据集使用Flying Chairs光流公开数据集训练网络至收敛,得到端到端的光流估计网络模型,图像序列在模型上进行测试,得到光流估计结果偏差不到1%,且处理速度高于30fps,能达到实时效果,作为baseline,为之后边缘增强的光流估计创新实验奠定了基础。(2)针对光流估计结果的边缘轮廓模糊的问题,在搭建的baseline网络模型基础上,提出两种方法来训练边缘增强的光流网络,第一组是在输入模块添加图像的边缘图,另一组是将前景物体轮廓加入输入模块,两组实验采用与baseline网络相同的训练数据集训练网络,对比baseline实验,两组增强实验在误差EPE(End Point Error)指标上,分别降低了 3.71%和7.54%。