Diante dos métodos existentes de estimativa de fluxo óptico que apresentam problemas como contornos de objetos pouco claros e falta de detalhes finos, este artigo propõe uma rede de estimativa de fluxo óptico que integra informações de regiões correlacionadas de sequências de imagens. Um codificador de características e um codificador global extraem respectivamente características codificadas e contextuais das imagens, reduzindo o tamanho das características por meio de downsampling. Antes da construção do volume de correlação 4D, os mapas de características de dois quadros consecutivos são particionados, e a similaridade visual densa é calculada por meio de correlações fortes e fracas, estabelecendo um volume de correlação 4D mais preciso. Na fase de atualização iterativa, propõem-se um filtro convolucional residual e um módulo de detalhes finos, aplicados respectivamente para processar o volume de correlação e a transmissão do fluxo óptico, permitindo reter mais informações locais de pequenos deslocamentos antes da fusão das informações do volume de correlação e do fluxo óptico. Em comparação com outros métodos nos conjuntos de dados KITTI-2015 e MPI-Sintel, os indicadores de avaliação da estimação do fluxo óptico melhoraram 8,2% e 6,15%, respectivamente. O modelo de rede apresentado pode melhorar melhor a precisão da estimativa do fluxo óptico, resolvendo efetivamente problemas como campos de fluxo excessivamente suaves, falta de detalhes finos e negligência do movimento de pequenos objetos.

visão computacional;aprendizado profundo;fluxo óptico;correspondência regional;atualização iterativa