光流的概念最初来自于生物视觉研究,它描述了图像序列中可由视觉感知的运动,若由三维空间投影至二维图像平面,可近似表征为位移场。视觉感知研究发现,人类可通过运动直接识别周围环境,据此进行的自动导航试验也证明,以光流作为引导信息优于传统的导航方式。由于物体运动是视觉信息的主体,因此光流估计一直是计算机视觉及其相关研究领域的重要任务之一。光流的应用非常广泛,涉及了对象追踪、机器人学、人机交互、辅助驾驶、视频压缩、动态纹理分析、超分辨率等技术。基于亮度常量假设的BCM模型是使用最为广泛的光流模型,然而该模型的求解存在孔径问题,且该模型仅对不变光照下的朗伯体表面有效,这限制了光流技术的应用。为了提高光流估计的准确性与稳定性,着眼于特定应用的改进模型陆续出现。本文针对彩色视频的光流估计、光照改变时的光流计算、大位移运动的光流提取进行了研究,具体研究内容及创新成果如下:1.为能利用色彩信息提高光流估计的稳定性,本文从彩色光流场与色度空间的关系开始,对彩色光流场的颜色模型、估计原理、典型方法进行了分析比较,针对光流场计算,提出了线性规范化的知觉颜色模型。该颜色模型利用人眼知觉特性,使颜色像素间的差值对光照变化具有稳定性,并使颜色差值向量的范数与知觉距离相匹配。同时,通过线性规范化使得颜色分量间的相关性大为降低,为后续的彩色光流场求解提供了较好的估计条件。为进一步获得对视觉方向、表面方向、高光、环境光照变化不敏感的颜色空间,本文提出了基于线性规范化的知觉颜色比值模型。2.传统的光流估计是基于亮度或灰度等单色分量的,未充分利用彩色视频中丰富的颜色信息。光流是三维运动在二维平面上的投影,属于不适定问题,求解时需增加约束条件。若引入的辅助条件失效,则会引起大量光流误差。由于彩色图像中的某些颜色分量,在外界光照改变时,其稳定性优于亮度或灰度,因此可将颜色信息引入光流场计算,以提高估计质量。由此本文将构造的颜色空间与小区域平滑相结合,以色彩信息作为约束条件建立超定方程组,提出了扩展约束下的彩色光流方程法,实验结果表明,在实际摄录的视频中,本法获得的光流场质量优于同类方法。3.受现有的数值求解技术所限,光流矢量存在奇异点,且易在运动物体边界处过度平滑。为此,本文提出采用改进的自动彩色细胞生长分割法,将运动区域与背景相分离以获得较为精确且连续一致的运动边缘,其后分区域滤波以消除奇异点,从而降低光流场误差。4.基于图像亮度常量假设的模型其光流估计效果受光照影响较大,为克服此问题陆续出现了各种新模型,其中通用动态图像模型(GDIM)是影响较大、实用性较强的模型之一。本文通过对彩色图像序列的GDIM模型在克利福德代数域上的理论分析与推导,解释了GDIM模型中参数的物理意义,并根据推导结果对GDIM模型进行了修正。然后结合理论分析与实验数据,根据运动视觉产生的原理,提出了基于光照辐射的光流场模型,该模型将图像梯度场引入克利福德代数域,利用图像梯度场自身的方向特性及其对轮廓变化的敏感性,提高了光照改变时运动物体检测的准确度。5.高速运动在视频中体现为大位移变化。常规的光流模型线性化求解仅适用于小位移,此类方法通常要求位移幅度不超过单个像素。为提高大位移估计质量,本文在采用总变分分级对偶估计技术初步获得大位移光流矢量后,以基于多维点集的Hausdorff距离作为彩色SIFT描述子的匹配距离,调整图像序列中对应物上的光流,以大位移光流场的分级彩色SIFT匹配法保持光流细节,减少了光流估计误差。