Lucas-Kandade 算法 opencv中的cvCalcOpticalFlowLK()与cvCalcOpticalFlowPyrLK()原理及其部分代码理解。

本文部分出自：http://hi.baidu.com/lin65505578/item/b364c3b45f12a39c194697a5

在《learning opencv》中谈论光流计算的部分中，对两个函数的cvCalcOpticalFlowLK()与cvCalcOpticalFlowPyrLK()参数区别，觉得奇怪。

void cvCalcOpticalFlowLK( const CvArr* prev, const CvArr* curr, CvSize win_size, CvArr* velx, CvArr* vely );

void cvCalcOpticalFlowPyrLK( const CvArr* prev, const CvArr* curr, CvArr* prev_pyr, CvArr* curr_pyr,
                             const CvPoint2D32f* prev_features, CvPoint2D32f* curr_features,
                             int count, CvSize win_size, int level, char* status,
                             float* track_error, CvTermCriteria criteria, int flags );
对比这两个函数，前者cvCalcOpticalFlowLK(参数中包含光流速度（稠密的光流场） CvArr* velx, CvArr* vely ，然而

cvCalcOpticalFlowPyrLK的参数中确实两个特征点数组CvPoint2D32f* prev_features, CvPoint2D32f* curr_features。

对于cvCalcOpticalFlowLK函数的原理，《learning opencv》中介绍的比较清楚，也可以参考http://www.360doc.com/content/11/0210/17/5367933_91913320.shtml这篇博文。

cvCalcOpticalFlowPyrLK函数给人的感觉更像块匹配，用归一化相关求出特征点在下一帧的位移，这好像和光流机Lk算法关系不大。查阅了相关文献，思考 cvCalcOpticalFlowPyrLK的原理，确实和块匹配类似，只不过没有空归一化相关的方法，用的偏导的方法。由偏导的方法也就和LK算法及光流挂上了钩。

金字塔LK算法（cvCalcOpticalFlowPyrLK）的两个特点，一、金字塔原理；二、偏导方法求解位移。

金子塔原理：

金字塔LK算法针对较大的运动图像序列。如果用一个大的窗口来捕获大的运动，往往会违背运动连贯的假设。也就是，这个大窗口内的子图像和原先的子图像发生了较大的变化。图像金子塔可以解决这个问题，最初在较大的空间尺度上进行跟踪，在通过对图像金字塔向下直到图像像素的处理来修正初始运动速度（位移）的假设。通俗的将，就是通过下采样是的大窗口变为小窗口，以此来满足运动连贯的假设。

偏导方法求解位移：

cvCalcOpticalFlowPyrLK中把特征点的速度和方向等价位特征的位移及其方向。