Frente a los métodos existentes de estimación de flujo óptico que presentan problemas de contornos de objetos poco claros y falta de detalles finos, este artículo propone una red de estimación de flujo óptico que fusiona la información de regiones correlacionadas en secuencias de imágenes. Un codificador de características y un codificador global extraen respectivamente las características codificadas y contextuales de las imágenes, y las dimensiones de las características se reducen mediante un muestreo descendente. Antes de construir un volumen de correlación 4D, las dos mapas de características de cuadros consecutivos se dividen en regiones, y se calcula la similitud visual densa mediante correlaciones fuertes y débiles, estableciendo un volumen de correlación 4D más preciso. En la etapa de actualización iterativa, se proponen un filtro convolucional residual y un módulo de grano fino, aplicados respectivamente para procesar el volumen de correlación y la transferencia del flujo óptico, lo que permite conservar más información local de pequeños desplazamientos antes de fusionar la información del volumen de correlación y el flujo óptico. En comparación con otros métodos en los conjuntos de datos KITTI-2015 y MPI-Sintel, los indicadores de evaluación de la estimación de flujo óptico mejoraron 8.2% y 6.15%, respectivamente. El modelo de red propuesto mejora mejor la precisión de la estimación del flujo óptico y resuelve eficazmente problemas como el campo de flujo demasiado suave, la falta de detalles finos y la omisión del movimiento de objetos pequeños.

visión por computadora;aprendizaje profundo;flujo óptico;coincidencia regional;actualización iterativa