Face aux problèmes des méthodes existantes d’estimation du flux optique, tels que les contours d’objets peu clairs et le manque de détails fins, cet article propose un réseau d’estimation du flux optique fusionnant les informations des régions corrélées des séquences d’images. Un encodeur de caractéristiques et un encodeur global extraient respectivement les caractéristiques encodées et contextuelles des images, avec réduction de la taille des caractéristiques via un sous-échantillonnage. Avant de construire un volume de corrélation 4D, les cartes de caractéristiques des deux images consécutives en entrée sont partitionnées, et la similarité visuelle dense est calculée en fonction des corrélations fortes et faibles, établissant ainsi un volume de corrélation 4D plus précis. Lors de la phase de mise à jour itérative, un filtre convolutif résiduel et un module de détail fin sont proposés pour traiter le volume de corrélation et la transmission du flux optique respectivement, permettant de conserver davantage d’informations locales de petits déplacements avant de fusionner les informations du volume de corrélation et du flux optique. Comparé à d’autres méthodes sur les bases de données KITTI-2015 et MPI-Sintel, les indicateurs d’évaluation de l’estimation du flux optique ont été améliorés de 8,2% et 6,15% respectivement. Le modèle de réseau proposé améliore mieux la précision de l’estimation du flux optique et résout efficacement les problèmes de champ de flux trop lisse, de manque de détails fins et d’ignorance du mouvement des petits objets.

vision par ordinateur;apprentissage profond;flux optique;correspondance régionale;mise à jour itérative