【C++ OpenCV】图像金字塔中计算Lucas-Kanande光流算法

在学习图像金字塔代码之前，需要先看角点检测的的代码，因为在图像金字塔中，检测的点用的就是角点

1.角点检测

1.1角点检测代码

void cv::goodFeaturesToTrack(
		cv::InputArray image, 			// 输入图像（CV_8UC1 CV_32FC1）
		cv::OutputArray corners,		// 输出角点vector
		int maxCorners, 				// 最大角点数目
		double qualityLevel, 			// 质量水平系数（小于1.0的正数，一般在0.01-0.1之间）
		double minDistance, 			// 最小距离，小于此距离的点忽略
		cv::InputArray mask = noArray(), // mask=0的点忽略
		int blockSize = 3, 				// 使用的邻域数
		bool useHarrisDetector = false, // false ='Shi Tomasi metric'
		double k = 0.04 				// Harris角点检测时使用
	);

1.2角点检测参数解析：

第一个参数是输入图像（8位或32位单通道图）。

第二个参数是检测到的所有角点，类型为vector或数组，由实际给定的参数类型而定。如果是vector，那么它应该是一个包含cv::Point2f的vector对象；如果类型是cv::Mat,那么它的每一行对应一个角点，点的x、y位置分别是两列。

第三个参数用于限定检测到的点数的最大值。

第四个参数表示检测到的角点的质量水平（通常是0.10到0.01之间的数值，不能大于1.0）。

第五个参数用于区分相邻两个角点的最小距离（小于这个距离得点将进行合并）。

第六个参数是mask，如果指定，它的维度必须和输入图像一致，且在mask值为0处不进行角点检测。

第七个参数是blockSize，表示在计算角点时参与运算的区域大小，常用值为3，但是如果图像的分辨率较高则可以考虑使用较大一点的值。

第八个参数用于指定角点检测的方法，如果是true则使用Harris角点检测，false则使用Shi Tomasi算法。

第九个参数是在使用Harris算法时使用，最好使用默认值0.04。

1.3角点检测代码实例：

cv::Mat image_color = cv::imread("house.jpg", cv::IMREAD_COLOR);
 
	//使用灰度图像进行角点检测
	cv::Mat image_gray;
	cv::cvtColor(image_color, image_gray, cv::COLOR_BGR2GRAY);
 
	//设置角点检测参数
	std::vector<cv::Point2f> corners;
	int max_corners = 200;
	double quality_level = 0.01;
	double min_distance = 3.0;
	int block_size = 3;
	bool use_harris = false;
	double k = 0.04;
 
	//角点检测
	cv::goodFeaturesToTrack(
		image_gray, 
		corners, 
		max_corners, 
		quality_level, 
		min_distance, 
		cv::Mat(), 
		block_size, 
		use_harris, 
		k);
 
	//将检测到的角点绘制到原图上
	for (int i = 0; i < corners.size(); i++)
	{
		cv::circle(image_color, corners[i], 1, cv::Scalar(0, 0, 255), 2, 8, 0);
	}
 
	cv::imshow("house corner", image_color);
	cv::waitKey(0);
	return;

2金字塔Lucas-Kanande

2.1金字塔Lucas-Kanande代码

void calcOpticallFlowPyrLK (
    InputArray prevImg, 
    InputArray nextImg, 
    InputArray prevPts, 
    InputOutputArray nextPts, 
    OutputArray status, 
    OutputArray err,
    Size winSize = Size(21,21), 
    int maxLevel = 3, 
    TermCriteria criteria = TermCriteria(TermCriteria::COUNT+TermCriteria::EPS, 30, 0.01), 
    int flags = 0, 
    double minEigThreshold = 1e-4
);

2.2金字塔Lucas-Kanande代码参数解析：

2.3金字塔Lucas-Kanande代码实例：

#include <iostream>
#include <vector>
#include <opencv2/opencv.hpp>
#include <opencv2/core/core.hpp>
#include <opencv2/highgui/highgui.hpp>
 
const int MAX_CORNERS = 500;
int main()
{
	cv::Mat imageA = cv::imread("img00001.png", 1);
	cv::Mat imageB = cv::imread("img00002.png", 1);
 
	//使用灰度图像进行角点检测
	
	//转灰度图像
	cv::Mat imageA_gray, imageB_gray;
	cv::cvtColor(imageA, imageA_gray, cv::COLOR_BGR2GRAY);
	cv::cvtColor(imageB, imageB_gray, cv::COLOR_BGR2GRAY);
	 
	//设置角点检测参数
	std::vector<cv::Point2f> cornersA;
	int max_corners = MAX_CORNERS;
	double quality_level = 0.01;
	double min_distance = 5.0;
	int block_size = 3;
	bool use_harris = false;
	double k = 0.04;
 
	//角点检测
	cv::goodFeaturesToTrack(
		imageA_gray,
		cornersA,
		max_corners,
		quality_level,
		min_distance,
		cv::Mat(),
		block_size,
		use_harris,
		k);
	
	cv::Size winSize(10, 10);
	cv::TermCriteria criteria = cv::TermCriteria(
					cv::TermCriteria::MAX_ITER + cv::TermCriteria::EPS,
					20,
					0.03);
 
	//亚像素检测
	cv::cornerSubPix(imageA_gray, cornersA, winSize, cv::Size(-1, -1), criteria);
 
	
	std::vector<cv::Point2f> cornersB;
	std::vector<uchar> status;
	std::vector<float> err;
	cv::calcOpticalFlowPyrLK(imageA_gray, imageB_gray, cornersA, cornersB, status, err, winSize, 5, criteria, 0, 0.001);
 
	cv::Mat	imageC = imageB.clone();
	for( int i = 0; i< cornersA.size(); i++ ) 
	{
        if(status[i] == '0') continue;
        cv::Point p0 = cv::Point(cvRound(cornersA[i].x), cvRound(cornersA[i].y ));
        cv::Point p1 = cv::Point(cvRound(cornersB[i].x), cvRound( cornersB[i].y));
        line( imageC, p0, p1, cv::Scalar(0,0,255), 1, CV_AA);
    }
    
    cv::imshow("ImageA",imageA);
    cv::imshow("ImageB",imageB);
    cv::imshow("LKpyr_OpticalFlow",imageC);
 
	cv::waitKey(0);
	return 0;
}