论文部分内容阅读
为优化视频配准工作中的静态图像配准算法,本文应用深度学习的卷积神经网络VGGNet设计了一个静态图像配准算法。通过仿真实验结果可知,VGGNet能够被很好地应用于静态图像配准工作中;结合均方根误差和N_(red)结果可知,基于Conv5、FC1或者FC2输出特征的静态图像配准算法具有良好的性能,基于FC2的配准算法性能最好,其均方根误差值为0.031 22,N_(red)值为74。通过视频缩放和亮度转换后,静态图像配准算法的性能有所下降,在亮度变换后基于FC2输出特征的配准算法性能较高。与传统HOG